Conception pédagogique

Cette page est une traduction automatique de la page anglaise, non relue par un locuteur natif.

Conception pédagogique (Learning Design) (également appelée conception pédagogique/instructional design) — le processus systématique de création d'expériences d'apprentissage efficaces par l'analyse des besoins d'apprentissage et la conception, le développement, la mise en œuvre et l'évaluation de matériels et d'activités pédagogiques. L'IA transforme la conception pédagogique en automatisant la création de contenus, en permettant des parcours d'apprentissage adaptatif, en soutenant l'itération fondée sur les données, et en augmentant — plutôt qu'en remplaçant — le rôle du concepteur pédagogique.

Questions à examiner

• Pensez à un cours ou à une leçon que vous avez suivie ou conçue. Où s'arrêtait le « quoi enseigner » (curriculum) et où commençait le « comment l'enseigner » (conception pédagogique) — et comment les deux interagissaient-ils ?
• On suppose couramment qu'une meilleure aisance avec l'IA produit automatiquement de meilleurs contenus éducatifs. La page contredit cela par des données probantes montrant que c'est la structure pédagogique explicite — et pas seulement l'aisance avec l'IA — qui détermine l'efficacité de l'apprentissage. Où avez-vous vu une production impressionnante qui ne parvenait pas à enseigner ?
• Si un outil d'IA peut générer un cours entier à partir d'une invite, quelles décisions humaines deviennent plus importantes plutôt que moins ? La page soutient que l'IA augmente plutôt qu'elle ne remplace le rôle du concepteur pédagogique — à quoi ressemblerait ce rôle augmenté ?
• Certains modèles de conception pédagogique comme l'ADDIE sont employés comme des étapes rigides et linéaires. Mais la page les traite comme des heuristiques de planification itératives et flexibles. Quand suivre un processus de façon trop littérale peut-il nuire à une bonne conception ?
• La page montre que l'ingénierie d'invites pédagogiquement fondée — par exemple un cadre en cinq étapes fondé sur la théorie de l'apprentissage — a amélioré significativement les résultats d'ordre supérieur. Si vous construisiez un tuteur d'IA, qu'encoderiez-vous dans une couche de conception explicite pour que sa stratégie d'enseignement reste traçable et reproductible ?

Introduction

La conception pédagogique fait le pont entre les capacités de l'IA et une pédagogie efficace. Là où la conception de programmes traite du quoi enseigner au niveau du programme, la conception pédagogique traite du comment l'enseigner au niveau du cours et de la leçon. Les articles de cette base de connaissances explorent à la fois l'IA comme outil pour les concepteurs pédagogiques et les principes de conception pédagogique pour construire des systèmes d'IA de tutorat efficaces.

Ce que ce travail de conception implique concrètement est lui-même une question empirique. Tang et al. (2026) ont codé 1,378 tours de dialogue concepteur-agent conversationnel issus de cinq concepteurs pédagogiques novices travaillant avec un agent conversationnel intégré à un outil de conception, et ont trouvé que le dialogue se concentrait sur les résultats d'apprentissage visés et l'approche pédagogique plutôt que sur la génération de contenus. Les concepteurs revenaient aux résultats de manière répétée comme vérification d'alignement, tout en transformant les composantes du curriculum en tâches concrètes, et le rôle de l'assistant évoluait selon les phases, de la clarification des termes au soutien de la conception de tâches, jusqu'à une passe de vérification avant une échéance. Le soutien à la conception, selon ces données, tient moins à produire du matériel qu'à maintenir l'intention de conception cohérente.

Les analytiques de l'apprentissage et l'IA générative soutiennent différentes parties de la conception : sur 11 groupes de discussion dans une université australienne, le discours sur les analytiques cooccurrrait le plus avec le contexte et la résolution de problèmes au niveau du cours (0.32), tandis que le discours sur l'IA générative se centrait sur la conception de l'évaluation (0.26) et la conception pour l'autodétermination de l'étudiant (0.15) (Claassen et al. (2026)).

Thèmes de recherche clés

La création de contenus assistée par l'IA est l'application la plus directement transformative. Curriculum as Code présente une architecture en six phases intégrant l'IA générative avec LaTeX et Python pour automatiser la création de matériels STIM, validée sur 8 modules et 28 contextes de projet avec des notes de qualité par les étudiants de 8.5-9.9/10. Instructional Agents emploie un cadre multi-agents structuré autour du modèle ADDIE, avec des agents fondés sur les rôles (Teaching Faculty, Instructional Designer, Course Coordinator) collaborant pour générer des matériels de cours complets. CourseBlueprint fournit un pipeline structuré pour la pédagogie de génération de vidéos adaptatives ancrée dans des corpus de cours, démontrant que la structure pédagogique explicite — et pas seulement l'aisance avec l'IA — est essentielle pour la génération de contenus éducatifs. Les plateformes d'IA générative peuvent aussi incarner les principes de conception pédagogique dans les contenus qu'elles produisent : une plateforme d'IA pour générer des problèmes de modélisation mathématique a combiné des principes de conception établis avec la génération augmentée par la recherche documentaire, développée selon l'approche ADDIE pour produire des tâches et des recommandations pédagogiquement fondées dont les générateurs de contenus conventionnels sont dépourvus. Pourtant, le bénéfice d'une telle génération de contenus et de leçons assistée par l'IA est médiatisé par l'expertise propre de l'enseignant : Choi et al. (2026) ont trouvé que les enseignants expérimentés adaptaient de manière critique les idées de leçons générées par l'IA aux étudiants et au contexte (en réinvitant et en élaborant sur la production), alors que les novices tendaient à accepter directement les suggestions de l'IA — si bien que la valeur pédagogique des outils de contenus d'IA dépend de l'expérience de l'enseignant et de sa compétence en IA, et non du seul outil. Une revue systématique de la co-conception enseignant-IA de tâches d'apprentissage (Wang, Liu & Islam 2026) confirme ce schéma à l'échelle sur 28 études (2015–2025) : l'IA générative est employée principalement pour la planification de leçons, la génération d'invites et l'idéation créative, et le mode de collaboration dominant est l'IA comme assistant/générateur de contenus plutôt qu'un co-concepteur plus complet — l'efficience, la réactivité, la créativité et l'équité revenant comme affordances. Talebzadeh (2026) affine le constat sur l'expertise enseignante pour la conception d'activités de groupe : les enseignants expérimentés produisent des architectures de rôles plus riches, plus synergiques et mieux alignées sur la ZPD dans les activités coopératives conçues par l'IA que les novices, quelle que soit leur familiarité avec l'IA, en formulant la « littératie en invites pédagogiques » comme le levier qui transforme la production de l'IA en apprentissage de groupe différencié efficace.

Là où les matériels générés pèchent, c'est l'adéquation au curriculum : sept enseignants de mathématiques ont noté les problèmes d'échec productif générés par l'IA proches de ceux conçus par des humains sur la qualité globale (M = 17.19 contre 17.43 sur 25) mais inférieurs sur l'alignement au curriculum (M = 2.57 contre 3.29), si bien que les problèmes générés exigeaient encore des retouches de longueur, de niveau de lecture et de visuels (Rhaimi et al. (2025)).

Le tutorat par IA pédagogiquement fondé applique les principes de conception pédagogique à la conception de systèmes d'IA. Brisson et al. ont construit un assistant enseignant LLM dirigé par la didactique, où la stratégie de tutorat est encodée dans une couche externe explicite — rendant la sélection de contenus et la structuration didactique traçables et reproductibles, ce qui répond directement aux préoccupations d'opacité soulevées dans la reconsidération de l'étayage pour les tuteurs à base de LLM. Hou et al. ont démontré qu'un cadre d'ingénierie d'invites en cinq étapes fondé sur la théorie de l'apprentissage génératif améliorait significativement les résultats cognitifs d'ordre supérieur, montrant que le guidage pédagogique — et pas seulement l'accès à l'IA — détermine l'efficacité de l'apprentissage. Les deux se rattachent à l'étayage et à l'IA de tutorat.

Les cadres et l'évaluation fournissent des approches structurées. WIP: Bridging the Gap Between Instructional Design and Pedagogical Use: A Framework for Mathematics Educators et CoTAL démontrent des principes de conception avec l'humain dans la boucle. Generative AI (GenAI) as a mindtool that supports generative learning (GL) positionne l'IA comme un « mindtool » — un partenaire cognitif qui étend plutôt qu'il ne remplace la pensée de l'apprenant — appliquant directement la théorie de la conception pédagogique à l'intégration de l'IA. LUDIA applique les principes de la conception universelle de l'apprentissage pour créer un partenaire de réflexion accessible à base d'IA destiné aux éducateurs, reliant la conception pédagogique à l'apprentissage inclusif. AIRIS (Activate–Inquire–Reflect) est un cadre de structuration des tâches pour un usage cognitivement activé de l'IA, qui borne la contribution de l'IA afin que la prédiction, l'interprétation et l'évaluation restent celles de l'apprenant — une adaptation spécifique à l'IA des cycles d'investigation, fondée sur l'apprentissage autorégulé, la théorie de la charge cognitive et la collaboration humain-IA. En complément de ces cadres de conception, la taxonomie de Dohn et al. (2026) offre une classification plutôt qu'une méthode de conception : six catégories (objectif d'apprentissage, contenu, format de représentation, engagement épistémique, conception sociale, artefacts) qui permettent aux concepteurs et aux chercheurs de décrire, comparer et imaginer les activités d'apprentissage avec l'IA générative en rendant explicite pourquoi, quoi, comment, avec quoi et avec qui les apprenants s'engagent avec l'IA générative — construite comme objet-frontière par un dialogue postnumérique. Les cadres de classe intelligente étendent cela à la formation des enseignants : Zhu, Liang, Mao et Wang (2026) proposent un cadre tridimensionnel pour l'éducation intelligente — efficacité de l'apprentissage, technologies de l'information et de la communication (TIC) et organisation de la classe — et l'instancient dans un cours de mathématiques de master en éducation qui intègre la notation automatisée, des recommandations personnalisées et une rétroaction multi-IA à travers les étapes pré-, en- et post-classe. Une quasi-expérience a montré des gains significatifs dans la capacité des étudiants à formuler des objectifs pédagogiques précis et professionnellement fondés, produisant le modèle D-T-E transférable (Disciplinary Demand–Technological Empowerment–Evaluation Loop) — des recommandations propres à la discipline pour les formateurs d'enseignants faisant passer les concepts d'éducation intelligente dans la pratique concrète de la conception pédagogique.

Concevoir pour la portée. Le cadre des sept leviers de Halani demande, pour chaque contexte de cours, lesquels de ces leviers opèrent encore lorsque l'étudiant est seul avec l'IA ; des mouvements structurels comme changer ce que la note certifie, ou des tâches qui ne peuvent être menées à bien sans la réflexion, portent plus loin que de dire aux étudiants que le processus compte (Halani, 2026).

Contraindre l'outil pour protéger la pensée. Une conception d'écriture argumentative de neuf semaines a séquencé des agents conversationnels délimités par l'enseignant, qui posent des questions et refusent de générer la prose de l'étudiant, et quatre lycéens sont passés de consommateurs passifs d'IA à des évaluateurs qui contestaient les productions — la contrainte stratégique, et non la générativité sans entraves, suivait les gains (Konradt, Boote & Taub (2026)).

L'ingénierie d'invites guidée par une grille comme levier de conception. Yaşar et al. (2026) ont démontré que la grille fonctionne comme une interface de médiation entre l'intention pédagogique humaine et l'inférence de la machine : traiter les critères d'évaluation comme des artefacts de conception révisables — plutôt que comme des instruments fixes — et les affiner itérativement avec le LLM a fait passer l'accord LLM-humain sur les travaux de conception des étudiants de 54.75% à 81.25%. Les grilles conçues pour les LLM doivent équilibrer précision et flexibilité — trop vague invite à la libre interprétation, trop rigide réduit le modèle à de l'appariement de motifs — et une ingénierie d'invites sensible au rôle (enseignant, évaluateur pair, évaluateur de subvention) produisait des rétroactions évaluatives distinctes. Cela positionne l'ingénierie de grilles comme une pratique concrète de conception pédagogique pour façonner le comportement d'évaluation de l'IA, la supervision avec l'humain dans la boucle demeurant essentielle.

Les agents d'IA pour la conception pédagogique étendent le champ vers l'IA agentique. ISD-Agent-Bench est le premier référentiel (benchmark) standardisé et fondé théoriquement pour évaluer les agents de conception pédagogique à base de LLM — sa Context Matrix de 25,795 scénarios (51 variables contextuelles × 33 sous-étapes ISD issues de l'ADDIE) montre que les agents ancrés dans des cadres ISD classiques (ADDIE, Dick & Carey, Rapid Prototyping ISD) surpassent les agents sans théorie, validant empiriquement que la conception pédagogique est une discipline structurée plutôt qu'une tâche d'ingénierie d'invites générique. Les agents ne sont pas seulement des constructeurs de conceptions mais aussi des critiques de celles-ci : Wang, Mitchell & Piech (2025) emploient un agent web autonome unique qui navigue dans une leçon en ligne en plusieurs étapes comme le ferait un étudiant, pour évaluer une conception pédagogique avant que de vrais apprenants ne s'y engagent — sa description de l'expérience étudiante prédit où les novices décrocheront et fait apparaître une rétroaction de conception actionnable, surpassant toutes les lignes de base et même une cohorte simulée d'étudiants sur un cours global d'introduction à l'informatique. Cela fait de l'évaluation agentique avant lancement un complément à faible coût de l'itération de conception humaine. Enabling Multi-Agent Systems as Learning Designers: Applying Learning Sciences to AI Instructional Design et Instructional Agents explorent des cadres multi-agents qui orchestrent des agents fondés sur les rôles autour de modèles de conception pédagogique, tandis que AI-TPACK examine comment les enseignants et les agents appliquent conjointement les connaissances technologiques, pédagogiques et disciplinaires. Ces travaux relient la conception pédagogique à l'évaluation comparative, à l'évaluation de l'IA en éducation, et à la conception de curricula à l'échelle.

Connexions avec les concepts liés

La conception pédagogique est la discipline-pont de l'IA en éducation — elle relie la conception de programmes (quoi enseigner) à l'étayage (comment soutenir les apprenants), au développement pédagogique (comment préparer les éducateurs) et à l'IA générative (les outils eux-mêmes). Elle est étroitement couplée au rôle de l'enseignant parce que les outils d'IA refaçonnent ce que font les concepteurs pédagogiques et les enseignants, et à l'littératie en IA parce qu'une intégration efficace de l'IA exige que les éducateurs comprennent les capacités et les limites de l'IA. Le travail de conception se résout finalement en un ordre d'activité : les schémas pédagogiques recensent les ordres de gestes éprouvés, si bien qu'un concepteur peut décider à quel endroit d'une leçon l'IA a sa place plutôt que seulement ce qu'il faut y inclure. Les sciences de l'apprentissage sont le champ de recherche qui sous-tend ces principes : là où cette page couvre la pratique professionnelle de la création d'expériences d'apprentissage, les sciences de l'apprentissage étudient cette pratique et ses conceptions de manière empirique et produisent les principes cognitifs, motivationnels et sociaux que la conception pédagogique opérationnalise ensuite.

Comment la conception pédagogique détermine les gains d'apprentissage

La conception pédagogique est le levier qui décide si l'IA produit des gains d'apprentissage ou seulement une performance gonflée par l'IA. Les données probantes de la base de connaissances sont constantes sur ce point : le même outil d'IA produit de grands gains ou un préjudice net selon la manière dont l'expérience d'apprentissage est conçue autour de lui. Hou et al. ont montré qu'un cadre d'ingénierie d'invites en cinq étapes fondé sur la théorie de l'apprentissage améliorait significativement les résultats cognitifs d'ordre supérieur, alors que l'accès seul à l'IA ne le faisait pas ; les cadres mindtool et AIRIS préservent le travail cognitif de l'apprenant de sorte que ce sont des gains durables (plutôt qu'une efficacité de tâche) qui en résultent. Les choix de conception qui protègent les gains d'apprentissage — un étayage qui exige une tentative de l'étudiant, une évaluation formative avec des mesures de résultats non assistées, et une structure pédagogique qui garde l'apprenant comme agent — rejoignent le constat du champ (voir gains d'apprentissage) selon lequel l'IA est un gain fort lorsqu'elle entraîne et un préjudice lorsqu'elle répond. À l'inverse, les leçons mal conçues intégrant l'IA tombent dans le fossé performance-apprentissage, où le succès apparent masque une absence d'apprentissage.

Recommandations pratiques pour les concepteurs et les développeurs

Pour les concepteurs pédagogiques, les développeurs de cours et les ingénieurs qui construisent des expériences d'apprentissage assistées par l'IA, les conclusions de la base de connaissances se traduisent en pratiques actionnables. Une frontière mérite d'être marquée avant les pratiques elles-mêmes : la conception pédagogique telle que cette page la décrit est la conception d'un cours pour une cohorte connue, alors que les mêmes principes intégrés à un produit que de nombreux cours — enseignés par des personnes que le concepteur ne rencontrera jamais — utiliseront relèvent du travail des développeurs de technologies éducatives, où les valeurs par défaut, la configurabilité et la documentation portent un poids pédagogique :

Ancrer la génération par l'IA dans un modèle pédagogique structuré. Un contenu d'IA ne vaut que par la structure pédagogique qui le sous-tend — c'est la structure explicite, non l'aisance avec l'IA, qui détermine la qualité. Concevez autour d'un modèle reconnu (ADDIE, Dick & Carey, prototypage rapide) et encodez explicitement les décisions pédagogiques plutôt que de compter sur le modèle pour les inférer.(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)

Adopter un cadre au niveau des principes en plus d'un modèle pédagogique. Un modèle au niveau du cours structure une conception ; un cadre publié fixe les critères que de nombreuses conceptions devraient satisfaire. Un exemple qui mérite d'être lu intégralement est Powerful Learning with Emerging Technology de Digital Promise, qui organise ses recommandations sous trois principes — fondé sur les données probantes, centré sur l'apprenant, développement des compétences — chacun déployé en pratiques et stratégies, et attache la vie privée, l'explicabilité et l'équité à des pratiques particulières comme des obligations de sécurité plutôt que des extras optionnels.(Powerful Learning with Emerging Technology) Faire correspondre la configuration de l'IA à la tâche, non à la sophistication. Nalyvaiko (2026) distingue quatre couches — invite, contexte, harnais et boucle vérifiée — et applique un principe de couche minimalement suffisante : employer la configuration la moins complexe capable d'un résultat vérifiable, puisque une orchestration accrue apporte des coûts de coordination, de vérification, de vie privée et de compréhension.

Employer des flux de travail multi-agents fondés sur les rôles pour la production de contenus. Au lieu d'une invite générique unique, orchestrez des agents/rôles distincts (enseignant, concepteur pédagogique, coordinateur de cours) qui collaborent à travers un pipeline défini — cela reflète la manière dont travaillent les véritables équipes de cours et produit des matériels plus complets qu'une invite unique.(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)

Fournir un guidage pédagogique, pas seulement un accès à l'IA. Que les apprenants interagissent directement avec l'IA ou avec des matériels générés par l'IA, un guidage fondé sur la théorie de l'apprentissage (par exemple un étayage d'ingénierie d'invites par étapes ancré dans les principes de l'apprentissage génératif) produit des résultats d'ordre supérieur ; l'accès seul ne le fait pas. Concevez l'activité d'apprentissage autour de la manière dont l'esprit apprend, et traitez l'IA comme un « mindtool » cognitif qui étend la pensée plutôt qu'il ne la remplace.(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))

Modéliser l'oubli et programmer des révisions là où la décroissance est la plus forte. G4L représente la décroissance des connaissances par une courbe d'oubli d'Ebbinghaus pilotée par le temps écoulé et les répétitions, et priorise les unités les plus vulnérables à la décroissance plutôt que de resservir ce qui vient d'être noté (Csépányi-Fürjes & Kovács, 2026).

Fowlin et al. (2026) ajoutent un geste opérationnel pour décider où l'IA intervient : décomposer une activité en les composantes qu'il vaut mieux faire indépendamment et celles qu'il vaut mieux coupler avec l'IA, en gardant le jugement de l'éducateur au centre du partage (Fowlin et al. (2026)).

Rendre les contenus traçables et révisables. Laissez un concepteur humain examiner et corriger la production de l'IA avant qu'elle n'atteigne les apprenants, et structurez la génération par l'IA afin que la justification pédagogique (pourquoi ce contenu, dans cet ordre) soit inspectable — ce qui répond à la fois aux enjeux de qualité et aux préoccupations d'opacité qui sapent l'enseignement généré par la confiance.(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)

• Examiner les médias générés par l'IA au stade du script, pas après la synthèse. PedaCo place l'examen de l'éducateur sur le script — là où les erreurs pédagogiques sont peu coûteuses à corriger — avant tout rendu ; la validité pédagogique notée est passée de 3.07 à 3.86, tandis que la couche automatisée post-synthèse n'a amélioré que deux des cinq dimensions (Kim, Baek et Kwak (2026)).

Concevoir pour l'accessibilité dès le départ. Appliquez les principes de la conception universelle de l'apprentissage (UDL) lors de la construction d'outils d'IA et de matériels générés par l'IA afin qu'ils servent des apprenants divers, plutôt que de rattraper l'accessibilité après coup.(LUDIA: A Design and Evidence Statement)

Prévoir le média de diffusion. La conception pédagogique pour l'enseignement et l'apprentissage en ligne n'est pas une traduction neutre de la conception en présentiel — le média change ce qui est viable en matière d'étayage, d'évaluation et d'interaction, et l'IA multiplie à la fois les opportunités (personnalisation extensible, soutien permanent) et les risques (intégrité, délestage cognitif) que les concepteurs doivent anticiper. Concevez l'enveloppe pédagogique de l'IA aussi délibérément en ligne qu'en présentiel.

Évaluer face à un référentiel, pas à l'intuition. Si vous construisez un agent de conception pédagogique, évaluez-le face à un référentiel standardisé et fondé théoriquement (par exemple ISD-Agent-Bench) afin de pouvoir mesurer si l'ancrage dans un véritable cadre ISD améliore réellement la production par rapport à un LLM générique.(ISD-Agent-Bench: A Comprehensive Benchmark for Evaluating LLM-based Instructional Design Agents)

• L'IA refaçonne la pratique de la conception pédagogique. Kibar & Ilgaz (2026) passent en revue systématiquement 28 études (2020-2025) et montrent que l'IA assiste les concepteurs pour la génération de contenus, les modèles et la personnalisation, et qu'elle est conceptualisée comme un collègue/collaborateur/partenaire plutôt que comme un simple outil — bien que l'alignement pédagogique et la préparation des praticiens demeurent des défis.

Concepts liés

• Interpréter et appliquer la recherche sur l'IA en éducation
• Partenariats pédagogiques — Pedagogical Partnerships
• Enseignement et apprentissage en ligne — Online Teaching and Learning
• La conception de programme d'études
• L'étayage
• Le développement éducatif
• L'enseignement
• Littératie en IA
• L'IA générative
• Tutorat intelligent
• Apprentissage personnalisé
• Apprentissage adaptatif
• L'évaluation formative
• Enseignement supérieur
• Primaire et secondaire (K-12)
• IA agentique
• Apprentissage inclusif
• Conception universelle de l'apprentissage
• Théories de l'apprentissage
• Sciences de l'apprentissage
• Gains d'apprentissage
• Behaviorisme
• Les développeurs de technologie éducative
• Pédagogies et stratégies d'enseignement — Umbrella: pedagogies and teaching strategies in AI education
• Parties prenantes — Umbrella: people and audiences in AI education (learners, teachers, designers, administrators, policymakers)

Articles liés

• 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 and GenAI in learning design decision-making
• Investigating the Role of Chatbots in Facilitating Learning Design — Chatbot use in learning design: designers dwell on outcomes and pedagogy rather than content generation (Tang et al. 2026)
• Analyzing teacher-AI interaction patterns across teacher experience and AI proficiency in student-centered lesson design — Teacher-AI interaction patterns in lesson design across experience and AI proficiency (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 in higher ed: engagement + mediating role of teaching methods
• 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 — Taxonomy (boundary object) for classifying GenAI learning activities
• 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: autonomous web agent evaluates lesson designs and predicts student dropout before students engage (Wang, Mitchell & Piech 2025)
• It's Not the Tool, It's the Task: A Framework for Cognitively Activated AI Augmentation in Physics Instruction — AIRIS: A Framework for Cognitively Activated AI Augmentation in Physics
• 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: Seven Levers and the Student Alone with 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: Dual Gatekeeping for Pedagogically Grounded AI Content Creation
• ProductiveMath: A Generative-AI-Powered App to Support Productive Failure Teaching — ProductiveMath: AI to Support Productive Failure Problem Design
• The Intersection of Artificial Intelligence and Instructional Design Practice: A Systematic Review — AI and Instructional Design Practice: A Systematic Review (Kibar & Ilgaz 2026)
• Intelligent tutoring in dynamic domains: a graph-based system for comparative analysis of adaptive algorithms — Graph-Based Intelligent Tutoring for Dynamic Domains (2026)
• Making AI Annoying on Purpose: When Helpful Tools Don't Always Help — Making AI annoying on purpose: constraint in AI-supported writing (Konradt, Boote & Taub 2026)
• Improving Instructional Design Proficiency of Master's Students in Mathematics Education Through Intelligent Educational Technologies — Smart-classroom model and D-T-E loop improving M.Ed. instructional design proficiency in mathematics (Zhu et al. 2026)
• Creating an AI-powered platform for generating modelling problems: A case study on direct variation in secondary school mathematics — AI-powered platform generating mathematical modeling problems (ADDIE, RAG)
• Reimagining teacher-AI co-design in learning task design: trends and perspectives — Teacher–AI co-design of learning tasks: trends and perspectives (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 — Architecture of roles in AI-designed differentiated group activities (Talebzadeh 2026)
• From evaluation to emulation: LLMs as agents of iterative pedagogical design — LLMs as agents of iterative pedagogical design