KI-gestütztes Feedback und Bewertung im Hochschulbereich

Die Art und Weise, wie wir das Lernen der Studierenden bewerten und Feedback geben, entwickelt sich ständig 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 künstliche Intelligenz (KI) aufregende neue Möglichkeiten.

Stellen Sie sich vor, Sie könnten jedem Studenten zeitnah ein persönliches Feedback geben, ohne Ihren Arbeitsaufwand zu verdreifachen oder Lernschwierigkeiten frühzeitig zu erkennen, bevor sie sich auf die Ergebnisse auswirken. KI macht dies möglich. Mit KI finden Pädagogen neue Wege, den Unterricht zu verbessern und sich stärker auf das zu konzentrieren, was am wichtigsten ist: die Lernerfahrung der Studenten.

Dieser Wandel wirft Fragen auf. Wie stellen wir sicher, dass KI ethisch und verantwortungsvoll eingesetzt wird? Und wie können Institutionen die Unterstützung bieten, die die Fakultät benötigt?

Dieser Leitfaden soll Ihnen und Ihrer Institution helfen, diese und weitere Fragen zu untersuchen.

Kapitel 1 bereitet die Bühne, indem es die Anforderungen an eine moderne Bewertung sowie die Herausforderungen bei der Bereitstellung von Feedback und Benotung betrachtet.

Kapitel 2 untersucht die Vorteile von KI-gestütztem Feedback und Benotung und wie KI eingesetzt werden kann, um qualitativ hochwertiges Feedback und Bewertungen zu liefern. 

Kapitel 3 untersucht die Zukunft von KI-Feedback und -Benotung sowie die Frage, wie Institutionen mit den damit verbundenen ethischen Bedenken umgehen können.

Unser Ziel ist es, KI zu entmystifizieren und eine Roadmap anzubieten, der Sie vertrauen können, eine Roadmap, die auf Pädagogik basiert, durch Forschung untermauert und durch die tatsächlichen Bedürfnisse von Pädagogen und Studenten geprägt ist. Bei der Zukunft der Bewertung geht es nicht darum, Menschen durch Maschinen zu ersetzen. Es geht darum, intelligente Werkzeuge einzusetzen, damit die Fakultät den Studenten besser beim Lernen helfen kann.

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 ermutigt, die Lernergebnisse zu erzielen. Was aber bedeutet qualitativ hochwertiges Feedback und Benotung genau?

Untersuchungen, die die Perspektiven der Studenten auf effektives Feedback untersuchen, haben ergeben, dass Lernende “zeitnahes, wachstumsorientiertes, interaktives, spezifisches und personalisiertes” Feedback schätzen (Holt et al., 2024).

Ein solcher Bedarf hat zusammen mit der digitalen Transformation und der Integration generativer KI-Technologien dazu geführt, dass Institutionen die Definition von qualitativ hochwertigem Feedback und Benotung verändert haben. Effektives Feedback und Benotung müssen (Knight & Ferrell, 2022):

• Die personalisierten Bedürfnisse der Lernenden unabhängig von Hintergrund, Fachgebiet und Lernstil unterstützen. 
• Über verschiedene Klassengrößen und Modalitäten hinweg skalierbar sein, ohne dass mehr Personalressourcen erforderlich sind. 
• Ganzheitliche, robuste Lernanalysen generieren, die eine bessere Lehrplangestaltung ermöglichen. 
• Reibungslos innerhalb der LMSs funktionieren
• Die Arbeitsbelastung von Mitarbeitern und Lernenden effektiv verwalten, indem die richtige Bewertung zur richtigen Zeit durch effiziente Geschäftsprozesse unterstützt wird.
• Aktives Lernen und Engagement während des gesamten Lernprozesses fördern und so die Ergebnisse der Studenten verbessern.
• Fördern Sie die Beschäftigungsfähigkeit der Lernenden durch authentische Beurteilungsaufgaben, 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 Bewertungsprozess zu erstellen und umzusetzen. Institutionen und Mitarbeiter sind mit mehreren Hindernissen konfrontiert, wenn sie effektive Bewertungen abgeben. 

Die Herausforderungen des modernen Feedbacks und der Benotung 

‍Verringerte Effizienz aufgrund von Budgetkürzungen: Institutionen auf der ganzen Welt sind mit Entlassungen und Budgetkürzungen konfrontiert, was dazu führt, dass die Fakultätsmitglieder mehr Verantwortung übernehmen und gleichzeitig wenig oder gar keine Unterstützung erhalten. Da weniger Dozenten mehr Studenten betreuen müssen, ist es viel schwieriger, jedem Einzelnen die nötige Aufmerksamkeit zu schenken, insbesondere wenn es um Feedback und Benotung geht (Er et al., 2021). 

‍Zeitaufwand und administrativer Arbeitsaufwand: Der “Teacher Workload Research Report 2024” zeigt, dass Feedback und Benotung die zeitaufwändigsten Aufgaben in der Arbeitswoche eines Lehrers außerhalb des Unterrichts sind (Hulme et al., 2024). Dozenten verbringen ungefähr 5 Stunden pro Woche allein mit Feedback und Benotung, was sich auf 140 Stunden in einem 28-wöchigen Schuljahr beläuft, wie Pädagogen in diesem Artikel bemerken. Ein solch hoher Zeitaufwand macht Feedback und Benotung zusammen mit der Notwendigkeit, die Bewertung zu individualisieren, kursspezifischen Unterschieden, Berichtspflichten, dem Umfang der Aufgaben und den damit verbundenen administrativen Arbeiten zu einer anspruchsvolleren Aufgabe. 

‍Inkonsistente Feedbackqualität: Bei wachsenden Klassengrößen und begrenzter Lehrerzeit ist es für die Dozenten besonders schwierig, allen Schülern bei jeder Aufgabe eine gleichbleibende Feedbackqualität zu liefern. Dies führt dazu, dass einige Schüler nur unvollständige Kommentare erhalten, wobei den einzelnen Rubrikkriterien ungleichmäßige Aufmerksamkeit geschenkt wird oder nur wenig Anleitung für umsetzbare Verbesserungen gegeben wird. Darüber hinaus stimmen Feedback und Benotung möglicherweise nicht mit den Kurszielen überein, was es den Schülern erschwert, kontextbezogene Vorschläge anzuwenden.

‍Mangelnde Beteiligung der Schüler am Feedbackprozess: Die Schüler sind unmotiviert, 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).

‍Fehlender Tracking-Mechanismus: Es fehlt an Mechanismen, um die Beteiligung der Schüler am Feedback und die Auswirkungen des Feedbacks auf das Lernen der Schüler zu verfolgen (Jin et al., 2022; Winstone, 2019).

‍Subjektivität und Voreingenommenheit bei der Benotung: Die Benotung beinhaltet oft subjektive Beurteilungen, die von Faktoren wie persönlicher Voreingenommenheit oder der Interpretation der Bewertungskriterien durch den Benotenden beeinflusst werden können. Dies kann zu inkonsistenter Benotung und dem Gefühl von Ungerechtigkeit bei den Schülern führen (Malouff & Thorsteinsson, 2016).

Schwierigkeiten bei der Standardisierung: In großen Klassen können verschiedene Benotende (z. B. studentische Hilfskräfte) unterschiedliche Standards und Benotungspraktiken haben, was zu Inkonsistenzen bei der Bewertung der Schülerarbeiten führt.

Fehlende Übereinstimmung mit den Feedback-Zielen: Die Benotung kann die Fähigkeit der Schüler, aus Feedback zu lernen, verringern, da sie sich eher auf die Buchstaben-/Zahlennote als auf das dazugehörige Feedback konzentrieren (Schinske & Tanner, 2017). 

Während Feedback und Benotung zeitaufwändig und herausfordernd sein können, kann die Investition in die richtige Technologie dazu beitragen, den Prozess zu rationalisieren und den Institutionen wertvolle Zeit zu sparen. Unter den neuen Technologien sticht die KI hervor, die ein großes Potenzial bietet, die Fakultäten bei der Verbesserung des Feedback- und Benotungsprozesses zu unterstützen.  

„Es (KI) hat das Potenzial, die Geschwindigkeit, Konsistenz und Detailgenauigkeit des Feedbacks für Pädagogen bei der Bewertung von Studentenarbeiten zu verbessern.“  – Rohim Mohammed, Dozent am University College Birmingham

‍

Kapitel 2: KI-gestütztes Feedback und Benotung: Ein Game Changer

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

KI kann das Feedback der Dozenten für die Schüler automatisieren und personalisieren, wodurch die Beteiligung der Schüler weiter gefördert (Kasneci et al., 2023) und bessere Ergebnisse erzielt werden (Zhai, 2022). KI kann auch verwendet werden, um die Leistung der Schüler zu analysieren und zeitnah ein individuelles Feedback zu geben, wodurch Institutionen Zeit und Ressourcen sparen (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 der 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 liefern, das auf die spezifischen Lernbedürfnisse jedes Schülers zugeschnitten ist. So kann beispielsweise ein Schüler von einer Anleitung zur Grammatik 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 für große Schülerkohorten zu verarbeiten und zu generieren, kann dazu beitragen, dass die Dozenten mehr Zeit für andere Bildungsaktivitäten wie Unterrichtsplanung, Unterstützung von Schülern, pädagogische Forschung und berufliche Weiterentwicklung haben, die alle einen großen Einfluss auf die Verbesserung des Lernens der Schüler haben (Venter et al., 2024). KI-Benotungssysteme tragen auch zur Reduzierung der Arbeitsbelastung der Lehrer bei, indem sie die Benotungsgeschwindigkeit um 80 % erhöhen.

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

Verbesserung der Lernergebnisse:

KI-gestütztes Feedback könnte die Lernleistung und das Engagement von Schülern mit einem moderaten Motivationsniveau deutlich verbessern (Huang et al., 2023). Der Erhalt einer personalisierten Anleitung erhöht das Engagement der Schüler und ermutigt sie, die Verantwortung für ihren Lernprozess zu übernehmen und eine Wachstumsmentalität zu entwickeln, was letztendlich die Lernergebnisse verbessert (Kopp, 2023).

Förderung der Beschäftigungsfähigkeit von Studierenden: 

KI-gestütztes Feedback regt die Studierenden dazu an, kritisch über ihre Arbeit nachzudenken, verschiedene Perspektiven zu analysieren und ihr Verständnis zu verfeinern. Dieser Prozess fördert auch die Entwicklung metakognitiver Fähigkeiten und unterstützt die Selbstreflexion und Selbstverbesserung (Winne, 2022). Diese Fähigkeiten gelten als unerlässlich, um Studierenden zu helfen, sich erfolgreich in ihrer zukünftigen Arbeit zurechtzufinden. 

Gewährleistung von Konsistenz und Fairness: 

Laut Ellis (2022) kann der Einsatz von KI dazu beitragen, Studierenden ein konsistentes Feedback und eine einheitliche Bewertung zu geben, was fairer ist als menschliche Bewertungsmethoden, die tendenziell von persönlichen Faktoren wie Müdigkeit, Tageszeit und erwarteten Bearbeitungszeiten beeinflusst werden. KI-gestützte Feedback- und Bewertungssysteme geben Bewertungen ab und vergeben Noten auf der Grundlage einheitlicher Kriterien, wodurch sichergestellt wird, dass alle Studierenden auf die gleiche Weise bewertet werden. Dies fördert die Inklusivität, indem die Studierenden auf der Grundlage ihrer Leistung benotet werden (Balla, 2024).

Steigerung von Effizienz und Skalierbarkeit: 

KI-gestützte Feedback- und Bewertungssysteme können schriftliche Arbeiten mit angemessener Genauigkeit beurteilen und formatives Feedback in großem Umfang geben, während sie gleichzeitig Bewertungsverzerrungen reduzieren und die Konsistenz verbessern, indem sie standardisierte Kriterien für große Kohorten anwenden. 

Eine effektive Ressourcenallokation und Kosteneinsparungen sind weitere Vorteile, die KI-gestützte Feedback- und Bewertungssysteme mit sich bringen können, da sie den Bedarf an Outsourcing und zusätzlichem Personal minimieren (Alqahtani et al., 2023). Solche großen Kosteneinsparungen ermöglichen es den Institutionen, das Budget für andere Bildungsaspekte wie Studentenunterstützung, technologische Upgrades und berufliche Entwicklung zu verwenden (Gnanaprakasam & Lourdusamy, 2024).

KI-gestütztes Feedback und Bewertung in der Praxis

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

ECoach der University of Michigan 

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

Assessment Partner der McMaster University 

Ein GenAI-Tool, das Dozenten bei der Erstellung effektiver Studentenbewertungen unterstützt. 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.

Optimierung 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, um Studenten sofortiges Feedback und Unterstützung zu bieten. Ausgehend von einem kleinen Pilotprojekt für eine Klasse von 300 Studenten wurde der KI-Bot inzwischen von fast 100 Institutionen und Business Schools übernommen.

Nutzung von KI zur Verbesserung von Feedback und Bewertung

KI hat ein unendliches Potenzial zur Verbesserung von Feedback und Bewertung im Hochschulbereich gezeigt. KI kann ihr volles Potenzial jedoch nur dann entfalten, wenn sie korrekt eingesetzt wird. In diesem Abschnitt werden wir verschiedene Möglichkeiten untersuchen, wie KI in Lehre und Lernen integriert werden kann, um Institutionen dabei zu helfen, qualitativ hochwertiges Feedback und Bewertungen zu liefern. 

Bereitstellung von personalisiertem, zeitnahem Feedback

Einer der größten Vorteile von KI ist ihre Fähigkeit, sofortiges Feedback zu verschiedenen Aspekten wie Sprache,Thematik, Grammatik, Struktur und mehr zu generieren und zu liefern. Da die Studierenden personalisiertes Feedback zu ihren Einreichungen erhalten, können sie sofort ihre Stärken und Bereiche identifizieren, in denen sie sich verbessern müssen. Dies hilft den Studierenden, die Verantwortung für ihr Lernen zu übernehmen und sich während des gesamten Lernprozesses stärker zu engagieren.

KI-Plattformen wie LearnWise AI Feedback & Grader bieten Funktionen zur Feedback-Generierung und -Verbesserung, die für die Verstärkung des Lernens von großem Vorteil sind. Durch die Verwendung fortschrittlicher Reasoning-Modelle ermöglicht das Tool den Dozenten, konstruktives, qualitativ hochwertiges Feedback zu geben, das auf jede Aufgabe zugeschnitten ist. Das Tool hilft, Zeit beim langwierigen Bewertungsprozess zu sparen, sodass sich die Dozenten mehr auf andere Aspekte des Unterrichts konzentrieren können. Dozenten können das Tool auch als „zweites Auge“ nutzen, indem sie das Feedback mit KI verfeinern und bereichern, sodass die Studenten das bestmögliche und genaueste Feedback erhalten.

Erstellung von Bewertungsaktivitäten und Rubriken

KI kann Lehrern helfen, personalisierte Quiz und Tests zu erstellen, die auf die Lernbedürfnisse jedes Schülers eingehen und eng mit den Lernzielen übereinstimmen. Diese dynamischen Bewertungen können die Schüler angemessen herausfordern und Bereiche identifizieren, in denen sie sich weiterentwickeln müssen. AI for Education hat eine Prompt-Bibliothek entwickelt und geteilt, um Pädagogen bei der Nutzung von GenAI zur Entwicklung von Bewertungspraktiken, Rubriken, Feedback-Aktivitäten und mehr zu unterstützen. 

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

Entwicklung effektiver Feedback-Systeme

Dozenten können benutzerdefinierte KI-Systeme entwickeln, um Feedback zu geben, das auf einer detaillierten Rubrik und den Lernzielen basiert, und um den Studierenden maßgeschneiderte Ratschläge zu geben, die sie sofort auf ihre nächsten Aufgaben anwenden können. Im Gegensatz zu traditionellem Feedback, das je nach Zeitdruck oder subjektiver Interpretation variieren kann, ist KI-gestütztes Feedback so konzipiert, dass es bestimmte Kriterien konsistent einhält. Dies stellt sicher, dass jeder Studierende Input erhält, der die beabsichtigten Lernergebnisse und Bewertungsstandards direkt widerspiegelt.

LearnWise AI Feedback & Grader unterstützt Dozenten bei der Verbesserung ihres Feedbacks zu Studentenarbeiten und Prüfungen, basierend auf verschiedenen Quellen wie Rubriken, Kursinhalten, Aufgabenanforderungen und Notizen und Anmerkungen der Dozenten zu den Arbeiten der Studenten. Durch die Abstimmung all dieser verschiedenen Quellen stellen die Einrichtungen sicher, dass die Bewertung und das Feedback für alle Studenten konsistent und fair bleiben. Die Dozenten können ihr Feedback auch mithilfe von benutzerdefinierten Anweisungen anpassen, z. B. Detaillierungsgrad, Länge, Tonfall und mehr. Am wichtigsten ist, dass die Dozenten immer die Kontrolle behalten und die volle Kontrolle über den Feedback- und Bewertungsprozess haben, mit der Option, das Feedback zu überprüfen, zu genehmigen oder zu verfeinern, bevor sie es mit den Studenten teilen. 

Bereitstellung von Dateneinblicken in die Leistung der Studierenden

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

LearnWise AI Feedback & Grader bietet ein umfassendes Übersichts-Dashboard darüber, wie die Fakultät mit dem Assistenten interagiert. Diese Einblicke umfassen die Nutzung durch die Fakultät, die Anzahl der bewerteten Einreichungen, die Anzahl der menschlichen Bearbeitungen, den Sitzungsverlauf und mehr, um Hochschulen dabei zu helfen, datengestützte Verbesserungen an Programm- und Kursdesigns vorzunehmen.

KI-gestütztes Feedback und Benotung im LMS

KI-Feedback- und -Bewertungssysteme sind am effektivsten, wenn sie direkt in die Lernmanagementsystem-(LMS-)Schnittstelle eingebettet sind, sodass Dozenten auf Feedbackmechanismen zugreifen, diese anpassen und implementieren können, ohne ihre primäre Unterrichtsplattform verlassen zu müssen. Dies 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 mit Studentenprofilen, Aufgaben und Kursstrukturen in Echtzeit synchronisiert werden.
• Modulare Plug-ins: Tools wie Turnitin, LearnWise AI und Grammarly bieten Plug-ins oder LTI-Module (Learning Tools Interoperability) an, die zu LMS-Plattformen wie Brightspace, Canvas oder Moodle hinzugefügt werden können.
• Echtzeit-Datensynchronisierung: Aktivieren Sie die Echtzeit-Synchronisierung von Studenteneinsendungen und Feedbackschleifen, um Datengenauigkeit, schnellere Feedbackzyklen und aktuelle Leistungs-Dashboards zu gewährleisten.

Designprinzipien für eine reibungslose KI-LMS-Integration:

• Geringe kognitive Belastung für Pädagogen: Stellen Sie sicher, dass die KI-Funktionen (z. B. auf Rubriken abgestimmtes Feedback, automatische Kommentare oder Analyse-Dashboards) intuitiv sind und die Arbeitsbelastung der Lehrer verringern und nicht erhöhen.
• Anpassbarkeit: Ermöglichen Sie es Pädagogen, KI-generiertes Feedback und Bewertungen an die kursspezifischen Lernergebnisse und Rubriken anzupassen.
• Skalierbarkeit: Integrationen sollten große Kohorten und verschiedene Aufgabentypen (Aufsätze, Quiz, Videoaufgaben) mit konsistenter Leistung unterstützen.
• Datenschutz und Compliance: Stellen Sie sicher, dass die KI-Tools FERPA, GDPR und den institutionellen Datenrichtlinien entsprechen, mit klarer Dokumentation darüber, wie Studentendaten verwendet und geschützt werden.

LearnWise AI Feedback & Grader gehört zu den KI-Tools, die nahtlos in verschiedene LMS-Bewertungsoberflächen wie Brightspace Grader und Canvas SpeedGrader integriert sind, sodass Dozenten Feedback verbessern, Noten vergeben und diese veröffentlichen können, ohne die LMSs verlassen zu müssen. Anstatt sie zu ersetzen, hilft das Tool, den bereits in den LMSs funktionierenden Bewertungsablauf zu verbessern.

‍

Kapitel 3: Die Zukunft des KI-gestützten Feedbacks und der Benotung

Der Weg der Integration von KI in den Feedback- und Bewertungsprozess birgt Herausforderungen, darunter ethische Bedenken und die Notwendigkeit von Transparenz. Indem sie diese Herausforderungen jedoch direkt angehen und die Chancen nutzen, können Pädagogen die Lehr- und Lernerfahrung erheblich verbessern.

Umgang mit inhärenten KI-Verzerrungen

Das Vorhandensein von Verzerrungen in KI-Feedback- und -Bewertungssystemen gehört zu den größten Bedenken von Institutionen bei der Einführung der Technologie. KI-Tools können Verzerrungen aus Eingabedaten oder ihren Entwicklern und der Gesellschaft übernehmen. Solche Verzerrungen könnten bestehende Diskriminierungen gegenüber bestimmten Gruppen verstärken und so das gelieferte Feedback und die Noten negativ beeinflussen (Baker & Hawn, 2021). Die Abschwächung dieser Verzerrungen erfordert das Trainieren des Systems mit vielfältigen Eingaben und Daten, die Durchführung regelmäßiger KI-Systemprüfungen und die Einbeziehung von Lehrern und Schülern in die Überprüfung der KI-Systeme. 

Gewährleistung des Datenschutzes

Der Datenschutz ist ein weiteres großes Problem bei der Einführung von KI im Bereich Feedback und Benotung, insbesondere angesichts der Sensibilität von Studentendaten, die nicht nur akademische Aufzeichnungen, sondern auch persönliche Informationen umfassen. 

Klare Richtlinien für die Entwicklung und Nutzung von KI bieten eine Grundlage für den ethischen und verantwortungsvollen Einsatz von KI, wodurch potenzielle Risiken, insbesondere inhärente Verzerrungen, vermieden werden können. Der Artificial Intelligence Act (AI Act) der Europäischen Union ist ein hervorragender Bezugspunkt für Institutionen bei der Erstellung von KI-Richtlinien. Institutionen müssen auch etablierte Datenschutzbestimmungen wie die DSGVO einhalten, um den Schutz von Studierendeninformationen bei der Implementierung von KI-Technologien im Bildungsbereich zu gewährleisten.

Ebenso wichtig ist Transparenz, die die Grundlage für den ethischen und inklusiven Einsatz von KI bildet. Dies beinhaltet die Entwicklung klarer Richtlinien, die Studierende über den angemessenen Einsatz von KI informieren, sowie die offene Kommunikation der Beweggründe und Erwartungen. Die Transparenz sollte sich ferner darauf erstrecken, wie Studierendendaten erhoben und genutzt werden, wobei die Institutionen klare Einwilligungsoptionen anbieten und sicherstellen, dass die Studierenden informiert und befähigt werden.

Mit Blick auf die Zukunft wird erwartet, dass sich die KI-Integration in den Feedback- und Bewertungsprozess vertiefen wird. Gnanaprakasam und Lourdusamy (2024) gaben Einblicke in die wichtigsten Entwicklungen von KI-gestütztem Feedback und automatisierter Bewertung, nämlich: 

• Kontinuierliche Verbesserungen in der NLP ermöglichen es der KI, subjektivere und komplexere Arbeiten von Studierenden, wie z. B. Aufsätze oder offene Fragen, zu verarbeiten und zu bewerten. Es werden KI-Modelle entwickelt, die nicht nur Grammatik und Syntax bewerten, sondern auch tiefergehende Aspekte wie Kohärenz und Argumentation der Antworten von Studierenden berücksichtigen. 
• Die Fähigkeit der KI zur Personalisierung wird über reines Feedback hinausgehen, um Lernressourcen und -wege zu entwickeln, die auf die Bedürfnisse und Ziele jedes einzelnen Studierenden zugeschnitten sind. 
• Die nahtlose Integration der KI-Bewertung in die LMS verspricht eine adaptivere und reaktionsfähigere Lernerfahrung, die Bildung für alle zugänglicher macht. 

Die Zukunft der KI zur Unterstützung von Bewertung, Feedback und Benotung birgt ein großes Potenzial, da die Technologien immer fortschrittlicher werden und sich nahtlos in Lehre und Lernen einfügen. Die Nutzung dieses Potenzials erfordert jedoch eine sorgfältige Planung und verantwortungsvolle Implementierung, um sicherzustellen, dass KI-Tools effektiv und ethisch eingesetzt werden, um die Lernerfahrung zu unterstützen und zu bereichern.

„Als sich schnell entwickelnde, folgenreiche und allgegenwärtige Allzwecktechnologie erfordert generative KI, dass die Dozenten die „Menschen in der Schleife“ sind und den Studenten beibringen, wie sie es auch sein können.“ – 2025 EDUCAUSE Horizon Report, Teaching and Learning Edition

‍

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). The emergent role of artificial intelligence, natural language processing, and large language models in higher education and research. 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). How AI is transforming grading? 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 sources in essay writing: peer-generated or AI-generated 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). Education in the Era of Generative Artificial Intelligence (AI): 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). Daily automated feedback enhances self-regulated learning: 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). The promises and challenges of artificial intelligence for teachers: a systematic review of research. TechTrends ,66, 616–630  https://doi.org/10.1007/s11528-022-00715-y 

Eaton S. (September 2024). Ethical reasons to avoid using AI apps for student assessment. 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). From the Automated Assessment of Student Essay Content to highly informative 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. Visible Learning: A Synthesis of over 800 Meta-Analyses Relating to Achievement. Abingdon: Routledge.

Henderson, M., Ryan, T., & Phillips, M. (2019). The challenges of feedback in higher education. 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). Effects of artificial intelligence-enabled personalized recommendations on learners’ learning engagement, motivation, and outcomes in a 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 for good? On opportunities and challenges of large language models for education. Learning and Individual Differences, 103, 102274. https://doi.org/10.1016/j.lindif.2023.102274

Kopp, W., & Thomsen, B. S. (2023). How AI can accelerate students’ holistic development and make teaching more fulfilling. World Economic Forum. https://www.weforum.org/agenda/2023/05/ai-accelerate-students-holistic-development-teaching-fulfilling/

Knight, S., & Ferrell, G. (2022). Principles of good assessment and feedback. 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 (Original work published 2016)

Mollick, E. R., & Mollick, L. (2023). Assigning AI: Seven approaches for students, with prompts. https://doi.org/10.2139/ssrn.4475995

Nicol, D.& Macfarlane-Dick, D. (2006). Formative assessment and self-regulated learning: a model and seven principles of good feedback practice. Studies in Higher Education, 31, 199-218. 10.1080/03075070600572090. 

O’Donovan, B. M., den Outer, B., Price, M., & Lloyd, A. (2019). What makes good feedback good? Studies in Higher Education, 46(2), 318–329. https://doi.org/10.1080/03075079.2019.1630812

Paris, B. (2022). Instructors’ Perspectives of Challenges and Barriers to Providing Effective Feedback. Teaching and Learning Inquiry, 10. https://doi.org/10.20343/teachlearninqu.10.3

Pierce, K. (2023). AI-powered personalized feedback – Save time & spark critical minds. 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 for Education and Research: Opportunities, Threats, and Strategies. 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). "Teaching more by grading less (or differently)." CBE Life Sciences Education, 13(2), 159–166.

Venter, J., Coetzee, S. A., & Schmulian, A. (2024). Exploring the use of artificial intelligence (AI) in the delivery of effective 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