Desenho de aprendizagem

Esta é uma tradução automática da página em inglês; ainda não foi revisada por uma pessoa falante nativa.

Desenho de aprendizagem (também conhecido como desenho instrucional) — o processo sistemático de criar experiências de aprendizagem eficazes por meio da análise das necessidades de aprendizagem e do desenho, desenvolvimento, implementação e avaliação de materiais e atividades instrucionais. A IA está transformando o desenho de aprendizagem ao automatizar a criação de conteúdo, permitir trilhas de aprendizagem adaptativa, apoiar iteração orientada por dados e aumentar — em vez de substituir — o papel do desenhista instrucional.

Perguntas para refletir

• Pense num curso ou aula que você vivenciou ou desenhou. Onde terminava o "o que ensinar" (currículo) e começava o "como ensiná-lo" (desenho de aprendizagem) — e como os dois interagiam?
• Uma suposição comum é que melhor fluência em IA produz automaticamente melhor conteúdo educacional. A página contra-argumenta com evidência de que é a estrutura pedagógica explícita — e não apenas a fluência em IA — o que determina a eficácia da aprendizagem. Onde você já viu saída impressionante que falhou em ensinar?
• Se uma ferramenta de IA consegue gerar um curso completo a partir de um prompt, quais decisões humanas tornam-se mais importantes, e não menos? A página argumenta que a IA aumenta, em vez de substituir, o papel do desenhista instrucional — como seria esse papel aumentado?
• Alguns modelos de desenho instrucional como o ADDIE são usados como passos rígidos e lineares. Mas a página os trata como heurísticas iterativas e flexíveis de planejamento. Quando seguir um processo literalmente demais poderia minar o bom desenho?
• A página mostra que o prompting fundamentado pedagogicamente — por exemplo, um framework de cinco passos baseado em teoria da aprendizagem — melhorou significativamente os resultados de ordem superior. Se você estivesse construindo um tutor de IA, o que codificaria numa camada explícita de desenho para que sua estratégia de ensino permanecesse rastreável e reproduzível?

Introdução

O desenho de aprendizagem faz a ponte entre as capacidades da IA e a pedagogia eficaz. Onde o desenho curricular trata do o que ensinar no nível do programa, o desenho de aprendizagem trata do como ensiná-lo no nível do curso e da aula. Os artigos desta base de conhecimento exploram tanto a IA como ferramenta para desenhistas de aprendizagem quanto os princípios de desenho de aprendizagem para construir sistemas de tutoria por IA eficazes.

O que esse trabalho de desenho envolve na prática é ele mesmo uma questão empírica. Tang et al. (2026) codificaram 1.378 turnos de desenhista–chatbot de cinco desenhistas de aprendizagem novatos trabalhando com um chatbot embutido numa ferramenta de desenho, e descobriram que o diálogo se agrupava em torno dos resultados de aprendizagem pretendidos e da abordagem pedagógica, e não da geração de conteúdo. Os desenhistas voltavam repetidamente aos resultados como verificação de alinhamento enquanto transformavam componentes curriculares em tarefas concretas, e o papel do assistente se deslocava entre fases, de esclarecer termos a apoiar o desenho de tarefas a rodar uma passagem de verificação antes de um prazo. O apoio ao desenho, segundo essa evidência, é menos sobre produzir material do que sobre manter coerente a intenção de desenho.

A analítica de aprendizagem e a IA generativa apoiam partes diferentes do desenho: ao longo de 11 grupos focais numa universidade australiana, o discurso de analítica coocorreu mais com contexto e resolução de problemas no nível do curso (0,32), enquanto o discurso de GenAI se centrou no desenho de avaliação (0,26) e no desenho para a autodeterminação dos estudantes (0,15) (Claassen et al. (2026)).

Temas-chave de pesquisa

A criação de conteúdo assistida por IA é a aplicação mais diretamente transformadora. O Curriculum as Code apresenta uma arquitetura de seis fases que integra IA Generativa com LaTeX e Python para automatizar a criação de materiais de STEM, validada ao longo de 8 módulos e 28 contextos de projeto com avaliações de qualidade dos estudantes de 8,5–9,9/10. Os Agentes Instrucionais usam um framework multiagente estruturado em torno do modelo ADDIE, com agentes baseados em papéis (Corpo Docente, Desenhista Instrucional, Coordenador de Curso) colaborando para gerar materiais completos de curso. O CourseBlueprint fornece um pipeline estruturado para geração de vídeo pedagógico adaptativa fundamentada em corpora de cursos, demonstrando que a estrutura pedagógica explícita — e não apenas a fluência em IA — é essencial para a geração de conteúdo educacional. Plataformas de IA generativa também podem incorporar princípios de desenho de aprendizagem no conteúdo que produzem: uma plataforma movida por IA para gerar problemas de modelagem matemática combinou princípios de desenho estabelecidos com geração aumentada por recuperação, desenvolvida por meio da abordagem ADDIE para produzir tarefas e recomendações pedagogicamente fundamentadas de que os geradores de conteúdo convencionais carecem. Mas o ganho dessa geração de conteúdo e aulas assistida por IA é mediado pela própria expertise do professor: Choi et al. (2026) descobriram que professores experientes adaptam criticamente as ideias de aula geradas por IA aos estudantes e ao contexto (refazendo prompts e elaborando a saída), enquanto novatos tendem a aceitar diretamente as sugestões da IA — de modo que o valor pedagógico das ferramentas de conteúdo de IA depende da experiência e da proficiência em IA do professor, e não da ferramenta isoladamente. Uma revisão sistemática do codesenho professor–IA de tarefas de aprendizagem (Wang, Liu & Islam 2026) confirma o padrão em escala ao longo de 28 estudos (2015–2025): a GenAI é usada principalmente para planejamento de aulas, geração de prompts e ideação criativa, e o modo de colaboração dominante é a IA como assistente/gerador de conteúdo, e não como codesenhista mais plena — com eficiência, responsividade, criatividade e equidade recorrendo como affordances. Talebzadeh (2026) aguça o achado da expertise do professor para o desenho de atividades em grupo: professores experientes produzem arquiteturas de papéis mais ricas, mais sinérgicas e melhor alinhadas à ZDP em atividades cooperativas desenhadas por IA que novatos, independentemente da familiaridade com IA, enquadrando o "letramento em prompt pedagógico" como a alavanca que transforma a saída da IA em aprendizagem diferenciada em grupo eficaz.

Onde os materiais gerados ficam aquém é o encaixe curricular: sete professores de matemática avaliaram problemas gerados por IA de falência produtiva como próximos dos humanos em qualidade geral (M = 17,19 vs. 17,43 de 25), mas mais baixos em alinhamento curricular (M = 2,57 vs. 3,29), de modo que os problemas gerados ainda precisavam de edição em extensão, nível de leitura e visuais (Rhaimi et al. (2025)).

A tutoria por IA pedagogicamente fundamentada aplica princípios de desenho instrucional ao desenho de sistemas de IA. Brisson et al. construíram um assistente de professor LLM didaticamente conduzido em que a estratégia de tutoria é codificada numa camada externa explícita — tornando a seleção de conteúdo e a estruturação didática rastreáveis e reproduzíveis, abordando diretamente as preocupações de opacidade em Rethinking Scaffolding in LLM Tutors: The Interactional Mismatch Between Benchmarks and Real-World Deployments. Hou et al. demonstraram que um framework de prompting de cinco passos fundamentado na Teoria Generativa da Aprendizagem melhorou significativamente os resultados cognitivos de ordem superior, mostrando que a orientação instrucional — e não apenas o acesso à IA — determina a eficácia da aprendizagem. Ambos se conectam a scaffolding e a tutoria inteligente.

Frameworks e avaliação fornecem abordagens estruturadas. O WIP: Bridging the Gap Between Instructional Design and Pedagogical Use: A Framework for Mathematics Educators e o CoTAL demonstram princípios de desenho humano-no-controle. O Generative AI (GenAI) as a mindtool that supports generative learning (GL) posiciona a IA como uma "mindtool" — uma parceira cognitiva que estende, em vez de substituir, o pensamento do estudante — aplicando diretamente a teoria do desenho instrucional à integração da IA. A LUDIA aplica princípios de Desenho Universal para a Aprendizagem para criar uma parceira de pensamento de IA acessível para educadores, conectando o desenho instrucional à aprendizagem inclusiva. O AIRIS (Activate–Inquire–Reflect) é um framework de estruturação de tarefas para o uso cognitivamente ativado da IA que delimita a contribuição da IA para que predição, interpretação e avaliação permaneçam do estudante — uma adaptação específica da IA aos ciclos de investigação, fundamentada em aprendizagem autorregulada, Teoria da Carga Cognitiva e colaboração humano-IA. Complementando esses frameworks de desenho, a taxonomia de Dohn et al. (2026) oferece uma classificação em vez de um método de desenho: seis categorias (Objetivo de Aprendizagem, Conteúdo, Formato de Representação, Engajamento Epistêmico, Desenho Social, Artefatos) que permitem a desenhistas e pesquisadores descrever, comparar e imaginar atividades de aprendizagem com GenAI tornando explícito por que, o que, como, com o que e com quem os estudantes engajam a GenAI — construída como objeto de fronteira por meio de diálogo pós-digital. Frameworks de sala de aula inteligente estendem isso à formação de professores: Zhu, Liang, Mao e Wang (2026) propõem um framework tridimensional para a educação inteligente — eficácia da aprendizagem, tecnologia da informação e comunicação (TIC) e organização da sala de aula — e o instanciam num curso de M.Ed. em matemática que integra correção automatizada, recomendações personalizadas e feedback de múltiplas IAs ao longo dos estágios pré-, intra- e pós-aula. Um quase-experimento mostrou ganhos significativos na capacidade dos estudantes de formular objetivos instrucionais precisos e profissionalmente fundamentados, produzindo o transferível Modelo D-T-E (Demanda Disciplinar–Empoderamento Tecnológico–Laço de Avaliação) — orientação específica à disciplina para educadores de professores que levam conceitos de educação inteligente para a prática de desenho instrucional.

Desenhe para o alcance. O framework de sete alavancas de Halani pergunta, para cada contexto de curso, quais alavancas ainda operam quando o estudante está sozinho com a IA; movimentos estruturais como mudar o que a nota certifica, ou tarefas que não podem ser concluídas sem o pensamento, alcançam mais do que dizer aos estudantes que o processo importa (Halani, 2026).

Restrinja a ferramenta para proteger o pensamento. Um desenho de escrita argumentativa de nove semanas sequenciou chatbots delimitados pelo professor que fazem perguntas e se recusam a gerar prosa do estudante, e quatro estudantes do ensino médio passaram de consumidores passivos de IA a avaliadores que questionavam as saídas — a restrição estratégica, e não a generatividade irrestrita, acompanhou os ganhos (Konradt, Boote & Taub (2026)).

O prompting guiado por rubrica como alavanca de desenho. Yaşar et al. (2026) demonstraram que a rubrica funciona como interface mediadora entre a intenção pedagógica humana e a inferência da máquina: tratar os critérios de avaliação como artefatos de desenho revisáveis — em vez de instrumentos fixos — e co-refiná-los iterativamente com o LLM elevou a concordância LLM–humano sobre o trabalho de desenho dos estudantes de 54,75% para 81,25%. Rubricas projetadas para LLMs precisam equilibrar precisão e flexibilidade — vago demais convida à interpretação livre, rígido demais reduz o modelo a reconhecimento de padrões — e o prompting ciente de papéis (instrutor, revisor de pares, revisor de editais) produziu feedback avaliativo distinto. Isso posiciona a engenharia de rubricas como uma prática concreta de desenho de aprendizagem para moldar o comportamento avaliativo da IA, com a supervisão humano-no-controle permanecendo essencial.

Agentes de IA para o desenho instrucional estendem o campo rumo à IA agêntica. O ISD-Agent-Bench é o primeiro benchmark padronizado e fundamentado em teoria para avaliar agentes de desenho instrucional baseados em LLM — sua Matriz de Contexto de 25.795 cenários (51 variáveis contextuais × 33 subpassos de ISD do ADDIE) mostra que agentes fundamentados em frameworks clássicos de ISD (ADDIE, Dick & Carey, Rapid Prototyping ISD) superam agentes sem teoria, validando empiricamente que o desenho instrucional é uma disciplina estruturada, e não uma tarefa genérica de prompting. Os agentes não são apenas construtores de desenhos, mas também críticos deles: Wang, Mitchell & Piech (2025) usam um agente web autônomo único que navega por uma aula online de múltiplos passos como um estudante para avaliar um desenho de aprendizagem antes que estudantes reais se engajem — sua descrição da experiência do estudante prediz onde os novatos desistirão e revela feedback de desenho acionável, superando toda baseline e até mesmo uma coorte simulada de estudantes num curso global de CS1. Isso enquadra a avaliação agêntica de pré-lançamento como um complemento de baixo custo à iteração humana de desenho. O Enabling Multi-Agent Systems as Learning Designers: Applying Learning Sciences to AI Instructional Design e os Agentes Instrucionais exploram frameworks multiagentes que orquestram agentes baseados em papéis em torno de modelos de desenho instrucional, enquanto o AI-TPACK examina como professores e agentes aplicam conjuntamente conhecimento tecnológico-pedagógico-de conteúdo. Esse trabalho conecta o desenho instrucional a benchmarking, avaliação de AIED e ao desenho de currículo em escala.

Conexões com conceitos relacionados

O desenho de aprendizagem é a disciplina-ponte da IA na educação — ele conecta o desenho curricular (o que ensinar) com o scaffolding (como apoiar os estudantes), o desenvolvimento educacional (como preparar os educadores) e a IA generativa (as ferramentas em si). Ele está fortemente acoplado ao papel do professor porque as ferramentas de IA remodelam o que desenhistas de aprendizagem e professores fazem, e ao letramento em IA porque a integração eficaz da IA exige que os educadores compreendam as capacidades e limitações da IA. O trabalho de desenho resolve-se por fim numa ordem de atividade: os padrões pedagógicos catalogam as ordens de movimentos testadas, de modo que um desenhista pode decidir onde numa aula a IA pertence, e não apenas o que incluir. As ciências da aprendizagem são o campo de pesquisa por trás desses princípios: onde esta página cobre a prática profissional de criar experiências de aprendizagem, as ciências da aprendizagem estudam essa prática e seus desenhos empiricamente e geram os princípios cognitivos, motivacionais e sociais que o desenho de aprendizagem então operacionaliza.

Como o desenho de aprendizagem determina os ganhos de aprendizagem

O desenho de aprendizagem é a alavanca que decide se a IA produz ganhos de aprendizagem ou meramente desempenho inflado por IA. A evidência da base de conhecimento é consistente nisso: a mesma ferramenta de IA produz grandes ganhos ou dano líquido dependendo de como a experiência de aprendizagem é desenhada em torno dela. Hou et al. mostraram que um framework de prompting de cinco passos fundamentado em teoria da aprendizagem melhorou significativamente os resultados cognitivos de ordem superior, enquanto o acesso à IA isoladamente não; os frameworks mindtool e AIRIS preservam o trabalho cognitivo do estudante para que resultem ganhos duráveis (em vez de eficiência de tarefa). Escolhas de desenho que protegem os ganhos de aprendizagem — scaffolding que exige uma tentativa do estudante, avaliação formativa com medidas de resultado sem assistência, e estrutura pedagógica que mantém o estudante como agente — espelham o achado do campo (ver Ganhos de aprendizagem) de que a IA é um ganho forte quando treina e um dano quando responde. Inversamente, aulas mal desenhadas com IA integrada caem presas da lacuna desempenho–aprendizagem, onde o sucesso aparente mascara nenhuma aprendizagem.

Orientação prática para desenhistas e desenvolvedores

Para desenhistas instrucionais, desenvolvedores de cursos e engenheiros que constroem experiências de aprendizagem assistidas por IA, os achados da base de conhecimento traduzem-se em prática acionável. Um limite vale a pena ser marcado antes das práticas em si: o desenho de aprendizagem como esta página o descreve é o desenho de um curso para uma coorte conhecida, ao passo que os mesmos princípios embutidos num produto que muitos cursos — ensinados por pessoas que o desenhista nunca encontrará — usarão são o trabalho de desenvolvedores de tecnologia educacional, onde padrões, configurabilidade e documentação carregam peso pedagógico:

Fundamente a geração por IA num modelo instrucional estruturado. O conteúdo de IA é tão bom quanto a estrutura pedagógica por trás dele — a estrutura explícita, e não a fluência em IA, determina a qualidade. Desenhe em torno de um modelo reconhecido (ADDIE, Dick & Carey, prototipagem rápida) e codifique as decisões pedagógicas explicitamente, em vez de depender do modelo para inferi-las.(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)

Adote um framework de nível de princípios, além de um modelo instrucional. Um modelo de nível de curso estrutura um desenho; um framework publicado estabelece os critérios que muitos desenhos deveriam satisfazer. Um exemplo que vale a leitura completa é o Powerful Learning with Emerging Technology da Digital Promise, que organiza sua orientação sob três princípios — Baseado em Evidência, Centrado no Estudante, Construção de Habilidades — cada um expandido em práticas e estratégias, e vincula privacidade, explicabilidade e justiça a práticas particulares como obrigações de segurança, e não como extras opcionais.(Powerful Learning with Emerging Technology) Combine a configuração da IA com a tarefa, não com a sofisticação. Nalyvaiko (2026) distingue quatro camadas — prompt, contexto, arnês (harness) e laço verificado — e aplica um princípio de camada minimamente suficiente: use a configuração menos complexa capaz de um resultado verificável, já que a orquestração acrescentada traz custos de coordenação, verificação, privacidade e compreensão.

Use fluxos multiagentes baseados em papéis para a produção de conteúdo. Em vez de um prompt genérico, orquestre agentes/papéis distintos (corpo docente, desenhista instrucional, coordenador de curso) que colaborem por um pipeline definido — isso espelha como as equipes reais de curso trabalham e produz materiais mais completos que um único 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)

Forneça orientação instrucional, não apenas acesso à IA. Quer os estudantes interajam diretamente com a IA ou com materiais gerados por IA, a orientação construída sobre teoria da aprendizagem (ex., um scaffold de prompting passo a passo fundamentado em princípios de aprendizagem generativa) impulsiona resultados de ordem superior; o acesso isoladamente não. Desenhe a atividade de aprendizagem em torno de como a mente aprende, e trate a IA como uma "mindtool" cognitiva que estende o pensamento em vez de substituí-lo.(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))

Modele o esquecimento e programe a revisão onde a decadência é pior. O G4L representa a decadência do conhecimento com uma curva de esquecimento de Ebbinghaus movida por tempo decorrido e repetições, e prioriza as unidades mais vulneráveis à decadência, em vez de servir novamente o que foi pontuado mais recentemente (Csépányi-Fürjes & Kovács, 2026).

Fowlin et al. (2026) acrescentam um movimento operacional para decidir onde a IA entra: desagrupe uma atividade nos componentes melhor feitos de forma independente e nos melhor acoplados à IA, mantendo o julgamento do educador central na divisão (Fowlin et al. (2026)).

Torne o conteúdo rastreável e revisável. Deixe um desenhista humano revisar e corrigir a saída da IA antes que ela chegue aos estudantes, e estruture a geração por IA de modo que a justificativa pedagógica (por que este conteúdo, nesta ordem) seja inspecionável — abordando tanto a qualidade quanto as preocupações de opacidade que minam a instrução gerada por confiança.(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)

• Revise a mídia gerada por IA no estágio do roteiro, não depois da síntese. O PedaCo coloca a revisão do educador no roteiro — onde os erros pedagógicos são baratos de corrigir — antes que qualquer coisa seja renderizada; a validade instrucional avaliada subiu de 3,07 para 3,86, enquanto a camada automatizada de pós-síntese melhorou apenas duas de cinco dimensões (Kim, Baek e Kwak (2026)).

Desenhe para a acessibilidade desde o início. Aplique princípios de DUA ao construir ferramentas de IA e materiais gerados por IA, para que sirvam a estudantes diversos, em vez de adaptar a acessibilidade depois do fato.(LUDIA: A Design and Evidence Statement)

Planeje para o meio de entrega. O desenho instrucional para o ensino e a aprendizagem online não é uma tradução neutra do desenho presencial — o meio muda quais scaffolding, avaliação e interação são viáveis, e a IA multiplica tanto as oportunidades (personalização escalável, apoio sempre disponível) quanto os riscos (integridade, offloading cognitivo) que os desenhistas precisam planejar. Desenhe o invólucro pedagógico da IA tão deliberadamente no online quanto nos contextos presenciais.

Avalie contra um benchmark, não contra vibes. Se você está construindo um agente de desenho instrucional, avalie-o contra um benchmark padronizado e fundamentado em teoria (ex., o ISD-Agent-Bench) para poder medir se o fundamento num framework real de ISD realmente melhora a saída em relação a um LLM genérico.(ISD-Agent-Bench: A Comprehensive Benchmark for Evaluating LLM-based Instructional Design Agents)

• A IA está remodelando a prática do desenho instrucional. Kibar & Ilgaz (2026) revisam sistematicamente 28 estudos (2020–2025) e descobrem que a IA auxilia os desenhistas com geração de conteúdo, templates e personalização, e é conceitualizada como colega/colaboradora/parceira, e não apenas como uma ferramenta — embora alinhamento pedagógico e preparo dos praticantes permaneçam desafios.

Conceitos conectados

• Interpretar e aplicar a pesquisa em AIEd
• Parcerias pedagógicas — Parcerias pedagógicas
• Ensino e aprendizagem online — Ensino e aprendizagem online
• Desenho curricular
• scaffolding
• Desenvolvimento educacional
• A docência
• Letramento em IA
• IA generativa
• Tutoria inteligente
• Aprendizagem personalizada
• Aprendizagem adaptativa
• Avaliação formativa
• Ensino superior
• K-12 (educação básica e média)
• IA agêntica
• Aprendizagem inclusiva
• Design universal para a aprendizagem
• Teorias de aprendizagem
• Ciências da Aprendizagem
• Ganhos de aprendizagem
• Behaviorismo
• Desenvolvedores de tecnologia educacional
• Pedagogias e Estratégias de Ensino — Guarda-chuva: pedagogias e estratégias de ensino na educação em IA
• Partes interessadas — Guarda-chuva: pessoas e audiências na educação em IA (estudantes, professores, desenhistas, administradores, formuladores de políticas)

Artigos conectados

• 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 e GenAI na tomada de decisão de desenho de aprendizagem
• Investigating the Role of Chatbots in Facilitating Learning Design — Uso de chatbot no desenho de aprendizagem: desenhistas se detêm em resultados e pedagogia em vez de geração de conteúdo (Tang et al. 2026)
• Analyzing teacher-AI interaction patterns across teacher experience and AI proficiency in student-centered lesson design — Padrões de interação professor-IA no desenho de aula por experiência e proficiência em IA (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 — IA no ensino superior: engajamento + papel mediador dos métodos de ensino
• 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 — Taxonomia (objeto de fronteira) para classificar atividades de aprendizagem com GenAI
• Instructional Agents: Reducing Teaching Faculty Workload through Multi-Agent Instructional Design
• A didactical-driven teacher assistant for a dimensional modeling course
• The Role of Instructional Guidance in Generative AI-Assisted Learning: Empirical Evidence from Construction Engineering
• CourseBlueprint: A Structured Pipeline for Adaptive Pedagogical Video Generation Grounded in Course Corpora
• WIP: Bridging the Gap Between Instructional Design and Pedagogical Use: A Framework for Mathematics Educators
• CoTAL: Human-in-the-Loop Prompt Engineering for Generalizable Formative Assessment Scoring and Feedback
• Generative AI (GenAI) as a mindtool that supports generative learning (GL)
• LUDIA: A Design and Evidence Statement
• From Prompts to Verified Loops: The PCHL-HE Framework for Generative AI-Assisted Educational and Research Content Creation in Higher Education
• ISD-Agent-Bench: A Comprehensive Benchmark for Evaluating LLM-based Instructional Design Agents
• AI Web Agents Can Effectively Guide Lesson Design and Predict Student Outcomes — Agentes web de IA: agente web autônomo avalia desenhos de aula e prediz a desistência de estudantes antes que eles se engajem (Wang, Mitchell & Piech 2025)
• It's Not the Tool, It's the Task: A Framework for Cognitively Activated AI Augmentation in Physics Instruction — AIRIS: um framework para aumento cognitivamente ativado da IA em física
• 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: sete alavancas e o estudante sozinho com a IA
• Empowering Educators: Operationalizing Age-Old Learning Principles Using AI
• When Saying No Makes Better Videos: Designing Dual Gatekeeping for Pedagogically Grounded AI Content Creation — Quando dizer não faz vídeos melhores: dupla verificação para criação de conteúdo de IA pedagogicamente fundamentada
• ProductiveMath: A Generative-AI-Powered App to Support Productive Failure Teaching — ProductiveMath: IA para apoiar o desenho de problemas de falência produtiva
• The Intersection of Artificial Intelligence and Instructional Design Practice: A Systematic Review — IA e prática do desenho instrucional: uma revisão sistemática (Kibar & Ilgaz 2026)
• Intelligent tutoring in dynamic domains: a graph-based system for comparative analysis of adaptive algorithms — Tutoria inteligente baseada em grafos para domínios dinâmicos (2026)
• Making AI Annoying on Purpose: When Helpful Tools Don't Always Help — Tornando a IA irritante de propósito: restrição na escrita apoiada por IA (Konradt, Boote & Taub 2026)
• Improving Instructional Design Proficiency of Master's Students in Mathematics Education Through Intelligent Educational Technologies — Modelo de sala de aula inteligente e laço D-T-E melhorando a proficiência em desenho instrucional de M.Ed. em matemática (Zhu et al. 2026)
• Creating an AI-powered platform for generating modelling problems: A case study on direct variation in secondary school mathematics — Plataforma movida por IA gerando problemas de modelagem matemática (ADDIE, RAG)
• Reimagining teacher-AI co-design in learning task design: trends and perspectives — Codesenho professor–IA de tarefas de aprendizagem: tendências e perspectivas (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 — Arquitetura de papéis em atividades de grupo diferenciadas desenhadas por IA (Talebzadeh 2026)
• From evaluation to emulation: LLMs as agents of iterative pedagogical design — LLMs como agentes de desenho pedagógico iterativo