1) Sollten wir auf alternative Prüfungsformate umstellen, damit KI nur beim Lernen hilft (statt es abzukürzen)?
Ja – und viele sollten es tun. Authentische, anwendungsnahe und mündliche Formate können Gelegenheiten für „Low-Effort“-Outsourcing verringern und zugleich produktive KI-Nutzung ermöglichen (z. B. iterative Entwürfe, datenbasierte Reflexion, Kolloquien/Oral Exams, In-Class-Builds). Drei Praxis-Checks sind jedoch entscheidend:
KI-Resilienz: Macht die Aufgabe „Low-Effort“-KI-Einsatz unattraktiv? (z. B. gestufte Abgaben, mündliche Verteidigungen, nachvollziehbarer Prozess) [1]
Machbarkeit: Lässt sich das Format in der Breite umsetzen, ohne den Lehr-/Korrekturaufwand gegenüber einer Schreibaufgabe drastisch zu erhöhen?
Gleichwertige Lernziele: Fördert es weiterhin jene Ergebnisse, die akademisches Schreiben auszeichnen: Literaturrecherche und -navigation, Evidenzauswahl, Argumentation, Synthese, Zitieren und eine eigene Stimme?
In der Praxis erfüllen nur wenige Einzel-Formate alle drei Kriterien. Darum ist ein ausgewogenes Portfolio – und transparente KI-Nutzung – oft besser als der Komplettwechsel. Zugleich müssen wir eine unbequeme Tatsache anerkennen: Nachträgliche KI-Detektion, ob durch Menschen oder KI-Tools, ist isoliert unzuverlässig (ohne Einbezug von Schreibprozess-/Versionsanalyse); eine strenge PLOS-ONE-Feldstudie fand z. B., dass 94 % eingeschleuster KI-Abgaben unentdeckt blieben und teils gut bewertet wurden. Aufgaben-Design und Prozess-Evidenz sind wichtiger denn je – lösen das GenAI-Integritätsproblem aber nicht vollständig. [2]
2) Warum nicht Hausarbeiten komplett abschaffen und die KI schreiben lassen?
Weil wir damit einen nahezu einzigartigen Lernmotor verlieren würden. Jahrzehnte der Forschung zeigen: „Writing to learn“ fördert kritisches Denken wirksamer als Nicht-Schreib-Aufgaben; Lernende, die regelmäßig schreiben, erzielen größere Zuwächse in Analyse und Begründung. Schreiben externalisiert Denken, erzwingt Evidenzauswahl, verknüpft Quellen und stärkt durch Überarbeitung die konzeptionelle „Verdrahtung“. [3]
Wenn wir Schreiben entfernen, entfernen wir jene langsame, anstrengende Kognition, in der ein Großteil des Lernens stattfindet. Die Lösung ist nicht, KI zu verbieten oder Essays abzuschaffen, sondern den Prozess sichtbar zu machen und das Denken zu belohnen, das Schreiben voraussetzt: gestufte Gliederungen, annotierte Quellen, Versionsverläufe und/oder kurze mündliche Verteidigungen, die am eingereichten Text andocken.
3) Funktioniert Mentafys Prozess-Forensik wirklich – und kann man sie nicht leicht umgehen?
Digitale Forensik ist nichts Neues; sie ist ein etabliertes Forschungsfeld, das wir auf Autorschaft, „Contract Cheating“ und Plagiate anwenden. Prozess-Spuren – Entwicklung von Entwürfen, Zeitmuster, Datei-Metadaten – liefern Evidenz dafür, dass Text verfasst statt nur eingefügt oder transkribiert wurde. Die Dissertation von Clare Johnson bündelt das Feld und zeigt, wie Prozesssignale echte Autorschaft und Lernaufwand anzeigen können. [4]
Darauf baut Mentafy auf. Unser System analysiert Versionsverläufe und andere minimalinvasive Artefakte (kein Keylogging), um selbst erstelltes Schreiben (viele kleine Überarbeitungen, natürliche Pausen, lokale Edits) von Abkürzungs-Verhalten (große Block-Einfügungen, unplausible Zeitabläufe, flache Revisionsspuren) zu unterscheiden. Wir haben unsere Modelle an 10.000+ validierten Dokumenten justiert, um die Sensitivität für menschliche Schreibmuster zu maximieren. Und weil reine Endtext-Detektion fragil ist (False Positives/Negatives, Bias-Risiken), fokussieren wir darauf, wie ein Text entsteht – nicht nur was er sagt – und ergänzen so Lehrkraft-Urteil und authentische Prüfungen. [1]
Natürlich ist unabhängige Evaluation zentral. Eine Drittprüfung unter dem Dach der European Network for Academic Integrity (ENAI) ist geplant; Ergebnisse werden für die zweite Jahreshälfte 2026 erwartet. Grundsätzlich plädieren wir für einen Portfolio-Ansatz: Prozess-Evidenz + authentische Aufgaben + explizite KI-Nutzungsregeln – damit Studierende wirklich lernen und Lehrende fair bewerten können. Weitere Details finden Sie in unserem Whitepaper.
Literatur
[1] „Short Guide 9: Assessment in the Age of AI“, Centre for the Integration of Research, Teaching and Learning (CIRTL), University College Cork, January 16th, 2025k
Noch kein Kommentar, Füge deine Stimme unten hinzu!