Проектирование учебного плана

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Проектирование учебного плана — процесс планирования и структурирования того, чему обучают в рамках курсов, программ и учреждений, включая цели обучения, последовательность содержания, стратегии оценивания и прогрессию навыков. В эпоху ИИ проектирование учебного плана должно балансировать между фундаментальными знаниями и новыми компетенциями в области ИИ, определяя не только то, что студенты изучают, но и то, как они учатся работать с ИИ-инструментами и критически их оценивать.

Вопросы для размышления

• Проектирование учебного плана отвечает на вопрос, что студенты должны изучать на уровне программы, тогда как проектирование обучения отвечает на вопрос, как — на уровне курса. Когда ИИ меняет дисциплину, какой из этих двух уровней, по-вашему, должен меняться первым?
• По мере того как generative AI автоматизирует работу на уровне реализации, некоторые утверждают, что учебные планы должны смещаться в сторону проектирования систем, абстрагирования и critical evaluation. Как вы думаете, что потеряли бы студенты, если бы низкоуровневые навыки перестали бы быть приоритетными?
• Редизайн учебного плана в эпоху ИИ часто описывается как баланс между владением инструментами и фундаментальными знаниями. Где вы видели, что этот баланс слишком уклонялся в одну сторону?
• Фреймворк SAIL рассматривает ИИ-грамотность как оснащённую скаффолдингом на разных возрастах и предназначенную для преодоления более глубоких «цифровых разрывов», выходящих за пределы доступа. Чем встраивание ИИ-грамотности в весь учебный план отличается от добавления одного курса по ИИ?
• Если каждой дисциплине теперь необходимо встроенное в неё содержание об ИИ-компетенциях, кто отвечает за изменение учебного плана — преподаватели, программы или учреждения, — и что нужно педагогам, чтобы успешно это сделать?
• Учебный план — это последовательность навыков на протяжении лет, а не просто список тем. Как эта более длинная перспектива меняет вопрос о том, действительно ли «укореняется» модуль по ИИ-грамотности?
• Если каждая дисциплина теперь нуждается во встроенных в неё ИИ-компетенциях, кто отвечает за изменение учебного плана — преподаватели, программы или учреждения, — и что нужно педагогам, чтобы преуспеть в этом?

Введение

Проектирование учебного плана отвечает за что образования на уровне программы, дополняя Дизайн обучения, который отвечает за как на уровне курса. Статьи в этой базе знаний исследуют, как ИИ меняет учебные планы в разных дисциплинах — от программной инженерии до архитектуры и «зелёного» образования, — и как педагоги проектируют учебные планы, встраивающие ИИ-грамотность без ущерба для фундамента дисциплины.

Ключевые темы исследований

Редизайн учебных планов для эпохи ИИ — центральная задача. Lee et al. синтезировали результаты международных воркшопов по перестройке undergraduate-образования по CS education, утверждая, что по мере того как GenAI автоматизирует программирование на уровне реализации, учебные планы должны смещаться в сторону проектирования систем, абстрагирования и критической оценки, — при одновременном снижении акцента на низкоуровневых деталях реализации. Gorsky формализовали Agentic Software Engineering как отдельную дисциплину с учебным планом из 21 модуля, сфокусированным на «эволюции намерения» и дисциплине практика, необходимой для управления AI agents. Обе работы связаны с ИИ-грамотность и Скаффолдинг.

Рассматривая изменение как системное, а не аддитивное, Sabani et al. (2026) триангулируют скопинговый обзор, библиометрическое картирование 209 записей, 36 статей и интервью с десятью академическими лидерами в пять сдвигов, — включая уход от передачи знаний к развитию способностей и от локальных экспериментов к институциональному управлению.

Картирование и анализ учебного плана использует ИИ для понимания существующих учебных планов. Geng et al. проанализировали 23 учебные программы курсов по программной инженерии с использованием ИИ, выявив общие темы — prompt engineering, ревью кода с ИИ, ethical considerations — и выведя рекомендации по проектированию, подчёркивающие балансирование владения инструментами с фундаментальными знаниями. CourseGraph применяет вычислительные методы для сравнения структур курсов по CS между учреждениями.

Интеграция ИИ-грамотности встраивает ИИ-компетенции в дисциплины. SAIL предоставляет фреймворк ИИ-грамотности со скаффолдингом, применимый во всех возрастах и образовательных этапах, addressing second- and third-level digital divides. Tracing GenAI Literacy: Student-AI Interaction Patterns in Academic Writing исследует, как ИИ-грамотность развивается через паттерны взаимодействия. Systematic Review of Collaborative Learning Activities for Promoting AI Literacy рассматривает коллаборативные подходы к разработке учебных планов по ИИ-грамотности, связываясь с Совместное обучение.

LearnAI показывает, как выглядит встроенная версия: широкий слой коротких презентаций внутри 18 существующих курсов в пяти дисциплинах (293 студента), в паре с необязательными индивидуальными сессиями со-творчества, которые ведут подготовленные тьюторы из числа студентов старших курсов, так что учащиеся с разным уровнем подготовки встречают ИИ-задачи на своём уровне (Qu et al. (2026)).

Интеграция на практике отстаёт от фреймворков. Santos-Albardía et al. (2025) обнаружили, что только 13,8% опрошенных студентов педагогических и журналистских программ сказали, что их курсовая работа затрагивала критический анализ медиа, против 97,8%, оценивших это как важное, и их экспертные интервью отследили разрыв до подготовки преподавателей, которая ставит технические и instructional skills выше медиаобразования.

Обзор PRISMA 39 исследований STEAM (2016–2025) обнаружил параллельный дисбаланс в элементах ИИ-грамотности: внедрения развивали технические грамотности — базовые концепции ИИ, вычислительное мышление, грамотность в данных, — при недоразвитии этической осведомлённости, творческого воображения, а также создания, управления и проектирования с ИИ, так что аудит каждого модуля против них — практический ответ (Niri et al., 2026).

Голос студентов — ещё один вход проектирования: 84% из 166 студентов-выпускников бизнес-программ хотели, чтобы GenAI преподавался в их модулях, и 85% считали это необходимым для трудоустройства, тогда как только 7% узнали об этом в своём университете (Rook & Plumb (2026)).

Обзор 42 исследований довузовского ИИ-образования показывает, что учебные планы движутся от технического содержания к моделям, основанным на компетенциях, построенным на фреймворках вроде AI4K12 и Five Big Ideas in AI, причём ИИ-грамотность рассматривается как межпредметная компетенция, тогда как стандартизированные инструменты её оценивания остаются отсутствующими (Caruana et al. (2026)).

Преподаватели и работодатели согласились о важности только одного из 26 навыков ИИ — установления реалистичных ожиданий относительно работы с усилением ИИ, — и только три из 26 преподавались половиной или более преподавателями, что является свидетельством из отчёта о разрыве в навыках ИИ между высшим образованием и работодателями (Fried (2026)).

Проектирование активностей по машинному обучению для K-12 остаётся на поверхности: обзор, стоящий за фреймворком ICE-T, обнаружил, что невидимое использование, взаимодействие кнопками и развёртывание модели составляют почти 60% закодированных активностей по обучению с учителем, открытое творчество появлялось лишь дважды, а технические и социальные перспективы сосуществовали только примерно в 3% активностей (Haritz et al., 2026).

Domain-specific инновации в учебных планах применяют проектирование учебного плана к конкретным областям. Gen-AI-tecture: using generative AI to support architectural students in design tasks исследует, как генеративный ИИ меняет Педагогики и стратегии преподавания архитектурного проектирования. The Role of Artificial Intelligence in Green Education: Optimizing Teacher Workflow and Enhancing Pedagogical Design under Sustainable Development Pedagogy (SDP) Constraints рассматривает интеграцию ИИ в учебные планы «зелёного» образования. ConnectED: A Curriculum-Aligned AI System for Vietnamese Instructional Lesson Planning and Student Learning и LLMs to Support K-12 Teachers in Culturally Relevant Pedagogy: An AI Literacy Example рассматривают culturally responsive curriculum design.

Встраивайте ИИ внутрь дисциплины, а не рядом с ней. Трёхуровневый (вводный, прикладной, продвинутый) учебный план по ИИ встроил машинное обучение в существующие темы по теплотехнике в рамках курса объёмом 39,1 часа вместо добавления элективных курсов по информатике, что позволило избежать дополнительной нагрузки на студентов-механиков и открыто опубликовать свою программу, данные и код (Li et al. (2026)).

Пример из журналистики демонстрирует вариант «ценности прежде всего»: триадическая опора «ценности—процессы—компетенции» перевела студентов от сугубо человеческой журналистики к работе с интеграцией ИИ, однако 8 из 9 (89%) сообщили об уверенности в этических решениях, в то время как пункты опроса об авторстве и предвзятости указывали лишь на поверхностное понимание (Ngu and Weller (2026)).

Institutional фреймворки рассматривают изменение учебных планов в масштабе. A principled way to think about AI in education: guidance for educators and policy makers based on goals, models и A principled way to think about AI in education: guidance for educators and policy makers based on goals, models предоставляют принципы интеграции ИИ в образовательные программы. The Main Barrier to AI Adoption in the Public Sector is Lack of Training рассматривает барьеры для внедрения ИИ-учебных планов в образовании государственного сектора.

Последовательность ИИ по всей программе. Torres-Sahli et al. предлагают фреймворк «воздержись, затем усиливай», который выстраивает последовательность генеративного ИИ на уровне программы: убрать генеративный инструмент, пока способность формируется, затем вернуть его, чтобы усилить эту способность, как только студент сможет ею управлять и оценивать её отдачу. Управляемый критерием «формирование vs. разгрузка» (независимо от того, развивает ли участок работы способность или лишь пропускает её через инструмент), фреймворк связывает проектирование учебного плана с Когнитивный оффлоадинг, Саморегулируемое обучение и Академическая добросовестность, при этом на каждом стыке «воздержание—усиление» ставятся трудно подделываемые контрольные точки.

Рычаг для высших стадий — не дополнительные курсы: на 89 спонсируемых проектах-кейпстоунах продвижение с уровня Workforce Readiness Level 6 на 7 блокировалось опытом, встроенным в производство, — стажировками и проектами Manufacturing Extension Partnership, — так что для степеней требуется обучение, интегрированное в работу, а не ещё один технический электив (Smith et al. (2026)).

Следствие возможностей моделей на уровне учебного плана состоит в том, что «ИИ-устойчивый» дизайн истекает по сроку годности. Преподаватели вычислительных дисциплин описывали, как калибровали задания относительно того, чего модели ещё не умели, и наблюдали, как эта калибровка устаревала, — задачи одного преподавателя кибербезопасности требовали подлинного problem solving ещё семь-восемь месяцев назад, а затем просто решались, — при этом ведущий оценил срок годности примерно в один семестр. Структурный вывод воркшопа в том, что почти каждая адаптация была сделана индивидуальным преподавателем в рамках одного курса, без институциональной координации, которую потребовал бы долговечный curricular-ответ (Akbar et al., 2026).

Сквозное согласование всего курса, когда генеративный ИИ разрешён. Редизайн 2026 года вводного курса по ядерной и частичной physics (Mikhasenko et al.) интегрировал три типа активностей с различными ролями — лекции для концепций и обозначений, семинары для стандартной аналитической практики и домашние задания как исследовательский по форме компонент из необычно трудных, многометодных задач. Зафиксированное трение (необъявленный программный пререквизит, недостаток времени, чтобы понять, а не просто получить ответы, и рассогласование между лекциями, семинарами, домашними заданиями и examination) иллюстрирует, что разрешение генеративного ИИ заставляет выполнять работу по согласованию учебного плана по всему курсу, а не вносить изменение в один тип задания; их рекомендованная структура сохраняет исследовательскую работу с разрешённым ИИ как бонусные продвинутые задачи, тогда что оценку определяет письменный экзамен без вспомогательных средств.

Глубина согласования, а не частота использования, различает паттерны интеграции. На 17 примерах бизнес-модулей шесть встроили GenAI систематически в преподавание, обучение и оценивание (конструктивные), девять сделали это непоследовательно (смешанные), а два — спорадически (ad hoc); конструктивные примеры показали наилучшие результаты по вовлечённости, способностям и релевантности учебному плану (Zhou et al. (2026)).

Советы по конструктивному согласованию под критической оптикой. Там, где источники выше сообщают о согласовании на практике, McInnes et al. (2026) читают сами рекомендации как дискурс. Их critical discourse analysis 14 произведений серой литературы, опубликованных с ноября 2022 по апрель 2025 года, — преимущественно институциональных страниц и глав центрально расположенных learning and teaching units, — обнаружил, что конструктивное согласование представлено как проблема эффективности: генеративный ИИ был «эффективным и действенным способом создания черновиков рубрик», который мог «упорядочить процесс», антропоморфизирован как «образовательный эксперт и ассистент», «спарринг-партнёр» или «интеллектуальный ассистент в проектировании обучения», тогда как академический персонал поставлял лишь «предметную экспертизу», а инструмент брал на себя «тяжёлую работу по разработке целей обучения, организации содержания курса ... и согласованию компонентов курса». Рецепты промптов с копированием-вставкой и нумерованные шаблоны оформляли КС как стандартизируемый продукт, порождая три режима отказа: перформативность (согласование, которое лишь выглядит согласованным), стирание ситуативного и критического контекста и поверхностное КС, которое смешивает согласование с конструктивным измерением. Их remedy перестраивает последовательность рабочего процесса проектирования учебного плана — педагоги должны понимать КС достаточно хорошо, чтобы направлять, оценивать и отвергать выдачу ИИ, прежде чем делегировать ему какую-либо её часть, — и ограничивает любой инструмент институциональным retrieval-augmented агентом, основанным на локальной политике, рубриках и характеристиках выпускника, с ролью «лиминального тьютора», которая расширяет, а не заменяет отношения developer.

Генерация согласованных с учебным планом задач на моделирование. Платформы на базе ИИ могут решать проблему недостатка у преподавателей времени и ресурсов на проектирование качественных задач по mathematical modeling, генерируя согласованные с учебным планом задачи и педагогические рекомендации, основанные на принципах проектирования и генерации с retrieval-augmented, — подход, проиллюстрированный на примере прямой пропорциональной зависимости в математике средней школы (Creating an AI-powered platform for generating modelling problems: A case study on direct variation in secondary school mathematics). Сами тексты курса теперь тоже стали целью генерации: Sidorkin (2026) заменили коммерческий учебник еженедельными сгенерированными ИИ текстами для чтения в магистерском курсе по образовательному лидерству, и хотя студенты оценили их как полезные и 75 процентов согласились, что узнали больше, чем на сопоставимом курсе, на 4 487 страницах логов цитаты в тексте в стиле APA встречались только примерно на 0,80 процента страниц, а связывание названного кампуса или системы с утвердительными заявлениями о политике — примерно на 1,03 процента страниц — без проверяемого источника. Урок относительно учебных материалов состоит в том, чтобы относиться к сгенерированным текстам для чтения как к производству черновиков под рецензированием преподавателя, закладывать в бюджет труд преподавателя на проектирование промптов и верификацию и отбирать проверенные источники в ассистента, а не оставлять качество источников на понимание студентов по контексту.

Планирование уроков с помощью ИИ на уровне «учебный план—аудитория». В точке, где учебный план становится преподаваемым уроком, Luo and Tahir (2025) экспериментально сравнили планы, созданные преподавателями, и планы с помощью ChatGPT в художественном STEAM-образовании для детей, обнаружив, что планы с помощью ИИ были оценены шестью профессорами-экспертами значительно выше (медиана 20,5 против 17,6, p = .002, большой эффект). Они показывают, что отдача зависит от того, как преподаватель делегирует: рекомендованный метод заполняет содержательные пробелы в самостоятельно намеченном уроке (сохраняя autonomy преподавательского дизайна), а не делегирует весь план, и они вносят шаблон промпта «Роль—Инструкции—Конечная цель» для воспроизводимой, контролируемой по качеству генерации, — свидетельство того, что планирование уроков с ИИ сильнее всего, когда оно встроено в решения преподавателя по учебному плану, а не заменяет их. В научном образовании экспертная валидация приходит к параллельному вердикту о дизайне платформы: Karaismailoglu, Surmeli and Yildirim (2026) попросили одиннадцать специалистов Естественно-научное образование оценить ChatGPT-4 и образовательно-ориентированный инструмент (Teacher's Buddy) на планах для шестого класса, согласованных с пересмотренной учебной программой Турции и моделью Engineering Design-Based Learning. Образовательно-ориентированная платформа набрала больше по всем восьми критериям качества, — включая насыщенные обратной связью этапы и согласование с учебным планом, — свидетельство того, что встраивание педагогической структуры в ИИ даёт лучше согласованную выдачу; однако некоторые эксперты всё же предпочли план общего назначения за его более сильный социально-эмоциональный акцент, и 7 из 11 оценили планы как «применимые после корректировки», а не непосредственно используемые. Выбор платформы и оформление промпта, а не только сам ИИ, определяет, насколько хорошо сгенерированные планы согласуются со стандартами учебного плана и моделями процессов.

Структура, а не формулировка промпта, — вот что делает черновую генерацию ИИ надёжной в производстве: конвейер Curriculum-as-Code Paiva (2026) агрессивно отсекал контекст и генерировал материалы секция за секцией в 28 проектных контекстах, что сократило время подготовки преподавателя примерно с восьми до двух часов на инструкцию и не оставило ни одной концептуальной или математической галлюцинации для обнаружения при человеческом рецензировании.

Связи со смежными концепциями

Проектирование учебного плана напрямую связано с Дизайн обучения — учебный план определяет что, обучение определяет как. Оно связано с ИИ-грамотность, потому что встраивание ИИ-компетенций является первичной задачей учебного плана, с Преподавание и Развитие педагогической практики, потому что изменение учебного плана требует подготовки педагогов, и со Скаффолдинг, потому что хорошо спроектированные учебные планы оснащают скаффолдингом развитие навыков на протяжении курсов и лет. Связи с Высшее образование и K-12 отражают релевантность проектирования учебного плана на разных образовательных уровнях.

Связанные концепции

• Педагогические партнёрства — Pedagogical Partnerships
• Бизнес-образование
• Дизайн обучения
• ИИ-грамотность
• Скаффолдинг
• Развитие педагогической практики
• Преподавание
• Высшее образование
• K-12
• STEM-образование
• Информатика (CS) в образовании
• Генеративный ИИ
• Агентный ИИ
• Метакогниция
• Промпт-инжиниринг
• Совместное обучение
• Педагогики и стратегии преподавания — Umbrella: pedagogies and teaching strategies in AI education
• Рекомендательные системы и учебные траектории

Connected Articles

• Efficiency at what cost? Salvaging constructive alignment from the GenAI hype — Critical discourse analysis of GenAI-for-constructive-alignment guidance (McInnes et al. 2026)
• Addressing Trust in AI Systems through Education: A Didactic Perspective — Addressing Trust in AI Systems through Education: A Didactic Perspective
• Refrain, Then Amplify: A Curriculum Framework for Sequencing Generative AI to Form Professional Judgement — Refrain-then-amplify curriculum framework for sequencing GenAI (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
• A Conceptual Framework for Enhancing Workforce Readiness for Smart Manufacturing in the AI Era — Workforce Readiness Level framework for smart manufacturing in the AI era
• Rewriting the Curriculum: A Systematic Review of Generative AI-Driven Pedagogical Change and Emerging Systems of Learning in Higher Education — Rewriting the curriculum: GenAI-driven pedagogical change
• 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 based on goals, models
• Systematic Review of Collaborative Learning Activities for Promoting AI Literacy
• AI skills for college graduates: Exploring how instructors and employers prioritize AI skills differently — AI Skills Framework: 26 assessable skills for curriculum mapping
• 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 — When Saying No Makes Better Videos: Dual Gatekeeping for Pedagogically Grounded AI Content Creation
• STEAM Education for AI Literacy: A Systematic Literature Review — STEAM education for AI literacy: systematic review
• 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 — Preparing learners and teachers for an AI-driven future: SLR of pre-university AI education (Caruana 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)
• ChatGPT-Assisted Lesson Planning for Children's STEAM Arts Education: An Experimental Study on Benefits, Challenges, Methods, and a Prompt Framework
• Suitability of Artificial Intelligence Supported Lesson Plans from the Perspective of Science Education Experts
• AI in Particle Physics Education: Research Problems and Foundational Skills — AI in Particle Physics Education: Research Problems and Foundational Skills
• AI Can Do Your Homework. Now What? Report from an online workshop on computing assessment in the age of generative AI — AI Can Do Your Homework. Now What? Report from an online workshop on computing assessment in the age of generative AI