Дизайн обучения

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Дизайн обучения (также известный как инструкциональный дизайн) — систематический процесс создания эффективных учебных опытов (learning experiences) посредством анализа образовательных потребностей, а также проектирования, разработки, внедрения и оценивания учебных материалов и активностей. ИИ трансформирует дизайн обучения за счёт автоматизации создания контента, обеспечения адаптивных учебных траекторий, поддержки итераций на основе данных и усиления — а не замены — роли инструкционального дизайнера.

Вопросы для размышления

• Вспомните курс или урок, который вы проходили или проектировали. Где заканчивалось «чему учить» (учебный план) и начиналось «как учить» (дизайн обучения) — и как эти два начала взаимодействовали?
• Распространённое допущение состоит в том, что более высокое владение ИИ автоматически приводит к лучшему образовательному контенту. Страница опровергает это свидетельствами о том, что именно явная педагогическая структура — а не только владение ИИ — определяет эффективность обучения. Где вы видели впечатляющий результат, который ничему не научил?
• Если инструмент ИИ может сгенерировать целый курс по одному промпту, какие решения человека становятся более, а не менее важными? Страница утверждает, что ИИ усиливает, а не заменяет роль инструкционального дизайнера — как бы выглядела эта усиленная роль?
• Некоторые модели инструкционального дизайна, такие как ADDIE, используются как жёсткие, линейные шаги. Но страница рассматривает их как итеративные, гибкие эвристики планирования. Когда слишком буквальное следование процессу может подорвать хороший дизайн?
• Страница показывает, что педагогически обоснованное промптирование — например, пятишаговая структура, основанная на теории обучения, — существенно улучшило результаты высшего порядка. Если бы вы создавали тьютора на базе ИИ, что бы вы закодировали в явном слое проектирования, чтобы его стратегия обучения оставалась прослеживаемой и воспроизводимой?

Введение

Дизайн обучения связывает возможности ИИ и эффективную педагогику. Если Проектирование учебного плана отвечает на вопрос что преподавать на уровне программы, то дизайн обучения отвечает на вопрос как этому учить на уровне курса и урока. Статьи в этой базе знаний исследуют и ИИ как инструмент для дизайнеров обучения, и принципы дизайна обучения для создания эффективных систем ИИ-тьюторства.

То, чем такая проектная работа является на практике, само по себе эмпирический вопрос. Тан и др. (2026) закодировали 1 378 ходов диалога «дизайнер — чат-бот» от пяти начинающих дизайнеров обучения, работавших с чат-ботом, встроенным в инструмент проектирования, и обнаружили, что диалог концентрировался на предполагаемых результатах обучения и педагогическом подходе, а не на генерации контента. Дизайнеры многократно возвращались к результатам как к проверке согласованности, превращая компоненты учебного плана в конкретные задания, а роль ассистента менялась по фазам — от уточнения терминов до поддержки проектирования заданий и проведения проверочного прохода перед дедлайном. Поддержка проектирования, судя по этим данным, — это скорее не производство материалов, а сохранение связности проектного замысла.

Аналитика обучения и генеративный ИИ поддерживают разные части проектирования: в 11 фокус-группах в одном австралийском университете дискурс аналитики чаще всего сосуществовал с контекстом и решением проблем на уровне курса (0,32), тогда как дискурс GenAI концентрировался на проектировании оценивания (0,26) и проектировании для самодетерминации студента (0,15) (Клаассен и др. (2026)).

Ключевые темы исследований

Создание контента с помощью ИИ — наиболее непосредственно трансформирующее применение. Curriculum as Code представляет шестифазную архитектуру, интегрирующую генеративный ИИ с LaTeX и Python для автоматизации создания STEM-материалов, подтверждённую на 8 модулях и в 28 контекстах проектов с оценками качества студентами 8,5–9,9/10. Instructional Agents использует мультиагентную структуру, построенную вокруг модели ADDIE, в которой ролевые агенты (преподавательский состав, инструкциональный дизайнер, координатор курса) совместно генерируют полные материалы курса. CourseBlueprint обеспечивает структурированный конвейер для адаптивной педагогической генерации видео на основе корпусов курса, демонстрируя, что явная педагогическая структура — а не только владение ИИ — необходима для создания образовательного контента. Платформы генеративного ИИ также могут воплощать принципы дизайна обучения в создаваемом ими контенте: платформа на базе ИИ для генерации задач математического моделирования сочетает устоявшиеся принципы проектирования с генерацией, дополненной поиском, разработанной по подходу ADDIE, чтобы создавать педагогически обоснованные задачи и рекомендации, которых лишены обычные генераторы контента. При этом отдача от такого создания контента и уроков с помощью ИИ опосредована собственной экспертизой преподавателя: Чхве и др. (2026) обнаружили, что опытные преподаватели критически адаптируют сгенерированные ИИ идеи уроков к студентам и контексту (переформулируя промпты и развивая вывод), тогда как новички склонны принимать предложения ИИ напрямую — так что педагогическая ценность инструментов ИИ для создания контента зависит от опыта преподавателя и владения ИИ, а не только от самого инструмента. Систематический обзор совместного проектирования учебных задач преподавателем и ИИ (Wang, Liu & Islam 2026) подтверждает эту закономерность в масштабе 28 исследований (2015–2025): GenAI используется в основном для планирования уроков, генерации промптов и творческой генерации идей, а доминирующий режим сотрудничества — ИИ как ассистент/генератор контента, а не полноценный со-дизайнер — при этом эффективность, отзывчивость, Креативность и справедливость повторяются как предоставляемые возможности. Талебзаде (2026) уточняет вывод об экспертизе преподавателя применительно к проектированию групповой активности: опытные преподаватели создают более богатые, более синергетичные, лучше согласованные с ЗБР архитектуры ролей в проектируемых ИИ совместных активностях, чем новички, независимо от степени знакомства с ИИ, определяя «педагогическую грамотность промптов» как рычаг, превращающий вывод ИИ в эффективное дифференцированное групповое обучение.

Там, где сгенерированные материалы отстают, — это согласованность с учебным планом: семь преподавателей математики оценили сгенерированные ИИ задачи на продуктивную неудачу близко к человеческим по общему качеству (M = 17,19 против 17,43 из 25), но ниже по согласованности с учебным планом (M = 2,57 против 3,29), так что сгенерированные задачи всё ещё требовали правки длины, уровня читаемости и визуализации (Раими и др. (2025)).

Педагогически обоснованное обучение с ИИ применяет принципы инструкционального дизайна к проектированию систем ИИ. Бриссон и др. создали дидактически управляемого ассистента преподавателя на базе Большие языковые модели (LLM), где стратегия тьюторства закодирована в явном внешнем слое — что делает выбор контента и дидактическую структуризацию прослеживаемыми и воспроизводимыми, непосредственно отвечая на опасения по поводу непрозрачности в Rethinking Scaffolding in LLM Tutors: The Interactional Mismatch Between Benchmarks and Real-World Deployments. Ху и др. продемонстрировали, что пятишаговая структура промптирования, основанная на генеративной теории обучения, существенно улучшила когнитивные результаты высшего порядка, показывая, что именно инструкциональное руководство — а не только доступ к ИИ — определяет эффективность обучения. Оба подхода связаны с Скаффолдинг и Интеллектуальное тьюторство.

Фреймворки и оценивание предоставляют структурированные подходы. WIP: Bridging the Gap Between Instructional Design and Pedagogical Use: A Framework for Mathematics Educators и CoTAL демонстрируют принципы проектирования с человеком в цикле. Generative AI (GenAI) as a mindtool that supports generative learning (GL) позиционирует ИИ как «mindtool» (умственный инструмент) — когнитивного партнёра, который расширяет, а не заменяет мышление учащегося, — непосредственно применяя теорию инструкционального дизайна к интеграции ИИ. LUDIA применяет принципы универсального дизайна для обучения, чтобы создать доступного партнёра по размышлению на базе ИИ для преподавателей, связывая инструкциональный дизайн с Инклюзивное обучение. AIRIS (Activate–Inquire–Reflect) — фреймворк структурирования заданий для когнитивно активированного использования ИИ, который ограничивает вклад ИИ так, что предсказание, интерпретация и оценивание остаются за учащимся, — специфичная для ИИ адаптация циклов исследования, основанная на Саморегулируемое обучение, теории когнитивной нагрузки и Коллаборация человека и ИИ. Дополняя эти фреймворки проектирования, таксономия Дона и др. (2026) предлагает классификацию, а не метод проектирования: шесть категорий (цель обучения, контент, формат представления, эпистемическое вовлечение, социальный дизайн, артефакты), которые позволяют дизайнерам и исследователям описывать, сравнивать и представлять учебные активности с GenAI, делая явными, зачем, что, как, чем и с кем учащиеся вовлекают GenAI, — построенные как пограничный объект через постдигитальный диалог. Фреймворки умной аудитории распространяют это на подготовку преподавателей: Чжу, Лян, Мао и Ван (2026) предлагают трёхмерную структуру умного образования — эффективность обучения, информационно-коммуникационные технологии (ИКТ) и организация аудитории — и реализуют её в курсе математики программы магистратуры педагогики (M.Ed.), интегрирующем автоматическое оценивание, персонализированные рекомендации и многократную обратную связь от ИИ на этапах до, во время и после занятий. Квазиэксперимент показал значимый прирост в способности студентов формулировать точные, профессионально обоснованные цели обучения, что дало переносимую модель D-T-E (Disciplinary Demand–Technological Empowerment–Evaluation Loop) — руководство по дисциплинарно-специфичным аспектам AIEd для преподавателей-методистов, внедряющих концепции умного образования в практику инструкционального дизайна.

Проектирование для охвата. Семирычажная структура Халани спрашивает у каждой обстановки курса, какие из рычагов всё ещё работают, когда студент остаётся наедине с ИИ; структурные шаги, такие как изменение того, что сертифицирует оценка, или задания, которые невозможно выполнить без размышления, доходят дальше, чем объяснение студентам, что процесс важен (Халани, 2026).

Ограничьте инструмент, чтобы защитить мышление. Проект девятинедельного обучения аргументированному письму включал последовательность ограниченных преподавателем чат-ботов, которые задают вопросы и отказываются генерировать прозаический текст студента, и четыре ученика старшей школы перешли от пассивных потребителей ИИ к оценщикам, возражавшим на выводы, — именно стратегическое ограничение, а не неограниченная генеративность, отслеживало приросты (Конрадт, Буте и Тауб (2026)).

Промптирование с опорой на рубрики как рычаг проектирования. Яшар и др. (2026) продемонстрировали, что рубрика функционирует как опосредующий интерфейс между педагогическим замыслом человека и машинным выводом: рассмотрение критериев оценивания как пересматриваемых артефактов проектирования — а не фиксированных инструментов — и их итеративная доработка совместно с LLM повысили согласие LLM и человека по студенческим проектным работам с 54,75% до 81,25%. Рубрики, сконструированные для LLM, должны балансировать точность и гибкость — слишком расплывчатые приглашают к свободной интерпретации, слишком жёсткие сводят модель к сопоставлению с образцом, — а ролевое осознанное промптирование (преподаватель, рецензент-коллега, рецензент гранта) давало различную оценочную обратную связь. Это позиционирует инженерию рубрик как конкретную практику дизайна обучения для формирования поведения ИИ при оценивании, при этом контроль с человеком в цикле остаётся необходимым.

Агенты ИИ для инструкционального дизайна расширяют область до агентного ИИ. ISD-Agent-Bench — первый стандартизированный, теоретически обоснованный бенчмарк для оценивания агентов инструкционального дизайна на базе LLM; его матрица контекста из 25 795 сценариев (51 контекстуальная переменная × 33 подшага ISD из ADDIE) показывает, что агенты, основанные на классических фреймворках ISD (ADDIE, Dick & Carey, Rapid Prototyping ISD), превосходят агентов без теоретического обоснования, эмпирически подтверждая, что инструкциональный дизайн — структурированная дисциплина, а не обычная задача промптования. Агенты — не только создатели дизайнов, но и критики их: Ван, Митчелл и Пайч (2025) используют единого автономного веб-агента, который навигирует многошаговый онлайн-урок как студент, чтобы оценить дизайн обучения до того, как реальные учащиеся вовлекутся, — его описание студенческого опыта предсказывает, где новички бросят обучение, и выявляет действенную проектную обратную связь, превосходя все базовые линии и даже моделируемую когорту студентов на глобальном курсе CS1. Это выстраивает предзапускное агентное оценивание как недорогое дополнение к человеческой проектной итерации. Enabling Multi-Agent Systems as Learning Designers: Applying Learning Sciences to AI Instructional Design и Instructional Agents исследуют мультиагентные структуры, оркеструющие ролевых агентов вокруг моделей инструкционального дизайна, а AI-TPACK рассматривает, как преподаватели и агенты совместно применяют технологическо-педагогическо-содержательные знания. Эта работа связывает инструкциональный дизайн с бенчмаркингом, Оценивание ИИ-образования и проектированием учебного плана в масштабе.

Связи со смежными понятиями

Дизайн обучения — связующая дисциплина ИИ в образовании; он связывает Проектирование учебного плана (что преподавать) с Скаффолдинг (как поддерживать учащихся), Развитие педагогической практики (как готовить преподавателей) и Генеративный ИИ (сами инструменты). Он тесно связан с Преподавание, потому что инструменты ИИ меняют то, что делают дизайнеры обучения и преподаватели, и с ИИ-грамотность, потому что эффективная интеграция ИИ требует от преподавателей понимания возможностей и ограничений ИИ. Проектная работа в конечном счёте сводится к порядку активности: педагогические паттерны каталогизируют проверенные порядки ходов, так что дизайнер может решить, где в уроке место ИИ, а не только что включить. Науки об обучении — это исследовательская область за этими принципами: если эта страница освещает профессиональную практику создания учебных опытов, то науки об обучении эмпирически изучают эту практику и её дизайны и генерируют когнитивные, мотивационные и социальные принципы, которые затем операционализирует дизайн обучения.

Как дизайн обучения определяет прирост в обучении

Дизайн обучения — рычаг, который решает, даёт ли ИИ прирост в обучении или лишь раздутую ИИ производительность. Свидетельства базы знаний согласованны: один и тот же инструмент ИИ даёт большие приросты или чистый вред в зависимости от того, как вокруг него спроектирован учебный опыт. Ху и др. показали, что пятишаговая структура промптирования, основанная на теории обучения, существенно улучшила когнитивные результаты высшего порядка, тогда как один только доступ к ИИ — нет; фреймворки mindtool и AIRIS сохраняют когнитивную работу учащегося, так что результатом становятся устойчивые приросты (а не эффективность выполнения задания). Выборы проектирования, защищающие Прирост в обучении — скаффолдинг, требующий попытки студента, Формативное оценивание с мерами результата без помощи ИИ, и педагогическая структура, сохраняющая учащегося агентом, — отражают находку области (см. Прирост в обучении), что ИИ — сильный прирост, когда он коучирует, и вред, когда он отвечает. Наоборот, плохо спроектированные уроки с интеграцией ИИ становятся жертвами разрыва между производительностью и обучением, где кажущийся успех маскирует отсутствие обучения.

Практические рекомендации для дизайнеров и разработчиков

Для инструкциональных дизайнеров, разработчиков курсов и инженеров, создающих учебные опыты с помощью ИИ, находки базы знаний переводятся в действенную практику. Одну границу стоит отметить до самих практик: дизайн обучения, как он описан на этой странице, — это проектирование курса для известной когорты, тогда как те же принципы, встроенные в продукт, которым будут пользоваться многие курсы — преподаваемые людьми, которых дизайнер никогда не встретит, — есть работа Разработчики образовательных технологий, где умолчания, настраиваемость и документация несут педагогический вес:

Опирайте генерацию ИИ на структурированную модель инструкционального дизайна. Контент, созданный ИИ, ровно настолько хорош, насколько хороша педагогическая структура за ним, — именно явная структура, а не владение ИИ, определяет качество. Проектируйте вокруг признанной модели (ADDIE, Dick & Carey, быстрое прототипирование) и кодируйте педагогические решения явно, а не полагайтесь на то, что модель выведет их сама.(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)

Примите фреймворк принципиального уровня наряду с моделью инструкционального дизайна. Модель уровня курса структурирует один дизайн; опубликованный фреймворк задаёт критерии, которым должны удовлетворять многие дизайны. Пример, достойный прочтения целиком, — Powerful Learning with Emerging Technology от Digital Promise, который организует свои рекомендации под тремя принципами — Evidence-Based, Learner-Centered, Skill-Building, — каждый из которых разворачивается в практики и стратегии и прикрепляет Приватность, объяснимость и справедливость к конкретным практикам как обязательства по безопасности, а не как необязательные дополнения.(Powerful Learning with Emerging Technology)

Согласуйте конфигурацию ИИ с задачей, а не со сложностью. Наливайко (2026) различает четыре слоя — промпт, контекст, harness и верифицированный цикл — и применяет принцип минимально достаточного слоя: используйте наименее сложную конфигурацию, способную дать верифицируемый результат, так как добавленная оркестрация несёт издержки координации, верификации, приватности и понимания.

Используйте рабочие процессы с ролевыми мультиагентами для производства контента. Вместо одного общего промпта оркеструйте различных агентов/роли (преподавательский состав, инструкциональный дизайнер, координатор курса), которые сотрудничают через определённый конвейер, — это отражает, как работают настоящие командные группы курса, и даёт более полные материалы, чем один промпт.(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)

Обеспечивайте инструкциональное руководство, а не только доступ к ИИ. Взаимодействуют ли учащиеся с ИИ напрямую или с материалами, созданными ИИ, руководство, построенное на теории обучения (например, пошаговый скаффолдинг, основанный на принципах генеративного обучения), ведёт к результатам высшего порядка; один только доступ — нет. Проектируйте учебную активность вокруг того, как учится разум, и рассматривайте ИИ как когнитивный «mindtool», который расширяет мышление, а не заменяет его.(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))

Моделируйте забывание и планируйте повторение там, где спад сильнее всего. G4L представляет спад знаний кривой забывания Эббингауза, управляемой прошедшим временем и повторениями, и приоритизирует единицы, наиболее уязвимые к спаду, а не переподаёт то, что было оценено совсем недавно (Чепани-Фюрьеш и Ковач, 2026).

Фоулин и др. (2026) добавляют операциональный ход для решения, где входит ИИ: разбейте активность на компоненты, которые лучше делать самостоятельно, и те, что лучше делать в связке с ИИ, сохраняя суждение преподавателя центральным в этом разделении (Фоулин и др. (2026)).

Делайте контент прослеживаемым и рецензируемым. Позвольте дизайнеру-человеку просматривать и исправлять вывод ИИ до того, как он достигнет учащихся, и структурируйте генерацию ИИ так, чтобы педагогическое обоснование (почему этот контент, в этом порядке) было инспектируемо, — отвечая и на качество, и на опасения по поводу непрозрачности, которые подрывают доверие к обучению, созданному с помощью ИИ (Доверие).(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)

• Ревьюируйте сгенерированные ИИ медиа на стадии сценария, а не после синтеза. PedaCo ставит рецензию преподавателя на сценарий — где педагогические ошибки дёшево исправлять — до того, как что-либо отрендерено; оценённая инструкциональная валидность выросла с 3,07 до 3,86, тогда как автоматизированный слой пост-синтеза улучшил только два из пяти измерений (Ким, Бэк и Квак (2026)).

Проектируйте для Доступность с самого начала. Применяйте принципы UDL при создании инструментов ИИ и материалов, сгенерированных ИИ, чтобы они служили разнообразным учащимся, а не дооснащали доступность задним числом.(LUDIA: A Design and Evidence Statement)

Планируйте среду доставки. Инструкциональный дизайн для онлайн-обучения и преподавания — не нейтральная трансляция очного дизайна: среда меняет то, какие скаффолдинг, оценивание и взаимодействие жизнеспособны, и ИИ умножает как возможности (масштабируемая персонализация, круглосуточная поддержка), так и риски (академическая честность, когнитивное перекладывание), которые дизайнеры должны планировать. Проектируйте педагогическую обёртку ИИ так же осознанно в онлайн-контекстах, как и в очных.

Оценивайте по бенчмарку, а не по ощущениям. Если вы создаёте агента инструкционального дизайна, оценивайте его по стандартизированному, теоретически обоснованному бенчмарку (например, ISD-Agent-Bench), чтобы можно было измерить, действительно ли основание на реальном фреймворке ISD улучшает вывод по сравнению с обычным LLM.(ISD-Agent-Bench: A Comprehensive Benchmark for Evaluating LLM-based Instructional Design Agents)

• ИИ меняет практику инструкционального дизайна. Кибар и Илгаз (2026) систематически рассматривают 28 исследований (2020–2025) и обнаруживают, что ИИ помогает дизайнерам с генерацией контента, шаблонами и персонализацией и концептуализируется как коллега/соавтор/партнёр, а не просто инструмент, — хотя педагогическая согласованность и готовность практиков остаются вызовами.

Связанные понятия

• Интерпретация и применение исследований в сфере ИИ в образовании
• Педагогические партнёрства — Педагогические партнёрства
• Онлайн-преподавание и онлайн-обучение — Онлайн-обучение и преподавание
• Проектирование учебного плана
• Скаффолдинг
• Развитие педагогической практики
• Преподавание
• ИИ-грамотность
• Генеративный ИИ
• Интеллектуальное тьюторство
• Персонализированное обучение
• Адаптивное обучение
• Формативное оценивание
• Высшее образование
• K-12
• Агентный ИИ
• Инклюзивное обучение
• Универсальный дизайн для обучения
• Теории обучения
• Науки об обучении
• Прирост в обучении
• Бихевиоризм
• Разработчики образовательных технологий
• Педагогики и стратегии преподавания — Общее понятие: педагогические подходы и стратегии преподавания в сфере ИИ-образования
• Заинтересованные стороны — Общее понятие: люди и аудитории в сфере ИИ-образования (учащиеся, преподаватели, дизайнеры, администраторы, политики)

Связанные статьи

• 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 — Аналитика обучения и GenAI в принятии решений о дизайне обучения
• Investigating the Role of Chatbots in Facilitating Learning Design — Использование чат-ботов в дизайне обучения: дизайнеры сосредоточены на результатах и педагогике, а не на генерации контента (Tang et al. 2026)
• Analyzing teacher-AI interaction patterns across teacher experience and AI proficiency in student-centered lesson design — Паттерны взаимодействия «преподаватель — ИИ» в проектировании уроков при различном опыте и владении ИИ (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 — ИИ в высшем образовании: вовлечённость и опосредующая роль методов преподавания
• 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 — Таксономия (пограничный объект) для классификации учебных активностей с 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 — AI Web Agents: автономный веб-агент оценивает дизайны уроков и предсказывает отсев студентов до их вовлечения (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 — Модель умной аудитории и цикл D-T-E, повышающие владение инструкциональным дизайном в программе M.Ed. по математике (Zhu et al. 2026)
• Creating an AI-powered platform for generating modelling problems: A case study on direct variation in secondary school mathematics — Платформа на базе ИИ, генерирующая задачи математического моделирования (ADDIE, RAG)
• Reimagining teacher-AI co-design in learning task design: trends and perspectives — Совместное проектирование учебных задач преподавателем и ИИ: тенденции и перспективы (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 — Архитектура ролей в дифференцированных групповых активностях, спроектированных ИИ (Talebzadeh 2026)
• From evaluation to emulation: LLMs as agents of iterative pedagogical design — LLM как агенты итеративного педагогического дизайна