Leitlinien des Office for Students zu KI-Bewertungen setzen Studienleistungen unter Druck
Das Office for Students drängt Englands Universitäten dazu, KI-freie Prüfungsformate auszuweiten und Studierenden zugleich weiterhin den Umgang mit künstlicher Intelligenz zu vermitteln. Die am 11. November veröffentlichten Leitlinien des Office for Students zu KI-Bewertungen greifen eine wachsende Lücke auf: Eine überzeugend ausgearbeitete Studienleistung belegt nicht zwangsläufig das Verständnis eines Studierenden.
Im Zentrum des Konflikts steht die Frage, was eine Universität anhand eingereichter Arbeiten tatsächlich feststellen kann. Ein Essay kann Bewertungskriterien erfüllen und dennoch wenig über das eigenständige Denken seines Autors verraten. Umgekehrt bedeutet der Einsatz von KI bei der Vorbereitung nicht automatisch, dass ein Studierender nichts gelernt oder gegen Prüfungsregeln verstoßen hat.
Ein früheres Experiment der University of Reading zeigte, wie schwierig es ist, KI-generierte Einreichungen durch gewöhnliche Bewertung zu erkennen. Englands Regulierungsbehörde weist Institutionen nun die Verantwortung zu, Prüfungen so zu gestalten, dass sie studentische Leistungen nachweisen. Das setzt Universitäten, Anbieter von Bewertungssoftware und Studierende unter Druck, die mit uneinheitlichen Erwartungen umgehen müssen.
Leitlinien des Office for Students zu KI-Bewertungen zielen auf Lernnachweise
Der Eingriff der Regulierungsbehörde hinterfragt die Belege hinter einer Note, lässt aber Raum für Prüfungen, die KI erlauben.
Das OfS veröffentlichte seine institutional AI research gemeinsam mit Advance HE am 11. November. Das zwischen Juni und September 2026 durchgeführte Projekt umfasste Gespräche mit mehr als 300 Studierenden und Mitarbeitenden an über 120 Einrichtungen.
Die Ergebnisse beschreiben Bedenken hinsichtlich unbeaufsichtigter Aufgaben, die KI erledigen kann, ohne dass Studierende das beabsichtigte Wissen nachweisen. Die Teilnehmenden berichteten zudem von hilfreichen Einsatzmöglichkeiten beim Lernen und Unsicherheit über Prüfungsrichtlinien. Diese Berichte benennen institutionelle Probleme; sie belegen keine landesweite Quote von Täuschungsversuchen.
Die weit verbreitete Formulierung „nahezu unmöglich“ spiegelt die Sorge eines Mitarbeitenden über die Bewertung von Studierenden in einigen Bereichen wider. Diese Aussage als allgemeingültige Erkenntnis zu behandeln, würde wichtige Einschränkungen ausblenden. Der Bericht belegt weder, dass jeder Essay KI-generiert ist, noch dass jede Note für Studienleistungen wertlos ist.
Die begleitenden assessment compliance guidance erläutern, wie bestehende Qualitätsanforderungen gelten. B1 betrifft die akademische Erfahrung, B2 behandelt Ressourcen und Unterstützung, und B4 umfasst Prüfungen und glaubwürdige Abschlüsse.
Die Leitlinien unterstützen sichere Prüfungen, wo sie erforderlich sind. Diese verhindern den Einsatz von KI und umfassen Klausuren, Präsentationen, mündliche Prüfungen, Aufführungen und praktische Aufgaben. Sie erlauben KI auch dort, wo die Prüfung weiterhin die vorgesehenen Lernergebnisse misst.
Diese Unterscheidung verändert die institutionelle Fragestellung. Eine Universität kann das Problem nicht einfach dadurch lösen, dass sie sich selbst als KI-freundlich oder der akademischen Integrität verpflichtet erklärt. Sie braucht eine belastbare Erklärung dafür, was jede Prüfung über den Studierenden aussagt.
Betrachten wir eine beispielhafte volkswirtschaftliche Aufgabe, bei der Studierende einen politischen Vorschlag bewerten sollen. Ein überzeugender abschließender Essay kann eine fundierte Argumentation zeigen oder auf umfangreiche Unterstützung zurückgehen. Ohne weitere Belege bleibt dem Prüfer unklar, welchen Beitrag der Studierende geleistet hat.
Die Schriftart zu ändern, eine Erklärung hinzuzufügen oder Studierende an Fehlverhalten zu erinnern, löst diese Unsicherheit nicht. Solche Maßnahmen kommunizieren Erwartungen, verbessern aber nicht zwangsläufig die Belege, auf denen die Note beruht.
Eine Prüfung, bei der Studierende ihre Annahmen erläutern müssen, schafft eine andere Grundlage für die Beurteilung. Lehrende können untersuchen, warum ein Modell ausgewählt wurde, welche Belege relevant sind und wie konkurrierende Erklärungen verworfen wurden.
Die praktische Bedeutung der Leitlinien des Office for Students zu KI-Bewertungen geht daher über das Format einer Prüfung hinaus. Ihre zentrale Forderung lautet, dass Institutionen die Arbeit, die sie bewerten, mit den Fähigkeiten verknüpfen müssen, die sie zu zertifizieren beanspruchen.
Diese Verbindung erklärt auch, warum Studienleistungen weiterhin Teil der Diskussion sind. Umfangreiche Projekte können Recherche, Überarbeitung und nachhaltiges Denken sichtbar machen. Die Herausforderung besteht darin, diese Stärken zu bewahren und zugleich festzustellen, wessen Verständnis die fertige Arbeit repräsentiert.
Universitäten müssen verteidigen, was ihre Noten tatsächlich bescheinigen
Der unmittelbare Druck lastet auf Institutionen, die Abschlüsse vergeben, einschließlich jener mit klaren Richtlinien, aber schwachen Nachweisen studentischer Leistungen.
Das OfS hat die Qualität von Prüfungen mit seinen regulatorischen Aufgaben verknüpft. In seiner AI assessment announcement benennt es mögliche Reaktionen auf institutionelle Versäumnisse, darunter Auflagen, Geldstrafen und Einschränkungen bei der Finanzierung.
Dabei handelt es sich um Regulierungsinstrumente, nicht um einen Beleg dafür, dass eine Universität wegen dieses Berichts bereits eine Strafe erhalten hat. Die Unterscheidung ist wichtig, denn eine Warnung formuliert Erwartungen, ohne ein Durchsetzungsergebnis festzustellen.
Josh Fleming, Direktor für Strategie und Umsetzung beim OfS, forderte einen stärkeren Einsatz KI-freier Prüfungen. Kathryn Harrison-Graves, stellvertretende Geschäftsführerin von Advance HE, betonte institutionelle Orientierung, einheitliche Leitlinien und Ressourcen für Mitarbeitende und Studierende.
Diese Positionen betreffen unterschiedliche Teile desselben Problems. Kontrollierte Prüfungen können das Vertrauen in individuelle Leistungen stärken. Institutionelle Koordination hilft dabei, zu bestimmen, wo dieser Ansatz angebracht ist und ob Fachbereiche ihn einheitlich umsetzen können.
Für Hochschulleitungen reicht der daraus entstehende Druck über Teams für akademisches Fehlverhalten hinaus. Prüfungsdesign beeinflusst Personal, Lehrpläne, Raumverfügbarkeit, Barrierefreiheit und die Beziehung zwischen Kurszielen und Abschlussbewertungen.
Eine mündliche Prüfung erfordert qualifizierte Personen, die hilfreiche Nachfragen stellen können. Eine praktische Aufgabe erfordert geeignete Bedingungen und eine einheitliche Bewertung. Eine überarbeitete Aufgabe setzt voraus, dass Lehrende sich darauf einigen, was als gelungenes Denken gilt.
Dabei handelt es sich um Überlegungen zur Umsetzung und nicht um im Bericht gemessene Kosten. Sie erklären, warum es einfacher ist, eine neue Prüfungsrichtlinie einzuführen, als nachzuweisen, dass sie an einer gesamten Universität funktioniert.
Auch für Lehrende verändert sich die Rolle des Bewertens. Das Lesen einer abschließenden Antwort bleibt notwendig, doch das Vertrauen hängt zunehmend von den Belegen ab, die rund um diese Antwort gesammelt werden.
Ein Lehrender könnte ein Projekt mit der Erklärung eines Studierenden zu dessen zentraler Entscheidung vergleichen. Ein anderer könnte eine angewandte Aufgabe während einer beaufsichtigten Sitzung bewerten. Keiner der beiden Ansätze garantiert ohne geeignete Kriterien Fairness.
Für Studierende wird Vorhersehbarkeit entscheidend. Ein Kurs, der während der Lehre KI-gestützte Erkundung fördert, muss die Grenzen für bewertete Arbeiten erklären. Andernfalls müssen Studierende Regeln aus verstreuten Bemerkungen und uneinheitlichen Beispielen ableiten.
Diese Unsicherheit schafft Probleme, selbst wenn alle Beteiligten die Regeln einhalten wollen. Unterstützung bei Grammatik, Quellenrecherche, Argumentationsentwicklung und vollständigem Entwurf umfasst unterschiedliche Beiträge. Eine einzelne Anweisung, KI verantwortungsvoll zu nutzen, lässt diese Unterschiede ungeklärt.
Auch Arbeitgeber haben ein Interesse daran, obwohl der Bericht nicht belegt, wie sich Einstellungspraktiken verändern werden. Ein Abschluss vermittelt eine Aussage über die Fähigkeiten eines Absolventen. Unsicherheit bei Prüfungen schwächt den Nutzen dieser Aussage.
Relevant ist die Unterscheidung zwischen dem Erzielen eines akzeptablen Ergebnisses und dem Besitz des Urteilsvermögens, das zu dessen Bewertung nötig ist. Viele berufliche Aufgaben umfassen beides. Universitäten stehen unter Druck, zu zeigen, welche Fähigkeit eine bestimmte Note repräsentiert.
Für Technologieanbieter ist die Folgerung ähnlich. Funktionen, die die Erstellung von Aufgaben beschleunigen, stärken nicht automatisch die Bildungsnachweise. Der Nutzen eines Produkts für das Lernen und seine Eignung für Prüfungen erfordern getrennte Beurteilungen.
KI-Kompetenz und eigenständige Kompetenz erfordern unterschiedliche Nachweise
Ein Studierender kann lernen, effektiv mit KI zu arbeiten, und muss dennoch Verständnis ohne sie nachweisen.
Der scheinbare Widerspruch in der Position der Regulierungsbehörde verschwindet, sobald Prüfungsziele ausdrücklich benannt werden. Ein Werkzeug kompetent zu nutzen und ein Fach unabhängig zu verstehen, sind verwandte Fähigkeiten, erfordern jedoch unterschiedliche Nachweise.
Ein beispielhafter Programmierkurs macht diese Unterscheidung greifbar. Ein Studierender könnte KI nutzen, um Code vorzuschlagen, anschließend dessen Verhalten prüfen und eine Sicherheitslücke erkennen. Diese Übung kann das Urteilsvermögen im Umgang mit generierten Ergebnissen testen.
Eine separate Aufgabe könnte verlangen, dass der Studierende ein einfaches Programm ohne Unterstützung nachvollzieht. Ihr Zweck wäre es, grundlegendes Verständnis festzustellen. Erfolg bei der KI-gestützten Übung würde nicht automatisch Erfolg bei der eigenständigen Aufgabe belegen.
Keine der beiden Aufgaben muss den gesamten Kurs repräsentieren. Zusammen können sie Fragen beantworten, die ein ausgefeiltes finales Programm offenlässt.
Frühere Erkenntnisse zeigen, warum diese Unterscheidung Aufmerksamkeit verdient. In einem exam infiltration experiment aus dem Jahr 2024 reichten Forschende der University of Reading KI-generierte Antworten in Prüfungen der Bachelor-Psychologie ein.
Die Universität berichtete, dass 94 % unentdeckt blieben und die generierten Einreichungen im Durchschnitt bessere Noten erhielten als echte studentische Einreichungen. Das Experiment betraf ein bestimmtes Prüfungssystem und einen bestimmten fachlichen Kontext.
Es belegt keine aktuelle Erkennungsrate an Universitäten insgesamt. Es zeigt jedoch, warum gewöhnliche Bewertung Urheberschaft oder eigenständiges Verständnis nicht automatisch feststellen kann.
Das Experiment in Reading und der Eingriff des OfS nähern sich dem Thema aus unterschiedlichen Richtungen. Das Experiment prüfte, ob eingereichte Antworten ein bestehendes System passieren würden. Die Regulierungsbehörde fordert Institutionen dazu auf, ihre Prüfungssysteme belastbar zu gestalten.
Diese Verschiebung begünstigt klarere Unterscheidungen zwischen verschiedenen Arten von Leistung. Ein KI-gestützter Bericht kann Bewertung, Überprüfung und verantwortungsvollen Werkzeugeinsatz belegen. Eine eigenständige Erklärung kann feststellen, ob der Studierende das dahinterliegende Denken versteht.
Die Spannung wird deutlicher, wenn Prüfungen den Anschein von Fachkompetenz belohnen. Flüssiges Schreiben, geordnete Quellenangaben und selbstbewusste Schlussfolgerungen können nützliche Eigenschaften sein. Sie werden irreführend, wenn Prüfer sie als ausreichenden Beleg für Fachwissen behandeln.
Ein Modell kann eine plausible Erklärung erzeugen, die sein Nutzer nicht verteidigen kann. Ein Studierender kann auch unbeholfene Prosa verfassen und dennoch das zugrunde liegende Problem verstehen. Prüfungen müssen diese Möglichkeiten unterscheiden, ohne eine von beiden vorauszusetzen.
Dieselbe Unterscheidung ist für Wissensarbeitende außerhalb der Bildung relevant. Eine KI-generierte Zusammenfassung kann jemandem helfen, Informationen zu prüfen, doch ihre Schlussfolgerung zu akzeptieren erfordert die Überprüfung ihrer Belege.
Für Leser, die sich mit personal knowledge management beschäftigen, ist der Zusammenhang praktisch: Organisiertes Material unterstützt das Verständnis, wenn Menschen seine Ursprünge und sein Denken nachvollziehen können.
Diese Beobachtung belegt nicht, dass bestimmte Software die Noten verbessert oder Urheberschaft verifiziert. Sie verweist auf ein gemeinsames Problem beim Lernen und in der beruflichen Arbeit: Zugängliche Informationen und verlässliches Verständnis sind unterschiedliche Errungenschaften.
Die überzeugendste Auslegung des Ansatzes der Regulierungsbehörde wahrt daher beide Erwartungen. Absolventinnen und Absolventen sollten ihre Fachgebiete verstehen und ein Urteilsvermögen im Umgang mit KI entwickeln. Ein Bewertungssystem sollte diese Fähigkeiten sichtbar machen, statt sie in einem einzigen fertigen Dokument zusammenzuführen.
Eine Rückkehr zu Prüfungen lässt wichtige Fragen offen
Stärker kontrollierte Leistungsbewertungen können das Vertrauen in individuelle Leistungen erhöhen, ohne jede Frage zu Fairness oder Bildungswert zu klären.
Eine beaufsichtigte Prüfung begrenzt die Möglichkeiten externer Unterstützung. Sie belegt jedoch nicht automatisch, dass die Aufgabe die relevanteste Fähigkeit misst.
Betrachten wir einen beispielhaften Kurs zu Forschungsmethoden. Ein zeitlich begrenzter Test könnte prüfen, ob Studierende Schwächen in einem Studiendesign erkennen. Ein längerfristiges Projekt könnte zeigen, ob sie eine Fragestellung formulieren und einen Ansatz überarbeiten können.
Beide Formen von Nachweisen können bedeutsam sein. Das Projekt vollständig zu ersetzen, würde verändern, was der Kurs misst – selbst wenn der Ersatz eine unzulässige KI-Nutzung erschwert.
Dies ist die stärkste skeptische Herausforderung für eine breit angelegte Rückkehr zu Prüfungen. Universitäten benötigen Belege dafür, dass überarbeitete Leistungsbewertungen die Lernergebnisse bewahren, die sie bescheinigen wollen.
Sicherheit und Validität erfordern daher eine getrennte Prüfung. Sicherheit betrifft die Bedingungen, unter denen ein Studierender die Aufgabe bearbeitet. Validität betrifft die Frage, ob die Aufgabe das beabsichtigte Wissen oder die beabsichtigte Fähigkeit misst.
Eine Institution kann das eine stärken und das andere vernachlässigen. Ein streng kontrollierter Gedächtnistest liefert nur begrenzte Hinweise auf Fähigkeiten, die eine längere Untersuchung erfordern. Ein anspruchsvolles Projekt zur Bearbeitung zu Hause kann den eigenständigen Beitrag ungewiss lassen.
Die Gestaltungsaufgabe besteht darin, diese Einschränkungen auszubalancieren. Zu behaupten, traditionelle Prüfungen lösten die KI-Bewertung, würde die Aufgabe vereinfachen. Zu behaupten, der KI-Einsatz am Arbeitsplatz mache eigenständige Leistungsbewertung überflüssig, wäre ein ähnlich unbelegter Schluss.
Barrierefreiheit fügt eine weitere Einschränkung hinzu. Die OfS-Leitlinien erkennen angemessene Vorkehrungen für Studierende mit Behinderungen an und warnen davor, den Ergebnissen von KI-Erkennungssystemen unverhältnismäßiges Gewicht beizumessen.
Diese Schutzvorkehrungen sind wichtig, weil weder eine Veränderung des Schreibstils noch ein Detektorwert erklärt, wie ein Studierender eine Aufgabe bearbeitet hat. Ein Vorwurf und ein Bewertungsurteil erfordern angemessene Belege.
Eine Universität sollte außerdem zwischen Unterstützung und Ersatz unterscheiden. Ein Studierender, der erlaubte Hilfsmittel bei der Entwicklung eines Arguments nutzt, befindet sich in einer anderen Lage als jemand, der Arbeiten einreicht, die er nicht erklären kann.
Die Grenze hängt teilweise von der Aufgabe ab. Unterstützung, die beim Sprachtraining akzeptabel ist, könnte den Zweck einer Aufgabe vereiteln, die eigenständiges Schreiben bewerten soll. Allgemeine institutionelle Regeln benötigen eine auf die jeweilige Leistungsbewertung bezogene Bedeutung.
Zudem besteht das Risiko, die Beweislast zu weit auf Studierende zu verlagern. Umfangreiche Aufzeichnungen über jeden Schritt beim Erstellen eines Entwurfs zu verlangen, könnte Dokumentation erzeugen, ohne Verständnis nachzuweisen.
Ein vollständiger Aktivitätsverlauf müsste dennoch interpretiert werden. Er könnte zeigen, dass ein Studierender mit einem Tool interagiert hat, doch die Interaktion allein würde nicht offenlegen, ob Lernen stattgefunden hat.
Dies sind Gründe, Neugestaltungen sorgfältig zu bewerten, und keine Gründe, jede bestehende Aufgabe beizubehalten. Institutionen müssen erklären, welchen Beitrag jede Komponente zu einem glaubwürdigen Urteil leistet.
Die ungelöste Frage geht daher über die Rückkehr von Prüfungen hinaus. Die Office for Students AI assessment guidance überlässt es den Universitäten, zu zeigen, dass ihre gewählte Mischung Leistung fair misst.
Ihre Wirksamkeit wird von Belegen zur Umsetzung abhängen. Ein überarbeitetes Handbuch kann stärkere Erwartungen formulieren; nur der tatsächliche Ablauf der Leistungsbewertung kann zeigen, ob diese Erwartungen erfüllt werden.
Die Nutzung durch Studierende macht pauschale Annahmen unzuverlässig
Die weitverbreitete Nutzung von KI verdeutlicht das Ausmaß der Herausforderung für Leistungsbewertungen, lässt individuelles Verhalten und Lernergebnisse jedoch offen.
Die HEPI-Umfrage vom März 2026 zu KI unter Studierenden bietet nützlichen Kontext. Sie wurde im Dezember 2025 von Savanta durchgeführt und umfasste Antworten von 1.054 britischen Vollzeitstudierenden im Grundstudium.
Die Umfrage ergab, dass 95 % angaben, KI in irgendeiner Form zu nutzen, während 94 % angaben, generative KI zur Unterstützung bei bewerteten Arbeiten einzusetzen. Separat berichteten 12 %, KI-generierten Text direkt in bewertete Arbeiten aufgenommen zu haben.
Diese Kategorien erfassen unterschiedliches Verhalten. Unterstützung bei bewerteten Arbeiten umfasst mehr Aktivitäten als das Einfügen generierten Textes. Keine der beiden Zahlen belegt für sich genommen ein Fehlverhalten nach den institutionellen Regeln eines Studierenden.
Die Umfrage ergab außerdem, dass 65 % angaben, die Leistungsbewertung habe sich als Reaktion auf KI erheblich verändert. Sie liefert damit Kontext für bereits laufende institutionelle Anpassungen neben den in der November-Untersuchung angesprochenen Bedenken.
Diese Ergebnisse untergraben eine einfache Trennung zwischen KI-Nutzern und eigenständig Lernenden. Ein Studierender kann KI nutzen und sich dennoch intensiv mit dem Material auseinandersetzen. Ein anderer kann ähnliche Tools nutzen, um genau diese Auseinandersetzung zu vermeiden.
Der pädagogische Unterschied liegt in der Arbeit, die der Studierende weiterhin selbst leistet. Nach einer Erklärung zu fragen, kann eine produktive Untersuchung beginnen. Die Erklärung ungeprüft zu akzeptieren, kann diese Untersuchung vorzeitig beenden.
Eine beispielhafte Geschichtsaufgabe zeigt, wie ähnliche Handlungen zu unterschiedlichen Ergebnissen führen können. Ein Studierender könnte KI um Interpretationsvorschläge bitten und diese anschließend mit Primärdokumenten vergleichen.
Ein anderer Studierender könnte die vorgeschlagene Interpretation einreichen, ohne ihre Belege zu prüfen. Die anfängliche Interaktion mit dem Tool wirkt ähnlich, doch die daraus entstehende Grundlage für eine Note unterscheidet sich.
Deshalb können Nutzungsstatistiken keine Entscheidung über die Gestaltung von Leistungsbewertungen treffen. Sie zeigen, wie weit verbreitet Institutionen auf KI treffen, bieten jedoch nur begrenzte Informationen darüber, was ein bestimmter Studierender gelernt hat.
Dieselbe Vorsicht gilt für Berichte, wonach Mitstudierende Aufgaben schnell erledigen. Solche Berichte benennen ein glaubwürdiges Problem, das untersucht werden sollte. Sie messen nicht, wie häufig dieses Verhalten im gesamten Sektor vorkommt.
Institutionen benötigen daher Belege aus ihren eigenen Kursen. Wo lassen eingereichte Antworten Verständnis ungewiss? Welche Bestandteile der Leistungsbewertung klären diese Ungewissheit? Welche Änderungen bewahren nützliche Möglichkeiten für Forschung und Überarbeitung?
Diese Fragen sind auch für die Bewertung von KI-Produkten wichtig. Ein Anbieter könnte zeigen, dass seine Software Lernfragen generiert oder Dokumente zusammenfasst. Diese Demonstration würde keine bessere eigenständige Leistung belegen.
Bildungseinrichtungen als Käufer sollten Produktaktivität von Bildungserfolg unterscheiden. Häufige Nutzung, ansprechende Ergebnisse und Zufriedenheit von Studierenden können Entscheidungen informieren, beantworten jedoch andere Fragen als nachgewiesenes Lernen.
Für Studierende bedeutet dies praktisch eine klarere Beziehung zwischen Vorbereitung und Nachweis. KI kann, sofern erlaubt, an der Vorbereitung beteiligt sein. Die Leistungsbewertung muss weiterhin die Fähigkeiten nachweisen, deren Entwicklung der Kurs verspricht.
Für Universitäten bedeutet das, pauschale Annahmen in beide Richtungen aufzugeben. Weitverbreitete Nutzung belegt kein weitverbreitetes Täuschen, und eine KI-freundliche Politik belegt nicht, dass Leistungsbewertungen glaubwürdig bleiben.
Änderungen bei Leistungsbewertungen, regulatorische Belege und Unterstützung für Lehrende beobachten
Der nächste Test besteht darin, ob Universitäten zeigen können, dass neu gestaltete Leistungsbewertungen Lernen klarer sichtbar machen als ihre bisherigen Regelungen.
In den kommenden Monaten ist das erste Signal, auf das es zu achten gilt, eine auf die jeweilige Leistungsbewertung bezogene Veränderung. Institutionen sollten beschreiben, welche Aufgaben eigenständige Leistung erfordern, welche KI zulassen und was jede Komponente nachweist.
Eine allgemeine Ankündigung zu verantwortungsvoller KI würde nur begrenzte Fortschrittsbelege liefern. Überarbeitete Aufgaben, klare Kriterien und Erklärungen zu ihrem Zweck würden eine solidere Grundlage für ein Urteil bieten.
Dieses Signal würde die Argumente für eine wirksame Anpassung stärken, wenn Universitäten sinnvolle Kursarbeiten bewahren und zugleich Unsicherheit über den Beitrag der Studierenden angehen. Eine bloße Zunahme von Prüfungen ließe die pädagogische Frage offen.
Das zweite Signal ist, wie die Regulierungsbehörde institutionelle Belege bewertet. Ihre veröffentlichten nächsten regulatorischen Schritte besagen, dass sie bestehende Instrumente nutzen wird, statt neue Vorschriften einzuführen.
Das OfS benennt zudem Erwartungen im Rahmen eines vorgeschlagenen künftigen Qualitätsansatzes. Diese Erwartungen sollten von einem endgültigen Zeitplan für die Umsetzung oder einer angekündigten Feststellung zur Durchsetzung getrennt bleiben.
Achten Sie auf deutlichere Beispiele dafür, wie angemessene Belege aussehen. Institutionen müssen verstehen, wie Leistungsbewertungen Leistung nachweisen, statt die Einhaltung daraus abzuleiten, ob ein bestimmtes Format traditionell wirkt.
Eine evidenzbasierte Prüfung würde die Intervention stärken. Eine Betonung sichtbarer Einschränkungen ohne Prüfung des Lernens würde das Argument schwächen, dass die Änderungen die Qualität von Abschlüssen schützen.
Das dritte Signal ist praktische Unterstützung für Lehrende. Advance HE hat für Mitgliedsinstitutionen Anfang 2027 eine auf KI ausgerichtete Change Academy angekündigt.
Ihre Bedeutung wird davon abhängen, ob die institutionelle Planung die Kursgestaltung und Lehrpraxis erreicht. Gemeinsame Prinzipien werden nützlich, wenn Lehrende sie auf tatsächliche Aufgaben anwenden und Studierenden erklären können.
Unterstützung sollte außerdem Erwartungen innerhalb eines Kurses verbinden. Studierende müssen verstehen, warum Unterstützung bei einer Aufgabe gefördert und bei einer anderen eingeschränkt wird. Konsistenz entsteht aus einem klaren pädagogischen Zweck, nicht aus überall identischen Regeln.
Die Office for Students AI assessment guidance verdient Aufmerksamkeit, weil sie KI-Politik mit der Glaubwürdigkeit von Noten verbindet. Ihr Erfolg bleibt eine empirische Frage: Liefern überarbeitete Leistungsbewertungen bessere Belege für studentische Leistungen?
Für Studierende, Lehrende und Bildungskäufer besteht der nächste Schritt darin, die Details der Leistungsbewertung hinter den Ankündigungen zu prüfen. Fragen Sie, was eine Aufgabe eigenständig nachweist, was sie mit Unterstützung nachweist und wie diese Urteile zusammenhängen.
Bewahren Sie nützliche Unterscheidungen, wenn Sie Nutzungsstatistiken lesen oder neue Tools bewerten. KI-Unterstützung, generierte Einreichungen, Fehlverhalten und schwaches Lernen beschreiben unterschiedliche Dinge. Eine glaubwürdige Reaktion benötigt Belege zu jedem einzelnen davon.
Wenn Universitäten ihre Ansätze überarbeiten, lesen Sie die Aufgabenregeln neben den Bewertungskriterien. Was muss ein Studierender gut genug verstehen, um es erklären, überprüfen oder ausführen zu können, und wo zeigt die Leistungsbewertung dies tatsächlich?



