Diseño curricular

Esta es una traducción automática de la página en inglés y todavía no ha sido revisada por una persona hablante nativa.

Diseño curricular: el proceso de planificar y estructurar lo que se enseña en los cursos, los programas y las instituciones, incluidos los objetivos de aprendizaje, la secuenciación de contenidos, las estrategias de evaluación y la progresión de habilidades. En la era de la IA, el diseño curricular debe equilibrar el conocimiento fundamental con las competencias emergentes en IA, y determinar no solo qué aprende el estudiantado, sino cómo aprende a trabajar con herramientas de IA y a evaluarlas críticamente.

Preguntas para reflexionar

• El diseño curricular pregunta qué debería aprender el estudiantado en el nivel del programa, mientras que el diseño del aprendizaje pregunta cómo en el nivel del curso. Cuando la IA reconfigura una disciplina, ¿cuál de estas dos capas cree que debería cambiar primero?
• A medida que la IA generativa automatiza el trabajo de nivel de implementación, algunos sostienen que los currículos deben desplazarse hacia el diseño de sistemas, la abstracción y la evaluación crítica. ¿Qué cree que perdería el estudiantado si se restara importancia a las habilidades de bajo nivel?
• El rediseño curricular en la era de la IA se plantea a menudo como un equilibrio entre la fluidez con las herramientas y el conocimiento fundamental. ¿Dónde ha visto que ese equilibrio se incline demasiado hacia un lado?
• El marco SAIL trata la alfabetización en IA como algo andamiado a lo largo de las edades y diseñado para abordar «brechas digitales» más profundas que el mero acceso. ¿En qué se diferencia integrar la alfabetización en IA en todo un currículo de añadir un único curso sobre IA?
• Si todas las disciplinas necesitan ahora competencias en IA integradas en ellas, ¿quién es responsable del cambio curricular, el profesorado, los programas o las instituciones, y qué necesita el personal docente para lograrlo?
• Un currículo es una secuencia de habilidades a lo largo de años, no solo una lista de temas. ¿Cómo cambia esa mirada más larga la probabilidad de que una «unidad de alfabetización en IA» realmente perdure?

Introducción

El diseño curricular aborda el qué de la educación en el nivel del programa, y complementa el diseño del aprendizaje, que aborda el cómo en el nivel del curso. Los artículos de esta base de conocimiento exploran cómo la IA está reconfigurando los currículos en distintas disciplinas, desde la ingeniería del software hasta la arquitectura o la educación verde, y cómo el personal docente diseña currículos que integran la alfabetización en IA sin sacrificar los fundamentos disciplinares.

Al revisar el cambio como algo sistémico y no aditivo, Sabani et al. (2026) triangulan una revisión de alcance, un mapeo bibliométrico de 209 registros, 36 artículos y diez entrevistas a líderes académicos en cinco desplazamientos —entre ellos el paso de la transmisión de conocimiento al desarrollo de capacidades y de la experimentación local a la gobernanza institucional.

Temas clave de investigación

Rediseñar los currículos para la era de la IA es el reto central. Lee et al. sintetizaron los hallazgos de talleres internacionales sobre el rediseño de la educación en informática de grado y sostuvieron que, a medida que la IA generativa automatiza la programación de nivel de implementación, los currículos deben desplazarse hacia el diseño de sistemas, la abstracción y la evaluación crítica, y restar importancia a los detalles de implementación de bajo nivel. Gorsky formalizó la Ingeniería de Software Agéntica como una disciplina distinta con un currículo de 21 módulos centrado en la «evolución de la intención» y en la disciplina profesional necesaria para gestionar agentes de IA. Ambos conectan con Alfabetización en IA y Andamiaje.

El mapeo y el análisis de currículos usa la IA para comprender los currículos existentes. Geng et al. analizaron 23 programas de asignatura de cursos de ingeniería de software asistida por IA, identificaron temas comunes (ingeniería de prompts, revisión de código con IA, consideraciones éticas) y derivaron orientaciones de diseño que subrayan el equilibrio entre la fluidez con las herramientas y el conocimiento fundamental. CourseGraph aplica métodos computacionales para comparar las estructuras de los cursos de informática entre instituciones.

La ponderación cambia lo que reporta un análisis curricular: Jayalath et al. (2026) hicieron que GPT-o3-mini distribuyera el 100% entre siete habilidades empresariales para cada una de 48 evaluaciones, alcanzando un alfa de Krippendorff de 0,81 frente a las ponderaciones de personas expertas, pero la concordancia se volvió negativa en las habilidades que las descripciones nunca declaran explícitamente (-0,19).

La estructura modular sobrevive al contenido actual. Un patrón se repite allí donde el campo avanza más rápido que el ciclo de revisión: un núcleo estable de alfabetización en IA, evaluación crítica, detección de sesgos y ética, con contenidos sobre herramientas especializadas y disponibles localmente adjuntos como módulos y revisados cada seis o doce meses (Bursic et al. (2026)). La educación médica de posgrado es el caso declarado, pero el principio se generaliza: el programa se compromete con competencias que sobreviven a la rotación de herramientas y programa la capa específica de cada herramienta para su sustitución.

La integración de la alfabetización en IA integra competencias en IA en todas las disciplinas. SAIL ofrece un marco de alfabetización en IA andamiado y aplicable a todas las edades y etapas educativas, que aborda las brechas digitales de segundo y tercer nivel. Tracing GenAI Literacy: Student-AI Interaction Patterns in Academic Writing examina cómo se desarrolla la alfabetización en IA a través de patrones de interacción. Systematic review of collaborative learning activities for promoting AI literacy explora enfoques colaborativos para el desarrollo de currículos de alfabetización en IA, en conexión con el aprendizaje colaborativo.

LearnAI muestra cómo se ve una versión integrada: una capa de amplia exposición con presentaciones breves dentro de 18 cursos existentes de cinco disciplinas (293 estudiantes), combinada con sesiones optativas de cocreación individual dirigidas por tutores pares de grado formados, de modo que el estudiantado de niveles mixtos se enfrenta a las tareas de IA a su propio nivel (Qu et al. (2026)).

La integración en la práctica va por detrás de los marcos. Santos-Albardía et al. (2025) encontraron que solo el 13,8% del estudiantado encuestado de educación y periodismo decía que sus asignaturas abordaban el análisis crítico de medios, frente al 97,8% que lo valoraba como importante, y sus entrevistas a expertos situaron la brecha en una formación docente que prioriza las habilidades técnicas e instruccionales sobre la educación mediática.

Una revisión PRISMA de 39 estudios STEAM (2016–2025) encontró un desequilibrio paralelo en los elementos de alfabetización en IA: las implementaciones desarrollaban alfabetizaciones técnicas —conceptos fundamentales de IA, pensamiento computacional, alfabetización de datos— mientras dejaban poco desarrolladas la conciencia ética, la imaginación creativa y el crear, gestionar y diseñar con IA, por lo que auditar cada unidad frente a ellas es la respuesta práctica (Niri et al., 2026).

La voz del estudiantado es otra entrada de diseño: el 84% de 166 estudiantes de último curso de empresariales quería que se enseñara IA generativa en sus asignaturas y el 85% la veía esencial para la empleabilidad, mientras que solo el 7% había aprendido sobre ella en su universidad (Rook y Plumb (2026)).

Una revisión de 42 estudios sobre educación en IA preuniversitaria encuentra currículos que pasan del contenido técnico a modelos basados en competencias construidos sobre marcos como AI4K12 y las Cinco Grandes Ideas de la IA, con la alfabetización en IA tratada como competencia transversal mientras siguen ausentes instrumentos estandarizados para evaluarla (Caruana et al. (2026)).

El profesorado y los empleadores coincidieron en la importancia de solo una de 26 habilidades en IA —fijar expectativas realistas para el trabajo aumentado por IA— y solo tres de las 26 eran enseñadas por la mitad o más del profesorado, la evidencia del informe de una brecha de habilidades en IA entre la educación superior y los empleadores (Fried (2026)).

El diseño de actividades de aprendizaje automático en K-12 se queda en la superficie: una revisión tras el marco ICE-T encontró que el uso invisible, la interacción de botones y el despliegue de modelos representan casi el 60% de las actividades de aprendizaje supervisado codificadas, la creación abierta apareció solo dos veces y las perspectivas técnica y societal coincidieron en solo alrededor del 3% de las actividades (Haritz et al., 2026).

La innovación curricular específica de cada dominio aplica el diseño curricular a campos concretos. Gen-AI-tecture: using generative AI to support architectural students in design tasks explora cómo la IA generativa reconfigura la pedagogía del diseño arquitectónico. The Role of Artificial Intelligence in Green Education: Optimizing Teacher Workflow and Enhancing Pedagogical Design under Sustainable Development Pedagogy (SDP) Constraints examina la integración de la IA en los currículos de educación verde. ConnectED: A curriculum-aligned AI system for Vietnamese instructional lesson planning and student learning y LLMs to Support K-12 Teachers in Culturally Relevant Pedagogy: An AI Literacy Example abordan el diseño curricular culturalmente sensible.

Integrar la IA dentro de la disciplina en lugar de junto a ella. Un currículo de IA de tres niveles (introductorio, de aplicación, avanzado) integró el aprendizaje automático en temas existentes de ingeniería térmica a lo largo de un curso de 39,1 horas en lugar de añadir optativas de informática, evitando carga adicional al estudiantado de ingeniería mecánica y publicando abiertamente su programa, sus datos y su código (Li et al. (2026)).

Un caso de periodismo muestra la variante de los valores primero: un andamiaje triádico de valores–procesos–competencias llevó al estudiantado de la información solo humana al trabajo integrado con IA, pero 8 de 9 (89%) declararon confianza en las decisiones éticas mientras que los ítems de la encuesta sobre autoría y sesgo sugerían una comprensión solo superficial (Ngu y Weller (2026)).

Los marcos institucionales abordan el cambio curricular a escala. 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 y 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 ofrecen principios para integrar la IA en todos los programas educativos. The Main Barrier to AI Adoption in the Public Sector is Lack of Training examina las barreras a la adopción de currículos de IA en la educación del sector público.

Secuenciar la IA a lo largo del programa. Torres-Sahli et al. proponen un marco de «abstenerse y luego amplificar» que secuencia la IA generativa en el nivel del programa: retirar una herramienta generativa mientras se está formando una capacidad y luego restituirla para amplificar esa capacidad una vez que el estudiantado puede dirigirla y juzgar sus resultados. Regido por un criterio de formación frente a externalización (si un tramo de trabajo construye una capacidad o simplemente la hace pasar por la herramienta), el marco vincula el diseño curricular con la descarga cognitiva, el aprendizaje autorregulado y la integridad académica, con puntos de control difíciles de falsear en cada bisagra de abstención a amplificación.

La palanca para las etapas más altas no es más carga lectiva: a lo largo de 89 proyectos de fin de carrera patrocinados, el avance del Nivel de Preparación Laboral 6 al 7 estaba condicionado por la experiencia integrada en la industria —programas de prácticas y proyectos de la Manufacturing Extension Partnership—, por lo que los títulos necesitan aprendizaje integrado en el trabajo y no otra asignatura técnica optativa (Smith et al. (2026)).

Una consecuencia a nivel de currículo de la capacidad del modelo es que el diseño resistente a la IA caduca. El profesorado de informática describió cómo calibraba las tareas frente a lo que los modelos aún no sabían hacer y veía caducar esa calibración —los problemas de un instructor de ciberseguridad exigían resolución de problemas genuina siete u ocho meses antes y luego simplemente se resolvían—, con un facilitador estimando una vida útil de aproximadamente un semestre. El hallazgo estructural del taller es que casi todas las adaptaciones las hizo un instructor individual dentro de un solo curso, sin la coordinación institucional que exigiría una respuesta curricular duradera (Akbar et al., 2026).

Alineación de todo el curso cuando se permite la IA generativa. Un rediseño de 2026 de un curso introductorio de física nuclear y de partículas (Mikhasenko et al.) integró tres tipos de actividad con papeles distintos: las clases magistrales para los conceptos y la notación, los seminarios para la práctica analítica estándar y los deberes como componente exploratorio «con forma de investigación» de problemas inusualmente difíciles y multimétodo. La fricción que se documenta (un prerrequisito de programación no declarado, tiempo insuficiente para comprender en lugar de obtener simplemente respuestas y un desajuste entre las clases, los seminarios, los deberes y el examen) ilustra que permitir la IA generativa obliga a un trabajo de alineación curricular en todo el curso y no a un cambio en un solo tipo de tarea; la estructura que recomiendan mantiene el trabajo exploratorio con IA permitida como tareas avanzadas que otorgan puntos extra, mientras que el examen escrito sin ayuda determina la calificación.

La profundidad de la alineación, y no la frecuencia de uso, separa los patrones de integración. A lo largo de 17 casos de módulos de empresariales, seis integraron la IA generativa de forma sistemática en la enseñanza, el aprendizaje y la evaluación (constructiva), nueve lo hicieron de forma inconsistente (mixta) y dos de forma esporádica (ad hoc); los casos constructivos informaron de los resultados más sólidos en implicación, capacidad y relevancia curricular (Zhou et al. (2026)).

El consejo sobre la alineación constructiva bajo un escrutinio crítico. Donde las fuentes anteriores informan sobre la alineación en la práctica, McInnes et al. (2026) leen la propia orientación como un discurso. Su análisis crítico del discurso de 14 piezas de literatura gris publicadas entre noviembre de 2022 y abril de 2025, en su mayoría páginas institucionales y capítulos de unidades de aprendizaje y enseñanza situadas en el centro, encontró que la alineación constructiva se presenta como un problema de eficiencia: la IA generativa era «una forma eficaz y eficiente de redactar rúbricas» que podía «agilizar el proceso», antropomorfizada como «una experta y asistente educativa», un «compañero de entrenamiento» o un «asistente inteligente en el diseño instruccional», mientras que el personal académico aportaba solo «conocimiento de la materia» y la herramienta asumía «el trabajo pesado de desarrollar objetivos de aprendizaje, organizar el contenido del curso ... y alinear los componentes del curso». Las recetas de prompts para copiar y pegar y las plantillas numeradas enmarcaban la alineación constructiva como un producto estandarizable, lo que producía tres modos de fallo: performatividad (una alineación que solo lo parece), borrado del contexto situado y crítico, y una alineación constructiva superficial que confunde la alineación con la dimensión constructiva. Su remedio reordena el flujo de trabajo del diseño curricular (el personal docente debe comprender la alineación constructiva lo bastante bien como para dirigir, evaluar y rechazar la salida de la IA antes de delegar cualquier parte de ella) y acota cualquier herramienta a un agente institucional con recuperación aumentada anclado en la política local, las rúbricas y los atributos de egreso, con un papel de «tutor liminal» que amplía la relación con quien desarrolla la docencia en lugar de sustituirla.

Generar tareas de modelado alineadas con el currículo. Las plataformas impulsadas por IA pueden paliar la falta de tiempo y de recursos del profesorado para diseñar tareas de modelado matemático de alta calidad generando problemas alineados con el currículo y recomendaciones pedagógicas ancladas en principios de diseño y en la generación con recuperación aumentada, un enfoque ilustrado con la variación directa en matemáticas de secundaria (Creating an AI-powered platform for generating modelling problems: A case study on direct variation in secondary school mathematics). Las propias lecturas del curso son ya también un objetivo de generación: Sidorkin (2026) sustituyó un manual comercial por lecturas semanales generadas por IA en un curso de posgrado de liderazgo educativo y, aunque el estudiantado las valoró como útiles y el 75 por ciento coincidió en que aprendió más que en un curso comparable, las 4.487 páginas de registros incluían citas en el texto al estilo APA en solo alrededor del 0,80 por ciento de las páginas y emparejaban un campus o un sistema con nombre con afirmaciones normativas asertivas en aproximadamente el 1,03 por ciento de las páginas sin una fuente verificable. La lección para los materiales curriculares es tratar las lecturas generadas como producción en borrador bajo revisión del personal docente, presupuestar el trabajo docente de diseño de prompts y verificación, y curar fuentes contrastadas dentro del asistente en lugar de dejar que el estudiantado infiera la calidad de las fuentes a partir del contexto.

La planificación de clases asistida por IA en la capa que va del currículo al aula. En el punto en que un currículo se convierte en una clase impartida, Luo y Tahir (2025) compararon experimentalmente planes generados por el profesorado con planes asistidos por ChatGPT en la educación STEAM y en la educación artística infantil y encontraron que seis profesores expertos valoraron significativamente mejor los planes asistidos por IA (mediana 20,5 frente a 17,6, p = 0,002, efecto grande). Muestran que el beneficio depende de cómo delega el profesorado: el método recomendado cubre lagunas de contenido en una clase esbozada por el propio docente (preservando la autonomía de diseño del profesorado) en lugar de delegar todo el plan, y aportan una plantilla de prompt de Rol, Instrucciones y Objetivo Final para una generación reproducible y con control de calidad, evidencia de que la planificación de clases con IA es más sólida cuando se integra en las decisiones curriculares del profesorado y no las sustituye. En la didáctica de las ciencias, la validación por expertos llega a un veredicto paralelo sobre el diseño de plataformas: Karaismailoglu, Surmeli y Yildirim (2026) pidieron a once especialistas en didáctica de las ciencias que valoraran ChatGPT-4 y una herramienta centrada en la educación (Teacher's Buddy) en planes de sexto grado alineados con el currículo revisado de Turquía y con el modelo de aprendizaje basado en el diseño de ingeniería. La plataforma centrada en la educación obtuvo puntuaciones más altas en los ocho criterios de calidad, incluidas las etapas intensivas en retroalimentación y la alineación curricular, evidencia de que integrar estructura pedagógica en una IA produce salidas mejor alineadas; aun así, algunos expertos siguieron prefiriendo el plan de propósito general por su mayor énfasis socioemocional, y 7 de 11 juzgaron los planes «aplicables con corrección» y no directamente utilizables. La elección de la plataforma y del enfoque del prompt, y no solo la IA en sí, da forma a lo bien que los planes generados se alinean con los estándares curriculares y los modelos de proceso.

Es la estructura, y no la redacción del prompt, lo que hace fiable el borrador con IA en producción: la canalización Curriculum-as-Code de Paiva (2026) podó el contexto de forma agresiva y generó materiales sección por sección en 28 contextos de proyecto, lo que redujo el tiempo de preparación del profesorado de unas ocho a dos horas por instrucción y no dejó alucinaciones conceptuales ni matemáticas que la revisión humana tuviera que detectar.

Conexiones con conceptos relacionados

El diseño curricular conecta directamente con el diseño del aprendizaje: el currículo define el qué, la instrucción define el cómo. Conecta con la alfabetización en IA porque integrar competencias en IA es un reto curricular primordial, con el papel de la docencia y el desarrollo educativo porque el cambio curricular exige preparación del personal docente, y con el andamiaje porque los currículos bien diseñados andamian el desarrollo de habilidades a lo largo de cursos y años. Las conexiones con la educación superior y la K-12 reflejan la relevancia del diseño curricular en todos los niveles educativos.

Elegir un marco de alfabetización en IA significa elegir un vocabulario que nadie ha homologado. En una revisión de alcance de 50 marcos de K-12, Kharbach et al. (2026) encontraron que las definiciones de competencia convergían en dimensiones cognitivas, afectivas, conductuales, éticas y sociales, mientras que las etiquetas y los constructos no se alineaban. Solo el marco ABCE se acercaba a una tradición de medición compartida, validada en Hong Kong, Shanghái y Taiwán, y la progresión entre tramos de grado se propuso repetidamente y no se probó en ningún caso.

Concepciones erróneas

• «Un Grandes modelos de lenguaje (LLM) puede mapear un currículo una vez validado con alta fiabilidad.» GPT-o3-mini distribuyó el 100% entre siete habilidades empresariales para cada una de 48 evaluaciones, alcanzando un alfa de Krippendorff de 0,81 frente a las ponderaciones de personas expertas, y la concordancia se rompió en determinadas habilidades. Una fiabilidad global alta con una concordancia desigual es el patrón que hay que comprobar antes de fiarse del mapeo.
• «Integrar la alfabetización en IA significa añadir una asignatura.» LearnAI muestra la forma integrada: una capa de amplia exposición con presentaciones breves dentro de 18 cursos existentes de cinco disciplinas (293 estudiantes). La exposición se distribuyó a lo largo del currículo en lugar de reunirse en una unidad.
• «El estudiantado llega sabiendo ya evaluar los medios de forma crítica.» Solo el 13,8% del estudiantado encuestado de educación y periodismo decía que sus asignaturas abordaban el análisis crítico de medios, frente al 97,8% que lo valoraba como importante. La brecha entre valorar una habilidad y recibir formación en ella es la oportunidad curricular.

Conceptos conectados

• Alianzas pedagógicas — Alianzas pedagógicas
• Educación empresarial
• Diseño de aprendizaje
• Alfabetización en IA
• Andamiaje
• Desarrollo educativo
• La docencia
• Educación superior
• K-12
• Educación STEM
• Enseñanza de la informática
• IA generativa
• IA agéntica
• Metacognición
• Ingeniería de prompts
• Aprendizaje colaborativo
• Pedagogías y estrategias de enseñanza — marco: pedagogías y estrategias de enseñanza en la educación con IA
• Sistemas de recomendación y rutas de aprendizaje

Artículos conectados

• Leveraging GenAI models for Curriculum Analytics: A Human-Centered Approach for Curriculum Mapping in Higher Education — Mapeo de habilidades ponderado y validado por expertos para la acreditación
• Efficiency at what cost? Salvaging constructive alignment from the GenAI hype — Análisis crítico del discurso de las orientaciones sobre IA generativa para la alineación constructiva (McInnes et al. 2026)
• Addressing Trust in AI Systems through Education: A Didactic Perspective — Abordar la confianza en los sistemas de IA a través de la educación: una perspectiva didáctica
• Refrain, Then Amplify: A Curriculum Framework for Sequencing Generative AI to Form Professional Judgement — Marco curricular de abstenerse y luego amplificar para secuenciar la IA generativa (Torres-Sahli et al. 2026)
• Giving mechanical engineers intelligent tools: A project-based AI education curriculum in thermal engineering — Project-Based AI Education Curriculum in Thermal Engineering
• 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 — Marco de niveles de preparación laboral para la fabricación inteligente en la era de la IA
• Rewriting the Curriculum: A Systematic Review of Generative AI-Driven Pedagogical Change and Emerging Systems of Learning in Higher Education — Reescribir el currículo: cambio pedagógico impulsado por la IA generativa
• 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 — Marco de habilidades en IA: 26 habilidades evaluables para el mapeo curricular
• LearnAI: Just-in-Time AI Co-Creation Across Disciplines at a University — LearnAI: Just-in-Time AI Co-Creation Across Disciplines
• When Saying No Makes Better Videos: Designing Dual Gatekeeping for Pedagogically Grounded AI Content Creation — Cuando decir no produce mejores vídeos: doble filtro para una creación de contenidos con IA pedagógicamente fundamentada
• STEAM education for AI literacy: a systematic literature review — Educación STEAM para la alfabetización en IA: revisión sistemática
• 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 — Preparar al estudiantado y al profesorado para un futuro impulsado por la IA: revisión sistemática de la educación preuniversitaria en IA (Caruana et al. 2026)
• Creating an AI-powered platform for generating modelling problems: A case study on direct variation in secondary school mathematics — Plataforma impulsada por IA que genera problemas de modelado matemático (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 — La IA en la educación en física de partículas: problemas de investigación y habilidades fundamentales
• AI Can Do Your Homework. Now What? Report from an online workshop on computing assessment in the age of generative AI — La IA puede hacer tus tareas. ¿Y ahora qué? Informe de un taller en línea sobre la evaluación en computación en la era de la IA generativa
• K-12 AI literacy frameworks after generative AI: A scoping review - los marcos de competencia convergen en cinco dimensiones sin un vocabulario compartido ni una homologación
• Exploring the integration of artificial intelligence into residency education curriculum: qualitative interviews — Barreras para integrar la IA en los currículos de residencia: entrevistas cualitativas con doce líderes médicos