KI-gestütztes Feedback und Benotung in der Hochschulbildung

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

Stellen Sie sich vor, Sie könnten jedem Schüler zeitnahes, personalisiertes Feedback geben, ohne Ihr Arbeitspensum zu verdreifachen, oder Lernprobleme frühzeitig erkennen, bevor sie sich auf die Ergebnisse auswirken. KI macht dies möglich. Mit KI finden Pädagogen neue Wege, um den Unterricht zu verbessern und sich mehr auf das Wesentliche zu konzentrieren: die Lernerfahrung der Schüler.

Dieser Wandel bringt Fragen mit sich. Wie können wir sicherstellen, dass KI ethisch und verantwortungsvoll eingesetzt wird? Und wie können Institutionen den Lehrkräften die nötige Unterstützung bieten?

Dieser Leitfaden soll Ihnen und Ihrer Einrichtung helfen, diese und weitere Fragen zu klären.

In Kapitel 1 werden die Anforderungen an eine moderne Bewertung sowie die Herausforderungen bei der Rückmeldung und Benotung erläutert.

Kapitel 2 befasst sich mit den Vorteilen von KI-gestütztem Feedback und Benotung sowie mit der Frage, wie KI eingesetzt werden kann, um hochwertiges Feedback und Bewertungen zu liefern. 

Kapitel 3 befasst sich mit der Zukunft von KI-Feedback und Benotung sowie mit der Frage, wie Institutionen die damit verbundenen ethischen Bedenken angehen können.

Unser Ziel ist es, die KI zu entmystifizieren und einen Fahrplan anzubieten, dem Sie vertrauen können. Dieser Fahrplan ist pädagogisch fundiert, von der Forschung unterstützt und von den realen Bedürfnissen der Lehrkräfte und Schüler geprägt. In der Zukunft der Bewertung geht es nicht darum, Menschen durch Maschinen zu ersetzen. Es geht um den Einsatz intelligenter Tools, die es Lehrkräften ermöglichen, Studierende besser beim Lernen zu unterstützen.

Kapitel 1: Bewertung und Feedback im Zeitalter der KI 

Bewertung und Feedback sind der Schlüssel zu den Lernerfahrungen. Es ist wichtig, dass die Studierenden ein qualitativ hochwertiges Feedback und eine Benotung erhalten, die sie ermutigen, die Lernergebnisse zu erreichen. Doch was genau bedeutet hochwertiges Feedback und Benotung?

Forschungen, die die Sichtweise von Studierenden auf effektives Feedback untersuchten, ergaben, dass Lernende "zeitnahes, wachstumsorientiertes, interaktives, spezifisches und individuelles" Feedback schätzen (Holt et al., 2024).

Dieser Bedarf sowie die digitale Transformation und die Integration von generativen KI-Technologien haben dazu geführt, dass die Institutionen ihre Definition von Qualitätsfeedback und Benotung ändern müssen. Wirksames Feedback und Benotung müssen es sein (Knight & Ferrell, 2022):

• Unterstützen Sie die individuellen Bedürfnisse der Lernenden unabhängig von ihrem Hintergrund, ihrem Fachgebiet und ihrem Lernstil. 
• Skalierbarkeit über verschiedene Klassengrößen und Modalitäten hinweg, ohne mehr Personal zu benötigen. 
• Generierung ganzheitlicher, robuster Lernanalysen, die eine bessere Lehrplangestaltung ermöglichen 
• Reibungsloses Arbeiten innerhalb der LMS
• Effizientes Management der Arbeitsbelastung von Mitarbeitern und Lernenden durch die richtige Bewertung zur richtigen Zeit, unterstützt durch effiziente Geschäftsprozesse
• Förderung des aktiven Lernens und des Engagements während des gesamten Lernprozesses, um die Ergebnisse der Schüler zu verbessern
• Förderung der 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, ein qualitativ hochwertiges Feedback- und Benotungsverfahren zu entwickeln und umzusetzen. Einrichtungen und Mitarbeiter sind bei der Durchführung effektiver Bewertungen mit mehreren Hindernissen konfrontiert. 

Die Herausforderungen eines modernen Feedbacks und einer modernen Benotung 

‍ReduzierteEffizienz aufgrund von Haushaltskürzungen: Einrichtungen auf der ganzen Welt sehen sich mit Entlassungen und Budgetkürzungen konfrontiert, was dazu führt, dass Lehrkräfte mehr Verantwortung übernehmen, aber wenig oder keine Unterstützung erhalten. Da weniger Lehrkräfte mehr Studierende betreuen müssen, ist es viel schwieriger, jedem Einzelnen individuelle Aufmerksamkeit zu schenken, insbesondere wenn es um Feedback und Benotung geht (Er et al., 2021). 

Zeitaufwandund administrative Arbeitsbelastung: 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). Wie die Lehrkräfte in diesem Artikel anmerken, verbringen sie etwa 5 Stunden pro Woche allein mit Feedback und Benotung, was sich auf 140 Stunden in einem 28-wöchigen Schuljahr beläuft. Ein solch hoher Zeitaufwand, zusammen mit der Notwendigkeit, die Bewertung zu individualisieren, den kursbezogenen Unterschieden, den Berichtsanforderungen, dem Umfang der Aufgaben und der damit verbundenen Verwaltungsarbeit, machen Feedback und Benotung zu einer anspruchsvollen Aufgabe. 

‍UneinheitlicheQualität des Feedbacks: Angesichts wachsender Klassengrößen und begrenzter Zeit der Lehrkräfte ist es für die Ausbilder besonders schwierig, allen Schülern bei jeder Aufgabe ein einheitliches Feedback zu geben. Dies führt dazu, dass einige Schüler nur unvollständige Kommentare erhalten, wobei den einzelnen Rubriken-Kriterien ungleiche Aufmerksamkeit gewidmet wird oder nur wenige Hinweise für Verbesserungen gegeben werden. Darüber hinaus kann es sein, dass das Feedback und die Benotung nicht genau auf die Kursziele abgestimmt sind, was es den Studierenden erschwert, kontextbezogene Vorschläge anzuwenden.

MangelndesEngagement der Studierenden beim Feedback-Prozess: Die Studierenden sind nicht motiviert, sich am Lernen zu beteiligen, da sie weder verstehen, wie ihr Lernen gemessen wird, noch den Wert von Feedback und Benotung erkennen (Jin et al., 2022; Winstone, 2019).

FehlenderMechanismus zur Nachverfolgung: Es fehlt an Mechanismen, um das Engagement der Studierenden mit Feedback und die Auswirkungen von Feedback auf das Lernen der Studierenden zu verfolgen (Jin et al., 2022; Winstone, 2019).

‍Subjektivitätund Voreingenommenheit bei der Benotung: Die Benotung beinhaltet oft ein subjektives Urteil, das durch Faktoren wie persönliche Voreingenommenheit oder die Interpretation der Bewertungskriterien durch den Beurteiler beeinflusst werden kann. Dies kann zu einer inkonsistenten Benotung und dem Gefühl der Ungerechtigkeit unter den Studierenden führen (Malouff & Thorsteinsson, 2016).

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

Falsche Ausrichtung auf die Ziele des Feedbacks: Die Benotung kann die Fähigkeit der Schüler, aus dem Feedback zu lernen, beeinträchtigen, da sie dazu neigen, sich auf die Buchstaben-/Nummernnote zu konzentrieren und nicht auf das begleitende Feedback (Schinske & Tanner, 2017). 

Feedback und Benotung können zwar zeitaufwändig und schwierig sein, doch die Investition in die richtige Technologie kann dazu beitragen, den Prozess zu rationalisieren und den Einrichtungen wertvolle Zeit zu sparen. Unter den aufkommenden Technologien sticht die KI hervor, die ein großes Potenzial zur Unterstützung der Fakultäten bei der Verbesserung des Feedback- und Benotungsprozesses bietet.  

"Sie (die KI) hat das Potenzial, die Geschwindigkeit, die Konsistenz und die Detailgenauigkeit des Feedbacks für die Lehrkräfte zu verbessern, die die Aufgaben der Studierenden bewerten". - Rohim Mohammed, Dozent am University College Birmingham

‍

Kapitel 2: KI-gestütztes Feedback und Benotung: Ein Wendepunkt

Die Fortschritte bei der Verarbeitung natürlicher Sprache (NLP) und beim maschinellen Lernen haben vielversprechende Möglichkeiten für die Bereitstellung von Feedback und Benotung gezeigt (Rad et al., 2023). 

KI kann das Feedback der Lehrkräfte für die Studierenden automatisieren und personalisieren, was das Engagement der Studierenden weiter fördert (Kasneci et al., 2023) und zu besseren Studienergebnissen führt (Zhai, 2022). KI kann auch eingesetzt werden, um die Leistungen der Studierenden zu analysieren und ihnen zeitnah ein individuelles Feedback zu geben, wodurch Institutionen Zeit und Ressourcen sparen können (Rahman & Watanobe, 2023). Die Kombination von NLP mit maschinellem Lernen kann die Fähigkeit der KI, Textantworten zu interpretieren, erheblich verbessern und so eine genauere Bewertung und Benotung von Schülerarbeiten ermöglichen (Baidoo-Anu & Ansah, 2023). 

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

Konsistentes, personalisiertes Feedback geben: 

Ein KI-System kann Feedback geben, das auf die spezifischen Lernbedürfnisse der einzelnen Schüler zugeschnitten ist. So kann ein Schüler beispielsweise von einer Anleitung zur Grammatik profitieren, während ein anderer vielleicht Unterstützung bei komplexeren Fähigkeiten wie dem Aufbau effektiver Argumentationsstrukturen benötigt.

Arbeitsentlastung und Zeitersparnis für die Lehrkräfte: 

Die Fähigkeit der KI, zeitnahes, personalisiertes Feedback in großem Umfang zu verarbeiten und zu generieren, kann dazu beitragen, dass Lehrkräfte mehr Zeit für andere pädagogische Aktivitäten haben, wie z. B. Unterrichtsplanung, Unterstützung von Schülern, pädagogische Forschung und berufliche Weiterbildung, die alle einen Einfluss auf die Verbesserung des Lernens der Schüler haben (Venter et al., 2024). KI-Bewertungssysteme tragen auch zur Verringerung der Arbeitsbelastung der Lehrkräfte bei, indem sie die Bewertungsgeschwindigkeit um 80 % erhöhen.

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

Verbesserung der Lernergebnisse:

KI-gestütztes Feedback könnte die Lernleistung und das Engagement von Studierenden mit mäßiger Motivation erheblich verbessern (Huang et al., 2023). Eine personalisierte Anleitung steigert das Engagement der Studierenden und ermutigt sie, ihren Lernprozess selbst in die Hand zu nehmen und eine Wachstumsmentalität zu kultivieren, was schließlich zu besseren Lernergebnissen führt (Kopp, 2023).

Förderung der Beschäftigungsfähigkeit von Studenten: 

KI-gestütztes Feedback veranlasst die Schüler dazu, kritisch über ihre Arbeit nachzudenken, verschiedene Perspektiven zu analysieren und ihr Verständnis zu verfeinern. Dieser Prozess fördert auch die Entwicklung metakognitiver Fähigkeiten, indem er die Selbstreflexion und Selbstverbesserung fördert (Winne, 2022). Diese Fähigkeiten werden als wesentlich 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 Studierenden ein einheitliches Feedback und eine einheitliche Benotung zu geben, was fairer ist als die menschliche Benotungspraxis, die in der Regel von persönlichen Faktoren wie Müdigkeit, Tageszeit und Erwartungen an die Bearbeitungszeit beeinflusst wird. KI-Feedback- und Benotungssysteme geben Bewertungen ab und vergeben Punkte auf der Grundlage einheitlicher Kriterien, um sicherzustellen, dass alle Schüler auf dieselbe Weise benotet werden. Dies fördert die Inklusion, da die Noten für die Schüler auf der Grundlage ihrer Leistungen vergeben 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 Umfang geben. Gleichzeitig werden Verzerrungen bei der Benotung reduziert und die Konsistenz durch die Anwendung standardisierter Kriterien in großen Kohorten verbessert. 

Eine effektive Ressourcenzuweisung und Kosteneinsparungen sind weitere Vorteile, die KI-Feedback- und Benotungssysteme mit sich bringen können, da sie den Bedarf an Outsourcing und zusätzlichen Personalressourcen minimieren (Alqahtani et al., 2023). Eine solche Kostenersparnis ermöglicht es den Einrichtungen, das Budget für andere Bildungsaspekte wie die Unterstützung der Studierenden, technologische Upgrades und die berufliche Entwicklung zu verwenden (Gnanaprakasam & Lourdusamy, 2024).

AI-Feedback und Benotung in Aktion

Viele Institutionen und Organisationen haben bereits mit Erfolg KI in ihre Benotungssysteme integriert:

ECoach der Universität von Michigan 

ECoach wurde von der University of Michigan entwickelt und ist ein personalisiertes, webbasiertes Coaching-Tool, das Studenten durch Studienberatung, personalisiertes Feedback und nützliche Tools bei der Navigation durch den Kurs unterstützt. 

Bewertungspartner der McMaster-Universität 

Ein GenAI-Tool, das Lehrkräfte bei der Erstellung effektiver Schülerbewertungen unterstützt. Diese in Zusammenarbeit mit Bildungsexperten entwickelte Plattform kombiniert etablierte Lerntheorien, bewährte Beurteilungsmethoden und universelle Designprinzipien, um flexible, strukturierte Unterstützung zu bieten, die auf die besonderen Bedürfnisse verschiedener akademischer Disziplinen zugeschnitten ist.

Rationalisierung der Studentenbetreuung mit einem KI-Assistenten

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

Einsatz von KI zur Verbesserung von Feedback und Benotung

KI hat ein unermessliches Potenzial für die Verbesserung von Feedback und Benotung in der Hochschulbildung gezeigt. Allerdings kann KI nur dann ihr volles Potenzial entfalten, wenn sie richtig eingesetzt wird. In diesem Abschnitt werden wir verschiedene Möglichkeiten untersuchen, wie KI in das Lehren und Lernen integriert werden kann, um Hochschulen dabei zu helfen, qualitativ hochwertiges Feedback und Benotung zu liefern. 

Persönliches, zeitnahes Feedback geben

Einer der größten Vorteile der künstlichen Intelligenz ist ihre Fähigkeit, sofortiges Feedback zu verschiedenen Aspekten wie Sprache, Thema, Grammatik, Struktur und mehr zu geben. Da die SchülerInnen personalisiertes Feedback zu ihren Beiträgen erhalten, können sie ihre Stärken und verbesserungsbedürftigen Bereiche sofort erkennen. Dies hilft den Schülern, die Verantwortung für ihr Lernen zu übernehmen und sich während des gesamten Lernprozesses zu engagieren.

KI-Plattformen wie LearnWise AI Feedback & Grader bieten Feedback-Generierungs- und -Verbesserungsfunktionen, die für die Verstärkung des Lernens sehr nützlich sind. Durch die Verwendung fortschrittlicher Argumentationsmodelle ermöglicht das Tool Lehrkräften, konstruktives, hochwertiges Feedback zu geben, das auf jede Aufgabe zugeschnitten ist. Das Tool erspart den Lehrkräften langwierige Benotungsprozesse und ermöglicht es ihnen, sich auf andere Aspekte des Unterrichts zu konzentrieren. Lehrkräfte können das Tool auch als "zweites Auge" verwenden, indem sie das Feedback mit KI verfeinern und anreichern, so dass die Studierenden ein möglichst umsetzbares und genaues Feedback erhalten.

Erstellung von Bewertungsaktivitäten und Rubriken

KI kann Lehrkräften dabei helfen, personalisierte Quiz und Tests zu erstellen, die auf die Lernbedürfnisse der einzelnen Schüler eingehen und sich eng an den Lernzielen orientieren. Diese dynamischen Beurteilungen können die Schüler angemessen fordern und Bereiche identifizieren, in denen sie sich weiter entwickeln müssen. AI for Education hat eine Prompt-Bibliothek entwickelt und zur Verfügung gestellt, die Pädagogen dabei hilft, GenAI für die Entwicklung von Bewertungsmethoden, Rubriken, Feedback-Aktivitäten und mehr zu nutzen. 

KI-Tools wie LearnWise AI Student Tutor können auf der Grundlage des Kursinhalts Quiz, Lernkarten, Unterrichtspläne, Übungen und vieles mehr generieren, um den Schülern zu helfen, ihr Lernen zu festigen. 

Gestaltung wirksamer Feedback-Systeme

Pädagogen können benutzerdefinierte KI-Systeme entwickeln, um Feedback zu geben, das mit einer detaillierten Rubrik und den Lernzielen übereinstimmt, und um den Schülern maßgeschneiderte Ratschläge zu geben, die sie sofort auf ihre nächsten Aufgaben anwenden können. Im Gegensatz zu traditionellem Feedback, das aufgrund von Zeitmangel oder subjektiver Interpretation variieren kann, ist KI-gestütztes Feedback so konzipiert, dass es bestimmten Kriterien folgt und konsistent ist. Dadurch wird sichergestellt, dass jeder Studierende eine Rückmeldung erhält, die direkt die beabsichtigten Lernergebnisse und Bewertungsstandards widerspiegelt.

LearnWise AI Feedback & Grader unterstützt Dozenten bei der Verbesserung ihres Feedbacks zu studentischen Aufgaben und Prüfungen, basierend auf verschiedenen Quellen wie Rubriken, Kursinhalten, Aufgabenanforderungen und Notizen und Anmerkungen der Dozenten zu studentischen Arbeiten. Durch den Abgleich all dieser verschiedenen Quellen stellen die Einrichtungen sicher, dass die Benotung und das Feedback für alle Studierenden einheitlich und fair bleiben. Die Lehrkräfte können ihr Feedback auch mithilfe von benutzerdefinierten Anweisungen anpassen, z. B. in Bezug auf Detaillierungsgrad, Länge, Tonfall und vieles mehr. Am wichtigsten ist jedoch, dass die Lehrkräfte stets die volle Kontrolle über den Feedback- und Benotungsprozess behalten und die Möglichkeit haben, das Feedback zu überprüfen, zu genehmigen oder zu verfeinern, bevor sie es an die Studierenden weitergeben. 

Bereitstellung von Daten über die Leistungen der Schüler

KI-Tools können die Fortschritte 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 vorhersehen, was eine rechtzeitige und proaktive Unterstützung ermöglicht. Darüber hinaus können KI-Feedback-Systeme das gesamte schriftliche Feedback analysieren und einen Überblick über die Arbeit der Schüler erstellen. 

LearnWise AI Student Tutor bietet ein umfassendes Admin-Dashboard, das wertvolle Schülerdaten anzeigt und Administratoren bei der Aktualisierung verschiedener Aspekte des Kursdesigns unterstützt. Lehrkräfte können auch auf ein Lehrer-Dashboard zugreifen, das Einblicke in die Konversationen der Schüler mit der KI erfasst. 

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. So können Lehrkräfte auf Feedback-Mechanismen zugreifen, diese anpassen und implementieren, ohne ihre primäre Lernplattform verlassen zu müssen. Dies verringert die Reibung und verbessert die Akzeptanz.

Wichtige Integrationsstrategien:

• Einzelanmeldung (SSO) und API-Konnektivität: Verwenden Sie LMS-kompatible Tools, die sichere Integrationen über SSO und offene APIs bieten. So können KI-Tools in Echtzeit mit Studentenprofilen, Aufgaben und Kursstrukturen 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.
• Datenabgleich in Echtzeit: Ermöglichen Sie die Echtzeit-Synchronisierung von Schülerbeiträgen und Feedbackschleifen, um die Datengenauigkeit, schnellere Feedback-Zyklen und aktuelle Leistungs-Dashboards zu gewährleisten.

Gestaltungsprinzipien für eine reibungslose AI-LMS-Integration:

• Geringe kognitive Belastung für Lehrkräfte: Stellen Sie sicher, dass die KI-Funktionen (z. B. auf Rubriken abgestimmtes Feedback, automatische Kommentare oder Analyse-Dashboards) intuitiv sind und die Arbeitsbelastung der Lehrkräfte verringern, anstatt sie zu erhöhen.
• Anpassungsfähigkeit: Ermöglichen Sie es Lehrkräften, KI-generiertes Feedback und Benotung auf die kursbezogenen Lernergebnisse und Rubriken abzustimmen.
• Skalierbarkeit: Integrationen sollten große Kohorten und verschiedene Aufgabentypen (Aufsätze, Quiz, Videoaufgaben) bei gleichbleibender Leistung unterstützen.
• Datenschutz und Compliance: Stellen Sie sicher, dass die KI-Tools mit FERPA, GDPR und institutionellen Datenrichtlinien übereinstimmen, und dokumentieren Sie klar, wie Schülerdaten verwendet und geschützt werden.

LearnWise AI Feedback & Grader gehört zu den AI-Tools, die nahtlos in verschiedene LMS-Bewertungsschnittstellen wie Brightspace Grader und Canvas SpeedGrader integriert sind und es Lehrkräften ermöglichen, Feedback zu verbessern, Noten zu vergeben und diese zu veröffentlichen, ohne die LMS verlassen zu müssen. Das Tool ersetzt nicht, sondern verbessert den Bewertungsworkflow, der bereits in den LMS funktioniert.

‍

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

Der Weg zur Integration von KI in den Feedback- und Benotungsprozess ist mit Herausforderungen verbunden, darunter ethische Bedenken und die Notwendigkeit von Transparenz. Wenn sich Lehrkräfte diesen Herausforderungen stellen und die Chancen nutzen, können sie die Lehr- und Lernerfahrung erheblich verbessern.

Umgang mit inhärenten KI-Fehlern

Das Vorhandensein von Verzerrungen in KI-Feedback- und Benotungssystemen gehört zu den größten Bedenken der Institutionen bei der Einführung der Technologie. KI-Tools können Vorurteile von den Eingabedaten, ihren Entwicklern und der Gesellschaft übernehmen. Solche Vorurteile könnten die bestehende Diskriminierung bestimmter Gruppen verstärken und sich somit negativ auf das Feedback und die Noten auswirken (Baker & Hawn, 2021). Um diese Vorurteile abzuschwächen, muss das System mit unterschiedlichen Eingaben und Daten trainiert werden, es müssen regelmäßige KI-Systemprüfungen durchgeführt werden, und Lehrkräfte und Schüler müssen die KI-Systeme überprüfen. 

Gewährleistung des Datenschutzes

Der Datenschutz ist ein weiteres wichtiges Anliegen, wenn es um den Einsatz von KI bei Feedback und Benotung geht, vor allem in Anbetracht der Sensibilität von Studentendaten, die nicht nur aus akademischen Aufzeichnungen, sondern auch aus persönlichen Informationen bestehen. 

Klare Richtlinien für die Entwicklung und Nutzung von KI bieten einen Fahrplan für die ethische und verantwortungsvolle Nutzung von KI, mit dem potenzielle Risiken vermieden werden können, insbesondere solche, die durch inhärente Voreingenommenheit entstehen. Das Gesetz über künstliche Intelligenz (KI-Gesetz) der Europäischen Union ist ein guter Bezugspunkt für Institutionen bei der Erstellung von KI-Richtlinien. Einrichtungen müssen auch die geltenden Datenschutzbestimmungen wie die DSGVO einhalten, um den Schutz von Schülerdaten bei der Implementierung von KI-Technologien im Bildungsbereich zu gewährleisten.

Ebenso wichtig ist die Transparenz, die den ethischen und integrativen Einsatz von KI untermauert. Dazu gehört die Entwicklung klarer Richtlinien, die den Studierenden eine angemessene Nutzung von KI vorgeben, und die offene Kommunikation der Gründe und Erwartungen. Die Transparenz sollte sich auch auf die Art und Weise erstrecken, wie die Daten der Studierenden erhoben und verwendet werden, wobei die Hochschulen klare Zustimmungsoptionen anbieten und sicherstellen sollten, dass die Studierenden informiert und befähigt sind.

Es wird erwartet, dass sich die Integration von KI in den Feedback- und Benotungsprozess in Zukunft noch vertiefen wird. Gnanaprakasam und Lourdusamy (2024) gaben Einblicke in die wichtigsten Entwicklungen von KI-gestütztem Feedback und automatisierter Benotung, die da wären: 

• Ständige Verbesserungen im Bereich NLP ermöglichen es der KI, subjektivere und komplexere Schülerarbeiten wie Aufsätze oder offene Fragen zu verarbeiten und zu bewerten. Es werden KI-Modelle entwickelt, die nicht nur Grammatik und Syntax bewerten, sondern auch tiefer gehende Aspekte wie Kohärenz und Argumentation der Schülerantworten berücksichtigen. 
• Die Fähigkeit der KI zur Personalisierung wird über bloßes Feedback hinausgehen, um Lernressourcen und -pfade zu entwickeln, die für die Bedürfnisse und Ziele jedes Schülers geeignet sind. 
• Die nahtlose Integration der KI-Bewertung in die LMS verspricht eine anpassungsfähigere und reaktionsschnellere Lernerfahrung, die den Zugang zur Bildung für alle erleichtert. 

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

"Als sich schnell entwickelnde, konsequente und allgegenwärtige Allzwecktechnologie erfordert generative KI, dass die Lehrkräfte die 'Menschen im Kreislauf' sind und den Studierenden beibringen, wie sie das auch sein können." - 2025 EDUCAUSE Horizon ReportEdition Lehren und Lernen

‍

Referenzen 

Alqahtani, T., Badreldin, H. A., Alrashed, M., Alshaya, A. I., Alghamdi, S. S., Saleh, K. b., Alowais, S. A., Alshaya, O. A., Rahman, I., Al Yami, M. S., & Albekairy, A. M. (2023). Die wachsende Rolle von künstlicher Intelligenz, natürlicher Sprachverarbeitung und großen Sprachmodellen in der Hochschulbildung und Forschung. Research in Social and Administrative Pharmacy, 19(8), 1236-1242. https://doi.org/10.1016/j.sapharm.2023.05.016

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

Banihashem, S.K., Kerman, N.T., Noroozi, O., Moon, J. & Drachsler, H. (2024). Feedback-Quellen beim Schreiben von Aufsätzen: Peer-generiertes oder KI-generiertes Feedback? International Journal of Educational Technology in Higher Education, 21(23). https://doi.org/10.1186/s41239-024-00455-4 

Baidoo-Anu, D., & Ansah, L. O. (2023). Bildung in der Ära der generativen künstlichen Intelligenz (KI): Understanding the Potential Benefits of ChatGPT in Promoting Teaching and Learning. Journal of AI, 7(1), 52-62. https://doi.org/10.61969/jai.1337500

Bellhäuser, H., Dignath, C., & Theobald, M. (2023). Tägliches automatisiertes Feedback steigert selbstreguliertes Lernen: A longitudinal randomized field experiment. 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 der künstlichen 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 gegen den Einsatz von KI-Apps für die Bewertung von Schülern sprechen. https://drsaraheaton.com/2024/09/10/ethical-reasons-to-avoid-using-ai-apps-for-student-assessment/ 

Gnanaprakasam, J., & Lourdusamy, R. (2024). The Role of AI in Automating Grading: Enhancing Feedback and Efficiency. IntechOpen. doi: 10.5772/intechopen. 

Gombert, S., Fink, A., Giorgashvili, T., Jivet, I., Di Mitri, D., Yau, J., & Drachsler, H. (2024). Von der automatisierten Bewertung des Inhalts von Schüleraufsätzen zu hochinformativem Feedback: A case study. International Journal of Artificial Intelligence in Education, 1-39. https://doi.org/10.1007/s40593-023-00387-6.

Hattie, John. 2008. Sichtbares Lernen: A Synthesis of over 800 Meta-Analyses Relating to Achievement. Abingdon: Routledge.

Henderson, M., Ryan, T., & Phillips, M. (2019). Die Herausforderungen von Feedback in der Hochschulbildung. Assessment & Evaluation in Higher Education, 44(8), 1237-1252. https://doi.org/10.1080/02602938.2019.1599815

Holt, Deborah & Sun, Xiaomei & Davies, Beth. (2024). Assessment Feedback: What Do Students Want and Need? Journal of University Teaching and Learning Practice. 21. 10.53761/tv2dfa83.

Huang, A. Y., Lu, O. H., & Yang, S. J. (2023). Auswirkungen von durch künstliche Intelligenz unterstützten personalisierten Empfehlungen auf das Engagement, die Motivation und die Ergebnisse der Lernenden in einem Flipped Classroom. Computers & Education, 194, 104684. https://doi.org/10.1016/j.compedu.2022.104684.

Hulme, Moira & Beauchamp, Gary & Wood, Jeffrey & Bignell, Carole. (2024). Teacher Workload Research Report 2024: Main Report.

Kasneci, E., et al. (2023). ChatGPT für den guten Zweck? Über Chancen und Herausforderungen großer Sprachmodelle für die Bildung. Learning and Individual Differences, 103, 102274. https://doi.org/10.1016/j.lindif.2023.102274

Kopp, W., & Thomsen, B. S. (2023). Wie KI die ganzheitliche Entwicklung von Schülern 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). Grundsätze für eine gute Bewertung und Rückmeldung. Jisc. https://www.jisc.ac.uk/guides/principles-of-good-assessment-and-feedback

Malouff, J. M., & Thorsteinsson, E. B. (2016). Bias in grading: A meta-analysis of experimental research findings. Australian Journal of Education, 60(3), 245-256. https://doi.org/10.1177/0004944116664618 (Originalarbeit veröffentlicht 2016)

Mollick, E. R., & Mollick, L. (2023). Zuweisung von AI: Sieben Ansätze für Studenten, mit Hinweisen. https://doi.org/10.2139/ssrn.4475995

Nicol, D. & Macfarlane-Dick, D. (2006). Formative Beurteilung und selbstreguliertes Lernen: ein Modell und sieben Grundsätze für eine gute Feedback-Praxis. Studies in Higher Education, 31, 199-218. 10.1080/03075070600572090. 

O'Donovan, B. M., den Outer, B., Price, M., & Lloyd, A. (2019). Was macht gutes Feedback gut? Studies in Higher Education, 46(2), 318-329. https://doi.org/10.1080/03075079.2019.1630812

Paris, B. (2022). Herausforderungen und Hindernisse für effektives Feedback aus der Sicht der Lehrenden. Teaching and Learning Inquiry, 10. https://doi.org/10.20343/teachlearninqu.10.3

Pierce, K. (2023). KI-gestütztes personalisiertes Feedback - Zeit sparen & kritische Köpfe wecken. In Artificial Intelligence in Education Conference Proceedings. 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. Applied Sciences, 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®: Teaching and Learning Edition. EDUCAUSE. https://library.educause.edu/resources/2025/5/2025-educause-horizon-report-teaching-and-learning-edition

Schinske, & Tanner, K. (2017). "Mehr lehren, indem man weniger (oder anders) benotet". CBE Life Sciences Education, 13(2), 159-166.

Venter, J., Coetzee, S. A., & Schmulian, A. (2024). Erforschung des Einsatzes von künstlicher Intelligenz (KI) bei der Bereitstellung von effektivem Feedback. Assessment & Evaluation in Higher Education, 50(4), 516-536. https://doi.org/10.1080/02602938.2024.2415649

Zhai, X. (2022). ChatGPT User Experience: Implications for Education. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.4312418