Návrh kurikula

Automatický strojový preklad tejto anglickej stránky, ktorý ešte nebol skontrolovaný rodeným hovorcom.

Návrh kurikula — proces plánovania a štruktúrovania toho, čo sa učí v rámci kurzov, programov a inštitúcií, vrátane cieľov učenia, sekvencovania obsahu, stratégií hodnotenia a progresie zručností. V ére AI musí návrh kurikula vyvažovať základné vedomosti s nastupujúcimi kompetenciami v AI a určovať nielen to, čo sa študenti učia, ale aj to, ako sa učia pracovať s nástrojmi AI a kriticky ich hodnotiť.

Otázky na zamyslenie

• Návrh kurikula sa pýta, čo sa majú študenti učiť na úrovni programu, kým návrh učenia sa pýta ako na úrovni kurzu. Keď AI pretvára disciplínu, ktorá z týchto dvoch vrstiev by sa podľa vás mala zmeniť prvá?
• Keďže generatívna AI automatizuje prácu na úrovni implementácie, niektorí tvrdia, že kurikulá sa musia posunúť k návrhu systémov, abstrakcii a kritickému hodnoteniu. Čo by podľa vás študenti stratili, ak by sa dôraz na nízkoúrovňové zručnosti znížil?
• Redizajn kurikula v ére AI sa často rámuje ako rovnováha medzi plynulosťou v nástrojoch a základnými vedomosťami. Kde ste videli, že sa táto rovnováha preklopila príliš jedným smerom?
• Rámec SAIL pokladá AI gramotnosť za podporenú naprieč vekovými skupinami a navrhnutú tak, aby riešila hlbšie „digitálne priepasti“ než je prístup. Ako sa líši vloženie AI gramotnosti do celého kurikula od pridania jediného kurzu o AI?
• Ak každá disciplína teraz potrebuje zabudované AI kompetencie, kto je zodpovedný za zmenu kurikula — učitelia, programy alebo inštitúcie — a čo pedagógovia potrebujú, aby v tom uspeli?
• Kurikulum je sled zručností naprieč rokmi, nie len zoznam tém. Ako tento dlhší pohľad mení to, či „jednotka AI gramotnosti“ skutočne zostane?

Úvod

Návrh kurikula sa zaoberá čím vzdelávania na úrovni programu a dopĺňa návrh učenia, ktorý sa zaoberá ako na úrovni kurzu. Články v tejto vedomostnej báze skúmajú, ako AI pretvára kurikulá naprieč disciplínami — od softvérového inžinierstva po architektúru a zelené vzdelávanie — a ako pedagógovia navrhujú kurikulá, ktoré vkladajú AI gramotnosť bez obetovania disciplinárnych základov.

Kľúčové výskumné témy

Redizajn kurikúl pre éru AI je ústrednou výzvou. Lee a spol. syntetizovali zistenia z medzinárodných workshopov o pretváraní bakalárskeho informatického vzdelávania a argumentujú, že keď generatívna AI automatizuje programovanie na úrovni implementácie, kurikulá sa musia posunúť k návrhu systémov, abstrakcii a kritickému hodnoteniu — a zároveň znížiť dôraz na nízkoúrovňové implementačné detaily. Gorsky formalizoval agentické softvérové inžinierstvo ako samostatnú disciplínu s 21-modulovým kurikulom zameraným na „vývoj zámeru“ a praktickú disciplínu potrebnú na riadenie AI agentov. Obe sa spájajú s AI gramotnosťou a podporným lešením.

Sabani a spol. (2026) hodnotia zmenu ako systémovú, a nie aditívnu, a triangulujú scoping review, bibliometrické mapovanie 209 záznamov, 36 článkov a rozhovory s desiatimi akademickými lídrami do piatich posunov — vrátane prechodu od odovzdávania vedomostí k rozvoju schopností a od lokálneho experimentovania k inštitucionálnemu riadeniu.

Mapovanie a analýza kurikula používa AI na porozumenie existujúcim kurikulám. Geng a spol. analyzovali 23 sylabov z kurzov softvérového inžinierstva asistovaných AI, identifikovali spoločné témy — inžinierstvo promptov, revíziu kódu s AI, etické úvahy — a odvodili usmernenia pre návrh, ktoré zdôrazňujú vyvažovanie plynulosti v nástrojoch so základnými vedomosťami. CourseGraph aplikuje výpočtové metódy na porovnávanie štruktúr kurzov informatiky medzi inštitúciami.

Váhovanie mení to, čo analýza kurikula vykazuje: Jayalath a spol. (2026) nechali GPT-o3-mini rozdeliť 100 % naprieč siedmimi podnikovými zručnosťami pre každé zo 48 hodnotení, pričom dosiahli Krippendorffovu alfu 0,81 oproti expertným váham, ale zhoda sa obrátila na negatívnu pri zručnostiach, ktoré opisy nikdy výslovne neuvádzajú (−0,19).

Modulárna štruktúra prežíva aktuálny obsah. Opakuje sa vzor, v ktorom sa odbor pohybuje rýchlejšie než revízny cyklus: stabilné jadro AI gramotnosti, kritického posudzovania, detekcie predpojatosti a etiky, so špecializačným a lokálne dostupným obsahom nástrojov pripojeným ako moduly a revidovaným každých šesť až dvanásť mesiacov (Bursic a spol. (2026)). Postgraduálne medicínske vzdelávanie je uvedeným prípadom, ale princíp sa zovšeobecňuje: program sa zaväzuje ku kompetenciám, ktoré prežijú obmenu nástrojov, a vrstvu špecifickú pre nástroje plánuje na výmenu.

Integrácia AI gramotnosti vkladá AI kompetencie naprieč disciplínami. SAIL poskytuje podporený rámec AI gramotnosti použiteľný naprieč všetkými vekmi a vzdelávacími stupňami, ktorý rieši digitálne priepasti druhej a tretej úrovne. Tracing GenAI Literacy: Student-AI Interaction Patterns in Academic Writing skúma, ako sa AI gramotnosť rozvíja cez vzory interakcie. Systematic review of collaborative learning activities for promoting AI literacy skúma spolupracujúce prístupy k tvorbe kurikula AI gramotnosti a spája sa s spolupracujúcim učením.

LearnAI ukazuje, ako vyzerá zabudovaná verzia: široká expozičná vrstva krátkych prezentácií v 18 existujúcich kurzoch naprieč piatimi disciplínami (293 študentov) spojená s voliteľnými individuálnymi spolutvorbovými sedeniami, ktoré vedú vyškolení bakalárski rovesnícki tútori, takže študenti s rôznymi schopnosťami sa stretávajú s úlohami AI na svojej úrovni (Qu a spol. (2026)).

Integrácia v praxi zaostáva za rámcami. Santos-Albardía a spol. (2025) zistili, že len 13,8 % opýtaných študentov vzdelávania a žurnalistiky uviedlo, že ich kurzy sa zaoberali kritickou mediálnou analýzou, oproti 97,8 %, ktorí ju hodnotili ako dôležitú, a ich expertné rozhovory vystopovali medzeru k príprave učiteľov, ktorá uprednostňuje technické a inštrukčné zručnosti pred mediálnym vzdelávaním.

Prehľad PRISMA 39 štúdií STEAM (2016–2025) zistil paralelnú nerovnováhu v prvkoch AI gramotnosti: implementácie rozvíjali technické gramotnosti — základné koncepty AI, počítačové myslenie, dátovú gramotnosť — kým nedostatočne rozvíjali etické povedomie, kreatívnu predstavivosť a tvorbu, riadenie a návrh s AI, takže praktickou odpoveďou je auditovať každú jednotku proti nim (Niri a spol., 2026).

Hlas študenta je ďalším návrhovým vstupom: 84 % zo 166 študentov obchodu v poslednom ročníku chcelo, aby sa generatívna AI učila v ich jednotkách, a 85 % ju videlo ako nevyhnutnú pre zamestnateľnosť, kým len 7 % sa o nej učilo na svojej univerzite (Rook a Plumb (2026)).

Prehľad 42 štúdií preduniverzitného AI vzdelávania zisťuje, že kurikulá sa posúvajú od technického obsahu k modelom založeným na kompetenciách, postaveným na rámcoch ako AI4K12 a Five Big Ideas in AI, pričom AI gramotnosť sa pokladá za prierezovú kompetenciu, kým štandardizované nástroje na jej hodnotenie stále chýbajú (Caruana a spol. (2026)).

Učitelia a zamestnávatelia sa zhodli na dôležitosti len jednej z 26 zručností AI — stanovovania realistických očakávaní pre prácu rozšírenú o AI — a len tri z 26 učila polovica alebo viac učiteľov, čo je dôkaz správy o medzere v zručnostiach AI medzi vysokým školstvom a zamestnávateľmi (Fried (2026)).

Návrh aktivít strojového učenia v K-12 zostáva na povrchu: prehľad za rámcom ICE-T zistil, že neviditeľné používanie, interakcia s tlačidlami a nasadenie modelu tvoria takmer 60 % kódovaných aktivít učenia s učiteľom, otvorená tvorba sa objavila len dvakrát a technické a spoločenské perspektívy sa vyskytli spolu len v približne 3 % aktivít (Haritz a spol., 2026).

Doménovo špecifická inovácia kurikula aplikuje návrh kurikula na konkrétne odbory. Gen-AI-tecture: using generative AI to support architectural students in design tasks skúma, ako generatívna AI pretvára pedagogiku architektonického návrhu. The Role of Artificial Intelligence in Green Education: Optimizing Teacher Workflow and Enhancing Pedagogical Design under Sustainable Development Pedagogy (SDP) Constraints skúma integráciu AI v kurikulách zeleného vzdelávania. ConnectED: A curriculum-aligned AI system for Vietnamese instructional lesson planning and student learning a LLMs to Support K-12 Teachers in Culturally Relevant Pedagogy: An AI Literacy Example sa zaoberajú kultúrne citlivým návrhom kurikula.

Vložte AI dovnútra disciplíny, nie vedľa nej. Trojúrovňové kurikulum AI (úvodné, aplikačné, pokročilé) vložilo strojové učenie do existujúcich tém tepelného inžinierstva v kurze s 39,1 hodiny, namiesto pridania informatických voliteľných predmetov, čím sa vyhlo dodatočnému zaťaženiu študentov strojárstva a jeho sylabus, dáta a kód boli otvorene zverejnené (Li a spol. (2026)).

Prípad z žurnalistiky ukazuje variant s hodnotami na prvom mieste: triádové podporné lešenie hodnoty–procesy–kompetencie posunulo študentov od reportovania len ľuďmi k práci integrovanej s AI, no 8 z 9 (89 %) uviedlo dôveru v etické rozhodnutia, kým položky prieskumu o autorstve a predpojatosti naznačovali len povrchné porozumenie (Ngu a Weller (2026)).

Inštitucionálne rámce riešia zmenu kurikula vo veľkom meradle. A principled way to think about AI in education: guidance for educators and policy makers on action based on goals, models of human learning, and use of technologies a A principled way to think about AI in education: guidance for educators and policy makers on action based on goals, models of human learning, and use of technologies poskytujú princípy pre integráciu AI naprieč vzdelávacími programami. The Main Barrier to AI Adoption in the Public Sector is Lack of Training skúma prekážky prijímania kurikula AI vo vzdelávaní verejného sektora.

Sekvencovanie AI naprieč programom. Torres-Sahli a spol. navrhujú rámec „najprv zadržať, potom zosilniť“, ktorý sekvencuje generatívnu AI na úrovni programu: zadržať generatívny nástroj, kým sa formuje schopnosť, a potom ho obnoviť, aby túto schopnosť zosilnil, keď ju študent dokáže viesť a posúdiť jej výnosy. Rámec, riadený kritériom formovania verzus odľahčenia (či úsek práce buduje schopnosť, alebo ju len prevedie nástrojom), spája návrh kurikula s kognitívnym odľahčením, samoregulovaným učením a akademickou integritou, s ťažko falšovateľnými kontrolnými bodmi na každom prechode medzi zadržaním a zosilnením.

Pákou pre najvyššie stupne nie je viac kurzov: naprieč 89 sponzorovanými záverečnými projektmi bol postup z úrovne 6 na úroveň 7 Pripravenosti na pracovnú silu podmienený skúsenosťou zakotvenou v priemysle — kooperatívnymi programami a projektmi Manufacturing Extension Partnership — takže tituly potrebujú učenie integrované s prácou, a nie ďalší technický voliteľný predmet (Smith a spol. (2026)).

Kurikulárnym dôsledkom schopnosti modelov je, že návrh odolný voči AI expiruje. Pedagógovia informatiky opísali, ako kalibrovali zadania proti tomu, čo modely ešte nedokázali, a sledovali, ako kalibrácia vyprcháva — problémy jedného inštruktora kybernetickej bezpečnosti vyžadovali skutočné riešenie problémov ešte sedem alebo osem mesiacov predtým a potom ich model jednoducho vyriešil — pričom facilitátor odhadol životnosť približne jeden semester. Štrukturálne zistenie workshopu je, že takmer každú adaptáciu urobil individuálny inštruktor v rámci jedného kurzu, bez inštitucionálnej koordinácie, ktorú by trvácna kurikulárna odpoveď vyžadovala (Akbar a spol., 2026).

Zosúladenie celého kurzu, keď je generatívna AI povolená. Redizajn úvodného kurzu jadrovej a časticovej fyziky z roku 2026 (Mikhasenko a spol.) integroval tri typy aktivít s odlišnými rolami — prednášky pre koncepty a notáciu, cvičenia pre štandardnú analytickú prax a domáce úlohy ako objaviteľskú, „výskumne tvarovanú“ zložku s nezvyčajne ťažkými problémami s viacerými metódami. Uvedené trenie (neohlásený predpoklad programovania, nedostatok času na porozumenie a nie len získanie odpovedí a nesúlad medzi prednáškami, cvičeniami, domácimi úlohami a skúškou) ilustruje, že povolenie generatívnej AI vynucuje prácu na zosúladení kurikula v celom kurze, a nie zmenu jedného typu zadania; ich odporúčaná štruktúra ponecháva objaviteľskú prácu s povolenou AI ako bonusové pokročilé úlohy, kým známku určuje písomná skúška bez pomôcok.

Hĺbka zosúladenia, nie frekvencia používania, oddeľuje vzory integrácie. Naprieč 17 prípadmi obchodných modulov šesť vložilo generatívnu AI systematicky naprieč výučbou, učením a hodnotením (konštruktívne), deväť to urobilo nekonzistentne (zmiešane) a dva sporadicky (ad hoc); konštruktívne prípady hlásili najsilnejšie výsledky v angažovanosti, schopnostiach a relevantnosti pre kurikulum (Zhou a spol. (2026)).

Rada o konštruktívnom zosúladení pod kritickým skúmaním. Kým vyššie uvedené zdroje referujú o zosúladovaní v praxi, McInnes a spol. (2026) čítajú samotné usmernenie ako diskurz. Ich kritická diskurzívna analýza 14 kusov šedej literatúry publikovanej od novembra 2022 do apríla 2025 — prevažne inštitucionálnych stránok a kapitol z centrálne postavených jednotiek učenia a výučby — zistila, že konštruktívne zosúladenie sa prezentuje ako problém efektívnosti: generatívna AI bola „efektívny a účinný spôsob, ako načrtnúť rubriky“, ktorý dokáže „zefektívniť proces“, antropomorfizovaná ako „vzdelávací expert a asistent“, „partner na tréning“ alebo „inteligentný asistent v inštrukčnom dizajne“, kým akademický personál dodával len „odbornosť v predmete“ a nástroj prevzal „ťažkú prácu pri vytváraní cieľov učenia, organizovaní obsahu kurzu ... a zosúlaďovaní zložiek kurzu“. Recepty promptov na kopírovanie a vkladanie a číslované šablóny rámovali konštruktívne zosúladenie ako štandardizovateľný produkt, čo vytvorilo tri režimy zlyhania: performativitu (zosúladenie, ktoré len vyzerá zosúladené), vymazanie situovaného a kritického kontextu a plytké zosúladenie, ktoré zamieňa zosúladenie s konštruktívnou dimenziou. Ich náprava presekvencúva pracovný postup návrhu kurikula — pedagógovia musia rozumieť konštruktívnemu zosúladeniu natoľko, aby dokázali viesť, hodnotiť a odmietnuť výstup AI skôr, než mu delegujú akúkoľvek časť — a ohraničuje akýkoľvek nástroj na inštitucionálneho retrievalovo obohateného agenta ukotveného v lokálnej politike, rubrikách a absolventských atribútoch, s rolou „liminálneho tútora“, ktorá rozširuje, a nie nahrádza vzťah s rozvojovým pracovníkom.

Generovanie úloh modelovania zosúladených s kurikulom. Platformy poháňané AI môžu riešiť nedostatok času a zdrojov učiteľov na navrhovanie kvalitných úloh matematického modelovania generovaním problémov zosúladených s kurikulom a pedagogických odporúčaní ukotvených v dizajnových princípoch a retrievalovo obohatenom generovaní — prístup ilustrovaný na priamej variácii na strednej škole v matematike (Creating an AI-powered platform for generating modelling problems: A case study on direct variation in secondary school mathematics). Aj samotné čítania kurzu sú teraz cieľom generovania: Sidorkin (2026) nahradil komerčnú učebnicu týždennými čítaniami generovanými AI v postgraduálnom kurze vedenia vzdelávania, a hoci študenti ich hodnotili ako užitočné a 75 percent súhlasilo, že sa naučili viac než v porovnateľnom kurze, 4 487 strán logov nieslo APA citácie v texte len na približne 0,80 percenta strán a spájalo pomenovaný kampus alebo systém s asertívnymi politickými tvrdeniami na približne 1,03 percenta strán bez overiteľného zdroja. Lekcia pre kurikulárne materiály je pokladať generované čítania za konceptovú produkciu pod revíziou inštruktora, vyčleniť rozpočet na prácu inštruktora s návrhom promptov a overovaním a kurátorovať overené zdroje do asistenta, namiesto toho aby sa kvalita zdrojov nechávala študentom odvodzovať z kontextu.

Plánovanie hodín asistované AI na vrstve prechodu kurikula do triedy. V bode, kde sa kurikulum stáva vyučovanou hodinou, Luo a Tahir (2025) experimentálne porovnávali plány vytvorené učiteľom s plánmi asistovanými ChatGPT v detskom STEAM umeleckom vzdelávaní a zistili, že plány asistované AI hodnotilo šesť expertných profesorov významne vyššie (medián 20,5 oproti 17,6, p = ,002, veľký efekt). Ukazujú, že prínos závisí od toho, ako učiteľ deleguje: odporúčaná metóda dopĺňa obsahové medzery v hodine, ktorú si učiteľ sám načrtol (čím sa zachováva návrhová autonómia učiteľa), namiesto delegovania celého plánu. Prinášajú aj šablónu promptu Rola–Inštrukcie–Koncový cieľ pre reprodukovateľné generovanie s kontrolovanou kvalitou — dôkaz, že plánovanie hodín s AI je najsilnejšie vtedy, keď je vložené do kurikulárnych rozhodnutí učiteľa, a nie keď ich nahrádza. Vo vedeckom vzdelávaní dospieva expertná validácia k paralelnému verdiktu o dizajne platformy: Karaismailoglu, Surmeli a Yildirim (2026) nechali jedenásť špecialistov na vedecké vzdelávanie hodnotiť ChatGPT-4 a nástroj zameraný na vzdelávanie (Teacher's Buddy) na plánoch šiesteho ročníka zosúladených s revidovaným kurikulom Turecka a modelom inženierskeho učenia založeného na dizajne. Platforma zameraná na vzdelávanie skórovala vyššie vo všetkých ôsmich kritériách kvality — vrátane etáp intenzívnych na spätnú väzbu a zosúladenia s kurikulom — čo je dôkaz, že vloženie pedagogickej štruktúry do AI prináša lepšie zosúladený výstup. Napriek tomu niektorí experti stále preferovali všeobecný plán pre jeho silnejší sociálno-emocionálny dôraz a 7 z 11 hodnotilo plány ako „použiteľné po korekcii“, a nie priamo použiteľné. Voľba platformy a rámcovania promptu, nielen samotná AI, formuje to, ako dobre sa generované plány zosúlaďujú so štandardmi kurikula a procesnými modelmi.

Štruktúra, a nie formulácia promptu, je to, čo robí navrhovanie s AI spoľahlivým v produkcii: Paiva (2026) a jeho postup Curriculum-as-Code agresívne prerezával kontext a generoval materiály sekciu po sekcii naprieč 28 kontextmi projektov, čím skrátil čas prípravy inštruktora z približne ôsmich na dve hodiny na inštrukciu a nezanechal žiadne konceptuálne alebo matematické halucinácie, ktoré by ľudská revízia musela zachytiť.

Súvislosti s príbuznými konceptmi

Návrh kurikula sa priamo spája s návrhom učenia — kurikulum definuje čo, výučba definuje ako. Spája sa s AI gramotnosťou, pretože vloženie AI kompetencií je primárnou kurikulárnou výzvou, s rolou učiteľa a vzdelávacím rozvojom, pretože zmena kurikula vyžaduje prípravu pedagógov, a s podporným lešením, pretože dobre navrhnuté kurikulá podopierajú rozvoj zručností naprieč kurzmi a rokmi. Väzby na vysoké školstvo a K-12 odrážajú relevantnosť návrhu kurikula naprieč vzdelávacími úrovňami.

Vybrať si jeden rámec AI gramotnosti znamená vybrať si slovník, ktorý nikto neprepojil. V scoping prehľade 50 rámcov pre K-12 Kharbach a spol. (2026) zistili, že definície kompetencií sa zbiehajú na kognitívnych, afektívnych, behaviorálnych, etických a sociálnych dimenziách, kým označenia a konštrukty sa nezhodujú. Len rámec ABCE sa priblížil zdieľanej meracej tradícii, validovaný v Hongkongu, Šanghaji a na Taiwane, a progresia naprieč ročníkmi bola opakovane navrhovaná a nikde netestovaná.

Bežné mylné predstavy

• „LLM dokáže zmapovať kurikulum, keď sa raz validuje s vysokou spoľahlivosťou.“ GPT-o3-mini rozdelil 100 % naprieč siedmimi podnikovými zručnosťami pre každé zo 48 hodnotení a dosiahol Krippendorffovu alfu 0,81 oproti expertným váham — a zhoda sa zrútila pri konkrétnych zručnostiach. Vysoká celková spoľahlivosť s nerovnomernou zhodou je vzor, ktorý treba skontrolovať pred dôverou v mapovanie.
• „Vložiť AI gramotnosť znamená pridať kurz.“ LearnAI ukazuje vloženú formu: širokú expozičnú vrstvu krátkych prezentácií v 18 existujúcich kurzoch naprieč piatimi disciplínami (293 študentov). Expozícia bola distribuovaná naprieč kurikulom, a nie zhromaždená do jednej jednotky.
• „Študenti prichádzajú už schopní kriticky hodnotiť médiá.“ Len 13,8 % opýtaných študentov vzdelávania a žurnalistiky uviedlo, že ich kurzy sa zaoberali kritickou mediálnou analýzou, oproti 97,8 %, ktorí ju hodnotili ako dôležitú. Medzera medzi hodnotením zručnosti a jej výučbou je kurikulárnou príležitosťou.

Súvisiace koncepty

• Pedagogical Partnerships — Pedagogické partnerstvá
• Business Education
• Návrh učenia
• AI gramotnosť
• Scaffolding
• Vzdelávací rozvoj
• Výučba
• Higher Education
• K-12
• STEM Education
• CS Education
• Generative AI
• Agentická AI
• Metacognition
• Prompt Engineering
• Collaborative Learning
• Pedagogies and Teaching Strategies — Zastrešujúci koncept: pedagogiky a výučbové stratégie v AI vzdelávaní
• Recommender Systems and Learning Paths

Súvisiace články

• Leveraging GenAI models for Curriculum Analytics: A Human-Centered Approach for Curriculum Mapping in Higher Education — Weighted, expert-validated skill mapping for accreditation
• 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 Alignment
• 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 on action based on goals, models of human learning, and use of technologies
• 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
• K-12 AI literacy frameworks after generative AI: A scoping review - competency frameworks converge on five dimensions without a shared vocabulary or crosswalk
• Exploring the integration of artificial intelligence into residency education curriculum: qualitative interviews — Barriers to integrating AI into residency curricula: qualitative interviews with twelve physician leaders