Kubuni Mtaala

Tafsiri ya kiotomatiki ya ukurasa huu wa Kiingereza, ambayo haijakaguliwa na mzungumzaji mzawa.

Kubuni Mtaala — mchakato wa kupanga na kuunda kile kinachofundishwa katika kozi, programu, na taasisi, ukijumuisha malengo ya kujifunza, mpangilio wa nyenzo, mikakati ya tathmini, na maendeleo ya ujuzi. Katika zama za AI, kubuni mtaala lazima usawazishe maarifa ya msingi na uwezo unaojitokeza wa AI, kwa kuamua si tu kile wanafunzi wanajifunza bali jinsi wanavyojifunza kufanya kazi na kutathmini kwa njia mahususi zana za AI.

Maswali ya Kutafakari

• Kubuni mtaala huuliza wanafunzi wanapaswa kujifunza nini katika ngazi ya programu, wakati kubuni kujifunza huuliza jinsi katika ngazi ya kozi. AI inapobadilisha taaluma, unafikiri tabaka lipi kati ya hili mbili linapaswa kubadilika kwanza?
• Kadiri AI ya kizalishaji inavyofanya kazi za ngazi ya utekelezaji kiotomatiki, baadhi wanadai mitaala lazima ielekezwe kwenye ubuni wa mifumo, uwekaji kwa uteuzi, na kutathmini kwa njia mahususi. Unafikiri wanafunzi wangepoteza nini ujuzi wa ngazi ya chini ungipunguzwa uzito?
• Kubuni upya mtaala katika zama za AI mara nyingi huwekwa kama usawa kati ya ufasaha wa zana na maarifa ya msingi. Umeona uwiano huo ukiinamisha upande gani kupita kiasi?
• Mfumo wa SAIL unachukulia ujuzi wa AI kama unaoenezwa kwa umri na ulioundwa kushughulikia 'mgawanyo wa kidijitali' zaidi ya upatikanaji. Kuweka ujuzi wa AI katika mtaala mzima unatofautianaje na kuongeza kozi moja ya AI?
• Kama kila taaluma sasa inahitaji uwezo wa AI umeingizwa ndani yake, nani anawajibika kwa mabadiliko ya mtaala — waelimishaji, programu, au taasisi — na waelimishaji wanahitaji nini kufanikiwa?
• Mtaala ni mfululizo wa ujuzi katika miaka, si orodha tu ya mada. Mtazamo mrefu zaidi unabadilishaje kama 'kitengo cha ujuzi wa AI' kinabaki kweli?

Utangulizi

Kubuni mtaala hushughulikia nini cha elimu katika ngazi ya programu, kikikamilisha Muundo wa Kujifunza ambayo hushughulikia jinsi katika ngazi ya kozi. Makala katika hifadhi hii ya maarifa yanachunguza jinsi AI inavyobadilisha mitaala katika taaluma mbalimbali — kutoka uhandisi wa programu hadi usanifu hadi elimu ya kijani — na jinsi waelimishaji wanavyobuni mitaala yanayoingiza ujuzi wa AI bila kutoa misingi ya taaluma.

Mada kuu za utafiti

Kubuni upya mitaala kwa zama za AI ni changamoto kuu. Lee et al. walijumuisha matokeo kutoka warsha za kimataifa juu ya kubadilisha elimu ya CS ya shahada ya kwanza, wakidai kuwa kadiri GenAI inavyofanya upangaji programu wa ngazi ya utekelezaji kiotomatiki, mitaala lazima ielekezwe kwenye ubuni wa mifumo, uwekaji kwa uteuzi, na kutathmini kwa njia mahususi — huku kupunguza uzito wa maelezo ya utekelezaji wa ngazi ya chini. Gorsky alibainisha Uhandisi wa Programu wa Wakala kama taaluma tofauti yenye mtaala wa moduli 21 unaozingatia "mageuko ya nia" na nidhamu ya mtaalam inayohitajika kudhibiti mawakala wa AI. Zote mbili zinaungana na Ujuzi wa AI na Ngazi za Msaada.

Wakagua mabadiliko kama ya mfumo badala ya nyongeza, Sabani et al. (2026) wanatumia mbinu ya pemetatu juu ya mapitio ya upeo, ramani ya bibliometriki ya rekodi 209, makala 36, na mahojiano kumi ya viongozi wa kitaaluma katika mabadiliko matano — ikijumuisha uhamishaji wa maarifa ukitoa nafasi kwa maendeleo ya uwezo na majaribio ya mahali hapo hadi utawala wa taasisi.

Kuweka ramani na uchanganuzi wa mtaala unatumia AI kuelewa mitaala yaliyopo. Geng et al. walichanganua mitaala 23 kutoka kozi za uhandisi wa programu zinazosaidiwa na AI, wakitambua mada za pamoja — uhandisi wa ilani, ukaguzi wa msimbo na AI, mambo ya maadili — na kutoa mwongozo wa kubuni unaosisitiza kusawazisha ufasaha wa zana na maarifa ya msingi. CourseGraph inatumia mbinu za kikokotozi kulinganisha miundo ya kozi za CS katika taasisi tofauti.

Ujumuishaji wa ujuzi wa AI unaweka uwezo wa AI katika taaluma mbalimbali. SAIL hutoa mfumo wa ujuzi wa AI wenye ngazi za msaada unaoweza kutumika katika umri wote na hatua zote za elimu, ukishughulikia mgawanyo wa kidijitali wa ngazi ya pili na ya tatu kidijitali. Tracing GenAI Literacy: Student-AI Interaction Patterns in Academic Writing inachunguza jinsi ujuzi wa AI unavyostawi kupitia mifumo ya mwingiliano. Systematic Review of Collaborative Learning Activities for Promoting AI Literacy inachunguza mbinu za ushirikiano katika maendeleo ya mtaala wa ujuzi wa AI, ikiungana na Kujifunza kwa Ushirikiano.

LearnAI inaonyesha jinsi toleo lililoingizwa linavyoonekana: tabaka la mwonekano mpana wa matangazo mafupi ndani ya kozi 18 zilizopo katika taaluma tano (wanafunzi 293), likiunganishwa na vipindi vya kujenga pamoja moja-kwa-moja vya kujitolea vinavyoendeshwa na wataalam wadogo wa shahada ya kwanza waliofunzwa, ili wanafunzi wenye uwezo mchanganyiko wakute na kazi za AI katika kiwango chao wenyewe (Qu et al. (2026)).

Ujumuishaji katika mazoezi unachelewa na miundo. Santos-Albardía et al. (2025) waligundua wanafunzi 13.8% tu waliohojiwa wa elimu na uanahabari walisema kazi zao zilishughulikia uchanganuzi mahususi wa vyombo vya habari, dhidi ya 97.8% ambao waliupima kuwa muhimu, na mahojiano yao ya wataalam yalifuatilia pengo hadi mafunzo ya walimu yanayotoa kipaumbele ujuzi wa kiufundi na wa kielimu badala ya elimu ya vyombo vya habari.

Mapitio ya PRISMA ya masudio 39 ya STEAM (2016–2025) yaligundua ukosefu sawa wa uwiano katika vipengele vya ujuzi wa AI: utekelezaji ulistawi ujuzi wa kiufundi — dhana za msingi za AI, ufikiri wa kikokotozi, ujuzi wa data — huku ukikuza kidogo ufahamu wa maadili, mawazo ya kibunifu, na kuunda, kusimamia na kubuni kwa AI, hivyo kukagua kila kitengo dhidi yake ni jibu la vitendo (Niri et al., 2026).

Sauti ya mwanafunzi ni pembe nyingine ya kubuni: wanafunzi 84% wa 166 wa mwaka wa mwisho wa biashara walitaka GenAI ifundishwe katika vitengo vyao na 85% waliona ni muhimu kwa uwezo wa kazi, wakati 7% tu walikuwa wamejifunza kwayo kutoka chuo kikuu chao (Rook & Plumb (2026)).

Mapitio ya masudio 42 ya elimu ya AI ya awali ya chuo kikuu yanagundua mitaala yakihama kutoka nyenzo ya kiufundi hadi miundo inayotegemea uwezo iliyojengwa juu ya miundo kama AI4K12 na Mawazo Makubwa Matano katika AI, na Ujuzi wa AI ikichukuliwa kama uwezo wa kuvuka mitaala huku vyombo vya kawaida vya kutathmini vikiwa havipo (Caruana et al. (2026)).

Waelimishaji na waajiri walikubaliana juu ya umuhimu wa ujuzi mmoja tu kati ya ujuzi 26 wa AI — kuweka matarajio ya kweli kwa kazi iliyoongezwa na AI — na ujuzi watatu tu kati ya 26 vilifundishwa na nusu au zaidi ya waelimishaji, ushahidi wa ripoti wa pengo la ujuzi wa AI kati ya elimu ya juu na waajiri (Fried (2026)).

Ubuni wa shughuli za ML za K-12 unabaki juu: mapitio nyuma ya mfumo wa ICE-T yaligundua kuwa matumizi yasiyoonekana, mwingiliano wa vitufe, na uzinduzaji wa mfano ni takribani 60% ya shughuli za kujifunza zilizosimamiwa zilizowekwa kodi, uundaji wa wazi ulitokea mara mbili tu, na mitazamo ya kiufundi na ya kijamii ilitokea pamoja katika shughuli 3% tu (Haritz et al., 2026).

Viboresho vya mtaala maalumu ya taaluma vinatumia kubuni mtaala katika maswala mahususi. Gen-AI-tecture: using generative AI to support architectural students in design tasks inachunguza jinsi AI ya kizalishaji inavyobadilisha Mbinu za Kufundisha na Mikakati ya Kufundisha ya ubuni wa usanifu. The Role of Artificial Intelligence in Green Education: Optimizing Teacher Workflow and Enhancing Pedagogical Design under Sustainable Development Pedagogy (SDP) Constraints inachunguza ujumuishaji wa AI katika mitaala ya elimu ya kijani. ConnectED: A Curriculum-Aligned AI System for Vietnamese Instructional Lesson Planning and Student Learning na LLMs to Support K-12 Teachers in Culturally Relevant Pedagogy: An AI Literacy Example zinashughulikia kubuni mtaala unaozingatia kitamaduni.

Weka AI ndani ya taaluma badala ya kando yake. Mtaala wa AI wa ngazi tatu (utangulizi, matumizi, juu) uliingiza kujifunza kwa mashine katika mada zilizopo za uhandisi wa joto katika kozi ya saa 39.1 badala ya kuongeza masomo ya hiari wa sayansi ya kompyuta, kuepuka mzigo wa ziada kwa wanafunzi wa uhandisi wa mitambo na kutoa mtaala wake, data na msimbo wazi (Li et al. (2026)).

Kisa cha uanahabari kinaonyesha toleo la maadili-ya-kwanza: ngazi za msaada za maadili–michakato–uwezo za pande tatu zilihamisha wanafunzi kutoka utangazaji wa binadamu peke yake hadi kazi iliyounganishwa na AI, hata hivyo wanafunzi 8 kati ya 9 (89%) waliripoti uaminifu katika maamuzi ya maadili wakati vipengele vya dodoso juu ya uandishi na upendeleo vilionesha ufahamu wa juu tu (Ngu na Weller (2026)).

Miundo ya taasisi inashughulikia mabadiliko ya mtaala kwa kiwango kikubwa. A principled way to think about AI in education: guidance for educators and policy makers based on goals, models na A principled way to think about AI in education: guidance for educators and policy makers based on goals, models hutoa kanuni za kujumuisha AI katika programu za elimu. The Main Barrier to AI Adoption in the Public Sector is Lack of Training inachunguza vizuizi vya kupitishwa kwa mtaala wa AI katika elimu ya sekta ya umma.

Kupanga AI katika programu. Torres-Sahli et al. wanapendekeza mfumo wa "zuia, kisha zidisha" unaopanga AI ya kizalishaji katika ngazi ya programu: zuia zana ya kizalishaji uwezo unapokuwa unajitokeza, kisha urejeshe ili uzidishe uwezo huo mara mwanafunzi anapoweza kuuelekeza na kuhukumu mapato yake. Ikitawaliwa na kigezo cha kujitokeza-dhidi-ya-kupunguza-mzigo (kama kipindi cha kazi kinajenga uwezo au kwa kupitisha tu kupitia zana), mfumo unaunganisha kubuni mtaala na Kupunguza Mzigo wa Kiakili, Kujifunza kwa Kujidhibiti, na Uadilifu wa Kitaaluma, na viwango vigumu vya kupindua vya kukagua katika kila pini ya zuia-hadi-zidisha.

Mwavu wa hatua za juu zaidi si kozi zaidi: katika miradi 89 ya capstone iliyosaidiwa, maendeleo kutoka Kiwango cha Utayari wa Kazi 6 hadi 7 kilizuiliwa na uzoefu ulioingizwa katika sekta — mikakati ya pamoja na miradi ya Manufacturing Extension Partnership — hivyo digrii zinahitaji kujifunza kuliounganishwa na kazi badala ya somo jingine la hiari la kiufundi (Smith et al. (2026)).

Matokeo ya ngazi ya mtaala ya uwezo wa mfano ni kwamba ubuni unaopinga AI huisha muda. Waelimishaji wa kompyuta walielezea kusawazisha kazi dhidi ya kile mifano haikuweza bado kufanya na kuona usawazishaji unaporeka — matatizo ya mkufunzi wa usalama wa mtandao yalihitaji utatuzi wa matatizo halisi miezi saba au nane mapema na kisha yalitatuliwa tu — na mwelekezi wa warsha alikadiria muda wa kuishi wa kama kipindi kimoja. Matokeo ya kimuundo ya warsha ni kwamba karibu kila marekebisho yalifanywa na mwalimu mmoja ndani ya kozi moja, bila uratibu wa taasisi ambao majibu ya kudumu ya mtaala yangelihitaji (Akbar et al., 2026).

Mlingano wa kozi nzima AI ya kizalishaji inaporuhusiwa. Kubuni upya kwa 2026 kwa kozi ya fizikia ya nyuklia na chembe chembe ya utangulizi (Mikhasenko et al.) ilijumuisha aina tatu za shughuli zenye majukumu tofauti — mihadhara kwa dhana na alama, mafunzo kwa mazoezi ya kichanganuzi ya kawaida, na kazi za nyumbani kama kipengele cha uchunguzi cha "kimeundwa kama utafiti" chenye matatizo magumu, yenye mbinu nyingi. Msuguano ulioripotiwa (sharti la awali la upangaji programu ambao haukutangazwa, muda wa kutosha wa kuelewa badala ya kupata majibu tu, na kutolingana kati ya mihadhara, mafunzo, kazi za nyumbani na mtihani) kinaonyesha kuwa kuruhusu AI ya kizalishaji kulazimisha kazi ya kulingana kwa mtaala katika kozi nzima badala ya mabadiliko ya aina moja ya kazi; muundo wao unaopendekezwa unaweka kazi ya uchunguzi inayoruhusu AI kama kazi za juu zinazobeba bonasi wakati mtihani wa maandishi usiosaidiwa unaamua alama.

Kina cha kulingana, si mara ya matumizi, ndicho kinatofautisha mifumo ya ujumuishaji. Katika visa 17 vya moduli za biashara, sita ziliingiza GenAI kwa mfumo katika kufundisha, kujifunza na tathmini (constructive), tisa zilifanya hivyo bila uthabiti (blended) na mbili kwa vipindi (ad hoc); visa vya constructive viliripoti matokeo yenye nguvu zaidi ya ushiriki, uwezo na uhusiano wa mtaala (Zhou et al. (2026)).

Ushauri wa kulingana kwa ujenzi chini ya uchanganuzi mahususi. Pale vyanzo vilivyo juu vinaripoti juu ya kulingana katika mazoezi, McInnes et al. (2026) wanasoma mwongozo wenyewe kama mazungumzo. Uchanganuzi mahususi wa mazungumzo wao wa vipande 14 vya fashti ya kijivu iliyochapishwa kuanzia Novemba 2022 hadi Aprili 2025 — hasa kurasa za taasisi na sura kutoka vitengo vya kujifunza na kufundisha vilivyowekwa katikati — viligundua kulingana kwa ujenzi kikiwasilishwa kama tatizo la ufanisi: AI ya kizalishaji ilikuwa "njia ya ufanisi na yenye tija ya kutayarisha rubriki" ambayo ingeweza "kurahisisha mchakato", ikiwekwa kama binadamu kama "mtaalam wa elimu na msaidizi", "mshirika wa mazungumzo" au "msaidizi mahiri katika ubuni wa mafunzo", huku wataalam wa kitaaluma wakitoa tu "ujuzi wa mada" na zana ikichukua "mzigo mzito wa kuendeleza malengo ya kujifunza, kupanga nyenzo za kozi ... na kulinganya vipengele vya kozi". Mapishi ya ilani ya kunakili na kubandika na violezo vilivyopangwa vilifunga CA kama bidhaa inayoweza kuwekwa kwa kiwango, vikizalisha hali tatu za kushindwa: uendeshaji kwa mazoezi (kulingana ambacho kinaonekana kulingana tu), ufutaji wa muktadha uliowekwa katika hali na mahususi, na CA ya juu ambayo inachanganya kulingana na kipengele cha ujenzi. Tiba yao inapanga upya mtiririko wa kazi wa kubuni mtaala — waelimishaji lazima waelewe CA vizuri vya kutosha kuongoza, kutathmini na kukataa matokeo ya AI kabla ya kukabidhi sehemu yoyote yake — na kuzuia zana yoyote kwa wakala wa kurudia-unaozidisha wa taasisi uliowekwa kwenye sera ya mahali hapo, rubriki na sifa za wahitimu, na jukumu la "mkufunzi wa katikati" ambalo linaendelea badala ya kuchukua nafasi ya uhusiano wa msanidi.

Kuzalisha kazi za kuiga zilizolingana na mtaala. Mifumo inayoendeshwa na AI inaweza kushughulikia upungufu wa waelimishaji wa muda na rasilimali za kubuni kazi za kuiga kihesabu za ubora wa juu kwa kuzalisha matatizo yanayolingana na mtaala na mapendekezo ya kielimu yaliyowekwa kwenye kanuni za ubuni na uzalishaji wa kurudia-unaozidisha — mbinu iliyoonyeshwa kwa mabadiliko ya moja kwa moja katika hesabu ya shule ya sekondari (Creating an AI-powered platform for generating modelling problems: A case study on direct variation in secondary school mathematics). Masomo ya kozi yenyewe sasa ni malengo ya uzalishaji pia: Sidorkin (2026) alibadilisha kitabu cha biashara na masomo ya kila wiki yaliyozalishwa na AI katika kozi ya uongozi wa elimu ya chuo kikuu cha juu, na ingawa wanafunzi waliyapima kuwa ya msaada na asilimia 75 walikubaliana walijifunza zaidi kuliko katika kozi inayolingana, kurasa 4,487 za kumbukumbu zilikuwa na nukuu za ndani za mtindo wa APA kwenye kurasa 0.80 tu na ziliunganisha chuo au mfumo uliotajwa na madai thabiti ya sera kwenye kurasa 1.03 takribani bila chanzo kinachoweza kuthibitishwa. Somo la nyenzo za mtaala ni kuchukulia masomo yaliyozalishwa kama uzalishaji wa rasimu chini ya ukaguzi wa mwalimu, kupanga bajeti kwa kazi ya mwalimu ya kubuni ilani na uhakiki, na kuchagua vyanzo vilivyokaguliwa ndani ya msaidizi badala ya kuwaachia ubora wa chanzo wanafunzi waibaini kutoka muktadha.

Upangaji wa masomo unaosaidiwa na AI katika tabaka la mtaala-hadi-darasa. Katika hatua ambapo mtaala unakuwa somo lililofundishwa, Luo na Tahir (2025) walilinganishwa kwa mtihani mipango iliyozalishwa na mwalimu dhidi ya iliyosaidiwa na ChatGPT katika elimu ya sanaa ya STEAM ya watoto, wakipata mipango iliyosaidiwa na AI ilipimwa juu zaidi kwa kiasi kinachoweza kuthibitishwa na profesa sita wataalam (wastani 20.5 dhidi ya 17.6, p = .002, athari kubwa). Wanaonyesha malipo yanategemea jinsi mwalimu anavyokabidhi: mbinu inayopendekezwa inajaza pengo la nyenzo katika somo lililojitolea na mwalimu mwenyewe (kuhifadhi uhuru wa kubuni wa mwalimu) badala ya kukabidhi mpango mzima, na wanachangia kiolezo cha ilani cha Jukumu–Maelekezo–Lengo la Mwisho kwa uzalishaji unaoweza kurudiwa, unaodhibitiwa na ubora — ushahidi kwamba upangaji wa masomo la AI ni wenye nguvu zaidi unapoingizwa ndani ya, si kuchukua nafasi ya, maamuzi ya mtaala ya mwalimu. Katika elimu ya sayansi, uthibitisho wa wataalam unafikia hukumu ya sambamba juu ya ubuni wa jukwaa: Karaismailoglu, Surmeli na Yildirim (2026) waliwapa wataalam kumi na mmoja wa Elimu ya Sayansi nafasi ya kupima ChatGPT-4 na zana inayoelekezwa kwa elimu (Teacher's Buddy) kwenye mipango ya darasa la sita iliyolingana na mtaala wa Turkey uliorekebishwa na mfano wa Kujifunza la Ubuni Unaotegemea Uhandisi. Jukwaa linaloelekezwa kwa elimu lilipata alama za juu katika vigezo vyote vinane vya ubora — ikijumuisha hatua zenye maoni nyingi na kulingana na mtaala — ushahidi kwamba kuingiza muundo wa kielumu katika AI huzalisha matokeo yanayolingana vizuri zaidi; hata hivyo baadhi ya wataalam bado walipendelea mpango wa matumizi ya jumla kwa mkazo wake mkubwa wa kihisia-kijamii, na wataalam 7 kati ya 11 walihukumu mipango kuwa "yanayoweza kutumika kwa marekebisho" badala ya yanayoweza kutumika moja kwa moja. Uchaguzi wa jukwaa na mwelekeo wa ilani, si AI yenyewe tu, huunda jinsi mipango yaliyozalishwa yanavyolingana na viwango vya mtaala na miundo ya michakato.

Muundo, si mwelekeo wa ilani, ndicho unafanya uandishi wa AI kuwa wa kuaminika katika uzalishaji: Paiva (2026) katika mfumo wa Curriculum-as-Code ulipunguza muktadha kwa ukali na kuzalisha nyenzo kwa kisekta katika miktadha 28 ya miradi, ambayo ilipunguza muda wa maandalizi ya mwalimu kutoka kama saa nane hadi saa mbili kwa kila maelekezo na haikuachia maono yasiyo ya dhana au ya kihesabu kwa ukaguzi wa binadamu kugundua.

Viunganisho na dhana zinazohusiana

Kubuni mtaala unaungana moja kwa moja na Muundo wa Kujifunza — mtaala unafafanua nini, mafunzo yanafafanua jinsi. Unaungana na Ujuzi wa AI kwa sababu kuingiza uwezo wa AI ni changamoto kuu ya mtaala, na Kufundisha na Maendeleo ya Kielimu kwa sababu mabadiliko ya mtaala yanahitaji maandalizi ya waelimishaji, na Ngazi za Msaada kwa sababu mitaala yaliyobuniwa vizuri yanaweka ujuzi katika hatua za msaada katika kozi na miaka. Viunganisho vya Elimu ya Juu na K-12 vinaakisi uhusiano wa kubuni mtaala katika viwango vya elimu.

Dhana Zilizounganishwa

• Ushirikiano wa Mbinu za Kufundisha — Ushirikiano wa Kielimu
• Elimu ya Biashara
• Muundo wa Kujifunza
• Ujuzi wa AI
• Ngazi za Msaada
• Maendeleo ya Kielimu
• Kufundisha
• Elimu ya Juu
• K-12
• Elimu ya STEM
• Elimu ya Sayansi ya Kompyuta (CS)
• Akili Bandia ya Kizazi
• Akili Bandia Inayojitegemea
• Metaji (Kufikiri Kuhusu Kufikiri)
• Uhandisi wa Ilani (Prompt Engineering)
• Kujifunza kwa Ushirikiano
• Mbinu za Kufundisha na Mikakati ya Kufundisha — Mwavuli: mbinu za kufundisha na mikakati ya kufundisha katika elimu ya AI
• Mifumo ya Kupendekeza na Njia za Kujifunza

Makala Zilizounganishwa

• Efficiency at what cost? Salvaging constructive alignment from the GenAI hype — Uchanganuzi mahususi wa mazungumzo ya mwongozo wa GenAI-kwa-kulingana-kwa-ujenzi (McInnes et al. 2026)
• Addressing Trust in AI Systems through Education: A Didactic Perspective — Kushughulikia Uaminifu katika Mifumo ya AI kupitia Elimu: Mtazamo wa Kididaktiki
• Refrain, Then Amplify: A Curriculum Framework for Sequencing Generative AI to Form Professional Judgement — Mfumo wa mtaala wa zuia-kisha-zidisha kwa kupanga GenAI (Torres-Sahli et al. 2026)
• Giving Mechanical Engineers Intelligent Tools: A Project-Based AI Education Curriculum in Thermal Engineering — Mtaala wa Elimu ya AI unaotegemea Mradi katika Uhandisi wa Joto
• 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 — Mfumo wa Kiwango cha Utayari wa Kazi kwa uzalishaji mahiri katika zama za AI
• Rewriting the Curriculum: A Systematic Review of Generative AI-Driven Pedagogical Change and Emerging Systems of Learning in Higher Education — Kuandika upya mtaala: mabadiliko ya kielimu yanayoendeshwa na GenAI
• 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 — Mfumo wa Ujuzi wa AI: ujuzi 26 unaoweza kutathminiwa kwa kuweka ramani ya mtaala
• LearnAI: Just-in-Time AI Co-Creation Across Disciplines at a University — LearnAI: Uundaji wa Pamoja wa AI wa Wakati Unaofaa katika Taaluma Mbalimbali
• When Saying No Makes Better Videos: Designing Dual Gatekeeping for Pedagogically Grounded AI Content Creation — Kusema Hapana Kunapofanya Video Bora Zaidi: Udhibiti wa Malango Mawili kwa Uundaji wa Nyenzo ya AI Uliowekwa kielimu
• STEAM Education for AI Literacy: A Systematic Literature Review — Elimu ya STEAM kwa ujuzi wa AI: mapitio ya kimfumo
• 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 — Kuandaa wanafunzi na walimu kwa mustakabali unaoendeshwa na AI: SLR ya elimu ya AI ya awali ya chuo kikuu (Caruana et al. 2026)
• Creating an AI-powered platform for generating modelling problems: A case study on direct variation in secondary school mathematics — Jukwaa linaloendeshwa na AI linalozalisha matatizo ya kuiga kihesabu (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 katika Elimu ya Fizikia ya Chembe Chembe: Matatizo ya Utafiti na Ujuzi wa Msingi
• AI Can Do Your Homework. Now What? Report from an online workshop on computing assessment in the age of generative AI — AI Inaweza Kufanya Kazi Zako za Nyumbani. Sasa Nini? Ripoti kutoka warsha mtandaoni juu ya tathmini ya kompyuta katika zama za AI ya kizalishaji