SHANGHAI / LONDON (IT BOLTWISE) – An der Fudan-Universität in Shanghai haben Studierende in einem Data-Mining-Kurs nicht über ein klassisches Ergebnisprodukt abgeschlossen, sondern KI-Modellen das Prüfen abverlangt. 51 Studierende mussten Fragen so formulieren, dass die Sprachmodelle an Grenzen geraten und Fehler sich direkt in der Bewertung spiegeln. In Deutschland gilt dieser Ansatz bislang eher als Ausnahme: Obwohl KI im Bildungskontext diskutiert wird, bleibt die Prüfungslandschaft bei Hausarbeiten und Klausuren häufig unverändert. Der Vergleich zeigt: Es geht weniger um Technik als um Kompetenz, Aufwand und ein neues Verständnis von Leistung.
Wenn Sprachmodelle die Prüfungsarbeit übernehmen könnten, klingt das wie ein Angriff auf bewährte Standards. In der Praxis zeigt sich jedoch eine deutlich komplexere Frage: Wer bewertet eigentlich die Qualität, wenn die Antwort aus einem KI-Modell kommt und nicht aus einer handschriftlich oder schriftlich ausgearbeiteten Argumentation? Genau an dieser Stelle setzt das Experiment an, das in Shanghai an der Fudan-Universität für Aufmerksamkeit sorgt. In einem Data-Mining-Kurs sollten 51 Studierende keine klassische Abschlussarbeit schreiben, sondern drei Sprachmodelle gezielt „prüfen“. Damit verschiebt sich der Fokus vom Ergebnis (z. B. Hausarbeitstext) hin zur Fähigkeit, Testfälle zu entwerfen und KI-Verhalten kritisch zu beurteilen.
Das konkrete Design ist dabei bemerkenswert stringent. Die Studierenden bekamen einen thematischen Rahmen vorgegeben und mussten Fragen so formulieren, dass die Modelle möglichst fehleranfällig reagieren. Je fehlerhafter die Antwort der KI ausfiel, desto stärker wirkte sich das auf die Note der Studierenden aus. Technisch betrachtet ähnelt das weniger einem „Chatten“ als einem systematischen Prompt- und Bewertungsprozess: Aus einem Lernziel wird ein Prüfproblem, aus dem Prüfproblem werden Testfragen, und aus den Modellantworten entsteht wiederum eine Bewertungsgrundlage. Entscheidend ist außerdem die Rollenverteilung: Die Studierenden agierten als Prüfer, die KI als Prüfobjekt, und die Lehrkraft leitete daraus ab, wie die Ergebnisse in die Benotung einflossen.
Gleichzeitig wird in der Diskussion schnell deutlich, warum ein solcher Ansatz nicht einfach über Nacht in ein etabliertes Prüfungsportfolio kopiert werden kann. Doris Weßels, wissenschaftliche Leiterin des Zukunftslabors Generative KI im KI-Anwendungszentrum Schleswig-Holstein, ordnet das Format als „Kontrastprogramm“ zu traditionellen Klausuren und Seminararbeiten ein. In ihrer Einschätzung ist es „didaktisch ausgesprochen interessant und zugleich sehr anspruchsvoll“. Der Grund liegt nicht nur in neuen Tools, sondern in einem doppelten Kompetenzprofil: Fachliches Verständnis reicht allein nicht aus, die Studierenden müssen auch tief genug in die Funktionsweise der Modelle blicken, um geeignete Fragen zu identifizieren, zu formulieren und die KI-Ergebnisse sinnvoll zu bewerten. Zugleich bleibt als Leitplanke erhalten: Studierende dürfen nicht zu reinen Modelltestern werden, die Fachinhalte nur noch als „Futter“ für Prompts nutzen.
Damit das nicht passiert, enthält das Fudan-Design eine zusätzliche Kontrollstufe: Alle Studierenden mussten ihre zehn formulierten Fragen zunächst selbst korrekt lösen, bevor die drei KI-Modelle mit den Fragen konfrontiert wurden. Falsche Antworten führten zu Punkten, und je schwerer das Modell zu „knacken“ war, desto mehr Punkte gab es pro Fehler. In der Beschreibung wird zudem eine Wettbewerbslogik sichtbar, denn „Claude“ galt als besonders harte Prüfungsinstanz, während auch Modelle wie DeepSeek und MiniMax genannt werden. Inhaltlich ist das für die Didaktik deshalb relevant, weil die Studierenden nicht nur sehen, dass KI irren kann, sondern auch verstehen, welche Art von Fragestellung Fehler wahrscheinlicher macht. Für Hochschulen bedeutet das allerdings, dass Bewertungsmaßstäbe präzise definiert werden müssen, sonst entsteht eher ein Promptschauspiel als ein Lernnachweis.
Auf der Ebene der Kompetenzentwicklung sieht Ute Schmid, Professorin für kognitive Systeme an der Universität Bamberg, das Potenzial vor allem in der Ausbildung von Urteilskraft. In ihren Worten lernen Studierende „einerseits die Grenzen von KI-Modellen kennen“ und erwerben gleichzeitig „Kompetenzen, die die kritische Bewertung von Inhalten erlauben – egal ob KI- oder Mensch-generiert“. Gerade weil KI-generierte Inhalte heute überall verfügbar sind, wird die Frage nach künftig benötigten Fähigkeiten zur Kernfrage der Hochschuldidaktik. Schmid betont dabei, dass ein reiner Fokus auf Reproduktion von Wissen wenig sinnvoll ist und dass „Verständnis, Problemlösekompetenz und die Kompetenz, Qualität und Korrektheit von Inhalten zu bewerten“ stark an Bedeutung gewinnen. Damit wird das Zielbild von Prüfungen ein anderes: Nicht nur „Wissen abfragen“, sondern Erkenntnisse über die Zuverlässigkeit von Antworten ermöglichen.
In Deutschland kollidiert dieses Zielbild allerdings mit einer kulturellen und organisatorischen Hürde. Weßels verortet die größte Schwierigkeit „nicht in der Technik, sondern im Mindset“. Aus ihrer Sicht dominiert an Hochschulen noch vielfach die Einordnung generativer KI als Störfaktor; KI werde „vor allem als Täuschungs- und Prüfungsproblem thematisiert“. Sie plädiert dagegen für eine Neuorientierung hin zu neuen Bildungszielen und nennt explizit, KI selbst zum Gegenstand des Lernens zu machen. Genau dort hakt es laut ihr erneut: „KI-kompetente Lehrkräfte“ sind erforderlich, und daran „hapert es bis heute“. Damit verschiebt sich die Debatte von „Dürfen Studierende KI nutzen?“ hin zu „Wie qualifizieren wir Lehrpersonal, sodass KI-Nutzung didaktisch, methodisch und bewertungsseitig beherrschbar wird?“
Ein weiterer Punkt ist der Aufwand bei der Umsetzung. Rein rechtlich gibt es laut Schmid bereits Spielräume: Sie verweist auf einen Gesetzesentwurf zum Hochschulinnovationsrecht, der KI in Studium und Lehre verankert. In der Praxis bleibt der Umbau aber teuer, weil Prüfungsformate nicht nur im Lehrplan, sondern in jeder einzelnen Lehrveranstaltung neu gedacht werden müssen. „In der Umsetzung von Lehr- und Prüfungsformaten steckt ein sehr hoher Aufwand“, sagt Schmid. Hinzu kommt, dass es an Hochschulen – bei Lehrenden, Leitung und Verwaltung – teils noch an Grundkenntnissen zu Konzepten und Methoden der KI fehlt. Für eine Neugestaltung sei relevant, dass Entscheidungsträger sowie Lehrende ein „Grundverständnis“ mitbringen. Das ist eine nüchterne, aber entscheidende Restriktion: Ohne gemeinsame Wissensbasis entsteht keine konsistente Bewertung, und ohne konsistente Bewertung bleibt Prüfungsinnovation riskant.
Für den Markt und die Hochschullandschaft ergibt sich daraus ein klares Bild: Die eigentliche Wettbewerbsvorteils-Logik liegt nicht im Besitz einer bestimmten KI-Technologie, sondern in der Fähigkeit, KI zu beurteilen. Der Professor hinter dem Experiment formuliert diesen Kern als: „Der wichtigste Wettbewerbsvorteil im KI-Zeitalter ist die Fähigkeit, KI zu beurteilen“. Ergänzend wird in der Diskussion deutlich, dass dieser Kompetenzaufbau praktisch erst noch nachziehen muss. Für Unternehmen, die mit KI-gestützten Workflows arbeiten, ist das analog: Teststrategien, Bewertungsroutinen und Governance sind nicht „nice to have“, sondern Voraussetzung für stabile Ergebnisse. Übertragen auf die Hochschulen heißt das: Wer Prüfungen als Qualitätsinstrument begreift, muss Lernende in die Lage versetzen, Fehlerbilder zu erkennen, ohne sie nur als Spaßfaktor in ein Ranking zu verwandeln. Ob das Fudan-Modell künftig Schule macht, hängt deshalb weniger davon ab, ob die Technik verfügbar ist, sondern ob die Institutionen es schaffen, Kompetenz aufzubauen, Bewertungsstandards zu harmonisieren und den Prüfungsaufwand in Prozesse zu integrieren, die auch im Alltag funktionieren.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "KI-Prüfung in Shanghai: Von der Hausarbeit zum Modelltest – und warum Deutschland zögert" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "KI-Prüfung in Shanghai: Von der Hausarbeit zum Modelltest – und warum Deutschland zögert" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »KI-Prüfung in Shanghai: Von der Hausarbeit zum Modelltest – und warum Deutschland zögert« bei Google Deutschland suchen, bei Bing oder Google News!