← Zur Startseite
KI & Bewertung

Neue Bewertungskriterien für unbeaufsichtigte Schreibarbeiten

Hausarbeiten, Bachelorarbeiten und Masterarbeiten entstehen künftig unter Bedingungen, in denen der Einsatz generativer KI weder zuverlässig überprüft noch praktisch verhindert werden kann. Bewertungskriterien müssen deshalb nicht auf ein Verbot von KI zielen, sondern auf die Frage, ob trotz KI-Einsatz tatsächlich wissenschaftliche Kompetenz sichtbar wird.

Konsequenterweise muss KI-Nutzung bei unbeaufsichtigten Schreibarbeiten als mögliche Arbeitsbedingung vorausgesetzt werden. Entscheidend ist dann, dass die Anforderungen so formuliert werden, dass ohne Sachkenntnis, Quellenkompetenz, methodisches Verständnis und reflektierte KI-Kompetenz keine ausreichende Leistung möglich ist.

1

KI-Einsatz ist nicht kontrollierbar

Unbeaufsichtigte Schreibprozesse lassen sich nicht zuverlässig von KI-Nutzung trennen.

2

Bewertung muss Kompetenz erfassen

Prüfbar ist nicht KI-Freiheit, sondern fachliche Qualität, Nachvollziehbarkeit und Eigenleistung.

3

Kriterien müssen KI-Schwächen adressieren

Bewertet werden muss besonders das, was KI nicht zuverlässig leisten kann.

Ausgangspunkt

Das Problem liegt nicht im Schreiben mit KI.

Das zentrale Problem unbeaufsichtigter Schreibarbeiten besteht nicht darin, dass Studierende KI verwenden könnten. Das Problem besteht darin, dass traditionelle Bewertungskriterien häufig noch so tun, als ließe sich die Eigenleistung vor allem über Textproduktion sichern.

Generative KI verschiebt diese Grundlage. Text kann schnell, kohärent und formal überzeugend erzeugt werden. Daraus folgt: Bewertet werden muss stärker, ob hinter dem Text ein tragfähiges wissenschaftliches Denken steht.

Neue Bewertungskriterien müssen sichtbare Eigenleistung dort verlangen, wo KI nur scheinbar überzeugende Ergebnisse erzeugt.
Konsequenz

KI-Nutzung muss vorausgesetzt werden.

Wenn KI-Einsatz nicht zuverlässig überprüft und nicht realistisch verhindert werden kann, ist ein reines Verbot didaktisch schwach. Es erzeugt Prüfungsunsicherheit, aber keine bessere Kompetenzmessung.

Plausibler ist ein anderer Ansatz: Die Bewertung setzt voraus, dass KI genutzt worden sein könnte, und prüft genau jene Leistungen, die nicht durch oberflächliche Textgenerierung ersetzbar sind.

Eine Arbeit darf nicht deshalb ausreichend sein, weil sie formal flüssig klingt. Sie muss fachlich tragen, methodisch nachvollziehbar sein, Quellen korrekt verwenden und die eigene KI-Nutzung reflektieren.
Eigenleistung

Die Kriterien müssen dort ansetzen, wo KI schwach ist.

Generative KI kann Formulierungen glätten, Gliederungen vorschlagen und Forschungsstände zusammenfassen. Schwächer ist sie dort, wo genaue Quellenpassung, belastbare Einordnung, methodische Verantwortung, theoretische Präzision und kritische Urteilskraft verlangt werden.

Genau deshalb müssen Bewertungskriterien so gestaltet sein, dass eine bessere Note als 5,0 nur erreichbar ist, wenn die Arbeit über KI-generierte Plausibilität hinausgeht: durch Sachkenntnis, wissenschaftliches Urteilsvermögen und reflektierte KI-Kompetenz.

Kriterienanalyse

Warum diese Kriterien tragfähig sind

Die folgenden Kriterien wurden für KI-unterstützte Hausarbeiten entwickelt und anhand konkreter studentischer Arbeiten geschärft. Sie lenken die Bewertung weg von der bloßen Textoberfläche und hin zu wissenschaftlicher Qualität, fachlicher Kontrolle, Quellenkritik, methodischer Passung und nachvollziehbarer Eigenleistung.

Klassisches Kriterium KI-verschärftes Kriterium KI-spezifisch erweitert
Hinweis: Die Kriterien sind interaktiv. Klicken Sie auf eine Kachel, um die Erläuterung zu öffnen.

Die Themenwahl ist wichtig, weil sie zeigt, ob ein Gegenstand fachlich sinnvoll eingegrenzt, realistisch bearbeitbar und für die wissenschaftliche Diskussion relevant ist. Die Aufmerksamkeit einer Publikation hängt auch davon ab, ob ein Thema in der Scientific Community als bedeutsam wahrgenommen wird.

Diese Einschätzung setzt Sachkenntnis voraus. Besonders tragfähig können zum Beispiel Themen sein, die einen konkreten Anwendungsbezug mit sensiblen Fragen verbinden, etwa Datenschutz, Machtstrukturen, Geschlechtergerechtigkeit oder institutionelle Verantwortung. KI kann solche Themen vorschlagen, aber ihre wissenschaftliche Relevanz und Anschlussfähigkeit noch nicht in ausreichender Qualität beurteilen.

Das Erkenntnisinteresse steuert die gesamte Arbeit. Eine präzise Forschungsfrage verhindert beliebige, breit formulierte KI-Texte und macht sichtbar, ob Forschungslücken, Diskursbezüge und Grenzen der Fragestellung verstanden wurden.

KI kann beim Formulieren helfen, ersetzt aber nicht die fachliche Entscheidung, welche Frage wissenschaftlich sinnvoll, bearbeitbar und erkenntnisproduktiv ist.

Quellenverwendung ist zentral, weil KI wissenschaftliche Belastbarkeit nicht zuverlässig garantiert. Bewertet werden müssen Qualität, Vielfalt, Auswahlstrategie und kritische Kontrolle der verwendeten Literatur.

Zur guten wissenschaftlichen Praxis gehört außerdem, die Aussagekraft von Studien zu beurteilen: Datenbasis, Forschungsdesign, Stichprobe, Kontext, Reichweite, Limitationen und methodische Qualität müssen eingeordnet werden. KI kann hierzu Hinweise liefern, beherrscht diese Bewertung aber noch nicht in der Qualität, die für wissenschaftliches Arbeiten erforderlich ist.

Der Stand der Forschung zeigt, was zu einem Thema bereits untersucht wurde. Er umfasst zentrale Studien, Autor*innen, Ergebnisse, methodische Zugänge und Entwicklungslinien des Forschungsfeldes.

Unter KI-Bedingungen ist dieses Kriterium besonders wichtig, weil KI Forschungsstände oft glatt, allgemein und scheinbar vollständig darstellt. Bewertet werden muss daher, ob der Überblick tatsächlich belastbar, aktuell, quellenbasiert und fachlich strukturiert ist.

Dieses Kriterium ist vom Forschungsstand abzugrenzen. Beim Forschungsstand geht es vor allem darum, was bereits erforscht wurde. Bei Forschungspositionen und theoretischen Positionen geht es zusätzlich darum, wie die Scientific Community ein Thema deutet, bewertet und kontrovers diskutiert.

Erfasst werden sollen also Haltungen, theoretische Perspektiven, Deutungslinien, Kontroversen und normative oder fachliche Positionierungen innerhalb des Diskurses. Dazu gehört die Frage, welche Positionen dominant sind, welche kritisch widersprechen und welche theoretischen Annahmen dahinterstehen.

KI neigt dazu, Konflikte zu glätten, Positionen zu harmonisieren oder Kontroversen zu allgemein darzustellen. Eine belastbare Einordnung erfordert deshalb Sachkenntnis, theoretisches Verständnis und die Fähigkeit, Positionen nachvollziehbar voneinander abzugrenzen.

Quellenpassung prüft, ob Belege die konkrete Aussage tatsächlich tragen. Gerade unter KI-Bedingungen ist dies entscheidend, weil plausible Formulierungen häufig stärker wirken als die tatsächliche Evidenzlage.

Zusätzlich muss reflektiert werden, ob Studienergebnisse auf den behandelten Kontext übertragbar sind. Stichprobe, Erhebungsland, Praxisfeld, Zeitraum, Repräsentativität und methodische Grenzen können die Aussagekraft erheblich einschränken. KI erkennt solche Übertragbarkeitsprobleme nicht zuverlässig genug; sie müssen fachlich geprüft werden.

Dieses Kriterium prüft, ob die Arbeit eine klare Argumentationslinie verfolgt und jeder Abschnitt einen erkennbaren Beitrag leistet. Wiederholungen, Füllpassagen und allgemeine Formulierungen schwächen den wissenschaftlichen Gehalt.

Unter KI-Bedingungen ist dies besonders wichtig, weil KI häufig flüssige, aber informationsarme Abschnitte erzeugt. Bewertet werden sollte daher nicht Textmenge, sondern argumentativer Mehrwert.

Fachbegriffe sind nur dann wissenschaftlich sinnvoll, wenn sie korrekt verwendet, theoretisch eingebettet und für die Argumentation notwendig sind. Dieses Kriterium schützt vor bloß dekorativer Terminologie.

Unter KI-Bedingungen kommt hinzu, dass KI häufig Neologismen, scheinfachliche Begriffe oder begriffliche Mischformen erzeugt, die nicht oder nur teilweise zum Kontext passen. Solche Begriffe können wissenschaftlich wirken, ohne an der verwendeten Stelle einen analytischen Mehrwert zu haben.

Bewertet werden muss daher, ob Fachwörter tatsächlich präzisieren, erklären oder differenzieren – und nicht nur den Text akademisch klingen lassen.

Eine wissenschaftliche Arbeit muss logisch aufgebaut sein. Aussagen, Belege, Zwischenschritte und Schlussfolgerungen müssen zusammenpassen.

KI kann einzelne Abschnitte kohärent formulieren, übernimmt aber keine Verantwortung für die Gesamtlogik der Arbeit. Gerade deshalb muss bewertet werden, ob die Argumentation über alle Kapitel hinweg geschlossen, widerspruchsfrei und nachvollziehbar bleibt.

Kritische Reflexion umfasst den bewussten Umgang mit Grenzen der eigenen Arbeit, offenen Fragen, methodischen Einschränkungen und ethischen Implikationen. Unter KI-Bedingungen muss zusätzlich reflektiert werden, wie KI den Arbeitsprozess beeinflusst hat.

Besonders relevant ist der eigene Confirmation Bias: KI kann dazu beitragen, bestehende Vorannahmen zu stabilisieren, statt sie herauszufordern. Viele Systeme neigen zu bestätigendem und ermutigendem Antwortverhalten, häufig als Sycophancy bezeichnet. Dadurch kann der Eindruck entstehen, eigene Ideen seien tragfähiger, konsistenter oder origineller, als sie tatsächlich sind.

Eine gute Reflexion muss daher zeigen, wie mit eigenen Vorannahmen, KI-Bestätigung, alternativen Perspektiven und möglichen Verzerrungen umgegangen wurde.

Wissenschaftlicher Stil verlangt Präzision, Kohärenz, Sachlichkeit und formale Sorgfalt. Unter KI-Bedingungen reicht sprachliche Glätte nicht aus.

Bewertet werden muss, ob der Text inhaltlich kontrolliert, sprachlich überarbeitet und formal sauber umgesetzt wurde. KI-generierte Passagen dürfen nicht unkritisch übernommen werden, sondern müssen an Argumentation, Begrifflichkeit und wissenschaftlichen Stil der Arbeit angepasst sein.

Bei empirischen Arbeiten muss die Methode aus der Forschungsfrage folgen. Bewertet wird, ob Methodenauswahl, Datengrundlage, Verfahren, Tools und Grenzen nachvollziehbar begründet sind.

KI kann methodische Optionen erklären, aber nicht entscheiden, welche Methode für die konkrete Fragestellung angemessen ist. Diese Passung bleibt wissenschaftliche Eigenleistung.

Quantitative Forschung verlangt klare Variablen, nachvollziehbare Messinstrumente sowie die Diskussion von Reliabilität und Validität.

Dieses Kriterium ist nicht neu, bleibt aber zentral, weil KI Begriffe oder Variablen zwar vorschlagen kann, deren empirische Messbarkeit und Güte aber nicht zuverlässig absichert.

Qualitative Arbeiten benötigen theoretische Fundierung, Transparenz, Nachvollziehbarkeit und Reflexivität. Die Rolle der forschenden Person, der Auswertungsprozess und die Gütekriterien müssen begründet werden.

KI kann qualitative Auswertung unterstützen, aber sie ersetzt keine methodische Kontrolle. Gerade bei KI-gestützter Analyse muss dokumentiert werden, welche Schritte durch KI unterstützt wurden und wie die Ergebnisse fachlich geprüft wurden.

Nachvollziehbarkeit und Reproduzierbarkeit sind klassische wissenschaftliche Anforderungen. Unter KI-Bedingungen werden sie aber erweitert: Nicht nur Suchstrategie, Datenbanken, Suchbegriffe und Auswahlkriterien müssen offengelegt werden, sondern auch die Rolle von KI bei Recherche, Strukturierung, Auswertung und Textüberarbeitung.

Gerade bei Literaturarbeiten muss erkennbar sein, wie Quellen gefunden, geprüft, ausgewählt und analysiert wurden. So wird verhindert, dass KI-generierte Quellenpfade, unklare Auswahlentscheidungen oder nicht überprüfte Zusammenfassungen als wissenschaftliche Eigenleistung erscheinen.

Perspektive

Unter KI-Bedingungen muss Bewertung stärker auf wissenschaftliche Urteilskraft ausgerichtet werden. Gute Schreibarbeiten entstehen dann nicht dadurch, dass KI nicht genutzt wird, sondern dadurch, dass KI fachlich kontrolliert, methodisch reflektiert und kritisch überarbeitet eingesetzt wird.

Die Kriterien verschieben den Bewertungsmaßstab: Nicht die bloße Textproduktion steht im Mittelpunkt, sondern die Fähigkeit, ein Thema wissenschaftlich zu durchdringen, belastbare Quellen auszuwählen, Positionen einzuordnen, Methoden passend zu begründen und die eigene Arbeit transparent zu verantworten.

Zurück zur Startseite Interesse am Austausch