Progettazione dell'apprendimento

Traduzione automatica della pagina in inglese, non ancora rivista da una persona di madrelingua.

Progettazione dell'apprendimento (nota anche come progettazione didattica) — il processo sistematico di creazione di esperienze di apprendimento efficaci attraverso l'analisi dei bisogni di apprendimento e la progettazione, lo sviluppo, l'implementazione e la valutazione di materiali e attività didattici. L'IA sta trasformando la progettazione dell'apprendimento automatizzando la creazione di contenuti, abilitando percorsi di apprendimento adattivo, sostenendo l'iterazione basata sui dati e potenziando — anziché sostituendo — il ruolo del progettista didattico.

Domande da considerare

• Pensi a un corso o a una lezione che ha vissuto o progettato. Dove finiva il "cosa insegnare" (curricolo) e dove iniziava il "come insegnarlo" (progettazione dell'apprendimento) — e come interagivano i due?
• Un presupposto comune è che una migliore padronanza dell'IA produca automaticamente contenuti educativi migliori. La pagina controbatte con la prova che è la struttura pedagogica esplicita — non solo la padronanza dell'IA — a determinare l'efficacia dell'apprendimento. Dove ha visto output impressionanti che non riuscivano a insegnare?
• Se uno strumento IA può generare un intero corso da un prompt, quali decisioni umane diventano più importanti anziché meno? La pagina sostiene che l'IA potenzia anziché sostituire il ruolo del progettista didattico — come apparirebbe quel ruolo potenziato?
• Alcuni modelli di progettazione didattica come l'ADDIE sono usati come passi rigidi e lineari. Ma la pagina li tratta come euristiche iterative e flessibili di pianificazione. Quando seguire un processo troppo letteralmente può minare una buona progettazione?
• La pagina mostra che il prompting fondato pedagogicamente — ad esempio, un framework in cinque passi basato sulla teoria dell'apprendimento — ha migliorato significativamente gli esiti di ordine superiore. Se dovesse costruire un tutor IA, cosa codificherebbe in uno strato di progettazione esplicito perché la sua strategia didattica resti tracciabile e riproducibile?

Introduzione

La progettazione dell'apprendimento fa da ponte tra le capacità dell'IA e una pedagogia efficace. Là dove il Progettazione curricolare affronta cosa insegnare a livello di programma, la progettazione dell'apprendimento affronta come insegnarlo a livello di corso e di lezione. Gli articoli di questa knowledge base esplorano sia l'IA come strumento per i progettisti dell'apprendimento sia i principi di progettazione dell'apprendimento per costruire sistemi efficaci di tutoring IA.

Ciò che quel lavoro di progettazione comporta in pratica è esso stesso una questione empirica. Tang et al. (2026) hanno codificato 1.378 turni di dialogo tra progettisti e chatbot di cinque progettisti dell'apprendimento novizi che lavoravano con un chatbot integrato in uno strumento di progettazione, e hanno rilevato che il dialogo si concentrava sugli esiti di apprendimento attesi e sull'approccio pedagogico anziché sulla generazione di contenuti. I progettisti tornavano ripetutamente sugli esiti come controllo di allineamento mentre trasformavano le componenti del curricolo in compiti concreti, e il ruolo dell'assistente si spostava tra le fasi, dal chiarire i termini al sostenere la progettazione dei compiti fino a eseguire un passaggio di verifica prima di una scadenza. Il supporto alla progettazione, sulla base di questa evidenza, riguarda meno il produrre materiale che il mantenere coerente l'intento di progettazione.

Learning analytics e IA generativa sostengono parti diverse della progettazione: su 11 focus group in un'università australiana, il discorso sulle analytics co-occorreva più con il contesto e la risoluzione di problemi a livello di corso (0,32), mentre il discorso sull'IA generativa si incentrava sulla progettazione della valutazione (0,26) e sulla progettazione per l'autodeterminazione dello studente (0,15) (Claassen et al. (2026)).

Temi chiave di ricerca

La creazione di contenuti assistita dall'IA è l'applicazione più direttamente trasformativa. Il Curriculum as Code presenta un'architettura in sei fasi che integra l'IA generativa con LaTeX e Python per automatizzare la creazione di materiali STEM, validata su 8 moduli e 28 contesti progettuali con valutazioni di qualità da parte degli studenti da 8,5 a 9,9 su 10. Gli Instructional Agents usano un framework multi-agente strutturato attorno al modello ADDIE, con agenti basati sul ruolo (facoltà didattica, progettista didattico, coordinatore del corso) che collaborano per generare materiali di corso completi. Il CourseBlueprint fornisce una pipeline strutturata per la generazione pedagogica adattiva di video fondata su corpora di corso, dimostrando che la struttura pedagogica esplicita — non solo la padronanza dell'IA — è essenziale per la generazione di contenuti educativi. Anche le piattaforme di IA generativa possono incarnare i principi della progettazione dell'apprendimento nei contenuti che producono: una piattaforma basata sull'IA per generare problemi di modellizzazione matematica ha combinato principi di progettazione consolidati con la generazione aumentata dal recupero, sviluppata attraverso l'approccio ADDIE per produrre compiti e raccomandazioni fondati pedagogicamente che i generatori di contenuti convenzionali non hanno. Eppure il ritorno di tale contenuto e generazione di lezioni assistiti dall'IA è mediato dalla competenza propria dell'insegnante: Choi et al. (2026) hanno rilevato che gli insegnanti esperti adattano criticamente le idee di lezione generate dall'IA agli studenti e al contesto (ri-formulando i prompt ed elaborando l'output), mentre i novizi tendono ad accettare direttamente i suggerimenti dell'IA — per cui il valore pedagogico degli strumenti di contenuto IA dipende dall'esperienza e dalla padronanza dell'IA dell'insegnante, non dal solo strumento. Una revisione sistematica della co-progettazione insegnante–IA di compiti di apprendimento (Wang, Liu & Islam 2026) conferma lo schema su larga scala su 28 studi (2015–2025): l'IA generativa è usata principalmente per la pianificazione delle lezioni, la generazione di prompt e l'ideazione creativa, e la modalità di collaborazione dominante è l'IA come assistente/generatore di contenuti piuttosto che come co-progettista più completa — con efficienza, reattività, creatività ed equità che ricorrono come affordance. Talebzadeh (2026) affina il risultato sulla competenza dell'insegnante per la progettazione di attività di gruppo: gli insegnanti esperti producono architetture di ruolo più ricche, più sinergiche e meglio allineate alla ZPD nelle attività cooperative progettate dall'IA rispetto ai novizi a prescindere dalla familiarità con l'IA, inquadrando la "padronanza pedagogica dei prompt" come la leva che trasforma l'output dell'IA in un apprendimento di gruppo differenziato efficace.

Laddove i materiali generati risultano carenti è nell'aderenza al curricolo: sette insegnanti di matematica hanno valutato i problemi di fallimento produttivo generati dall'IA vicini a quelli umani sulla qualità complessiva (M = 17,19 contro 17,43 su 25) ma più bassi sull'allineamento al curricolo (M = 2,57 contro 3,29), per cui i problemi generati richiedevano comunque editing per lunghezza, livello di lettura e immagini (Rhaimi et al. (2025)).

Il tutoring IA fondato pedagogicamente applica i principi della progettazione didattica alla progettazione dei sistemi IA. Brisson et al. hanno costruito un assistente didattico per insegnanti guidato dalla didattica e basato su LLM, in cui la strategia di tutoring è codificata in uno strato esterno esplicito — rendendo la selezione dei contenuti e la strutturazione didattica tracciabili e riproducibili, affrontando direttamente le preoccupazioni di opacità in Rethinking Scaffolding in LLM Tutors: The Interactional Mismatch Between Benchmarks and Real-World Deployments. Hou et al. hanno dimostrato che un framework di prompting in cinque passi fondato sulla teoria generativa dell'apprendimento migliorava significativamente gli esiti cognitivi di ordine superiore, mostrando che è la guida didattica — non il solo accesso all'IA — a determinare l'efficacia dell'apprendimento. Entrambi si collegano allo scaffolding e all'intelligent tutoring.

Framework e valutazione forniscono approcci strutturati. Il WIP: Bridging the Gap Between Instructional Design and Pedagogical Use: A Framework for Mathematics Educators e il CoTAL dimostrano principi di progettazione human-in-the-loop. Il Generative AI (GenAI) as a mindtool that supports generative learning (GL) posiziona l'IA come "mindtool" — un partner cognitivo che estende anziché sostituire il pensiero di chi apprende — applicando direttamente la teoria della progettazione didattica all'integrazione dell'IA. Il LUDIA applica i principi della Progettazione Universale per l'Apprendimento per creare un partner di pensiero IA accessibile per gli educatori, collegando la progettazione didattica all'apprendimento inclusivo. L'AIRIS (Activate–Inquire–Reflect) è un framework di strutturazione dei compiti per l'uso di IA cognitivamente attivato che limita il contributo dell'IA affinché predizione, interpretazione e valutazione restino di chi apprende — un adattamento specifico dell'IA dei cicli di inchiesta fondati sull'apprendimento autoregolato, sulla Teoria del Carico Cognitivo e sulla collaborazione umano-IA. A complemento di questi framework di progettazione, la tassonomia di Dohn et al. (2026) offre una classificazione anziché un metodo di progettazione: sei categorie (Obiettivo di Apprendimento, Contenuto, Formato di Rappresentazione, Coinvolgimento Epistemico, Progettazione Sociale, Artefatti) che permettono a progettisti e ricercatori di descrivere, confrontare e immaginare attività di apprendimento con l'IA generativa rendendo esplicito perché, cosa, come, con cosa e con chi chi apprende si impegni con l'IA generativa — costruita come boundary object attraverso il dialogo postdigitale. I framework per le classi intelligenti si estendono alla formazione degli insegnanti: Zhu, Liang, Mao e Wang (2026) propongono un framework tridimensionale per l'educazione intelligente — efficacia dell'apprendimento, tecnologie dell'informazione e della comunicazione (ICT) e organizzazione della classe — e lo istanziano in un corso di matematica per M.Ed. che integra correzione automatica, raccomandazioni personalizzate e feedback IA multipli attraverso le fasi pre-, in- e post-classe. Un quasi-esperimento ha mostrato guadagni significativi nella capacità degli studenti di formulare obiettivi didattici precisi e professionalmente fondati, producendo il trasferibile Modello D-T-E (Disciplinary Demand–Technological Empowerment–Evaluation Loop) — una guida disciplinare-specifica per gli educatori di insegnanti che portano i concetti di educazione intelligente nella pratica della progettazione didattica.

Progettare per la portata. Il framework a sette leve di Halani chiede, per ciascuna impostazione di corso, quali leve operino ancora quando lo studente è solo con l'IA; mosse strutturali come cambiare ciò che il voto certifica, o compiti che non possono essere completati senza il pensiero, arrivano più lontano che dire agli studenti che il processo conta (Halani, 2026).

Vincolare lo strumento per proteggere il pensiero. Una progettazione di scrittura argomentativa di nove settimane ha sequenziato chatbot delimitati dall'insegnante che fanno domande e rifiutano di generare la prosa dello studente, e quattro studenti delle superiori sono passati da consumatori passivi dell'IA a valutatori che respingevano gli output — il vincolo strategico, non la generatività senza restrizioni, ha tracciato i guadagni (Konradt, Boote & Taub (2026)).

Il prompting guidato dalla rubrica come leva di progettazione. Yaşar et al. (2026) hanno dimostrato che la rubrica funziona come interfaccia mediatrice tra intenzione pedagogica umana e inferenza della macchina: trattare i criteri di valutazione come artefatti di progettazione revisionabili — anziché come strumenti fissi — e co-perfezionarli iterativamente con l'LLM ha innalzato l'accordo LLM–umano sul lavoro di progettazione degli studenti dal 54,75% all'81,25%. Le rubriche ingegnerizzate per gli LLM devono bilanciare precisione e flessibilità — troppo vaghe invitano la libera interpretazione, troppo rigide riducono il modello al pattern-matching — e il prompting consapevole del ruolo (istruttore, revisore tra pari, revisore di sovvenzioni) produceva feedback valutativi distinti. Questo posiziona l'ingegnerizzazione delle rubriche come una pratica concreta di progettazione dell'apprendimento per plasmare il comportamento valutativo dell'IA, con la supervisione human-in-the-loop che resta essenziale.

Gli agenti IA per la progettazione didattica estendono il campo verso l'IA agentica. L'ISD-Agent-Bench è il primo benchmark standardizzato e fondato sulla teoria per valutare agenti di progettazione didattica basati su LLM — la sua Context Matrix di 25.795 scenari (51 variabili contestuali × 33 sotto-passi ISD dell'ADDIE) mostra che gli agenti fondati su framework ISD classici (ADDIE, Dick & Carey, Rapid Prototyping ISD) superano gli agenti privi di teoria, validando empiricamente che la progettazione didattica è una disciplina strutturata anziché un compito di prompting generico. Gli agenti non sono solo costruttori di progettazioni ma anche critici di esse: Wang, Mitchell & Piech (2025) usano un singolo agente web autonomo che naviga una lezione online a più passaggi come uno studente per valutare una progettazione dell'apprendimento prima che studenti reali vi si impegnino — la sua descrizione dell'esperienza dello studente predice dove i novizi abbandoneranno e porta alla luce feedback di progettazione azionabile, superando ogni baseline e persino una coorte simulata di studenti su un corso globale di CS1. Questo inquadra la valutazione agentica pre-lancio come un complemento a basso costo dell'iterazione umana della progettazione. I Enabling Multi-Agent Systems as Learning Designers: Applying Learning Sciences to AI Instructional Design e gli Instructional Agents esplorano framework multi-agente che orchestrano agenti basati sul ruolo attorno a modelli di progettazione didattica, mentre l'AI-TPACK esamina come insegnanti e agenti applichino congiuntamente la conoscenza tecnologica-pedagogica-dei contenuti. Questo lavoro collega la progettazione didattica al benchmarking, alla valutazione dell'IA in educazione e alla progettazione del curricolo su larga scala.

Collegamenti ai concetti correlati

La progettazione dell'apprendimento è la disciplina-ponte dell'IA in educazione — collega il Progettazione curricolare (cosa insegnare) allo scaffolding (come supportare chi apprende), lo sviluppo educativo (come preparare gli educatori) e l'IA generativa (gli strumenti stessi). È strettamente accoppiata con il ruolo dell'insegnante perché gli strumenti IA rimodellano ciò che fanno progettisti dell'apprendimento e insegnanti, e con l'alfabetizzazione sull'IA perché un'integrazione efficace dell'IA richiede che gli educatori comprendano capacità e limiti dell'IA. Il lavoro di progettazione si risolve in definitiva in un ordine di attività: i pattern pedagogici catalogano gli ordini di mosse testati, così che un progettista possa decidere dove in una lezione collocare l'IA anziché solo cosa includervi. Le scienze dell'apprendimento sono il campo di ricerca dietro questi principi: là dove questa pagina copre la pratica professionale di creare esperienze di apprendimento, le scienze dell'apprendimento studiano quella pratica e le sue progettazioni empiricamente e generano i principi cognitivi, motivazionali e sociali che la progettazione dell'apprendimento poi operazionalizza.

Come la progettazione dell'apprendimento determina i guadagni di apprendimento

La progettazione dell'apprendimento è la leva che decide se l'IA produce guadagni di apprendimento o semplicemente prestazioni gonfiate dall'IA. L'evidenza della knowledge base è coerente su questo punto: lo stesso strumento IA produce grandi guadagni o danno netto a seconda di come è progettata l'esperienza di apprendimento attorno ad esso. Hou et al. hanno mostrato che un framework di prompting in cinque passi fondato sulla teoria dell'apprendimento migliorava significativamente gli esiti cognitivi di ordine superiore, mentre il solo accesso all'IA non lo faceva; i framework mindtool e AIRIS preservano il lavoro cognitivo di chi apprende così che risultino guadagni durevoli (anziché efficienza sul compito). Le scelte di progettazione che proteggono i guadagni di apprendimento — scaffolding che richiede un tentativo dello studente, valutazione formativa con misure di esito non assistite, e struttura pedagogica che mantiene chi apprende come agente — rispecchiano il risultato del campo (si veda Incrementi di apprendimento) che l'IA è un forte guadagno quando fa da coach e un danno quando risponde. Viceversa, le lezioni integrate con l'IA mal progettate cadono preda del divario prestazioni-apprendimento, dove il successo apparente maschera l'assenza di apprendimento.

Guida pratica per progettisti e sviluppatori

Per progettisti didattici, sviluppatori di corsi e ingegneri che costruiscono esperienze di apprendimento assistite dall'IA, i risultati della knowledge base si traducono in pratica azionabile. Un confine vale la pena di essere segnato prima delle pratiche stesse: la progettazione dell'apprendimento come questa pagina la descrive è la progettazione di un corso per una coorte nota, mentre gli stessi principi incorporati in un prodotto che molti corsi — tenuti da persone che il progettista non incontrerà mai — useranno sono il lavoro degli sviluppatori di tecnologie educative, dove valori predefiniti, configurabilità e documentazione portano peso pedagogico:

Fondare la generazione dell'IA su un modello didattico strutturato. Il contenuto dell'IA vale solo quanto la struttura pedagogica dietro di esso — la struttura esplicita, non la padronanza dell'IA, determina la qualità. Progettare attorno a un modello riconosciuto (ADDIE, Dick & Carey, prototipazione rapida) e codificare esplicitamente le decisioni pedagogiche anziché affidarsi al modello perché le inferisca.(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)

Adottare anche un framework a livello di principio, oltre a un modello didattico. Un modello a livello di corso struttura una singola progettazione; un framework pubblicato fissa i criteri che molte progettazioni dovrebbero soddisfare. Un esempio che vale la pena di leggere per intero è Powerful Learning with Emerging Technology di Digital Promise, che organizza la sua guida sotto tre principi — Evidence-Based, Learner-Centered, Skill-Building — ciascuno espanso in pratiche e strategie, e attribuisce privacy, spiegabilità ed equità a pratiche specifiche come obbligazioni di sicurezza anziché extra opzionali.(Powerful Learning with Emerging Technology)

Adeguare la configurazione dell'IA al compito, non alla sofisticatezza. Nalyvaiko (2026) distingue quattro livelli — prompt, contesto, harness e ciclo verificato — e applica un principio di livello minimamente sufficiente: usare la configurazione meno complessa capace di un risultato verificabile, poiché l'orchestrazione aggiunta porta costi di coordinamento, verifica, privacy e comprensione.

Usare flussi di lavoro multi-agente basati sul ruolo per la produzione di contenuti. Anziché un unico prompt generico, orchestrare agenti/ruoli distinti (facoltà didattica, progettista didattico, coordinatore del corso) che collaborano attraverso una pipeline definita — questo rispecchia come lavorano i veri team di corso e produce materiali più completi di un singolo 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)

Fornire guida didattica, non solo accesso all'IA. Sia che chi apprende interagisca direttamente con l'IA o con materiali generati dall'IA, la guida costruita sulla teoria dell'apprendimento (ad es. uno scaffold di prompting a passi fondato sui principi di apprendimento generativo) guida gli esiti di ordine superiore; il solo accesso non lo fa. Progettare l'attività di apprendimento attorno a come la mente apprende, e trattare l'IA come un "mindtool" cognitivo che estende il pensiero anziché sostituirlo.(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))

Modellizzare l'oblio e programmare la revisione dove il decadimento è peggiore. G4L rappresenta il decadimento della conoscenza con una curva di oblio di Ebbinghaus guidata dal tempo trascorso e dalle ripetizioni, e dà priorità alle unità più vulnerabili al decadimento piuttosto che ripresentare ciò che è stato valutato più di recente (Csépányi-Fürjes & Kovács, 2026).

Fowlin et al. (2026) aggiungono una mossa operativa per decidere dove entra l'IA: scomporre un'attività nelle componenti meglio svolte in modo indipendente e in quelle meglio accoppiate con l'IA, mantenendo il giudizio dell'educatore centrale nella divisione (Fowlin et al. (2026)).

Rendere i contenuti tracciabili e revisionabili. Consentire a un progettista umano di rivedere e correggere l'output dell'IA prima che raggiunga chi apprende, e strutturare la generazione dell'IA così che la logica pedagogica (perché questo contenuto, in questo ordine) sia ispezionabile — affrontando sia la qualità sia le preoccupazioni di opacità che minano l'istruzione generata dall'fiducia.(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)

• Rivedere i media generati dall'IA alla fase di sceneggiatura, non dopo la sintesi. PedaCo pone la revisione dell'educatore sulla sceneggiatura — dove gli errori pedagogici sono economici da correggere — prima che qualsiasi cosa sia resa; la validità didattica valutata è salita da 3,07 a 3,86, mentre lo strato automatico post-sintesi ha migliorato solo due delle cinque dimensioni (Kim, Baek e Kwak (2026)).

Progettare per l'accessibilità fin dall'inizio. Applicare i principi dell'UDL quando si costruiscono strumenti IA e materiali generati dall'IA perché servano chi apprende in modo diversificato, anziché adattare l'accessibilità a posteriori.(LUDIA: A Design and Evidence Statement)

Pianificare per il mezzo di erogazione. La progettazione didattica per l'insegnamento e apprendimento online non è una traduzione neutra della progettazione in presenza — il mezzo cambia quali scaffolding, valutazione e interazione sono percorribili, e l'IA moltiplica sia le opportunità (personalizzazione scalabile, supporto sempre attivo) sia i rischi (integrità, offloading cognitivo) che i progettisti devono pianificare. Progettare l'involucro pedagogico dell'IA in modo altrettanto deliberato online che in presenza.

Valutare contro un benchmark, non a sensazione. Se si costruisce un agente di progettazione didattica, valutarlo contro un benchmark standardizzato e fondato sulla teoria (ad es. l'ISD-Agent-Bench) così da poter misurare se il fondarsi su un framework ISD reale migliora effettivamente l'output rispetto a un LLM generico.(ISD-Agent-Bench: A Comprehensive Benchmark for Evaluating LLM-based Instructional Design Agents)

• L'IA sta rimodellando la pratica della progettazione didattica. Kibar & Ilgaz (2026) revisionano sistematicamente 28 studi (2020-2025) e rilevano che l'IA assiste i progettisti con generazione di contenuti, template e personalizzazione, ed è concettualizzata come collega/collaboratrice/partner anziché come mero strumento — sebbene l'allineamento pedagogico e la prontezza dei professionisti restino sfide.

Concetti collegati

• Interpretare e applicare la ricerca AIEd
• Partnership pedagogiche — Pedagogical Partnerships
• Didattica e apprendimento online — Online Teaching and Learning
• Progettazione curricolare
• Scaffolding (impalcatura)
• Sviluppo educativo professionale
• Insegnamento
• Alfabetizzazione sull'IA
• IA generativa
• Tutoraggio Intelligente
• Apprendimento personalizzato
• Apprendimento adattivo
• Valutazione formativa
• Istruzione superiore
• K-12
• IA Agentica
• Apprendimento inclusivo
• Progettazione universale per l'apprendimento
• Teorie dell'apprendimento
• Scienze dell'apprendimento
• Incrementi di apprendimento
• Comportamentismo
• Sviluppatori di Tecnologia Educativa
• Pedagogie e strategie didattiche — Umbrella: pedagogies and teaching strategies in AI education
• Portatori di interesse — Umbrella: people and audiences in AI education (learners, teachers, designers, administrators, policymakers)

Articoli collegati

• 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