KI-gestütztes Feedback und Benotung in der Hochschulbildung

Die Art und Weise, wie wir das Lernen der Schüler bewerten und Feedback geben, entwickelt sich weiter. Da die Klassenräume immer vielfältiger werden und das Lernen sowohl online als auch persönlich stattfindet, sind traditionelle Bewertungsansätze nicht mehr geeignet. Gleichzeitig öffnen neue Technologien wie künstliche Intelligenz (KI) die Tür zu aufregenden neuen Möglichkeiten.

Stellen Sie sich vor, Sie könnten jedem Schüler zeitnahes, personalisiertes Feedback geben, ohne Ihre Arbeitsbelastung zu verdreifachen oder Lernschwierigkeiten frühzeitig zu erkennen, bevor sie sich auf die Ergebnisse auswirken. KI macht das möglich. Mithilfe von KI finden Pädagogen neue Wege, um den Unterricht zu verbessern und sich mehr auf das zu konzentrieren, was am wichtigsten ist: die Lernerfahrung der Schüler.

Diese Transformation bringt Fragen mit sich. Wie stellen wir sicher, dass KI ethisch und verantwortungsbewusst eingesetzt wird? Und wie können Institutionen die Unterstützung bieten, die die Fakultät benötigt?

Dieser Leitfaden hilft Ihnen und Ihrer Institution dabei, diese und weitere Fragen zu untersuchen.

Kapitel 1 bereitet die Weichen, indem es sich mit den Anforderungen moderner Assessments sowie mit den Herausforderungen befasst, die mit der Abgabe von Feedback und Benotung verbunden sind.

In Kapitel 2 werden die Vorteile von KI-gestütztem Feedback und Benotung sowie die Nutzung von KI für qualitativ hochwertiges Feedback und Bewertungen untersucht.

Kapitel 3 untersucht die Zukunft des KI-Feedbacks und der Benotung sowie die Frage, wie Institutionen die damit verbundenen ethischen Bedenken angehen können.

Unser Ziel ist es, KI zu entmystifizieren und eine Roadmap anzubieten, der Sie vertrauen können. Eine Roadmap, die auf Pädagogik basiert, durch Forschung unterstützt und von den tatsächlichen Bedürfnissen von Pädagogen und Schülern geprägt ist. In der Zukunft der Bewertung geht es nicht darum, Menschen durch Maschinen zu ersetzen. Es geht darum, mithilfe intelligenter Tools die Fakultät in die Lage zu versetzen, den Studierenden beim Lernen besser zu helfen.

Kapitel 1: Bewertung und Feedback im Zeitalter der KI

Bewertung und Feedback sind der Schlüssel zu den Lernerfahrungen. Es ist wichtig, dass die Schüler qualitativ hochwertiges Feedback und eine Benotung erhalten, die sie dazu ermutigt, die Lernergebnisse zu erreichen. Doch was genau bedeuten qualitativ hochwertiges Feedback und Benotung?

Untersuchungen, die die Sichtweisen der Schüler auf effektives Feedback untersuchten, ergaben, dass Lernende „zeitnahes, wachstumsorientiertes, interaktives, spezifisches und personalisiertes“ Feedback schätzen (Holt et al., 2024)

Dieser Bedarf, zusammen mit der digitalen Transformation und der Integration generativer KI-Technologien, hat die Institutionen dazu veranlasst, ihre Definition von Qualitätsfeedback und Benotung zu verändern. Effektives Feedback und Benotung müssen: (Knight & Ferrell, 2022):

• Unterstützen Sie die individuellen Bedürfnisse der Lernenden unabhängig von Hintergrund, Fachgebieten und Lernstilen.
• Seien Sie für verschiedene Klassengrößen und -modalitäten skalierbar, ohne mehr Personal zu benötigen.
• Generieren Sie ganzheitliche, robuste Lernanalysen, die zu einer besseren Lehrplangestaltung beitragen können
• Reibungsloses Arbeiten innerhalb der LMS
• Managen Sie die Arbeitsbelastung von Mitarbeitern und Lernenden effektiv, indem Sie zur richtigen Zeit die richtige Bewertung erhalten, unterstützt durch effiziente Geschäftsprozesse
• Fördern Sie aktives Lernen und Engagement während des gesamten Lernprozesses und verbessern Sie so die Ergebnisse der Schüler
• Fördern Sie die Beschäftigungsfähigkeit der Lernenden durch authentische Bewertungsaufgaben, die reale Fähigkeiten fördern

Die Sicherstellung dieser Anforderungen ist der Schlüssel zum Erfolg der Studierenden. Es ist jedoch keine leichte Aufgabe, einen qualitativ hochwertigen Feedback- und Benotungsprozess zu erstellen und umzusetzen. Institutionen und Mitarbeiter sehen sich bei der Erstellung effektiver Bewertungen mit mehreren Hindernissen konfrontiert.

Die Herausforderungen von modernem Feedback und Benotung

‍Reduzierte Effizienz aufgrund von Budgetkürzungen: Institutionen auf der ganzen Welt stehen vor Entlassungen und Budgetkürzungenwas dazu führt, dass die Fakultätsmitglieder mehr Verantwortung übernehmen und gleichzeitig wenig oder gar keine Unterstützung erhalten. Da weniger Dozenten mehr Studierende einstellen müssen, ist es viel schwieriger, jedem Einzelnen individuelle Aufmerksamkeit zu schenken, insbesondere wenn es um Feedback und Benotung geht (Er et al., 2021).

‍Zeitaufwand und administrativer Aufwand: Der „Teacher Workload Research Report 2024“ zeigt, dass Feedback und Benotung die zeitintensivsten Aufgaben in der Arbeitswoche eines Lehrers außerhalb des Unterrichts sind (Hulme et al., 2024). Ausbilder wenden etwa 5 Stunden pro Woche allein für Feedback und Benotung auf. Das sind 140 Stunden in einem 28-wöchigen Schuljahr, wie von Pädagogen in dieser Artikel. Ein solch hoher Zeitaufwand, die Notwendigkeit, die Bewertung individuell zu gestalten, die kursspezifischen Unterschiede, die Berichtspflichten, das Aufgabenvolumen und der damit verbundene Verwaltungsaufwand machen Feedback und Benotung zu einer anspruchsvolleren Aufgabe.

‍Inkonsistente Feedback-Qualität: Angesichts der wachsenden Klassengröße und der begrenzten Lehrerzeit ist es für Dozenten besonders schwierig, allen Schülern zu jeder Aufgabe eine gleichbleibend hochwertige Rückmeldung zu geben. Dies führt dazu, dass einige Schüler nur teilweise Kommentare erhalten, wobei den einzelnen Rubrikkriterien unterschiedliche Aufmerksamkeit geschenkt wird oder kaum Hinweise für umsetzbare Verbesserungen gegeben sind. Darüber hinaus sind das Feedback und die Benotung möglicherweise nicht genau auf die Kursziele abgestimmt, was es für die Studierenden schwieriger macht, kontextbasierte Vorschläge umzusetzen.

‍Mangelndes Engagement der Studierenden in den Feedback-Prozess: Die Schüler sind nicht motiviert, sich am Lernen zu beteiligen, da sie weder verstehen, wie ihr Lernen gemessen wird, noch erkennen, wie wichtig es ist, Feedback und Benotung zu erhalten (Jin et al., 2022; Winstone, 2019).

‍Fehlender Tracking-Mechanismus: Es fehlen Mechanismen, um das Engagement der Schüler anhand von Feedback und die Auswirkungen von Feedback auf das Lernen der Schüler zu verfolgen (Jin et al., 2022; Winstone, 2019).

‍Subjektivität und Voreingenommenheit bei der Benotung: Die Benotung beinhaltet oft ein subjektives Urteilsvermögen, das durch Faktoren wie persönliche Vorurteile oder die Interpretation der Bewertungskriterien durch den Prüfer beeinflusst werden kann. Dies kann zu einer inkonsistenten Benotung und der Wahrnehmung von Ungerechtigkeit unter den Studierenden führen (Malouff & Thorsteinsson, 2016).

Schwierigkeiten bei der Standardisierung: In großen Klassen können verschiedene Notensetzer (z. B. Lehrassistenten) unterschiedliche Standards und Benotungspraktiken haben, was zu Inkonsistenzen bei der Bewertung der Schülerarbeit führt.

Fehlausrichtung mit den Feedback-Zielen: Die Benotung kann die Fähigkeit der Schüler beeinträchtigen, aus Feedback zu lernen, da sie sich eher auf die buchstaben/numerischen Noten konzentrieren und nicht auf das damit verbundene Feedback (Schinske & Tanner, 2017).

Feedback und Benotung können zwar zeitaufwändig und herausfordernd sein, aber die Investition in die richtige Technologie kann dazu beitragen, den Prozess zu rationalisieren und Institutionen wertvolle Zeit zu sparen. Unter den neuen Technologien sticht die KI hervor, da sie ein großes Potenzial bietet, Fakultäten dabei zu unterstützen, den Feedback- und Benotungsprozess zu verbessern.

„Es (KI) hat das Potenzial, die Geschwindigkeit, Konsistenz und Detailgenauigkeit des Feedbacks für Pädagogen zu verbessern, die die Aufgaben der Schüler bewerten.“ — Rohim Mohamed, Dozent am University College Birmingham

‍

Kapitel 2: KI-gestütztes Feedback und Benotung: Ein entscheidender Faktor

Die Weiterentwicklung der Verarbeitung natürlicher Sprache (NLP) und des maschinellen Lernens hat sich als vielversprechende Fähigkeiten für Feedback und Benotung erwiesen (Rad et al., 2023).

KI kann das Feedback der Dozenten für Schüler automatisieren und personalisieren, was das Engagement der Schüler weiter unterstützt (Kasneci et al., 2023) und zu besseren Ergebnissen der Schüler führt (Zhai, 2022). KI kann auch verwendet werden, um die Leistung der Schüler zu analysieren und zeitnah maßgeschneidertes Feedback zu geben, wodurch Einrichtungen Zeit und Ressourcen sparen (Rahman & Watanobe, 2023). Die Kombination von NLP mit maschinellem Lernen kann die Fähigkeit der KI, textuelle Antworten zu interpretieren, erheblich verbessern und so eine genauere Bewertung und Benotung der studentischen Arbeiten ermöglichen (Baidoo-Anu & Ansah, 2023).

Im Folgenden finden Sie eine Zusammenfassung der wichtigsten Vorteile von KI-gestütztem Feedback und Benotung.

Bereitstellung von konsistentem, personalisiertem Feedback:

Ein KI-System kann Feedback geben, das auf die spezifischen Lernbedürfnisse jedes Schülers zugeschnitten ist. Beispielsweise kann ein Schüler von Grammatiktipps profitieren, während ein anderer möglicherweise Unterstützung bei komplexeren Fähigkeiten wie dem Aufbau effektiver Argumentationsstrukturen benötigt.

Reduzierung der Arbeitsbelastung der Pädagogen und Zeitersparnis: 

Die Fähigkeit der KI, zeitnahes, personalisiertes Feedback in großem Umfang in großen Studierendenkohorten zu verarbeiten und zu generieren, kann den Dozenten helfen, Zeit zu gewinnen, um sich stärker auf andere Bildungsaktivitäten wie Unterrichtsplanung, Unterstützung von Schülern, pädagogische Forschung und berufliche Entwicklung zu konzentrieren, die alle einen Einfluss auf die Verbesserung des Lernens der Schüler haben (Venter et al., 2024). KI-Bewertungssysteme tragen auch dazu bei, die Arbeitsbelastung der Lehrer zu reduzieren, indem Erhöhung der Markiergeschwindigkeit um 80%.

Darüber hinaus helfen KI-Feedback- und Benotungsplattformen dabei, Bereiche zu erkennen, in denen Schüler zusätzliche Unterstützung benötigen, sodass Pädagogen rechtzeitig Anpassungen und Interventionen vornehmen können (Ghanaprakasam & Lourdusamy, 2024).

Verbesserung der Lernergebnisse:

KI-gestütztes Feedback könnte die Lernleistung und das Engagement von Schülern mit moderatem Motivationsniveau erheblich verbessern (Huang et al., 2023). Personalisierte Beratung erhöht das Engagement der Schüler und ermutigt sie, Verantwortung für ihren Lernprozess zu übernehmen und eine wachstumsorientierte Denkweise zu entwickeln, was letztendlich die Lernergebnisse verbessert (Kopp, 2023).

Förderung der Beschäftigungsfähigkeit der Studierenden: 

KI-gestütztes Feedback veranlasst die Schüler, kritisch über ihre Arbeit nachzudenken, verschiedene Perspektiven zu analysieren und ihr Verständnis zu verfeinern. Dieser Prozess fördert auch die Entwicklung metakognitiver Fähigkeiten und fördert Selbstreflexion und Selbstverbesserung (Winne, 2022). Diese Fähigkeiten werden als unerlässlich angesehen, um den Schülern zu helfen, sich in ihrer zukünftigen Arbeit erfolgreich zurechtzufinden.

Gewährleistung von Kohärenz und Fairness:

Laut Ellis (2022) kann der Einsatz von KI dazu beitragen, den Schülern konsistentes Feedback und Benotung zu geben, was sie fairer macht als menschliche Benotungspraktiken, die in der Regel von persönlichen Faktoren wie Müdigkeit, Tageszeit und Erwartungen an die Bearbeitungszeit beeinflusst werden. KI-gestützte Feedback- und Benotungssysteme geben Bewertungen ab und vergeben Punktzahlen auf der Grundlage einheitlicher Kriterien, wodurch sichergestellt wird, dass alle Schüler auf die gleiche Weise benotet werden. Dies fördert die Inklusivität, indem die Schüler anhand ihrer Leistungen bewertet werden (Balla, 2024).

Steigerung der Effizienz und Skalierbarkeit:

KI-gestützte Feedback- und Benotungssysteme können schriftliche Arbeiten mit angemessener Genauigkeit bewerten und formatives Feedback in großem Maßstab geben. Gleichzeitig werden Bewertungsverzerrungen reduziert und die Konsistenz verbessert, indem standardisierte Kriterien für große Kohorten angewendet werden.

Effektive Ressourcenzuweisung und Kosteneinsparung sind weitere Vorteile, die KI-Feedback- und Bewertungssysteme mit sich bringen können, da sie den Bedarf an Outsourcing und zusätzlichen Personalressourcen minimieren (Alqahtani et al., 2023). Eine solch große Kosteneinsparung ermöglicht es den Einrichtungen, das Budget für andere Bildungsaspekte wie die Unterstützung der Studierenden, technologische Verbesserungen und die berufliche Entwicklung bereitzustellen (Gnanaprakasam & Lourdusamy, 2024).

KI-Feedback und Benotung in Aktion

Viele Institutionen und Organisationen haben KI bereits erfolgreich in ihre Bewertungssysteme integriert:

eCoach der Universität Michigan 

eCoach wurde von der University of Michigan entwickelt und ist ein personalisiertes, webbasiertes Coaching-Tool, das den Studierenden hilft, sich im Kurs zurechtzufinden, indem es Studienberatung, personalisiertes Feedback und nützliche Tools bietet.

Bewertungspartner der McMaster University 

Ein GenAI-Tool, das Dozenten dabei hilft, effektive Schülerbeurteilungen zu erstellen. Diese Plattform wurde in Zusammenarbeit mit Bildungsexperten entwickelt und kombiniert etablierte Lerntheorien, bewährte Bewertungspraktiken und universelle Designprinzipien, um flexible, strukturierte Unterstützung zu bieten, die auf die besonderen Bedürfnisse verschiedener akademischer Disziplinen zugeschnitten ist.

Rationalisierung der Studentenunterstützung mit einem KI-Assistenten

Die Professoren Joshua Gans und Kevin Bryan von der Rotman School of Management der University of Toronto entwickelten einen einfachen KI-Assistenten namens All Day TA, der Studenten sofortiges Feedback und Unterstützung bietet. Ausgehend von einem kleinen Pilotprojekt für eine Klasse mit 300 Schülern wurde der KI-Bot inzwischen von fast 100 Institutionen und Business Schools eingesetzt.

Einsatz von KI zur Verbesserung von Feedback und Benotung

KI hat ein unendliches Potenzial zur Verbesserung des Feedbacks und der Benotung in der Hochschulbildung gezeigt. KI kann ihr volles Potenzial jedoch nur entfalten, wenn sie zielgerichtet eingesetzt wird. In diesem Abschnitt werden wir verschiedene Möglichkeiten untersuchen, wie KI in das Lehren und Lernen integriert werden kann, um Institutionen dabei zu unterstützen, qualitativ hochwertiges Feedback und Benotung zu geben.

Bereitstellung von personalisiertem, zeitnahem Feedback

Einer der größten Vorteile der KI ist ihre Fähigkeit, sofortiges Feedback zu verschiedenen Aspekten wie Sprache, Thema, Grammatik, Struktur und mehr zu generieren und zu geben. Da die Schüler personalisiertes Feedback zu ihren Einreichungen erhalten, können sie sofort ihre Stärken und Bereiche identifizieren, die verbessert werden müssen. Dies hilft den Schülern, Verantwortung für ihr Lernen zu übernehmen und sich während des gesamten Lernprozesses stärker zu engagieren.

KI-Plattformen wie LearnWise KI-Feedback und -Grader bieten Funktionen zur Generierung und Verbesserung von Feedback, die für die Stärkung des Lernens von großem Nutzen sind. Durch die Verwendung fortschrittlicher Denkmodelle ermöglicht das Tool den Kursleitern, konstruktives, qualitativ hochwertiges Feedback zu geben, das auf jede Aufgabe zugeschnitten ist. Das Tool spart Zeit bei langwierigen Benotungsprozessen und ermöglicht es den Dozenten, sich stärker auf andere Aspekte des Unterrichts zu konzentrieren. Dozenten können das Tool auch als „zweites Auge“ verwenden, indem sie das Feedback mithilfe von KI verfeinern und anreichern, sodass die Schüler das umsetzbarste und genaueste Feedback erhalten.

Bewertungsaktivitäten und Rubriken erstellen

KI kann Lehrern helfen, personalisierte Quizfragen und Tests zu erstellen, die auf die Lernbedürfnisse jedes einzelnen Schülers zugeschnitten sind und eng mit den Lernzielen übereinstimmen. Diese dynamischen Bewertungen können die Schüler angemessen herausfordern und Bereiche identifizieren, in denen sie weiterentwickelt werden müssen. KI für Bildung wurde entwickelt und geteilt eine schnelle Bibliothek um Pädagogen dabei zu helfen, GenAI zu nutzen, um Bewertungspraktiken, Rubriken, Feedback-Aktivitäten und mehr zu entwickeln.

KI-Tools wie Studentischer Tutor von LearnWise AI kann auf der Grundlage des Kursinhalts Quizfragen, Lernkarten, Unterrichtspläne, Übungen und mehr erstellen, um den Schülern zu helfen, ihr Lernen zu vertiefen.

Entwicklung effektiver Feedbacksysteme

Pädagogen können maßgeschneiderte KI-Systeme entwickeln, um Feedback zu geben, das einer detaillierten Rubrik und den Lernzielen entspricht, und um den Schülern maßgeschneiderte Ratschläge zu geben, die die Schüler sofort auf ihre nächsten Aufgaben anwenden können. Im Gegensatz zu herkömmlichem Feedback, das je nach Zeitdruck oder subjektiver Interpretation variieren kann, ist KI-gestütztes Feedback so konzipiert, dass es bestimmten Kriterien konsequent folgt. Dadurch wird sichergestellt, dass jeder Schüler Input erhält, der die beabsichtigten Lernergebnisse und Bewertungsstandards direkt widerspiegelt.

LearnWise KI-Feedback und -Grader unterstützt Dozenten dabei, ihr Feedback zu Aufgaben und Prüfungen der Studierenden auf der Grundlage verschiedener Quellen wie Rubriken, Kursinhalten, Aufgabenanforderungen sowie Notizen und Anmerkungen der Dozenten zu den Arbeiten der Studierenden zu verbessern. Durch die Abstimmung all dieser verschiedenen Quellen stellen die Hochschulen sicher, dass die Benotung und das Feedback für alle Studierenden einheitlich und fair bleiben. Dozenten können ihr Feedback auch anhand benutzerdefinierter Anweisungen wie Detaillierungsgrad, Länge, Tonfall und mehr anpassen. Am wichtigsten ist, dass die Dozenten immer das Sagen haben und die volle Kontrolle über den Feedback- und Benotungsprozess behalten. Sie haben die Möglichkeit, Feedback zu überprüfen, zu genehmigen oder zu verfeinern, bevor es mit den Teilnehmern geteilt wird.

Bereitstellung von Dateneinblicken in die Leistung der Schüler

KI-Tools können den Fortschritt der Schüler im Laufe der Zeit verfolgen und bieten Pädagogen einen umfassenden Überblick über die Entwicklung jedes Lernenden. Durch die Analyse von Leistungsmustern können diese Tools Trends erkennen und potenzielle Herausforderungen antizipieren, wodurch eine zeitnahe und proaktive Unterstützung ermöglicht wird. Darüber hinaus können KI-Feedbacksysteme das gesamte schriftliche Feedback analysieren und einen Überblick über die Arbeit der Studierenden vermitteln.

LearnWise KI-Feedback und -Grader präsentiert ein umfassendes Dashboard mit Einblicken in die Interaktion der Fakultät mit dem Assistenten. Diese Einblicke beziehen sich auf die Nutzung durch die Fakultät, benotete Beiträge, menschliche Bearbeitungen, den Sitzungsverlauf und vieles mehr, um Einrichtungen dabei zu unterstützen, datengestützte Verbesserungen an der Programm- und Kursgestaltung vorzunehmen.

KI-gestütztes Feedback und Benotung im LMS

KI-Feedback- und Benotungssysteme sind am effektivsten, wenn sie direkt in die Benutzeroberfläche des Lernmanagementsystems (LMS) eingebettet sind, sodass Pädagogen auf Feedback-Mechanismen zugreifen, diese anpassen und implementieren können, ohne ihre primäre Unterrichtsplattform verlassen zu müssen. Das reduziert Reibungsverluste und verbessert die Akzeptanz.

Wichtige Integrationsstrategien:

• Single Sign-On (SSO) und API-Konnektivität: Verwenden Sie LMS-kompatible Tools, die sichere Integrationen über SSO und offene APIs bieten. Dadurch können KI-Tools in Echtzeit mit den Profilen, Aufgaben und Kursstrukturen der Studierenden synchronisiert werden.
• Modulare Plug-ins: Tools wie Turnitin, LearnWise AI und Grammarly bieten Plug-ins oder LTI-Module (Learning Tools Interoperability), die zu LMS-Plattformen wie Brightspace, Canvas oder Moodle hinzugefügt werden können.
• Datensynchronisierung in Echtzeit: Ermöglichen Sie die Echtzeitsynchronisierung von Schülerbeiträgen und Feedback-Schleifen, um Datengenauigkeit, schnellere Feedback-Zyklen und aktuelle Leistungs-Dashboards sicherzustellen.

Designprinzipien für eine reibungslose KI-LMS-Integration:

• Niedrige kognitive Belastung für Pädagogen: Stellen Sie sicher, dass die KI-Funktionen (z. B. rubrikorientiertes Feedback, automatische Kommentare oder Analyse-Dashboards) intuitiv sind und die Arbeitsbelastung der Lehrer reduzieren, anstatt sie zu erhöhen.
• Anpassungsfähigkeit: Ermöglichen Sie es Pädagogen, KI-generiertes Feedback und Benotung an die kursspezifischen Lernergebnisse und Rubriken anzupassen.
• Skalierbarkeit: Integrationen sollten große Kohorten und unterschiedliche Aufgabentypen (Aufsätze, Quizfragen, Videoaufgaben) mit gleichbleibender Leistung unterstützen.
• Datenschutz und Compliance: Stellen Sie sicher, dass die KI-Tools den FERPA-, GDPR- und institutionellen Datenrichtlinien entsprechen, und legen Sie eine klare Dokumentation darüber vor, wie die Daten der Studierenden verwendet und geschützt werden.

LearnWise KI-Feedback und -Grader gehört zu den KI-Tools, die nahtlos in verschiedene LMS-Benotungsoberflächen wie Brightspace Grader und Canvas SpeedGrader integriert sind, sodass Dozenten das Feedback verbessern, Noten zuweisen und diese veröffentlichen können, ohne die LMS verlassen zu müssen. Anstatt es zu ersetzen, hilft das Tool, den Bewertungsworkflow zu verbessern, der bereits in den LMS funktioniert.

‍

Kapitel 3: Die Zukunft von KI-gestütztem Feedback und Benotung

Die Integration von KI in den Feedback- und Benotungsprozess ist mit Herausforderungen verbunden, darunter ethische Bedenken und das Bedürfnis nach Transparenz. Indem sie diese Herausforderungen jedoch direkt angehen und die Chancen nutzen, können Pädagogen die Lehr- und Lernerfahrung erheblich verbessern.

Behebung inhärenter KI-Vorurteile

Das Vorhandensein von Verzerrungen in den KI-Feedback- und Benotungssystemen gehört zu den Hauptbedenken der Institutionen bei der Einführung der Technologie. KI-Tools können Vorurteile von Eingabedaten oder ihren Entwicklern und der Gesellschaft übernehmen. Solche Vorurteile könnten die bestehende Diskriminierung gegenüber bestimmten Gruppen verstärken und so das abgegebene Feedback und die Noten negativ beeinflussen (Baker & Hawn, 2021). Um diesen Vorurteilen entgegenzuwirken, muss das System mit unterschiedlichen Eingaben und Daten geschult, regelmäßige KI-Systemaudits durchgeführt und Lehrer und Schüler dazu gebracht werden, die KI-Systeme zu überprüfen.

Sicherstellung des Datenschutzes

Datenschutz ist ein weiteres wichtiges Anliegen, wenn es darum geht, KI für Feedback und Benotung einzusetzen, insbesondere angesichts der Sensibilität von Studentendaten, die nicht nur akademische Aufzeichnungen, sondern auch persönliche Daten umfassen.

Klare Richtlinien für die Entwicklung und Verwendung von KI bieten einen Fahrplan für einen ethischen und verantwortungsvollen Umgang mit KI, mit dem potenzielle Risiken vermieden werden können, insbesondere solche, die mit inhärenten Vorurteilen verbunden sind. Die Gesetz über künstliche Intelligenz (KI-Gesetz) der Europäischen Union ist ein hervorragender Bezugspunkt für Institutionen bei der Erstellung von KI-Richtlinien. Institutionen müssen auch die geltenden Datenschutzbestimmungen einhalten, wie z. B. die DSGVO, um den Schutz der Schülerinformationen bei der Implementierung von KI-Technologien im Bildungswesen zu gewährleisten.

Ebenso wichtig ist Transparenz, die den ethischen und inklusiven Einsatz von KI untermauert. Dazu gehört die Entwicklung klarer Richtlinien, die den Schülern als Leitfaden für den angemessenen Einsatz von KI dienen, und eine offene Kommunikation der Beweggründe und Erwartungen. Die Art und Weise, wie Studierendendaten erhoben und verwendet werden, sollte noch transparenter werden, wobei die Einrichtungen klare Einwilligungsmöglichkeiten bieten und sicherstellen sollten, dass die Studierenden informiert und befähigt werden.

Mit Blick auf die Zukunft wird erwartet, dass sich die KI-Integration in den Feedback- und Benotungsprozess vertiefen wird. Gnanaprakasam und Lourdusamy (2024) tauschten sich über die wichtigsten Entwicklungen im Bereich des KI-gestützten Feedbacks und der automatisierten Benotung aus. Diese sind:

• Kontinuierliche Verbesserungen im NLP ermöglichen es der KI, subjektivere und komplexere studentische Arbeiten wie Aufsätze oder offene Fragen zu verarbeiten und zu bewerten. KI-Modelle werden entwickelt, um nicht nur Grammatik und Syntax zu bewerten, sondern auch tiefere Aspekte wie Kohärenz und Argumentation der Antworten der Schüler zu untersuchen.
• Die Fähigkeit der KI zur Personalisierung geht über bloßes Feedback hinaus, um Lernressourcen und Lernpfade zu entwickeln, die für die Bedürfnisse und Ziele aller Schüler geeignet sind.
• Die nahtlose Integration der KI-Benotung in die LMS verspricht ein anpassungsfähigeres und responsiveres Lernerlebnis, das Bildung für alle zugänglicher macht.

Die Zukunft der KI bei der Unterstützung von Bewertung, Feedback und Benotung birgt großes Potenzial, da die Technologien immer fortschrittlicher werden und nahtlos in das Lehren und Lernen integriert werden. Die Nutzung dieses Potenzials erfordert jedoch eine durchdachte Planung und verantwortungsvolle Umsetzung, um sicherzustellen, dass KI-Tools effektiv und ethisch korrekt eingesetzt werden, um die Lernerfahrung zu unterstützen und zu bereichern.

„Als sich schnell entwickelnde, konsequente und allgegenwärtige Allzwecktechnologie erfordert die generative KI, dass die Dozenten die „Menschen auf dem Laufenden“ sind und den Studierenden beibringen, wie sie selbst sein können. “ — EDUCAUSE Horizon-Bericht 2025, Lehr- und Lernausgabe

‍

Referenzen

Alqahtani, T., Badreldin, H.A., Alrashed, M., Alshaya, A.I., Alghamdi, S., Saleh, K.b., Alowais, S.A., Alshaya, O.A., Rahman, I., Al Yami, M.S., & Albekairy, A.M. (2023). Die sich abzeichnende Rolle künstlicher Intelligenz, natürlicher Sprachverarbeitung und großer Sprachmodelle in der Hochschulbildung und Forschung. Forschung in der Sozial- und Verwaltungspharmazie, 19 (8), 1236—1242. https://doi.org/10.1016/j.sapharm.2023.05.016

Balla, E. (2024, 4. September). Wie verändert KI die Benotung? Das AI Journal. https://aijourn.com/how-ai-is-transforming-grading/

Banihashem, SK, Kerman, NT, Noroozi, O., Moon, J. & Drachsler, H. (2024). Feedback-Quellen beim Verfassen von Aufsätzen: Peer-generiertes oder KI-generiertes Feedback? Internationale Zeitschrift für Bildungstechnologie in der Hochschulbildung, 21 (23). https://doi.org/10.1186/s41239-024-00455-4

Baidoo‑Anu, D., & Ansah, L.O. (2023). Bildung im Zeitalter der generativen künstlichen Intelligenz (KI): Verständnis der potenziellen Vorteile von ChatGPT bei der Förderung von Lehren und Lernen. Zeitschrift für KI, 7 (1), 52—62. https://doi.org/10.61969/jai.1337500

Bellhäuser, H., Dignath, C. und Theobald, M. (2023). Tägliches automatisiertes Feedback verbessert das selbstregulierte Lernen: Ein randomisiertes Feldexperiment im Längsschnitt. Frontiers in Psychology, 14, 1125873. https://doi.org/10.3389/fpsyg.2023.1125873.

Celik, I., Dindar, M., Muukkonen, H., Järvelä, S. (2022). Die Versprechen und Herausforderungen künstlicher Intelligenz für Lehrer: eine systematische Überprüfung der Forschung. TechTrends, 66, 616—630 https://doi.org/10.1007/s11528-022-00715-y

Eaton S. (September 2024). Ethische Gründe, die den Einsatz von KI-Apps für die Bewertung von Schülern vermeiden sollten. https://drsaraheaton.com/2024/09/10/ethical-reasons-to-avoid-using-ai-apps-for-student-assessment/

Gnanaprakasam, J., & Lourdusamy, R. (2024). Die Rolle der KI bei der Automatisierung der Benotung: Verbesserung von Feedback und Effizienz. IntechOpen. doi: 10.5772/intechopen.

Gombert, S., Fink, A., Giorgashvili, T., Jivet, I., Di Mitri, D., Yau, J. und Drachsler, H. (2024). Von der automatisierten Bewertung des Inhalts von studentischen Aufsätzen bis hin zu hochinformativem Feedback: Eine Fallstudie. Internationale Zeitschrift für künstliche Intelligenz in der Bildung, 1—39. https://doi.org/10.1007/s40593-023-00387-6.

Autor/-in: Hattie, John. 2008. Sichtbares Lernen: Eine Synthese von über 800 Metaanalysen zum Thema Leistung. Abingdon: Routledge.

Henderson, M., Ryan, T. und Phillips, M. (2019). Die Herausforderungen von Feedback in der Hochschulbildung. Bewertung und Bewertung in der Hochschulbildung, 44 (8), 1237—1252. https://doi.org/10.1080/02602938.2019.1599815

Autor/-in: Holt, Deborah & Sun, Xiaomei & Davies, Beth. (2024). Feedback zur Bewertung: Was wollen und brauchen die Schüler?. Zeitschrift für universitäre Lehr- und Lernpraxis. 21. 10.53761/tv2dfa83.

Huang, A.Y., Lu, O.H., & Yang, S.J. (2023). Auswirkungen von auf künstlicher Intelligenz beruhenden personalisierten Empfehlungen auf das Lernengagement, die Motivation und die Lernergebnisse der Lernenden in einem umgedrehten Klassenzimmer. Computer und Bildung, 194, 104684. https://doi.org/10.1016/j.compedu.2022.104684.

Hulme, Moira & Beauchamp, Gary & Wood, Jeffrey & Bignell, Carole. (2024). Forschungsbericht zur Arbeitsbelastung der Lehrer 2024: Hauptbericht.

Kasneci, E., et al. (2023). ChatGPT für immer? Über Chancen und Herausforderungen großer Sprachmodelle für die Bildung. Lernen und individuelle Unterschiede, 103, 102274. https://doi.org/10.1016/j.lindif.2023.102274

Kopp, W., & Thomsen, B.S. (2023). Wie KI die ganzheitliche Entwicklung der Schüler beschleunigen und den Unterricht erfüllender gestalten kann. Weltwirtschaftsforum. https://www.weforum.org/agenda/2023/05/ai-accelerate-students-holistic-development-teaching-fulfilling/

Knight, S., & Ferrell, G. (2022). Prinzipien einer guten Bewertung und eines guten Feedbacks. Jisc. https://www.jisc.ac.uk/guides/principles-of-good-assessment-and-feedback

Malouff, J.M., & Thorsteinsson, E.B. (2016). Verzerrung bei der Benotung: Eine Metaanalyse experimenteller Forschungsergebnisse. Australian Journal of Education, 60 (3), 245-256. https://doi.org/10.1177/0004944116664618 (Originalarbeit veröffentlicht 2016)

Mollick, E.R., & Mollick, L. (2023). KI zuweisen: Sieben Herangehensweisen für Schüler mit Aufforderungen. https://doi.org/10.2139/ssrn.4475995

Nicol, D. und Macfarlane-Dick, D. (2006). Formative Bewertung und selbstreguliertes Lernen: ein Modell und sieben Prinzipien guter Feedback-Praxis. Studien im Hochschulwesen, 31, 199-218. 10.1080/03075070600572090.

O'Donovan, B.M., den Outer, B., Price, M., & Lloyd, A. (2019). Was macht gutes Feedback gut? Studien zur Hochschulbildung, 46 (2), 318—329. https://doi.org/10.1080/03075079.2019.1630812

Paris, B. (2022). Aus Sicht der Dozenten die Herausforderungen und Hindernisse, die der Bereitstellung von effektivem Feedback entgegenstehen. Fragen zum Lehren und Lernen, 10. https://doi.org/10.20343/teachlearninqu.10.3

Pierce, K. (2023). KI-gestütztes personalisiertes Feedback — Sparen Sie Zeit und wecken Sie kritische Köpfe. Tagungsband zum Thema Künstliche Intelligenz in der Bildung. eCampusOntario. https://ecampusontario.pressbooks.pub/artificialintelligenceineducationconference/chapter/ai-powered-personalized-feedback-save-time-spark-critical-minds/

Rahman, M.M., & Watanobe, Y. (2023). ChatGPT für Bildung und Forschung: Chancen, Bedrohungen und Strategien. Angewandte Wissenschaften, 13 (9), 5783. https://doi.org/10.3390/app13095783

Robert, J., Muscanell, N., McCormack, M., Pelletier, K., Arnold, K., Arbino, N., Young, K., & Reeves, J. (2025). 2025 EDUCAUSE Horizon Report®: Lehr- und Lernausgabe. EDUCAUSE. https://library.educause.edu/resources/2025/5/2025-educause-horizon-report-teaching-and-learning-edition

Schinske, & Tanner, K. (2017). „Mehr unterrichten, indem man weniger (oder anders) benotet.“ CBE Life Sciences Education, 13 (2), 159—166.

Venter, J., Coetzee, S.A., & Schmulian, A. (2024). Untersuchung des Einsatzes künstlicher Intelligenz (KI) bei der Bereitstellung von effektivem Feedback. Bewertung und Bewertung in der Hochschulbildung, 50 (4), 516—536. https://doi.org/10.1080/02602938.2024.2415649

Zhai, X. (2022). ChatGPT-Benutzererfahrung: Implikationen für die Bildung. Elektronisches SSRN-Journal. https://doi.org/10.2139/ssrn.4312418