Læseplansdesign

Automatisk maskinoversættelse af denne engelske side, der endnu ikke er blevet gennemgået af en modersmålstalere.

Læseplansdesign — processen med at planlægge og strukturere, hvad der undervises i på tværs af kurser, uddannelser og institutioner, herunder læringsmål, indholdssekvensering, vurderingsstrategier og færdighedsprogression. I AI-tidsalderen skal læseplansdesign afbalancere grundlæggende viden med nye AI-kompetencer og afgøre ikke blot, hvad studerende lærer, men hvordan de lærer at arbejde med og kritisk vurdere AI-værktøjer.

Spørgsmål at overveje

• Læseplansdesign spørger, hvad studerende skal lære på uddannelsesniveau, mens læringsdesign spørger, hvordan på kursusniveau. Når AI omformer en disciplin, hvilket af disse to lag synes du så bør ændre sig først?
• Efterhånden som generativ AI automatiserer arbejde på implementeringsniveau, argumenterer nogle for, at læseplaner må bevæge sig mod systemdesign, abstraktion og kritisk vurdering. Hvad tror du, studerende ville miste, hvis færdigheder på lavt niveau blev nedtonet?
• Redesign af læseplaner i AI-tidsalderen indrammes ofte som en balance mellem værktøjsbeherskelse og grundlæggende viden. Hvor har du set den balance tippe for langt i én retning?
• SAIL-rammen behandler AI-kompetence som stilladseret på tværs af aldre og designet til at imødegå dybere "digitale kløfter" ud over adgang. Hvordan er det anderledes at indlejre AI-kompetence i en hel læseplan end at tilføje et enkelt AI-kursus?
• Hvis hver disciplin nu har brug for AI-kompetencer indlejret i sig, hvem er så ansvarlig for læseplansændringen — undervisere, uddannelser eller institutioner — og hvad har undervisere brug for for at lykkes med det?
• En læseplan er en sekvens af færdigheder på tværs af år, ikke blot en liste over emner. Hvordan ændrer det længere perspektiv, om en "AI-kompetenceenhed" faktisk hænger ved?

Introduktion

Læseplansdesign handler om hvad i uddannelse på uddannelsesniveau og supplerer Læringsdesign, som handler om hvordan på kursusniveau. Artiklerne i denne vidensbase udforsker, hvordan AI omformer læseplaner på tværs af discipliner — fra softwareengineering til arkitektur til grøn uddannelse — og hvordan undervisere designer læseplaner, der indlejrer AI-kompetence uden at ofre disciplinære grundbegreber.

Centrale forskningstemaer

Redesign af læseplaner til AI-tidsalderen er den centrale udfordring. Lee et al. syntetiserede fund fra internationale workshops om omformning af bachelor-datalogiuddannelsen og argumenterede for, at når GenAI automatiserer programmering på implementeringsniveau, må læseplaner bevæge sig mod systemdesign, abstraktion og kritisk vurdering — mens detaljer på lavt implementeringsniveau nedtones. Gorsky formaliserede Agentic Software Engineering som en særskilt disciplin med en 21-moduls læseplan fokuseret på "intentionens udvikling" og den praktikerdisciplin, der kræves for at styre AI-agenter. Begge forbinder til AI-kompetence og Scaffolding.

Ved at betragte forandringen som systemisk frem for additiv triangulerer Sabani et al. (2026) en scoping-gennemgang, bibliometrisk kortlægning af 209 poster, 36 artikler og ti interviews med akademiske ledere til fem forskydninger — herunder at vidensformidling viger for kapacitetsudvikling og lokal eksperimenteren for institutionel styring.

Kortlægning og analyse af læseplaner bruger AI til at forstå eksisterende læseplaner. Geng et al. analyserede 23 pensumbeskrivelser fra AI-assisterede softwareengineeringkurser, identificerede fælles temaer — prompt engineering, kodegennemgang med AI, etiske overvejelser — og udledte designvejledning, der understreger balance mellem værktøjsbeherskelse og grundlæggende viden. CourseGraph anvender computationelle metoder til at sammenligne datalogikursusstrukturer på tværs af institutioner.

Vægtning ændrer, hvad en læseplansanalyse rapporterer: Jayalath et al. (2026) lod GPT-o3-mini fordele 100 % på tværs af syv virksomhedsfærdigheder for hver af 48 vurderinger og nåede en Krippendorffs alfa på 0,81 mod ekspertvægte, men enigheden blev negativ for færdigheder, som beskrivelserne aldrig udtrykker eksplicit (−0,19).

Modulær struktur overlever det aktuelle indhold. Et mønster går igen, hvor feltet bevæger sig hurtigere end gennemgangscyklussen: en stabil kerne af AI-kompetence, kritisk vurdering, biasdetektion og etik, med special- og lokalt tilgængeligt værktøjsindhold knyttet som moduler og revideret hver sjette til tolvte måned (Bursic et al. (2026)). Kandidatuddannelsen i medicin er det angivne tilfælde, men princippet generaliserer: uddannelsen forpligter sig til kompetencer, der overlever værktøjsudskiftning, og planlægger det værktøjsspecifikke lag til udskiftning.

Integration af AI-kompetence indlejrer AI-kompetencer på tværs af discipliner. SAIL tilbyder en stilladseret AI-kompetenceramme, der kan anvendes på tværs af alle aldre og uddannelsestrin og imødegår digitale kløfter på andet og tredje niveau. Tracing GenAI Literacy: Student-AI Interaction Patterns in Academic Writing undersøger, hvordan AI-kompetence udvikles gennem interaktionsmønstre. Systematic review of collaborative learning activities for promoting AI literacy udforsker kollaborative tilgange til udvikling af AI-kompetencelæseplaner og forbinder til Collaborative Learning.

LearnAI viser, hvordan en indlejret version ser ud: et bredt eksponeringslag af korte præsentationer i 18 eksisterende kurser på tværs af fem discipliner (293 studerende), parret med frivillige en-til-en-samskabelsessessioner ledet af uddannede bachelor-peer-tutorer, så lærende med blandede forudsætninger møder AI-opgaver på deres eget niveau (Qu et al. (2026)).

Integration i praksis halter efter rammerne. Santos-Albardía et al. (2025) fandt, at kun 13,8 % af de adspurgte pædagogik- og journalistikstuderende sagde, at deres undervisning behandlede kritisk medieanalyse, mod 97,8 %, der vurderede det som vigtigt, og deres ekspertinterviews sporede kløften til læreruddannelse, der prioriterer tekniske og instruktionelle færdigheder over medieundervisning.

En PRISMA-gennemgang af 39 STEAM-studier (2016–2025) fandt en parallel ubalance i AI-kompetenceelementer: implementeringerne udviklede tekniske kompetencer — grundlæggende AI-begreber, computational thinking, datakompetence — mens de underudviklede etisk bevidsthed, kreativ forestillingsevne samt at skabe, styre og designe med AI, så revision af hver enhed mod disse er det praktiske svar (Niri et al., 2026).

Studenterstemmen er et andet designinput: 84 % af 166 afgangsstuderende i business ville have GenAI undervist i deres moduler, og 85 % så det som afgørende for beskæftigelsesegnethed, mens kun 7 % havde lært om det fra deres universitet (Rook & Plumb (2026)).

En gennemgang af 42 studier af AI-uddannelse før universitetsniveau finder, at læseplaner bevæger sig fra teknisk indhold mod kompetencebaserede modeller bygget på rammer som AI4K12 og Five Big Ideas in AI, med AI-kompetence behandlet som en tværfaglig kompetence, mens standardiserede instrumenter til at vurdere den fortsat mangler (Caruana et al. (2026)).

Undervisere og arbejdsgivere var enige om vigtigheden af kun én af 26 AI-færdigheder — at sætte realistiske forventninger til AI-forstærket arbejde — og kun tre af de 26 blev undervist af halvdelen eller flere af underviserne, hvilket er rapportens evidens for en AI-færdighedskløft mellem videregående uddannelse og arbejdsgivere (Fried (2026)).

Design af ML-aktiviteter i K-12 bliver på overfladen: en gennemgang bag ICE-T-rammen fandt, at usynlig brug, knapinteraktion og modeludrulning tegner sig for næsten 60 % af de kodede superviserede læringsaktiviteter, at åben skabelse kun optrådte to gange, og at tekniske og samfundsmæssige perspektiver kun forekom sammen i ca. 3 % af aktiviteterne (Haritz et al., 2026).

Domænespecifik læseplansinnovation anvender læseplansdesign på specifikke fag. Gen-AI-tecture: using generative AI to support architectural students in design tasks udforsker, hvordan generativ AI omformer arkitektonisk design-pædagogik. The Role of Artificial Intelligence in Green Education: Optimizing Teacher Workflow and Enhancing Pedagogical Design under Sustainable Development Pedagogy (SDP) Constraints undersøger AI-integration i grønne uddannelseslæseplaner. ConnectED: A curriculum-aligned AI system for Vietnamese instructional lesson planning and student learning og LLMs to Support K-12 Teachers in Culturally Relevant Pedagogy: An AI Literacy Example behandler kulturelt responsivt læseplansdesign.

Indlejr AI i disciplinen frem for ved siden af den. En AI-læseplan i tre niveauer (introducerende, anvendelse, avanceret) foldede maskinlæring ind i eksisterende termotekniske emner i et 39,1-timers kursus frem for at tilføje datalogiske valgfag, hvilket undgik ekstra belastning af maskiningeniørstuderende og frigav pensum, data og kode åbent (Li et al. (2026)).

En journalistikcase viser værdierne-først-varianten: en triadisk stillads af værdier–processer–kompetencer flyttede studerende fra menneskelig rapportering alene til AI-integreret arbejde, men 8 af 9 (89 %) rapporterede tillid til etiske beslutninger, mens spørgeskemapunkter om forfatterskab og bias antydede kun overfladisk forståelse (Ngu og Weller (2026)).

Institutionelle rammer behandler læseplansændring i skala. 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 og 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 giver principper for at integrere AI på tværs af uddannelsesprogrammer. The Main Barrier to AI Adoption in the Public Sector is Lack of Training undersøger barrierer for adoption af AI-læseplaner i offentlig uddannelse.

Sekvensering af AI gennem uddannelsen. Torres-Sahli et al. foreslår en "tilbagehold, derefter forstærk"-ramme, der sekvenserer generativ AI på uddannelsesniveau: tilbagehold et generativt værktøj, mens en kapacitet dannes, og genindfør det derefter for at forstærke kapaciteten, når den studerende kan styre det og vurdere dets afkast. Styret af et dannende-versus-udliciterende kriterium (om et stykke arbejde opbygger en kapacitet eller blot sender den gennem værktøjet) forbinder rammen læseplansdesign med Kognitiv udlicitering, Self-Regulated Learning og Akademisk integritet, med svært-forfalskelige kontrolpunkter ved hvert tilbagehold-til-forstærk-hængsel.

Løftestangen for de højeste trin er ikke flere kurser: på tværs af 89 sponsorerede capstone-projekter var avancement fra Workforce Readiness niveau 6 til 7 betinget af industriindlejret erfaring — co-ops og Manufacturing Extension Partnership-projekter — så uddannelserne har brug for arbejdsintegreret læring frem for endnu et teknisk valgfag (Smith et al. (2026)).

En læseplansmæssig konsekvens af modelkapacitet er, at AI-resistent design udløber. Undervisere i datalogi beskrev, hvordan de kalibrerede opgaver mod det, modellerne endnu ikke kunne, og så kalibreringen falde bort — en cybersikkerhedsundervisers opgaver krævede ægte problemløsning syv eller otte måneder tidligere og blev derefter blot løst — med en facilitator, der anslog en holdbarhed på omkring et semester. Workshoppens strukturelle fund er, at næsten hver tilpasning blev foretaget af en enkelt underviser i et enkelt kursus, uden den institutionelle koordinering, som et varigt læseplanssvar ville kræve (Akbar et al., 2026).

Helkursus-afstemning, når generativ AI er tilladt. Et 2026-redesign af et introducerende kursus i kerne- og partikelfysik (Mikhasenko et al.) integrerede tre aktivitetstyper med forskellige roller — forelæsninger til begreber og notation, øvelser til standard analytisk praksis og lektier som en undersøgende "forskningsformet" komponent af usædvanligt svære flermetodeopgaver. Den rapporterede friktion (en ikke-deklareret programmeringsforudsætning, utilstrækkelig tid til at forstå frem for blot at få svar og manglende afstemning mellem forelæsninger, øvelser, lektier og eksamen) illustrerer, at tilladelse af generativ AI tvinger afstemningsarbejde på tværs af hele kurset frem for en ændring af én opgavetype; deres anbefalede struktur beholder det AI-tilladte undersøgende arbejde som bonusgivende avancerede opgaver, mens den uhjulpne skriftlige eksamen fastsætter karakteren.

Afstemningsdybde, ikke brugsfrekvens, adskiller integrationsmønstre. På tværs af 17 businessmodulcases indlejrede seks GenAI systematisk i undervisning, læring og vurdering (konstruktivt), ni gjorde det inkonsekvent (blandet) og to sporadisk (ad hoc); de konstruktive cases rapporterede de stærkeste resultater for engagement, kapacitet og læseplansrelevans (Zhou et al. (2026)).

Råd om konstruktiv afstemning under kritisk granskning. Hvor kilderne ovenfor rapporterer om afstemning i praksis, læser McInnes et al. (2026) selve vejledningen som en diskurs. Deres kritiske diskursanalyse af 14 stykker grå litteratur udgivet fra november 2022 til april 2025 — mest institutionelle sider og kapitler fra centralt placerede lærings- og undervisningsenheder — fandt konstruktiv afstemning præsenteret som et effektivitetsproblem: generativ AI var "en effektiv og efficient måde at udarbejde rubrikker på", der kunne "strømline processen", antropomorfiseret som "en uddannelsesekspert og assistent", en "sparringspartner" eller "en intelligent assistent i instruktionsdesign", mens det akademiske personale kun leverede "faglig ekspertise", og værktøjet tog "det tunge løft med at udvikle læringsmål, organisere kursusindhold ... og afstemme kursuskomponenter". Copy-paste-promptopskrifter og nummererede skabeloner indrammede CA som et standardiserbart produkt og frembragte tre fejltilstande: performativitet (afstemning, der kun ser afstemt ud), udslettelse af situeret og kritisk kontekst og overfladisk CA, der forveksler afstemning med den konstruktive dimension. Deres afhjælpning omordner læseplansdesignets arbejdsgang — undervisere skal forstå CA godt nok til at styre, vurdere og forkaste AI-output, før de uddelegerer nogen del af det — og afgrænser ethvert værktøj til en institutionel retrieval-augmented agent forankret i lokal politik, rubrikker og dimittendattributter, med en "liminal tutor"-rolle, der udvider frem for erstatter udviklerrelationen.

Generering af læseplansafstemte modelleringsopgaver. AI-drevne platforme kan imødekomme læreres mangel på tid og ressourcer til at designe kvalitetsopgaver i matematisk modellering ved at generere læseplansafstemte problemer og pædagogiske anbefalinger forankret i designprincipper og retrieval-augmented generering — en tilgang illustreret med direkte variation i matematik på sekundærtrinnet (Creating an AI-powered platform for generating modelling problems: A case study on direct variation in secondary school mathematics). Kursuslæsning er selv blevet et genereringsmål: Sidorkin (2026) erstattede en kommerciel lærebog med ugentlige AI-genererede læsestykker i et kandidatkursus i uddannelsesledelse, og selv om studerende vurderede dem som nyttige, og 75 procent var enige i, at de lærte mere end i et sammenligneligt kursus, havde de 4.487 siders logs APA-stil-kildehenvisninger i teksten på kun ca. 0,80 procent af siderne og parrede et navngivet campus- eller systemnavn med skråsikre politiske påstande på ca. 1,03 procent af siderne uden en verificerbar kilde. Læseplanslæren er at behandle genererede læsestykker som udkastproduktion under underviserens gennemgang, at budgettere med underviserens arbejde med promptdesign og verifikation og at kuratere validerede kilder ind i assistenten frem for at overlade kildekvaliteten til, at studerende udleder den af konteksten.

AI-assisteret lektionsplanlægning på laget fra læseplan til klasseværelse. På det punkt, hvor en læseplan bliver en undervist lektion, sammenlignede Luo og Tahir (2025) eksperimentelt lærergenererede versus ChatGPT-assisterede planer i børns STEAM-kunstundervisning og fandt, at AI-assisterede planer blev vurderet signifikant højere af seks ekspertprofessorer (median 20,5 vs. 17,6, p = 0,002, stor effekt). De viser, at udbyttet afhænger af, hvordan læreren uddelegerer: den anbefalede metode udfylder indholdshuller i en selvskitseret lektion (og bevarer lærerens design-autonomi) frem for at uddelegere hele planen. De bidrager også med en Role–Instructions–End Goal-promptskabelon til reproducerbar, kvalitetsstyret generering — evidens for, at AI-lektionsplanlægning er stærkest, når den indlejres i, frem for erstatter, lærerens læseplansbeslutninger. I naturfagsundervisning når ekspertvalidering en parallel dom om platformsdesign: Karaismailoglu, Surmeli og Yildirim (2026) lod elleve naturfagspecialister vurdere ChatGPT-4 og et uddannelsesfokuseret værktøj (Teacher's Buddy) på sjetteklassesplaner afstemt efter Tyrkiets reviderede læseplan og Engineering Design-Based Learning-modellen. Den uddannelsesfokuserede platform scorede højere på alle otte kvalitetskriterier — herunder feedbackintensive faser og læseplansafstemning — evidens for, at indlejring af pædagogisk struktur i en AI giver bedre afstemt output. Alligevel foretrak nogle eksperter den generelle plan for dens stærkere social-emotionelle vægt, og 7 af 11 vurderede planerne som "anvendelige med korrektion" frem for direkte brugbare. Valget af platform og promptindramning, ikke blot AI'en selv, former, hvor godt genererede planer afstemmes efter læseplansstandarder og procesmodeller.

Struktur, ikke promptformulering, er det, der gør AI-udkast pålidelige i produktion: Paiva (2026)s Curriculum-as-Code-pipeline beskærede konteksten aggressivt og genererede materialer sektion for sektion på tværs af 28 projektkontekster, hvilket skar underviserens forberedelsestid fra ca. otte til to timer pr. instruktion og ikke efterlod begrebsmæssige eller matematiske hallucinationer for menneskelig gennemgang at fange.

Forbindelser til relaterede begreber

Læseplansdesign forbinder direkte til Læringsdesign — læseplanen definerer hvad, undervisningen definerer hvordan. Det forbinder til AI-kompetence, fordi indlejring af AI-kompetencer er en primær læseplansudfordring, til Undervisning og Uddannelsesudvikling, fordi læseplansændring kræver forberedelse af undervisere, og til Scaffolding, fordi veldesignede læseplaner stilladserer færdighedsudvikling på tværs af kurser og år. Forbindelserne til Higher Education og K-12 afspejler læseplansdesignets relevans på tværs af uddannelsestrin.

At vælge én AI-kompetenceramme betyder at vælge et ordforråd, som ingen har krydsrefereret. I en scoping-gennemgang af 50 K-12-rammer fandt Kharbach et al. (2026), at kompetencedefinitioner konvergerer mod kognitive, affektive, adfærdsmæssige, etiske og sociale dimensioner, mens etiketterne og konstrukterne ikke stemmer overens. Kun ABCE-rammen nærmede sig en fælles målingstradition, valideret i Hongkong, Shanghai og Taiwan, og progression på tværs af klassetrin blev foreslået gentagne gange og testet ingen steder.

Almindelige fejlopfattelser

• "En Large Language Models (LLMs) kan kortlægge en læseplan, når den først er valideret med høj reliabilitet." GPT-o3-mini fordelte 100 % på tværs af syv virksomhedsfærdigheder for hver af 48 vurderinger og nåede Krippendorffs alfa på 0,81 mod ekspertvægte — og enigheden brød sammen for bestemte færdigheder. Høj samlet reliabilitet med ujævn enighed er det mønster, man skal kontrollere, før man stoler på kortlægningen.
• "At indlejre AI-kompetence betyder at tilføje et kursus." LearnAI viser den indlejrede form: et bredt eksponeringslag af korte præsentationer i 18 eksisterende kurser på tværs af fem discipliner (293 studerende). Eksponeringen var fordelt over læseplanen frem for samlet i en enhed.
• "Studerende ankommer allerede i stand til at vurdere medier kritisk." Kun 13,8 % af de adspurgte pædagogik- og journalistikstuderende sagde, at deres undervisning behandlede kritisk medieanalyse, mod 97,8 %, der vurderede det som vigtigt. Kløften mellem at værdsætte en færdighed og at blive undervist i den er den læseplansmæssige åbning.

Forbundne begreber

• Pedagogical Partnerships — Pædagogiske partnerskaber
• Business Education
• Læringsdesign
• AI-kompetence
• Scaffolding
• Uddannelsesudvikling
• Undervisning
• Higher Education
• K-12
• STEM Education
• CS Education
• Generative AI
• Agentbaseret AI
• Metacognition
• Prompt Engineering
• Collaborative Learning
• Pedagogies and Teaching Strategies — Paraply: pædagogikker og undervisningsstrategier i AI-uddannelse
• Recommender Systems and Learning Paths

Forbundne artikler

• Leveraging GenAI models for Curriculum Analytics: A Human-Centered Approach for Curriculum Mapping in Higher Education — Vægtet, ekspertvalideret færdighedskortlægning til akkreditering
• Efficiency at what cost? Salvaging constructive alignment from the GenAI hype — Kritisk diskursanalyse af vejledning i GenAI til konstruktiv afstemning (McInnes et al. 2026)
• Addressing Trust in AI Systems through Education: A Didactic Perspective — At imødegå tillid til AI-systemer gennem uddannelse: et didaktisk perspektiv
• Refrain, Then Amplify: A Curriculum Framework for Sequencing Generative AI to Form Professional Judgement — Tilbagehold-derefter-forstærk-læseplansramme til sekvensering af GenAI (Torres-Sahli et al. 2026)
• Giving mechanical engineers intelligent tools: A project-based AI education curriculum in thermal engineering — Projektbaseret AI-uddannelseslæseplan i termoteknik
• From Classroom Design to Newsroom Practice: Assessment Intervention Designing GenAI
• Integrating generative artificial intelligence into university curricula: Student insights
• From Experimentation to Integration: Embedding GenAI in Business Higher Education through the Lens of Constructive Alignment
• A Conceptual Framework for Enhancing Workforce Readiness for Smart Manufacturing in the AI Era — Workforce Readiness Level-ramme for smart produktion i AI-tidsalderen
• Rewriting the Curriculum: A Systematic Review of Generative AI-Driven Pedagogical Change and Emerging Systems of Learning in Higher Education — At omskrive læseplanen: GenAI-drevet pædagogisk forandring
• Technology, education and critical media literacy: potential, challenges, and opportunities
• Reshaping Undergraduate Computer Science Education in the Generative AI Era
• ASE-26: A Curriculum for Agentic Software Engineering as a Discipline
• Mapping the Emerging Curriculum for AI-Assisted Software Engineering via Syllabus Analysis
• The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education
• Curriculum as Code: An AI-Assisted Architecture for Instructional Design in STEM Education
• Tracing GenAI Literacy: Student-AI Interaction Patterns in Academic Writing
• 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
• Systematic review of collaborative learning activities for promoting AI literacy
• AI skills for college graduates: Exploring how instructors and employers prioritize AI skills differently — AI Skills Framework: 26 vurderbare færdigheder til læseplanskortlægning
• LearnAI: Just-in-Time AI Co-Creation Across Disciplines at a University — LearnAI: just-in-time AI-samskabelse på tværs af discipliner
• When Saying No Makes Better Videos: Designing Dual Gatekeeping for Pedagogically Grounded AI Content Creation — Når et nej giver bedre videoer: dobbelt gatekeeping for pædagogisk forankret AI-indholdsskabelse
• STEAM education for AI literacy: a systematic literature review — STEAM-undervisning til AI-kompetence: systematisk gennemgang
• Preparing Learners and Teachers for an AI-Driven Future: Emerging Trends, Pedagogical Challenges, and Critical Perspectives in Pre-University AI Education: A Systematic Literature Review — At forberede lærende og lærere på en AI-drevet fremtid: SLR af AI-uddannelse før universitetsniveau (Caruana et al. 2026)
• Creating an AI-powered platform for generating modelling problems: A case study on direct variation in secondary school mathematics — AI-drevet platform, der genererer matematiske modelleringsopgaver (ADDIE, RAG)
• ChatGPT-assisted lesson planning for children's STEAM arts education: An experimental study on benefits, challenges, methods, and a prompt framework
• Suitability of Artificial Intelligence Supported Lesson Plans from the Perspective of Science Education Experts
• AI in Particle Physics Education: Research Problems and Foundational Skills — AI i partikelfysikundervisning: forskningsproblemer og grundlæggende færdigheder
• AI Can Do Your Homework. Now What? Report from an online workshop on computing assessment in the age of generative AI — AI kan lave dine lektier. Hvad nu? Rapport fra en online workshop om datalogivurdering i generativ AI's tidsalder
• K-12 AI literacy frameworks after generative AI: A scoping review - kompetencerammer konvergerer mod fem dimensioner uden et fælles ordforråd eller krydsreference
• Exploring the integration of artificial intelligence into residency education curriculum: qualitative interviews — Barrierer for at integrere AI i uddannelseslæseplaner: kvalitative interviews med tolv lægelige ledere