Znalostní báze AIEdAIEd KB
Na této stránce

Přečtěte si tuto stránku v angličtině

Pojmy

Návrh kurikula

Vytvořeno 2026-06-02 · Aktualizováno 2026-11-08

Automatický strojový překlad této anglické stránky, který ještě nebyl zkontrolován rodilým mluvčím.

Návrh kurikula — proces plánování a strukturování toho, co se vyučuje napříč kurzy, programy a institucemi, včetně cílů učení, sekvencování obsahu, strategií hodnocení a progrese dovedností. V éře AI musí návrh kurikula vyvažovat základní znalosti s novými kompetencemi v AI a určovat nejen to, co se studenti učí, ale jak se učí pracovat s nástroji AI a kriticky je hodnotit.

Otázky k zamyšlení

  • Návrh kurikula se ptá, co se mají studenti učit na úrovni programu, zatímco návrh výuky se ptá jak na úrovni kurzu. Když AI přetváří obor, která z těchto dvou vrstev by se podle vás měla změnit první?
  • Protože generativní AI automatizuje práci na úrovni implementace, někteří tvrdí, že se kurikula musí posunout k návrhu systémů, abstrakci a kritickému hodnocení. Co by podle vás studenti ztratili, kdyby se důraz na nízkoúrovňové dovednosti snížil?
  • Redesign kurikula v éře AI se často rámuje jako rovnováha mezi plynulostí v nástrojích a základními znalostmi. Kde jste viděli, že se tato rovnováha vychýlila příliš jedním směrem?
  • Rámec SAIL pojímá gramotnost v AI jako scaffoldovanou napříč věkem a navrženou tak, aby řešila hlubší „digitální propasti" za hranicí přístupu. Jak se liší zabudování gramotnosti v AI do celého kurikula od přidání jediného kurzu o AI?
  • Pokud nyní každý obor potřebuje kompetence v AI zabudované uvnitř sebe, kdo odpovídá za změnu kurikula — učitelé, programy, nebo instituce — a co pedagogové potřebují, aby v tom uspěli?
  • Kurikulum je sled dovedností napříč roky, nikoli jen seznam témat. Jak tento delší pohled mění to, zda „jednotka gramotnosti v AI" skutečně zapustí kořeny?

Úvod

Návrh kurikula se zabývá čím vzdělávání na úrovni programu a doplňuje návrh výuky, který se zabývá jak na úrovni kurzu. Články v této znalostní bázi zkoumají, jak AI přetváří kurikula napříč obory — od softwarového inženýrství po architekturu a zelené vzdělávání — a jak pedagogové navrhují kurikula, která zabudují gramotnost v AI, aniž by obětovala oborové základy.

Klíčová výzkumná témata

Redesign kurikul pro éru AI je ústřední výzvou. Lee et al. syntetizovali zjištění z mezinárodních workshopů o přetváření vysokoškolského vzdělávání v informatice a argumentovali, že protože generativní AI automatizuje programování na úrovni implementace, kurikula se musí posunout k návrhu systémů, abstrakci a kritickému hodnocení — a zároveň omezit důraz na nízkoúrovňové implementační detaily. Gorsky formalizoval agentní softwarové inženýrství jako samostatnou disciplínu s kurikulem o 21 modulech zaměřeným na „evoluci záměru" a praktickou disciplínu potřebnou k řízení agentů AI. Oba se pojí s gramotností v AI a scaffoldingem.

Pojímajíce změnu jako systémovou, nikoli aditivní, Sabani et al. (2026) triangulují scoping review, bibliometrické mapování 209 záznamů, 36 článků a deset rozhovorů s akademickými vedoucími do pěti posunů — včetně toho, že předávání znalostí ustupuje rozvoji kapacit a lokální experimentování institucionálnímu řízení.

Mapování a analýza kurikula využívá AI k porozumění stávajícím kurikulům. Geng et al. analyzovali 23 sylabů z kurzů softwarového inženýrství asistovaných AI a identifikovali společná témata — prompt engineering, revizi kódu s AI, etická hlediska — a odvodili doporučení pro design, která zdůrazňují vyvažování plynulosti v nástrojích se základními znalostmi. CourseGraph aplikuje výpočetní metody na srovnání struktur kurzů informatiky napříč institucemi.

Vážení mění to, co analýza kurikula vykazuje: Jayalath et al. (2026) nechali GPT-o3-mini rozdělit 100 % mezi sedm podnikových dovedností u každého ze 48 hodnocení, čímž dosáhli Krippendorffova alfa 0,81 proti vahám odborníků, ale shoda se obrátila do záporných hodnot u dovedností, které popisy nikdy explicitně neuvádějí (−0,19).

Modulární struktura přežívá současný obsah. Opakuje se vzorec, kdy se obor pohybuje rychleji než revizní cyklus: stabilní jádro gramotnosti v AI, kritického posouzení, detekce zaujatosti a etiky, s obsahem o specializovaných a lokálně dostupných nástrojích připojeným jako moduly a revidovaným každých šest až dvanáct měsíců (Bursic et al. (2026)). Uvedeným případem je postgraduální lékařské vzdělávání, ale princip zobecňuje: program se zavazuje ke kompetencím, které přežijí obměnu nástrojů, a vrstvu specifickou pro nástroje plánuje na výměnu.

Integrace gramotnosti v AI zabudovává kompetence v AI napříč obory. SAIL poskytuje scaffoldovaný rámec gramotnosti v AI použitelný napříč všemi věky a vzdělávacími stupni, který se zabývá digitálními propastmi druhého a třetího stupně. Tracing GenAI Literacy: Student-AI Interaction Patterns in Academic Writing zkoumá, jak se gramotnost v AI rozvíjí prostřednictvím vzorců interakce. Systematic review of collaborative learning activities for promoting AI literacy zkoumá kolaborativní přístupy k tvorbě kurikula gramotnosti v AI a propojuje se s kolaborativním učením.

LearnAI ukazuje, jak vypadá zabudovaná verze: vrstva široké expozice v podobě krátkých prezentací uvnitř 18 existujících kurzů napříč pěti obory (293 studentů) ve spojení s volitelnými individuálními spolutvůrčími setkáními vedenými vyškolenými vrstevnickými tutory z řad vysokoškoláků, takže studující s různou úrovní schopností se setkávají s úkoly AI na své úrovni (Qu et al. (2026)).

Integrace v praxi zaostává za rámci. Santos-Albardía et al. (2025) zjistili, že jen 13,8 % dotázaných studentů vzdělávání a žurnalistiky uvedlo, že jejich studium zahrnovalo kritickou mediální analýzu, proti 97,8 % těch, kdo ji označili za důležitou, a jejich rozhovory s odborníky vystopovaly mezeru k přípravě učitelů, která upřednostňuje technické a instruktážní dovednosti před mediálním vzděláváním.

Přehled PRISMA 39 studií STEAM (2016–2025) našel paralelní nerovnováhu v prvcích gramotnosti v AI: implementace rozvíjely technické gramotnosti — základní koncepty AI, počítačové myšlení, datovou gramotnost — zatímco nedostatečně rozvíjely etické povědomí, kreativní imaginaci a tvorbu, správu a navrhování s AI, takže praktickou odpovědí je auditovat každou jednotku proti nim (Niri et al., 2026).

Hlas studentů je dalším vstupem pro design: 84 % ze 166 studentů posledního ročníku obchodu chtělo, aby se generativní AI učila v jejich předmětech, a 85 % ji považovalo za zásadní pro zaměstnatelnost, zatímco jen 7 % se o ní učilo na své univerzitě (Rook a Plumb (2026)).

Přehled 42 studií předuniverzitního vzdělávání v AI zjišťuje, že kurikula se posouvají od technického obsahu k modelům založeným na kompetencích, postaveným na rámcích, jako jsou AI4K12 a Five Big Ideas in AI, přičemž gramotnost v AI je pojímána jako mezipředmětová kompetence, zatímco standardizované nástroje pro její hodnocení stále chybí (Caruana et al. (2026)).

Pedagogové a zaměstnavatelé se shodli na důležitosti jen u jedné z 26 dovedností AI — stanovení realistických očekávání od práce rozšířené AI — a jen tři z 26 byly vyučovány u poloviny nebo více pedagogů, což je důkaz zprávy o mezeře v dovednostech AI mezi vysokoškolským vzděláváním a zaměstnavateli (Fried (2026)).

Návrh aktivit strojového učení na K-12 zůstává na povrchu: přehled za rámcem ICE-T zjistil, že neviditelné používání, interakce s tlačítky a nasazení modelu tvoří téměř 60 % kódovaných aktivit učení s učitelem, otevřená tvorba se objevila jen dvakrát a technická a společenská perspektiva se společně vyskytly jen u přibližně 3 % aktivit (Haritz et al., 2026).

Oborově specifické inovace kurikula aplikují návrh kurikula na konkrétní obory. Gen-AI-tecture: using generative AI to support architectural students in design tasks zkoumá, jak generativní AI přetváří architektonickou designovou pedagogiku. The Role of Artificial Intelligence in Green Education: Optimizing Teacher Workflow and Enhancing Pedagogical Design under Sustainable Development Pedagogy (SDP) Constraints zkoumá integraci AI v kurikulech zeleného vzdělávání. ConnectED: A curriculum-aligned AI system for Vietnamese instructional lesson planning and student learning a LLMs to Support K-12 Teachers in Culturally Relevant Pedagogy: An AI Literacy Example se zabývají kulturně odpovědným návrhem kurikula.

Zabudujte AI dovnitř oboru, nikoli vedle něj. Tříúrovňové kurikulum AI (úvodní, aplikační, pokročilé) vložilo strojové učení do existujících témat tepelného inženýrství v kurzu o 39,1 hodinách, místo aby přidalo volitelné předměty informatiky, čímž se vyhnulo další zátěži studentů strojního inženýrství a otevřeně uvolnilo svůj sylabus, data a kód (Li et al. (2026)).

Případ žurnalistiky ukazuje variantu s hodnotami na prvním místě: trojice hodnoty–procesy–kompetence posunula studenty od reportáže pouze lidské k práci integrované s AI, přesto 8 z 9 (89 %) uvedlo důvěru v etická rozhodnutí, zatímco položky průzkumu o autorství a zaujatosti naznačovaly jen povrchní porozumění (Ngu a Weller (2026)).

Institucionální rámce se zabývají změnou kurikula ve velkém měřítku. A principled way to think about AI in education: guidance for educators and policy makers on action based on goals, models of human learning, and use of technologies a A principled way to think about AI in education: guidance for educators and policy makers on action based on goals, models of human learning, and use of technologies poskytují principy integrace AI napříč vzdělávacími programy. The Main Barrier to AI Adoption in the Public Sector is Lack of Training zkoumá překážky adopce kurikula AI ve vzdělávání veřejného sektoru.

Sekvencování AI napříč programem. Torres-Sahli et al. navrhují rámec „nejprve zdržet, poté zesílit", který sekvencuje generativní AI na úrovni programu: zadržet generativní nástroj, dokud se utváří kapacita, a poté ho vrátit, aby tuto kapacitu zesílil, jakmile ji student dokáže řídit a posoudit její výnosy. Řízen kritériem utváření versus offloading (zda úsek práce kapacitu buduje, nebo ji jen protlačí nástrojem), rámec spojuje návrh kurikula s kognitivním offloadingem, seberegulovaným učením a akademickou integritou, s kontrolními body, které lze jen těžko obejít, v každém přechodu od zdržení k zesílení.

Pákou pro nejvyšší stupně není více kurzů: napříč 89 sponzorovanými závěrečnými projekty byl postup z úrovně 6 na 7 připravenosti na pracovní sílu podmíněn zkušeností zakotvenou v průmyslu — stážemi a projekty Manufacturing Extension Partnership — takže tituly potřebují učení integrované s prací, nikoli další technický volitelný předmět (Smith et al. (2026)).

Důsledkem schopnosti modelů na úrovni kurikula je, že design odolný vůči AI vyprší. Pedagogové informatiky popsali kalibraci zadání proti tomu, co modely ještě neuměly, a sledovali, jak kalibrace propadá — úlohy jednoho učitele kyberbezpečnosti vyžadovaly skutečné řešení problémů před sedmi nebo osmi měsíci a pak je model prostě vyřešil — a facilitátor odhadl životnost na přibližně jeden semestr. Strukturálním zjištěním workshopu je, že téměř každou adaptaci provedl jednotlivý učitel v rámci jednoho kurzu, bez institucionální koordinace, kterou by trvalá kurikulární odpověď vyžadovala (Akbar et al., 2026).

Soulad celého kurzu, když je generativní AI povolena. Redesign úvodního kurzu jaderné a částicové fyziky z roku 2026 (Mikhasenko et al.) integroval tři typy aktivit s odlišnými rolemi — přednášky pro koncepty a notaci, cvičení pro standardní analytickou praxi a domácí úkoly jako průzkumnou „výzkumně tvarovanou" složku neobvykle obtížných problémů s více metodami. Uváděné tření (nedeklarovaný předpoklad programování, nedostatek času porozumět, místo aby šlo jen získat odpovědi, a nesoulad mezi přednáškami, cvičeními, domácími úkoly a zkouškou) ilustruje, že povolení generativní AI vynucuje práci na souladu kurikula napříč celým kurzem, nikoli změnu jednoho typu zadání; jejich doporučená struktura ponechává průzkumnou práci s povolenou AI jako bonusové pokročilé úkoly, zatímco známku určuje písemná zkouška bez pomoci.

Hloubka souladu, nikoli frekvence používání, odlišuje vzorce integrace. Napříč 17 případy obchodních modulů šest zabudovalo generativní AI systematicky napříč výukou, učením a hodnocením (konstruktivní), devět tak učinilo nekonzistentně (smíšené) a dva sporadicky (ad hoc); konstruktivní případy vykázaly nejsilnější výsledky v angažovanosti, kapacitě a relevanci pro kurikulum (Zhou et al. (2026)).

Rada pro konstruktivní soulad pod kritickým zkoumáním. Zatímco výše uvedené zdroje referují o souladu v praxi, McInnes et al. (2026) čtou samotné doporučení jako diskurz. Jejich kritická diskurzní analýza 14 textů šedé literatury publikovaných od listopadu 2022 do dubna 2025 — většinou institucionálních stránek a kapitol z centrálně postavených jednotek pro učení a výuku — zjistila, že konstruktivní soulad je prezentován jako problém efektivity: generativní AI byla „účinným a efektivním způsobem, jak navrhnout rubriky", který mohl „zefektivnit proces", antropomorfizována jako „vzdělávací expert a asistent", „tréninkový partner" nebo „inteligentní asistent v instruktážním designu", zatímco akademičtí pracovníci dodávali jen „odbornost v předmětu" a nástroj převzal „těžkou práci při vytváření cílů učení, organizaci obsahu kurzu ... a slaďování složek kurzu". Recepty promptů typu kopírovat–vložit a číslované šablony rámovaly konstruktivní soulad jako standardizovatelný produkt, což produkovalo tři režimy selhání: performativitu (soulad, který jen vypadá sladěný), vymazání situovaného a kritického kontextu a mělký soulad, který zaměňuje soulad s konstruktivní dimenzí. Jejich náprava přesekvencovává pracovní postup návrhu kurikula — pedagogové musí rozumět konstruktivnímu souladu natolik, aby mohli výstup AI řídit, hodnotit a odmítnout, než mu delegují jakoukoli část — a ohraničuje jakýkoli nástroj institucionálním retrieval-augmented agentem zakotveným v místní politice, rubrikách a atributech absolventa, s rolí „liminálního tutora", která vztah s vývojářem rozšiřuje, nikoli nahrazuje.

Generování úloh modelování sladěných s kurikulem. Platformy poháněné AI mohou řešit nedostatek času a zdrojů učitelů na navrhování kvalitních úloh matematického modelování tím, že generují problémy sladěné s kurikulem a pedagogická doporučení zakotvená v designových principech a retrieval-augmented generování — přístup ilustrovaný přímou úměrností v matematice na střední škole (Creating an AI-powered platform for generating modelling problems: A case study on direct variation in secondary school mathematics). Samotné četby kurzu jsou nyní také cílem generování: Sidorkin (2026) nahradil komerční učebnici týdenními četbami generovanými AI v postgraduálním kurzu vedení vzdělávání, a přestože je studenti hodnotili jako užitečné a 75 procent souhlasilo, že se naučili více než ve srovnatelném kurzu, 4 487 stran logů neslo odkazy v textu ve stylu APA jen na přibližně 0,80 procenta stran a kombinovalo pojmenovaný kampus nebo systém s asertivními tvrzeními o politice na přibližně 1,03 procenta stran bez ověřitelného zdroje. Poučením pro kurikulární materiály je pojímat generované četby jako konceptovou produkci pod učitelskou revizí, počítat s učitelskou prací na návrhu promptů a verifikaci a kurátorovat ověřené zdroje do asistenta, místo aby kvalitu zdrojů odvozovali studenti z kontextu.

Plánování výuky asistované AI na vrstvě přechodu kurikula do třídy. V bodě, kdy se kurikulum stává vyučovanou lekcí, Luo a Tahir (2025) experimentálně srovnávali plány vytvořené učiteli a plány asistované ChatGPT v dětském STEAM uměleckém vzdělávání a zjistili, že plány asistované AI hodnotilo šest expertních profesorů významně výše (medián 20,5 vs. 17,6, p = ,002, velký efekt). Ukazují, že výnos závisí na tom, jak učitel deleguje: doporučená metoda vyplňuje obsahové mezery v lekci, kterou si učitel sám načrtl (a zachovává tak designovou autonomii učitele), místo aby delegovala celý plán. Přispívají také šablonou promptu Role–Instrukce–Koncový cíl pro reprodukovatelné generování s kontrolou kvality — důkaz, že plánování výuky s AI je nejsilnější, když je vloženo do kurikulárních rozhodnutí učitele, nikoli když je nahrazuje. V přírodovědném vzdělávání dospívá expertní validace k paralelnímu verdiktu o designu platformy: Karaismailoglu, Surmeli a Yildirim (2026) nechali jedenáct specialistů na přírodovědné vzdělávání hodnotit ChatGPT-4 a nástroj zaměřený na vzdělávání (Teacher's Buddy) na plánech pro šestou třídu sladěných s revidovaným tureckým kurikulem a modelem Engineering Design-Based Learning. Platforma zaměřená na vzdělávání skórovala výše ve všech osmi kritériích kvality — včetně fází intenzivních na zpětnou vazbu a souladu s kurikulem — což je důkaz, že zabudování pedagogické struktury do AI přináší sladěnější výstup. Přesto někteří experti stále preferovali plán univerzálního nástroje pro jeho silnější sociálně-emocionální důraz a 7 z 11 hodnotilo plány jako „použitelné po opravě", nikoli přímo použitelné. Volba platformy a rámování promptu, nejen AI samotná, utváří, jak dobře se generované plány sladí s kurikulárními standardy a procesními modely.

Struktura, nikoli formulace promptu, je to, co činí návrh s AI v produkci spolehlivým: pipeline Curriculum-as-Code Paiva (2026) agresivně prořezávala kontext a generovala materiály sekci po sekci napříč 28 kontexty projektů, což zkrátilo čas přípravy učitele z přibližně osmi na dvě hodiny na instrukci a nezanechalo žádné koncepční ani matematické halucinace, které by musela zachytit lidská revize.

Souvislosti se souvisejícími koncepty

Návrh kurikula se přímo pojí s návrhem výuky — kurikulum definuje co, výuka definuje jak. Pojí se s gramotností v AI, protože zabudování kompetencí v AI je primární kurikulární výzvou, s rolí učitele a vzdělávacím rozvojem, protože změna kurikula vyžaduje přípravu pedagogů, a se scaffoldingem, protože dobře navržená kurikula scaffoldují rozvoj dovedností napříč kurzy a roky. Propojení s vysokoškolským vzděláváním a K-12 odráží relevanci návrhu kurikula napříč vzdělávacími stupni.

Volba jednoho rámce gramotnosti v AI znamená volbu slovníku, který nikdo nepřemostil. V přehledu rozsahu (scoping review) 50 rámců pro K-12 Kharbach et al. (2026) zjistili, že definice kompetencí se sbíhají v kognitivních, afektivních, behaviorálních, etických a sociálních dimenzích, zatímco označení a konstrukty se neshodují. Ke sdílené měřicí tradici se blížil jen rámec ABCE, validovaný v Hongkongu, Šanghaji a na Tchaj-wanu, a progrese napříč ročníky byla opakovaně navrhována a nikde testována.

Časté mylné představy

  • „LLM dokáže zmapovat kurikulum, jakmile je jednou validován s vysokou reliabilitou." GPT-o3-mini rozdělil 100 % mezi sedm podnikových dovedností u každého ze 48 hodnocení a dosáhl Krippendorffova alfa 0,81 proti vahám odborníků — a shoda se rozpadla u konkrétních dovedností. Vysoká celková reliabilita s nerovnoměrnou shodou je vzorec, který je třeba zkontrolovat, než mapování uvěříte.
  • „Zabudovat gramotnost v AI znamená přidat kurz." LearnAI ukazuje zabudovanou formu: vrstvu široké expozice v podobě krátkých prezentací uvnitř 18 existujících kurzů napříč pěti obory (293 studentů). Expozice byla distribuována napříč kurikulem, nikoli shromážděna do jedné jednotky.
  • „Studenti přicházejí už schopni kriticky hodnotit média." Jen 13,8 % dotázaných studentů vzdělávání a žurnalistiky uvedlo, že jejich studium zahrnovalo kritickou mediální analýzu, proti 97,8 %, kteří ji označili za důležitou. Mezera mezi ceněním dovednosti a jejím vyučováním je kurikulární příležitostí.

Související koncepty

Související články

Související FAQ

Související zdroje

  • Stavba inteligentních učebnic
    Open-source průvodce Dana McCrearyho, jak stavět inteligentní učebnice s vyhledáváním, glosářem, kvízy, pojmovým grafem a vloženými simulacemi v MkDocs Material a s AI.
  • Learning Commons
    Otevřená infrastruktura AI pro vzdělávací produkty: graf znalostí standardů a kurikul, evaluátory pro skórování výstupu LLM, na modelu nezávislé agentní dovednosti pro učitelské pracovní postupy a Curriculum Sync pro načítání kurikul do systému pro řízení výuky.

Metadata

OborStem Education
ÚroveňHigher Ed
Cílová skupinaInstructors, Faculty Developers
Učení a výukaScaffolding
Technologie a technikyGenerative AI
Základy AI ve vzděláváníGramotnost v oblasti AI, Návrh kurikula, Návrh výuky, Výuka
ZdrojHistorieUpravitChat

Vložit tuto stránku

Zkopírujte níže uvedený kód a vložte tuto stránku do systému pro správu výuky nebo jiného webu. Vložená verze zobrazuje pouze obsah stránky — skrývá záhlaví, navigaci a zápatí webu.