Návrh výuky

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

Návrh výuky (známý také jako instruční design) - systematický proces vytváření účinných učebních zkušeností prostřednictvím analýzy učebních potřeb a návrhu, vývoje, implementace a hodnocení výukových materiálů a činností. AI přetváří návrh výuky tím, že automatizuje tvorbu obsahu, umožňuje adaptivní učební cesty, podporuje iteraci řízenou daty a rozšiřuje - spíše než nahrazuje - roli instručního designéra.

Otázky k zamyšlení

• Vzpomeňte si na kurz nebo lekci, kterou jste zažili nebo navrhli. Kde skončilo „co učit" (kurikulum) a kde začalo „jak to učit" (návrh výuky) - a jak obojí vzájemně působilo?
• Častým předpokladem je, že lepší plynulost v práci s AI automaticky vytváří lepší vzdělávací obsah. Stránka tomu čelí důkazy, že rozhodující pro účinnost učení je explicitní pedagogická struktura - ne jen plynulost v AI. Kde jste viděli působivý výstup, který selhal ve výuce?
• Pokud AI nástroj dokáže z promptu vygenerovat celý kurz, které lidské rozhodování se stává důležitějším, a ne méně důležitým? Stránka argumentuje, že AI roli instručního designéra rozšiřuje, nikoli nahrazuje - jak by taková rozšířená role vypadala?
• Některé modely instručního designu, jako je ADDIE, se používají jako rigidní, lineární kroky. Stránka je však pojímá jako iterativní a flexibilní plánovací heuristiky. Kdy může příliš doslovné následování procesu podkopat dobrý návrh?
• Stránka ukazuje, že pedagogicky ukotvené promptování - například pětistupňový rámec založený na teorii učení - výrazně zlepšilo výsledky vyššího řádu. Kdybyste stavěli AI tutora, co byste zakódovali do explicitní návrhové vrstvy, aby jeho výuková strategie zůstala vysledovatelná a reprodukovatelná?

Úvod

Návrh výuky spojuje schopnosti AI a účinnou pedagogiku. Zatímco Curriculum Design řeší co učit na úrovni programu, návrh výuky řeší jak to učit na úrovni kurzu a lekce. Články v této znalostní bázi zkoumají jak AI jako nástroj pro designéry výuky, tak principy návrhu výuky pro budování účinných systémů AI doučování.

Co tato návrhová práce v praxi zahrnuje, je samo empirickou otázkou. Tang et al. (2026) kódovali 1 378 tahů mezi designérem a chatbotem od pěti začínajících designérů výuky pracujících s chatbotem zabudovaným v návrhovém nástroji a zjistili, že dialog se soustředil na zamýšlené výsledky učení a pedagogický přístup, nikoli na generování obsahu. Designéři se k výsledkům opakovaně vraceli jako ke kontrole sladění, zatímco převáděli složky kurikula na konkrétní úkoly, a role asistenta se napříč fázemi posouvala od vyjasňování pojmů přes podporu návrhu úkolů až po ověřovací průchod před termínem. Podpora návrhu je podle těchto důkazů méně o vytváření materiálu a více o udržování soudržnosti záměru návrhu.

Learning analytics a generativní AI podporují různé části návrhu: v 11 ohniskových skupinách na jedné australské univerzitě se diskurz analytiky nejčastěji vyskytoval společně s kontextem a řešením problémů na úrovni kurzu (0,32), zatímco diskurz GenAI se soustředil na návrh hodnocení (0,26) a na návrh pro sebeurčení žáků (0,15) (Claassen et al. (2026)).

Klíčová výzkumná témata

Tvorba obsahu s podporou AI je nejpřímočařeji transformativní aplikací. Curriculum as Code představuje šestifázovou architekturu integrující generativní AI s LaTeXem a Pythonem za účelem automatizace tvorby STEM materiálů, ověřenou na 8 modulech a 28 projektových kontextech s hodnocením kvality studenty 8,5-9,9/10. Instructional Agents používá multiagentní rámec strukturovaný kolem modelu ADDIE, v němž role-based agenti (vyučující, instruční designér, koordinátor kurzu) spolupracují na generování kompletních materiálů kurzu. CourseBlueprint poskytuje strukturovanou pipeline pro adaptivní pedagogickou tvorbu videa ukotvenou v korpusech kurzu a ukazuje, že pro generování vzdělávacího obsahu je nezbytná explicitní pedagogická struktura - ne jen plynulost v AI. Platformy generativní AI mohou také ztělesňovat principy návrhu výuky v obsahu, který vytvářejí: platforma poháněná AI pro generování úloh matematického modelování spojila zavedené principy návrhu s retrieval-augmented generation a byla vyvinuta přístupem ADDIE, aby vytvářela pedagogicky ukotvené úlohy a doporučení, které konvenčním generátorům obsahu chybějí. Výnos takové tvorby obsahu a lekcí s podporou AI je však zprostředkován odborností samotného učitele: Choi et al. (2026) zjistili, že zkušení učitelé kriticky přizpůsobují náměty lekcí generované AI žákům a kontextu (znovu promptují a rozvádějí výstup), zatímco začátečníci mají sklon přejímat návrhy AI přímo - pedagogická hodnota nástrojů pro tvorbu obsahu tedy závisí na zkušenosti učitele a jeho zdatnosti v AI, nikoli na nástroji samotném. Systematický přehled společného návrhu učebních úloh učitelem a AI (Wang, Liu & Islam 2026) tento vzorec potvrzuje ve velkém měřítku napříč 28 studiemi (2015-2025): GenAI se používá hlavně pro plánování lekcí, generování promptů a tvůrčí ideaci a dominantním režimem spolupráce je AI jako asistent a generátor obsahu, nikoli jako plnohodnotný spoludesignér - přičemž se opakovaně objevují jako přínosy efektivita, responzivnost, Creativity a rovnost. Talebzadeh (2026) zpřesňuje zjištění o odbornosti učitele pro návrh skupinových činností: zkušení učitelé vytvářejí bohatší, synergičtější a lépe na ZPD sladěné architektury rolí v kooperativních činnostech navržených AI než začátečníci bez ohledu na znalost AI, a rámují „pedagogickou promptovou gramotnost" jako páku, která mění výstup AI v účinné diferencované skupinové učení.

Zkouška Aila na tento vzorec klade číslo pro plánovací čas. Učitelé v jejích randomizovaných základních školách strávili přípravou lekcí s nástrojem 2,51 hodiny týdně proti 3,32 hodiny bez něj, mediánový učitel však plánoval od nuly jen 21 % až 40 % lekcí, což je případ, na který se nástroj pro plánování od nuly zaměřuje (Roy et al., 2026).

Kde generované materiály zaostávají, je soulad s kurikulem: sedm učitelů matematiky hodnotilo úlohy produktivního selhání generované AI téměř stejně jako lidské v celkové kvalitě (M = 17,19 vs 17,43 z 25), ale níže v sladění s kurikulem (M = 2,57 vs 3,29), takže generované úlohy stále vyžadovaly úpravy délky, čtenářské úrovně a vizuálů (Rhaimi et al. (2025)).

Pedagogicky ukotvené AI doučování aplikuje principy instručního designu na návrh AI systémů. Brisson et al. vytvořili didakticky řízeného Large Language Models (LLMs) učitelského asistenta, v němž je doučovací strategie zakódována v explicitní vnější vrstvě - což činí výběr obsahu a didaktické strukturování vysledovatelnými a reprodukovatelnými a přímo řeší obavy z neprůhlednosti v Rethinking Scaffolding in LLM Tutors: The Interactional Mismatch Between Benchmarks and Real-World Deployments. Hou et al. ukázali, že pětistupňový promptovací rámec ukotvený v generativní teorii učení výrazně zlepšil kognitivní výsledky vyššího řádu, což ukazuje, že účinnost učení určuje instruční vedení - ne jen přístup k AI. Obojí souvisí se Scaffolding a Intelligent Tutoring.

Rámce a evaluace poskytují strukturované přístupy. WIP: Bridging the Gap Between Instructional Design and Pedagogical Use: A Framework for Mathematics Educators a CoTAL ukazují principy návrhu s člověkem v kruhu. Generative AI (GenAI) as a mindtool that supports generative learning (GL) pojímá AI jako „mindtool" - kognitivního partnera, který rozšiřuje, a nenahrazuje myšlení žáka - a přímo aplikuje teorii instručního designu na integraci AI. LUDIA aplikuje principy univerzálního designu výuky, aby vytvořila přístupného myšlenkového partnera v AI pro pedagogy, a spojuje instruční design s Inclusive Learning. AIRIS (Activate-Inquire-Reflect) je rámec pro strukturování úkolů kognitivně aktivovaného používání AI, který ohraničuje příspěvek AI tak, aby predikce, interpretace a hodnocení zůstaly na žákovi - jde o adaptaci zkoumavých cyklů specifickou pro AI, ukotvenou v Self-Regulated Learning, teorii kognitivní zátěže a Human AI Collaboration. Tyto návrhové rámce doplňuje taxonomie Dohn et al. (2026), která nabízí klasifikaci spíše než návrhovou metodu: šest kategorií (výsledek učení, obsah, forma reprezentace, epistemická angažovanost, sociální design, artefakty), které designérům a výzkumníkům umožňují popisovat, srovnávat a představovat si učební činnosti s GenAI tím, že zpřesňují, proč, co, jak, s čím a s kým žáci s GenAI pracují - postavená jako hraniční objekt prostřednictvím postdigitálního dialogu. Rámce chytré učebny to rozšiřují na vzdělávání učitelů: Zhu, Liang, Mao a Wang (2026) navrhují trojdimenzionální rámec pro chytré vzdělávání - účinnost učení, informační a komunikační technologie (ICT) a organizace výuky - a konkretizují jej v magisterském kurzu matematiky, který propojuje automatizované skórování, personalizovaná doporučení a vícečetnou zpětnou vazbu od AI napříč fázemi před výukou, během ní a po ní. Kvaziexperiment ukázal významné zisky ve schopnosti studentů formulovat přesné, profesně ukotvené výukové cíle a přinesl přenositelný model D-T-E (Disciplinary Demand-Technological Empowerment-Evaluation Loop) - oborově specifické vodítko pro vzdělavatele učitelů, kteří převádějí koncepty chytrého vzdělávání do praktické praxe instručního designu.

Návrh pro dosah. Sedmipákový rámec Halaniho se u každého nastavení kurzu ptá, které páky stále působí, když je student sám s AI; strukturální kroky, jako změna toho, co certifikuje známka, nebo úlohy, které nelze dokončit bez myšlení, dosáhnou dál než sdělování studentům, že na procesu záleží (Halani, 2026).

Ohraničte nástroj, aby se ochránilo myšlení. Devítitýdenní návrh argumentativního psaní řadil učiteli vymezené chatboty, kteří kladou otázky a odmítají generovat žákovskou prózu, a čtyři studenti střední školy se posunuli od pasivních konzumentů AI k hodnotitelům, kteří výstupům oponovali - zisky sledovala strategická omezení, nikoli neomezená generativita (Konradt, Boote & Taub (2026)).

Promptování vedené rubrikou jako návrhová páka. Yaşar et al. (2026) ukázali, že rubrika funguje jako zprostředkující rozhraní mezi lidským pedagogickým záměrem a strojovou inferencí: pojímání hodnoticích kritérií jako revidovatelných návrhových artefaktů - spíše než pevných nástrojů - a jejich iterativní spoluvylaďování s LLM zvýšilo shodu LLM s člověkem u studentských návrhových prací z 54,75 % na 81,25 %. Rubriky konstruované pro LLM musí vyvažovat přesnost a flexibilitu - příliš vágní vybízí k volné interpretaci, příliš rigidní redukuje model na porovnávání vzorů - a promptování s ohledem na roli (vyučující, vzájemný hodnotitel, hodnotitel grantů) přineslo odlišnou hodnoticí zpětnou vazbu. To staví rubrikové inženýrství jako konkrétní praxi návrhu výuky pro utváření hodnoticího chování AI, přičemž dohled s člověkem v kruhu zůstává nezbytný.

AI agenti pro instruční design rozšiřují obor do agentní AI. ISD-Agent-Bench je prvním standardizovaným, teoreticky ukotveným benchmarkem pro hodnocení LLM agentů pro instruční design - jeho Kontextová matice s 25 795 scénáři (51 kontextových proměnných × 33 dílčích kroků ISD z ADDIE) ukazuje, že agenti ukotvení v klasických rámcích ISD (ADDIE, Dick & Carey, Rapid Prototyping ISD) překonávají agenty bez teorie, což empiricky potvrzuje, že instruční design je strukturovaná disciplína, nikoli generický úkol promptování. Agenti nejsou jen tvůrci návrhů, ale také jejich kritiky: Wang, Mitchell & Piech (2025) používají jediného autonomního webového agenta, který prochází vícekrokovou online lekci jako student, aby vyhodnotil návrh výuky předtím, než se do něj zapojí skuteční žáci - jeho popis zkušenosti studenta predikuje, kde začátečníci odejdou, a přináší akceschopnou zpětnou vazbu k návrhu, přičemž překonává všechny baseline a dokonce i simulovanou kohortu studentů v globálním kurzu CS1. To rámuje předspouštěcí agentní evaluaci jako levnou doplňkovou oporu lidské iterace návrhu. Enabling Multi-Agent Systems as Learning Designers: Applying Learning Sciences to AI Instructional Design a Instructional Agents zkoumají multiagentní rámce, které orchestrují role-based agenty kolem modelů instručního designu, zatímco AI-TPACK zkoumá, jak učitelé a agenti společně uplatňují technologické, pedagogické a obsahové znalosti. Tato práce spojuje instruční design s benchmarkingem, AI Ed Evaluation a návrhem kurikula ve velkém měřítku.

Vazby na související koncepty

Návrh výuky je mostní disciplínou AI ve vzdělávání - spojuje Curriculum Design (co učit) se Scaffolding (jak podporovat žáky), Vzdělávací rozvoj (jak připravit pedagogy) a Generative AI (samotnými nástroji). Je těsně propojen s Výuka, protože AI nástroje přetvářejí to, co designéři výuky a učitelé dělají, a s Gramotnost v oblasti AI, protože účinná integrace AI vyžaduje, aby pedagogové rozuměli schopnostem a limitům AI. Návrhová práce se nakonec rozpadá na řád činnosti: pedagogické vzory katalogizují ověřené pořadí kroků, takže designér může rozhodnout, kam v lekci AI patří, a ne jen co má lekce obsahovat. Vědy o učení jsou výzkumným oborem stojícím za těmito principy: zatímco tato stránka pokrývá profesní praxi vytváření učebních zkušeností, vědy o učení tuto praxi a její návrhy zkoumají empiricky a vytvářejí kognitivní, motivační a sociální principy, které návrh výuky pak operationalizuje.

Jak návrh výuky určuje zisky v učení

Návrh výuky je pákou, která rozhoduje, zda AI přinese zisky v učení, nebo jen výkon nafouknutý AI. Důkazy znalostní báze jsou v tomto konzistentní: stejný AI nástroj přináší velké zisky nebo čistou újmu podle toho, jak je učební zkušenost kolem něj navržena. Hou et al. ukázali, že pětistupňový promptovací rámec ukotvený v teorii učení výrazně zlepšil kognitivní výsledky vyššího řádu, zatímco samotný přístup k AI nikoli; rámce mindtool a AIRIS zachovávají kognitivní práci žáka, takže výsledkem jsou trvalé zisky (a ne jen efektivita plnění úkolů). Návrhová rozhodnutí, která chrání Learning Gains - scaffolding vyžadující žákův pokus, Formative Assessment s měřením výsledků bez pomoci a pedagogická struktura, jež udržuje žáka jako aktéra - zrcadlí zjištění oboru (viz Learning Gains), že AI je silným ziskem, když koučuje, a újmou, když odpovídá. Naopak špatně navržené lekce s integrovanou AI propadají mezeře mezi výkonem a učením, kde zdánlivý úspěch zakrývá absenci učení.

Praktické doporučení pro designéry a vývojáře

Pro instruční designéry, tvůrce kurzů a inženýry budující učební zkušenosti s podporou AI se zjištění znalostní báze překládají do akceschopné praxe. Před samotnými postupy stojí za to vyznačit jednu hranici: návrh výuky, jak jej tato stránka popisuje, je návrhem kurzu pro známou kohortu, zatímco tytéž principy zapečené do produktu, který bude používat mnoho kurzů - vyučovaných lidmi, s nimiž se designér nikdy nesetká - jsou prací Educational Technology Developers, kde pedagogickou váhu nesou výchozí nastavení, konfigurovatelnost a dokumentace:

Ukotvěte generování AI ve strukturovaném instručním modelu. Obsah z AI je jen tak dobrý jako pedagogická struktura za ním - kvalitu určuje explicitní struktura, ne plynulost v AI. Navrhujte kolem uznávaného modelu (ADDIE, Dick & Carey, rapid prototyping) a pedagogická rozhodnutí zakódujte explicitně, místo abyste spoléhali, že je model odvodí.(CourseBlueprint: A Structured Pipeline for Adaptive Pedagogical Video Generation Grounded in Course Corpora)(ISD-Agent-Bench: A Comprehensive Benchmark for Evaluating LLM-based Instructional Design Agents)(A didactical-driven teacher assistant for a dimensional modeling course)

Přijměte rámec na úrovni principů vedle instručního modelu. Model na úrovni kurzu strukturalizuje jeden návrh; publikovaný rámec stanovuje kritéria, která by mělo splňovat mnoho návrhů. Příkladem, který stojí za přečtení celý, je Powerful Learning with Emerging Technology organizace Digital Promise, jenž svá doporučení organizuje pod třemi principy - Evidence-Based, Learner-Centered, Skill-Building -, z nichž každý rozvádí do praxí a strategií, a připojuje Privacy, vysvětlitelnost a férovost ke konkrétním praxím jako bezpečnostní povinnosti, nikoli jako volitelné doplňky.(Powerful Learning with Emerging Technology) Přizpůsobte konfiguraci AI úkolu, ne sofistikovanosti. Nalyvaiko (2026) rozlišuje čtyři vrstvy - prompt, kontext, harness a ověřenou smyčku - a uplatňuje princip minimálně dostatečné vrstvy: používejte nejméně složitou konfiguraci schopnou ověřitelného výsledku, protože přidaná orchestrace přináší náklady na koordinaci, ověřování, soukromí a porozumění.

Pro tvorbu obsahu používejte multiagentní pracovní postupy založené na rolích. Místo jednoho generického promptu orchestrajte odlišné agenty a role (vyučující, instruční designér, koordinátor kurzu), kteří spolupracují prostřednictvím definované pipeline - to zrcadlí, jak pracují skutečné týmy kurzů, a přináší ucelenější materiály než jediný prompt.(Instructional Agents: Reducing Teaching Faculty Workload through Multi-Agent Instructional Design)(Enabling Multi-Agent Systems as Learning Designers: Applying Learning Sciences to AI Instructional Design)

Poskytněte instruční vedení, ne jen přístup k AI. Ať už žáci pracují s AI přímo, nebo s materiály generovanými AI, výsledky vyššího řádu pohání vedení založené na teorii učení (například stupňovitý promptovací scaffold ukotvený v principech generativního učení); samotný přístup to nedělá. Navrhujte učební činnost podle toho, jak se mysl učí, a pojímejte AI jako kognitivní „mindtool", který myšlení rozšiřuje, nikoli nahrazuje.(The Role of Instructional Guidance in Generative AI-Assisted Learning: Empirical Evidence from Construction Engineering)(Generative AI (GenAI) as a mindtool that supports generative learning (GL))

Modelujte zapomínání a plánujte opakování tam, kde je úbytek nejhorší. G4L reprezentuje úbytek znalostí Ebbinghausovou křivkou zapomínání řízenou uplynulým časem a počtem opakování a upřednostňuje jednotky nejvíce ohrožené úbytkem, místo aby znovu servíroval to, co bylo naposledy hodnoceno (Csépányi-Fürjes & Kovács, 2026).

Fowlin et al. (2026) přidávají operační krok pro rozhodování, kam AI vstoupí: rozbalte činnost na složky, které se nejlépe dělají samostatně, a na ty, které se nejlépe dělají ve spojení s AI, přičemž úsudek pedagoga zůstává pro toto rozdělení ústřední (Fowlin et al. (2026)).

Učiňte obsah vysledovatelným a kontrolovatelným. Nechte lidského designéra zkontrolovat a opravit výstup AI dřív, než se dostane k žákům, a strukturalizujte generování AI tak, aby pedagogické odůvodnění (proč tento obsah, v tomto pořadí) bylo prohlédnutelné - což řeší jak kvalitu, tak obavy z neprůhlednosti, které podkopávají výuku generovanou bez Trust.(WIP: Bridging the Gap Between Instructional Design and Pedagogical Use: A Framework for Mathematics Educators)(CoTAL: Human-in-the-Loop Prompt Engineering for Generalizable Formative Assessment Scoring and Feedback)

• Kontrolujte média generovaná AI ve fázi scénáře, ne až po syntéze. PedaCo staví kontrolu pedagogem na scénář - kde jsou pedagogické chyby levné na opravu - dřív, než se cokoli vyrenderuje; hodnocená instruční validita vzrostla z 3,07 na 3,86, zatímco automatizovaná vrstva po syntéze zlepšila jen dvě z pěti dimenzí (Kim, Baek a Kwak (2026)).

Navrhujte s ohledem na Accessibility od začátku. Při vytváření AI nástrojů a materiálů generovaných AI uplatňujte principy UDL, aby sloužily rozmanitým žákům, místo abyste přístupnost doplňovali dodatečně.(LUDIA: A Design and Evidence Statement)

Plánujte pro médium doručení. Instruční design pro online výuku a učení není neutrálním překladem designu pro prezenční výuku - médium mění to, jaký scaffolding, jaké hodnocení a jaká interakce jsou životaschopné, a AI násobí jak příležitosti (škálovatelná personalizace, podpora nepřetržitě), tak rizika (integrita, kognitivní odklánění), s nimiž musí designéři počítat. Pedagogické obalení AI navrhujte v online prostředí stejně záměrně jako v prezenčním.

Vyhodnocujte proti benchmarku, ne podle dojmu. Pokud stavíte agenta pro instruční design, vyhodnocujte jej proti standardizovanému, teoreticky ukotvenému benchmarku (např. ISD-Agent-Bench), abyste mohli měřit, zda ukotvení ve skutečném rámci ISD opravdu zlepšuje výstup oproti generickému LLM.(ISD-Agent-Bench: A Comprehensive Benchmark for Evaluating LLM-based Instructional Design Agents)

• AI přetváří praxi instručního designu. Kibar & Ilgaz (2026) systematicky přezkoumávají 28 studií (2020-2025) a zjišťují, že AI pomáhá designérům s tvorbou obsahu, šablonami a personalizací a je pojímána jako spolupracovník, partner či kolega, nikoli jen nástroj - ačkoli pedagogické sladění a připravenost praktiků zůstávají výzvami.

• Dokumentovaná činnost se soustředí do jedné fáze cyklu. V přehledu 78 studií instručního designu s podporou AI se činnost ve fázi Design objevuje v 74 z 78 studií (95 %) a ve fázi Development ve 44 (56 %), zatímco Analysis dosahuje jen 11 (14 %), Evaluation 10 (13 %) a Implementation 7 (9 %) - a žádná studie nezkoumala podporu AI napříč celým cyklem ADDIE. Cyklus je aspirace, kterou důkazní základna nepokrývá, což je důležité pro každého, komu se „vývoj kurzů poháněný AI" prodává jako end-to-end schopnost (Spyropoulou & Kameas, 2026).

• Tři role AI, hierarchicky rozložené. Generativní použití - AI vytvářející návrhový obsah podle pokynů pedagoga - dominuje v 96 % studií; scaffoldingové použití, kde AI strukturuje vlastní uvažování designéra, se objevuje ve 35 %; hodnoticí použití, kde AI posuzuje kvalitu artefaktu, ve 21 %. Obor drtivě používá AI k tomu, aby vyráběl věci, a ne aby zpochybňoval vlastní návrhová rozhodnutí, což je opak konfigurace kritického přítele, kterou přehled označuje za pedagogicky slibnou.

Časté mylné představy

• „Plánování lekcí s AI vrací učitelům čas." Plánovací čas skutečně klesl, z 3,32 hodiny týdně na 2,51 s nástrojem, ale mediánový učitel plánoval od nuly jen 21 % až 40 % lekcí. Čas se ušetřil a plánování se výrazněji nedůkladnější nestalo - úspora se akumulovala, místo aby byla reinvestována.
• „Společný návrh s AI je dobře doložen." Systematický přehled společného návrhu učebních úloh učitelem a AI potvrzuje vzorec ve velkém měřítku napříč 28 studiemi, což popisuje konzistentní praxi, nikoli prokázání lepších výsledků.
• „Rubrika je pevný vstup." Rubrika funguje jako zprostředkující rozhraní mezi lidským pedagogickým záměrem a strojovou inferencí: právě pojímání hodnoticích kritérií jako revidovatelných umožňuje, aby nástroj nesl záměr pedagoga. Pevná rubrika přenáší do hodnocení výchozí rámování stroje.

Související koncepty

• Interpreting and Applying AIEd Research
• Pedagogical Partnerships - Pedagogická partnerství
• Online Teaching and Learning - Online výuka a učení
• Curriculum Design
• Scaffolding
• Vzdělávací rozvoj
• Výuka
• Gramotnost v oblasti AI
• Generative AI
• Intelligent Tutoring
• Personalized Learning
• Adaptive Learning
• Formative Assessment
• Higher Education
• K-12
• Agentní AI
• Inclusive Learning
• Universal Design for Learning
• Learning Theories
• Learning Sciences
• Learning Gains
• Behaviorism
• Educational Technology Developers
• Pedagogies and Teaching Strategies - Zastřešující pojem: pedagogiky a strategie výuky v AI ve vzdělávání
• Stakeholders - Zastřešující pojem: lidé a publikum v AI ve vzdělávání (žáci, učitelé, designéři, administrátoři, tvůrci politik)

Související články

• Lesson planning using AI lesson assistant, Aila - A Teacher Choices Trial — Měřená úspora plánovacího času vedle zjištění, že učitelé plánují od nuly jen 21 % až 40 % lekcí
• Powerful Learning with Emerging Technology — Powerful Learning with Emerging Technology
• Understanding the Role of Learning Analytics and Generative Artificial Intelligence on Decision-Making and Learning Design Practice in Higher Education — LA a GenAI v rozhodování o návrhu výuky
• Investigating the Role of Chatbots in Facilitating Learning Design — Použití chatbota v návrhu výuky: designéři se zdržují u výsledků a pedagogiky, nikoli u generování obsahu (Tang et al. 2026)
• Analyzing teacher-AI interaction patterns across teacher experience and AI proficiency in student-centered lesson design — Vzorce interakce učitele s AI při návrhu lekcí napříč zkušenostmi a zdatností v AI (Choi et al. 2026)
• Artificial intelligence in higher education: a systematic review of its impact on student engagement and the mediating role of teaching methods — AI ve vysokoškolském vzdělávání: angažovanost a zprostředkující role metod výuky
• Curriculum as Code: An AI-Assisted Architecture for Instructional Design in STEM Education
• Collaborative Making of a Boundary Object for Classifying Generative AI Learning Activities — Taxonomie (hraniční objekt) pro klasifikaci učebních činností s GenAI
• Instructional Agents: Reducing Teaching Faculty Workload through Multi-Agent Instructional Design
• A didactical-driven teacher assistant for a dimensional modeling course
• The Role of Instructional Guidance in Generative AI-Assisted Learning: Empirical Evidence from Construction Engineering
• CourseBlueprint: A Structured Pipeline for Adaptive Pedagogical Video Generation Grounded in Course Corpora
• WIP: Bridging the Gap Between Instructional Design and Pedagogical Use: A Framework for Mathematics Educators
• CoTAL: Human-in-the-Loop Prompt Engineering for Generalizable Formative Assessment Scoring and Feedback
• Generative AI (GenAI) as a mindtool that supports generative learning (GL)
• LUDIA: A Design and Evidence Statement
• From Prompts to Verified Loops: The PCHL-HE Framework for Generative AI-Assisted Educational and Research Content Creation in Higher Education
• ISD-Agent-Bench: A Comprehensive Benchmark for Evaluating LLM-based Instructional Design Agents
• AI Web Agents Can Effectively Guide Lesson Design and Predict Student Outcomes — AI Web Agents: autonomní webový agent vyhodnocuje návrhy lekcí a predikuje odchody studentů dřív, než se studenti zapojí (Wang, Mitchell & Piech 2025)
• It's Not the Tool, It's the Task: A Framework for Cognitively Activated AI Augmentation in Physics Instruction — AIRIS: rámec pro kognitivně aktivované rozšíření AI ve fyzice
• Enabling Multi-Agent Systems as Learning Designers: Applying Learning Sciences to AI Instructional Design
• Modeling AI-TPACK in Practice: Insights from Teachers'' Multi-Agent Workflow Design
• Designing for Reach: Seven Levers and the Student Alone with AI — Designing for Reach: sedm pák a student sám s AI
• Empowering Educators: Operationalizing Age-Old Learning Principles Using AI
• When Saying No Makes Better Videos: Designing Dual Gatekeeping for Pedagogically Grounded AI Content Creation — When Saying No Makes Better Videos: dvojí kontrola pro pedagogicky ukotvenou tvorbu obsahu s AI
• ProductiveMath: A Generative-AI-Powered App to Support Productive Failure Teaching — ProductiveMath: AI na podporu návrhu úloh produktivního selhání
• The Intersection of Artificial Intelligence and Instructional Design Practice: A Systematic Review — AI a praxe instručního designu: systematický přehled (Kibar & Ilgaz 2026)
• Intelligent tutoring in dynamic domains: a graph-based system for comparative analysis of adaptive algorithms — Grafově založené inteligentní doučování pro dynamické domény (2026)
• Making AI Annoying on Purpose: When Helpful Tools Don't Always Help — Making AI annoying on purpose: omezení v psaní s podporou AI (Konradt, Boote & Taub 2026)
• Improving Instructional Design Proficiency of Master's Students in Mathematics Education Through Intelligent Educational Technologies — Model chytré učebny a smyčka D-T-E zlepšující zdatnost v instručním designu v magisterském studiu matematiky (Zhu et al. 2026)
• Creating an AI-powered platform for generating modelling problems: A case study on direct variation in secondary school mathematics — Platforma poháněná AI generující úlohy matematického modelování (ADDIE, RAG)
• Reimagining teacher-AI co-design in learning task design: trends and perspectives — Společný návrh učebních úloh učitelem a AI: trendy a perspektivy (Wang et al. 2026)
• The Architecture of Roles in AI-Designed Group Activities: A comparative inductive analysis of novice and experienced teachers' differentiated instruction within the IAT framework — Architektura rolí v diferencovaných skupinových činnostech navržených AI (Talebzadeh 2026)
• From evaluation to emulation: LLMs as agents of iterative pedagogical design — LLM jako agenti iterativního pedagogického designu