General
KI-resiliente Prüfungen: Ein umfassender Leitfaden für Hochschulen
Loading blog content
This website uses cookies for authentication, security, analytics...View Cookie Policy
General
Stellen Sie sich vor, eine Rektorin erkennt den Moment, in dem das alte Prüfungsmodell versagt hat. Ihr Lehrteam hatte drei Monate damit verbracht, einen Abschlusskurs neu zu gestalten und eine Abschlussklausur durch eine komplexe Fallanalyse zu ersetzen. Der erste Jahrgang reichte seine Arbeiten ein. Die Abgaben waren ausgefeilt, gut strukturiert und analytisch fundiert. Jede einzelne war mit ChatGPT erstellt worden. Die Studierenden hatten nichts gelernt. Die Noten vermittelten genau das falsche Signal. Und dem Lehrteam blieb eine unmögliche Wahl: das ganze Semester lang die KI-Nutzung kontrollieren oder einräumen, dass die Prüfung selbst das Problem war.
Dieses Szenario spielt sich im gesamten Hochschulwesen ab. Der erste Impuls ist, zu Erkennungstools, Richtlinienänderungen und Überarbeitungen der Ehrenkodizes zu greifen. Doch die Daten erzählen eine andere Geschichte. Eine im International Journal for Educational Integrity veröffentlichte Studie ergab, dass 50,9 % der Studierenden generative KI für akademische Zwecke genutzt oder deren Nutzung in Betracht gezogen haben, wobei die Zahlen jedes Semester steigen. Gleichzeitig bestätigt die von Burchfield und Sappington dokumentierte Forschung zur Einhaltung von Leseaufträgen an mehreren Hochschulen, was Lehrende ohnehin spüren: Die meisten Studierenden lesen die zugewiesenen Texte nicht, und dieser Trend nimmt seit Jahrzehnten zu. Das traditionelle Modell war bereits anfällig. KI hat die Risse lediglich offengelegt.
Die Alternative ist nicht ein besserer Detektor. Es ist ein besserer Prüfungsrahmen, der das Denken, die Entscheidungen, die Praxis und die Reflexion der Lernenden sichtbar macht, sodass KI die Lernerfahrung unterstützen kann, ohne die kognitive Arbeit zu ersetzen, die mit der Prüfung gemessen werden soll.
Eine KI-resiliente Prüfung ist eine Prüfung, die ihre Aussagekraft bewahrt, selbst wenn Studierende Zugang zu generativen KI-Tools haben. Sie beruht nicht auf der Annahme, dass die Studierenden ihre Arbeit allein erstellt haben. Stattdessen macht sie den Denkprozess sichtbar, überprüfbar und resistent gegen Auslagerung. Das Konzept stützt sich auf eine wachsende Forschungs- und Praxisauswahl. Das Whitepaper der Ivey Business School „From Chalkboard to Chatbot“ (August 2026) bietet einen der klarsten Rahmen dafür. Es argumentiert, dass generative KI die Anstrengung beseitigen kann, durch die nachhaltiges Lernen entsteht, was die Autorinnen und Autoren als produktive Reibung bezeichnen (PDF, S. 2–3). Eine KI-resiliente Prüfung versucht nicht, KI auszuschließen. Sie stellt die Reibung wieder her, die Lernen nachhaltig verankert.
Ein verbreiteter Irrtum ist, dass KI-resiliente Prüfungen ein Verbot von KI-Tools voraussetzen. Das ist nicht der Fall. Tatsächlich integrieren viele der wirksamsten KI-resilienten Prüfungsformate KI ganz bewusst, etwa als Forschungsassistenz, Feedbackgeber, Rollenspielpartner oder Coaching-Tool. Entscheidend ist, ob die KI für die Studierenden denkt oder ihr eigenes Denken unterstützt.
Diese Unterscheidung ist wichtig, denn pauschale Verbote lassen sich weder durchsetzen noch sind sie pädagogisch sinnvoll. Studierende werden in eine Berufswelt eintreten, in der KI in jedes von ihnen verwendete Tool eingebettet ist. Prüfungen sollten nicht den Zweck haben, eine Welt vor der KI zu simulieren. Sie sollten überprüfen, ob Studierende die kognitive Arbeit leisten können, die KI nicht ersetzen kann: Probleme zu formulieren, Zielkonflikte abzuwägen, unter Unsicherheit Urteile zu fällen und Entscheidungen zu begründen.
Ansätze, die auf Erkennung setzen, versuchen, die Nutzung von KI zu verhindern. KI-resiliente Prüfungen zielen darauf ab, das Lernen zu sichern. Das sind grundverschiedene Ziele.
Die Erkennung fragt: „Hat die studierende Person KI verwendet?“ Ein KI-resilientes Design fragt: „Hat die studierende Person das gelernt, was mit der Prüfung gemessen werden sollte?“ Die erste Frage führt zu einem Wettrüsten zwischen Detektoren und Umgehungsmethoden. Die zweite führt dazu, die Prüfung selbst neu zu gestalten.
Jahrzehntelang galt der Aufsatz als Maßstab für die Prüfung höherer Denkfähigkeiten. Ein gut geschriebener Aufsatz verlangte von den Studierenden, zu recherchieren, Inhalte zusammenzuführen, Argumente zu entwickeln und Schlussfolgerungen zu ziehen. Das Format erforderte kognitive Anstrengung, und die Qualität des Ergebnisses war ein brauchbarer Anhaltspunkt für die Qualität des Denkens.
Diese Gleichung geht nicht mehr auf. Eine studierende Person kann eine Anfrage in ChatGPT einfügen und binnen Sekunden eine akzeptable Analyse mit 2.000 Wörtern erhalten. Das Ergebnis ist ausgefeilt. Die Struktur ist solide. Die Quellenangaben wirken glaubwürdig. Doch die studierende Person hat keinerlei kognitive Arbeit geleistet, die mit dem Aufsatz gemessen werden sollte. Die Note vermittelt ein Signal, das inzwischen bedeutungslos ist.
Das ist kein Randproblem. Eine Studie der University of Reading aus dem Jahr 2024 ergab, dass KI-generierte Prüfungsarbeiten in 94 % der Fälle unentdeckt blieben und durchgehend besser bewertet wurden als echte Arbeiten von Studierenden. Die Erkennungslücke schließt sich nicht, sie wird größer.
Die heimtückischste Wirkung von KI auf Prüfungen ist nicht das Schummeln. Es ist die Illusion des Lernens.
Wenn Studierende KI zur Erledigung einer Aufgabe einsetzen, erhalten sie oft eine gute Note. Die Note erweckt den Eindruck, dass Lernen stattgefunden hat. Doch die Studierenden haben weder die zugrunde liegenden mentalen Modelle noch die Denkpfade oder das Urteilsvermögen aufgebaut, für die die Note stehen soll. Sie haben gezeigt, dass sie wirksame Eingaben formulieren können, nicht aber, dass sie analysieren, bewerten oder etwas erschaffen können.
Diese Unterscheidung zwischen Leistungszuwächsen (gute Ergebnisse in der Prüfung) und Lernzuwächsen (dauerhaftes Wissen und Können aufbauen) ist die zentrale Herausforderung für Prüfungen im KI-Zeitalter. Wenn KI die Leistung ohne das Lernen hervorbringen kann, erfüllt die Prüfung ihren Zweck nicht mehr.
Der Markt für KI-Erkennungstools ist explodiert. Turnitins KI-Erkennung, GPTZero, Originality.ai: Hochschulen geben viel Geld für das Versprechen aus, dass Technologie Technologie erkennen könne. Die Daten erzählen eine andere Geschichte. Eine von Fachleuten begutachtete Studie in Springer fand systematische Unstimmigkeiten bei KI-Detektoren. Eine Studie in der Zeitschrift Patterns von Cell Press bestätigte, dass Detektoren Nichtmuttersprachlerinnen und Nichtmuttersprachler des Englischen benachteiligen und ihre eigenen Texte überproportional häufig als KI-generiert markieren. Mindestens ein Dutzend großer Hochschulen, darunter Yale, Vanderbilt und Northwestern, haben ihren Einsatz untersagt oder davon abgeraten.
Das tiefer liegende Problem ist struktureller Art. Erkennung setzt ein Katz-und-Maus-Spiel voraus, bei dem die Institution immer einen Schritt voraus ist. Doch große Sprachmodelle verbessern sich schneller als Erkennungsmodelle, und Studierende haben jeden Anreiz, sich über aktuelle Umgehungstechniken auf dem Laufenden zu halten. Das Wettrüsten beginnt jedes Semester von Neuem, und die Institution verliert jedes Mal.
Der Bericht der Ivey Business School ordnet Lernwerkzeuge entlang des Lernprozesses und drei Lernergebnissen ein: konzeptuelles Wissen, spezifische Fähigkeiten und Urteilsvermögen (PDF, S. 5, Tabellen 2–3). Über die verschiedenen Werkzeuge hinweg treten vier Unterscheidungsmerkmale hervor: kognitive Herausforderung, Aufsicht durch Lehrende, Resistenz gegenüber dem allgemeinen Einsatz von KI sowie Umfang und Variabilität der Übungsmöglichkeiten (PDF, S. 5). Aus diesen Merkmalen ergeben sich fünf Gestaltungsgrundsätze.
Die am stärksten KI-resistenten Prüfungen verlangen von den Studierenden nicht, einen Text zu verfassen, den ein großes Sprachmodell generieren kann. Sie verlangen Entscheidungen, die Urteilsvermögen, Kontext und Abwägungen voraussetzen. Ein Entscheidungspunkt zwingt die studierende Person, sich auf einen Weg festzulegen, ihn zu begründen und mit den Folgen zu leben. Es gibt keine einzig richtige Antwort zum Kopieren und Einfügen. Die Prüfung erfasst den Denkprozess, nicht nur das Ergebnis.
Allgemeine Aufgabenstellungen sind anfällig, weil allgemeine KI sie beantworten kann. Prüfungen, die Studierende in einen reichhaltigen, konkreten Kontext mit Beteiligten, Einschränkungen, unvollständigen Informationen und konkurrierenden Prioritäten einbetten, lassen sich deutlich schwerer auslagern. Die Besonderheiten des Kontexts zu erfassen, ist für KI erheblich schwieriger und bei einem Versuch besser nachvollziehbar, denn dieser Kontext existiert nur innerhalb der Prüfung.
Wenn nur eine endgültige Antwort eingereicht wird, kann KI sie erzeugen. Wenn Studierende bei der Prüfung ihr Denken sichtbar machen müssen, etwa durch Entscheidungsprotokolle, kommentierte Entscheidungen oder schrittweise Begründungen, wird die kognitive Arbeit sichtbar und überprüfbar. Bewertet wird die dokumentierte Denkspur, nicht die ausgefeilte Schlussfolgerung.
Prüfungen mit nur einem Durchgang lassen sich leicht auslagern, weil Studierende nur eine Gelegenheit haben, ein Ergebnis zu produzieren. Mehrstufige Prüfungen, bei denen Studierende über Feedback reflektieren, ihre Arbeit überarbeiten und erklären müssen, was sich warum geändert hat, schaffen einen Prozess, der für KI viel schwerer nachzuahmen ist. KI kann einen ersten Entwurf erzeugen. Zu erklären, warum die studierende Person ihn überarbeitet hat, erfordert eine persönliche Denkspur, die schwerer zu erfinden ist.
Die produktivste Rolle von KI in Prüfungen ist nicht, das Denken zu ersetzen, sondern es als Coach zu unterstützen. Wenn KI Feedback zum Denken einer studierenden Person gibt, deren Annahmen hinterfragt oder alternative Perspektiven vorschlägt, stärkt sie den Lernprozess, statt ihn zu umgehen. Entscheidend ist, dass KI am Denken der studierenden Person ansetzt, nicht an dessen Stelle tritt.
Eine der wichtigsten Erkenntnisse aus dem Bericht der Ivey Business School ist, dass verschiedene Lernergebnisse unterschiedliche Prüfungsformate erfordern. Von keinem einzelnen Format sollte erwartet werden, alle drei gleich gut zu messen.
Was eine studierende Person über ein Thema weiß. Dies ist der Bereich des deklarativen Wissens: Rahmenmodelle, Theorien, Definitionen und Modelle. Traditionelle Formate wie Aufsätze, Prüfungen und Multiple-Choice-Tests können konzeptuelles Wissen weiterhin wirksam erfassen, sofern sie darauf ausgelegt sind, Verständnis statt bloßem Erinnern zu prüfen. Die Schwachstelle besteht darin, dass KI überzeugend klingende Erklärungen von Konzepten erzeugen kann, ohne sie wirklich zu verstehen. Die Lösung besteht darin, Studierende aufzufordern, Konzepte auf neue Situationen anzuwenden, statt sie nur wiederzugeben.
Was eine studierende Person mit ihrem Wissen tun kann. Dies ist der Bereich des prozeduralen Wissens: Analyse, Berechnung, Diagnose und Ausführung. Prüfungen praktischer Fähigkeiten sind KI-resistenter als wissensbasierte Prüfungen, weil Studierende eine Aufgabe ausführen und sie nicht nur beschreiben müssen. Simulationen, Fallanalysen und praktische Übungen eignen sich für diesen Bereich besonders gut.
Wofür sich eine studierende Person entscheidet, wenn die Antwort nicht klar ist. Dies ist der am schwierigsten zu prüfende und zugleich wertvollste Bereich. Urteilsvermögen setzt voraus, dass Studierende unvollständige Informationen abwägen, mit konkurrierenden Prioritäten umgehen und eine Entscheidung mit Folgen treffen. Es ist zudem der am stärksten KI-resistente Bereich, weil Urteilsvermögen vom Kontext und von der Person abhängt. Kein großes Sprachmodell kann die spezifischen Überlegungen nachbilden, die eine bestimmte studierende Person in einem konkreten Szenario zu einer bestimmten Entscheidung geführt haben.
Ein häufiger Fehler besteht darin, ein einzelnes Prüfungsformat, meist den Aufsatz, als universelles Maß für alle drei Lernergebnisse zu betrachten. Aufsätze können konzeptuelles Wissen erfassen. Bei praktischen Fähigkeiten sind sie weniger geeignet. Urteilsvermögen unter Unsicherheit können sie fast gar nicht messen, weil Studierende darüber schreiben, was sie tun würden, statt es tatsächlich zu tun.
Die Schlussfolgerung ist eindeutig: Die Gestaltung einer Prüfung sollte beim Lernergebnis beginnen, nicht beim Format. Geht es um Urteilsvermögen, sollte das Format auf Entscheidungen beruhen. Geht es um eine Fähigkeit, sollte das Format auf praktischer Ausführung beruhen. Geht es um Wissen, kann das Format traditioneller sein, sollte aber weiterhin die Anwendung statt des bloßen Erinnerns verlangen.
Statt: „Analysieren Sie die strategischen Optionen von Unternehmen X und empfehlen Sie eine Vorgehensweise.“
Versuchen Sie es mit einer verzweigten Fallstudie, in der Studierende drei aufeinanderfolgende Entscheidungen treffen, von denen jede auf der vorherigen aufbaut. Nach jeder Entscheidung schreiben sie eine kurze Begründung, in der sie erklären, wofür sie sich entschieden haben, welche Informationen sie priorisiert haben und was sie wissen müssten, um sicherer zu sein. KI kann die Analyse erzeugen. Die tatsächliche Folge der Entscheidungen der studierenden Person kann sie nicht erzeugen, denn diese hängt von den zuvor getroffenen Entscheidungen ab.
Statt: „Lesen Sie diese 20-seitige Fallstudie und bereiten Sie eine Diskussion vor.“
Versuchen Sie es mit einer Simulation, in der Studierende im Laufe der Zeit Nachrichten von virtuellen Beteiligten erhalten. Die erste Nachricht schildert ein Problem. Die zweite enthüllt eine Komplikation. Die dritte führt eine beteiligte Person mit widersprüchlichen Interessen ein. Die Studierenden müssen entscheiden, mit wem sie sprechen, was sie fragen und wann sie handeln. Informationen werden nur dann offengelegt, wenn die studierende Person die richtige Frage stellt. KI kann den Fall zusammenfassen. Die gestaffelten Gespräche mit den Beteiligten erschweren das Auslagern: KI kann eine beteiligte Person simulieren, doch durch die Simulation wird das Engagement der studierenden Person sichtbar statt unsichtbar.
Statt: Ein Verhandlungsrollenspiel mit einer mitstudierenden Person.
Versuchen Sie es mit einer Reihe von KI-gestützten Rollenspielen, in denen Studierende mit virtuellen Gegenübern verhandeln, die unterschiedliche Persönlichkeiten, Einschränkungen und Informationen mitbringen. Jede Wiederholung baut auf der vorherigen auf. Die Strategie der studierenden Person muss sich an das Verhalten des Gegenübers anpassen. KI kann ein Skript erstellen. Sich über mehrere Runden glaubwürdig auf die konkreten Züge der studierenden Person einzustellen, lässt sich schwerer auslagern. Die Anstrengung, die erforderlich ist, um die Illusion über mehrere Runden aufrechtzuerhalten, wird selbst zu einer Form der aktiven Beteiligung.
Statt: „Reichen Sie Ihre abschließende Empfehlung ein.“
Versuchen Sie es mit einem dreistufigen Verfahren: Zunächst reichen Studierende eine erste Empfehlung samt Begründung ein. Anschließend erhalten sie KI-generiertes Feedback, das ihre Annahmen hinterfragt. Danach reichen sie eine überarbeitete Empfehlung ein und erklären, was sich warum geändert hat. Bewertet wird die Qualität der Überarbeitung, nicht die erste Antwort. KI kann eine plausible erste Antwort erzeugen. Zu erklären, warum die studierende Person sie überarbeitet hat, erfordert eine persönliche Denkspur, die schwerer zu erfinden ist.
Nicht jede Prüfung muss durch Neugestaltung KI-resilient gemacht werden. Manche Formate sind von ihrer Struktur her KI-resistent. Prüfungen ohne Hilfsmittel vor Ort, bei denen Studierende handschriftlich schreiben, eignen sich weiterhin dazu, grundlegendes Wissen zu erfassen. Mündliche Prüfungen vor Lehrenden, bei denen Studierende ihre Überlegungen in Echtzeit verteidigen müssen, gehören zu den KI-resistentesten verfügbaren Formaten. Der Preis dafür sind Zeitaufwand und begrenzte Skalierbarkeit. Der Vorteil ist die nahezu sichere Gewissheit, dass die Arbeit von der studierenden Person selbst stammt.
Der Bericht der Ivey Business School empfiehlt, bei Experimenten von Lehrenden die Lernaktivität zu benennen, die sich durch eine Abkürzung umgehen ließe, die wiederhergestellte oder neu eingeführte Reibung zu bestimmen und die Nachweise für Lernen zu definieren, die über bloße Zufriedenheit hinausgehen (PDF, S. 7). Die folgende Checkliste setzt diese Empfehlung in die Praxis um.
Beginnen Sie mit dem Lernergebnis, nicht mit dem Format. Was sollen Studierende nach dieser Prüfung können, was sie vorher nicht konnten? Seien Sie konkret. „Kritisches Denken unter Beweis stellen“ ist zu vage. „Eine geplante Fusion unter Bedingungen unvollständiger Informationen bewerten“ ist konkret genug, um die Prüfung darauf auszurichten.
Vergleichen Sie die Prüfungsaufgabe mit den Möglichkeiten aktueller KI-Tools. Kann eine studierende Person die Aufgabenstellung in ChatGPT einfügen und binnen weniger als einer Minute eine akzeptable Antwort erhalten? Wenn ja, ist die Aufgabe anfällig. Die Frage ist nicht, ob Studierende KI nutzen werden, das werden sie. Die Frage ist, ob die Prüfung das Lernen noch messen kann, wenn sie es tun.
Sobald Sie die Abkürzung ermittelt haben, gestalten Sie eine Reibung, die die kognitive Arbeit wiederherstellt. Das kann bedeuten, einen Entscheidungspunkt einzubauen, eine nachvollziehbare Denkspur zu verlangen, Interaktionen mit Beteiligten einzuführen oder Informationen zeitlich gestaffelt bereitzustellen. Die Reibung sollte im Verhältnis zum Lernziel stehen. Nicht jede Prüfung muss eine mehrstufige Simulation sein. Jede Prüfung sollte jedoch mindestens einen Punkt enthalten, an dem sich die studierende Person auf eine Position festlegen muss, die KI nicht vorab erzeugen kann.
Was werden Sie bewerten? Wenn die Antwort „das Endergebnis“ lautet, ist die Prüfung wahrscheinlich weiterhin anfällig. Verlagern Sie den Schwerpunkt der Nachweise auf den Prozess: die Entscheidungsspur, das Protokoll der Überlegungen, den Überarbeitungsverlauf und die Reflexion. Diese Arbeitsergebnisse sind schwerer zu fälschen und geben besser Aufschluss darüber, was die studierende Person tatsächlich gelernt hat.
Machen Sie deutlich, welche KI-Nutzung erlaubt und welche nicht erlaubt ist. Der Bericht der Ivey Business School empfiehlt, geeignete Prüfungs- oder gemeinschaftliche Lernräume ohne KI zu erhalten (PDF, S. 7–8). Manche Prüfungen sollten ohne KI stattfinden. Andere sollten durch KI unterstützt werden. Entscheidend ist, dass die Grenze transparent und begründet ist und sich am Lernziel orientiert.
Die erste Version einer neu gestalteten Prüfung wird nicht perfekt sein. Erproben Sie sie in einem Kursabschnitt. Besprechen Sie die Erfahrungen mit den Studierenden. Was haben sie gelernt? Was fanden sie unklar? Hat die Prüfung tatsächlich gemessen, was sie messen sollte? Nutzen Sie die Daten, um sie weiterzuentwickeln. Der Bericht der Ivey Business School weist ausdrücklich darauf hin, dass es sich um eine Untersuchung von 14 Tools und nicht um eine allgemeingültige Rangliste handelt und dass die Bewertungen subjektiv sind (PDF, S. 9). Dieselbe Bescheidenheit sollte auch bei jeder Neugestaltung einer Prüfung gelten.
Simulationen gehören zu den wirksamsten Formaten für KI-resiliente Prüfungen, weil sie auf strukturierten Entscheidungen unter Bedingungen unvollständiger Informationen beruhen. Eine gut konzipierte Simulation versetzt Studierende in ein Szenario, führt Beteiligte mit konkurrierenden Prioritäten ein und verlangt Entscheidungen mit Folgen. Sie fordert Studierende nicht auf, darüber zu schreiben, was sie tun würden. Sie fordert sie auf, es tatsächlich zu tun.
Das unterscheidet sich grundlegend von einer Fallstudie, die Informationen im Nachhinein präsentiert und Studierende auffordert, zu analysieren, was geschehen ist. Eine Simulation präsentiert Informationen schrittweise und fordert Studierende auf, mitzugestalten, was als Nächstes geschieht. Darin liegt der Unterschied zwischen Analyse und Urteilsvermögen, und deshalb sind Simulationen strukturell resistent gegen die Auslagerung an KI.
Lernen, das sich auf die Leistung in der realen Welt übertragen lässt, setzt drei Bedingungen voraus: Lernende müssen eine Entscheidung treffen, die Folgen erleben und zeitnah Feedback erhalten, solange der Zusammenhang noch unmittelbar nachvollziehbar ist. Simulationen erfüllen alle drei Bedingungen. Die Entscheidung ist die Wahl der studierenden Person. Die Folge ist die Reaktion des Szenarios. Das Feedback erfolgt unmittelbar und konkret.
Deshalb gelten Flugsimulatoren als Goldstandard in der Luftfahrtausbildung und werden fallbasierte Simulationen seit Jahrzehnten in der betriebswirtschaftlichen Ausbildung eingesetzt. Das Medium zwingt Lernende zum Handeln, dazu, sich auf einen Weg festzulegen und mit den Folgen zu leben. Keine noch so große Menge an Folien kann nachbilden, was in dem Moment geschieht, in dem jemand unter Zeitdruck und mit unvollständigen Informationen eine Entscheidung treffen muss.
Einer der am wenigsten beachteten Vorteile simulationsbasierter Prüfungen sind die dabei entstehenden Daten. Entscheidungen, Zögern und Richtungswechsel werden protokolliert, sofern die Simulation sie erfasst. Lehrende können nicht nur sehen, zu welchen Schlussfolgerungen Studierende gelangt sind, sondern auch Hinweise darauf erhalten, wie sie dorthin gedacht haben. Dieser Einblick verwandelt die Nachbesprechung von einer allgemeinen Diskussion in eine gezielte Intervention. Statt zu fragen: „Was haben alle gedacht?“, können Lehrende fragen: „Warum haben sich 60 % von Ihnen beim dritten Entscheidungspunkt für Option B entschieden, und welche Informationen hätten Sie umgestimmt?“
Plattformen wie LiveCase bieten eine Umgebung für szenariobasiertes, entscheidungsreiches Lernen. Studierende interagieren mit KI-gestützten Figuren, erhalten unvollständige Informationen, treffen Entscheidungen unter Zeitdruck und erleben, wie sich die Folgen entfalten. Lehrende können eigene Simulationen erstellen oder aus einem Katalog sofort einsetzbarer Szenarien wählen, darunter Bestseller, die über Harvard Business Impact veröffentlicht wurden.
LiveCase ist jedoch nur eine Umsetzungsmöglichkeit und nicht die Definition der Kategorie. Die Grundsätze KI-resilienter Prüfungen gelten unabhängig davon, ob eine Simulationsplattform, eine Rollenspielübung, eine gestaffelte Fallanalyse oder eine mündliche Prüfung vor Ort eingesetzt wird. Das Format sollte dem Lernziel dienen, nicht umgekehrt.
Einen tieferen Einblick darin, wie entscheidungsbasierte Prüfungen KI-Schummeln entgegenwirken, bietet unser früherer Beitrag darüber, warum entscheidungsbasierte Prüfungen KI-Schummeln überlegen sind. Einen praxisnahen Leitfaden dazu, wie kritisches Denken über Aufsätze hinaus gemessen werden kann, finden Sie unter Wie sich kritisches Denken messen lässt. Und einen Überblick darüber, wie KI-Simulationstools in die Hochschulprüfungen passen, bietet der Beitrag Warum KI-Simulationstools das fehlende Puzzlestück bei Hochschulprüfungen sind.
Wie Sie KI-Schummeln verhindern: Ein praxisnaher Leitfaden für Lehrende behandelt KI-resistente Prüfungen ausführlicher.
Einen genaueren Einblick bietet 7 erfrischende Wahrheiten darüber, ob Bildungstechnologie das Bildungserlebnis verschlechtert.
Eine KI-resiliente Prüfung bewahrt ihre Aussagekraft, selbst wenn Studierende Zugang zu generativer KI haben. Sie misst die Überlegungen, Entscheidungen und Reflexion der Lernenden statt ausgefeilter Ergebnisse, die ein großes Sprachmodell erzeugen kann.
Nein. Kein Prüfungsformat ist vollständig KI-sicher, genauso wenig wie ein Schloss völlig einbruchsicher ist. KI-resilient bedeutet, dass die Prüfung trotz KI-Nutzung ihre Integrität bewahrt, weil die kognitive Arbeit, die sie misst, nicht an ein Sprachmodell ausgelagert werden kann.
Das hängt vom Prüfungsdesign ab. Manche KI-resilienten Prüfungen integrieren KI bewusst als Coaching- oder Recherchetool. Andere sind so gestaltet, dass sie ohne KI durchgeführt werden. Entscheidend ist, dass die Grenze transparent und begründet ist und sich am Lernziel orientiert.
Verlagern Sie den Schwerpunkt der Nachweise vom Endprodukt auf den Prozess. Verlangen Sie Entscheidungsprotokolle, kommentierte Entscheidungen, nachvollziehbare Denkspuren und gestaffelte Überarbeitungen. Bewerten Sie die dokumentierte Denkspur, nicht die ausgefeilte Schlussfolgerung.
Der Bericht der Ivey Business School empfiehlt, geeignete Prüfungs- oder gemeinschaftliche Lernräume ohne KI zu erhalten (PDF, S. 7–8). Wissensüberprüfungen zu Grundlagen, mündliche Prüfungen vor Ort und gemeinschaftliche Übungen in Präsenz eignen sich besonders für Prüfungen ohne KI.
Indem die Entscheidungen beobachtet werden, die eine studierende Person trifft, wenn die Antwort nicht klar ist. Dazu braucht es ein Szenario mit unvollständigen Informationen, konkurrierenden Prioritäten und konkreten Folgen. Die Entscheidungsspur der studierenden Person gibt genaueren Aufschluss über ihr Urteilsvermögen als jeder Aufsatz.
Beginnen Sie mit einem Kurs, einem Modul und einer Prüfung. Ermitteln Sie das Lernergebnis, das am anfälligsten für die Auslagerung an KI ist. Gestalten Sie diese einzelne Prüfung anhand der oben beschriebenen Grundsätze neu. Messen Sie die Ergebnisse. Nutzen Sie die Daten, um die breitere Einführung zu begründen.
Möchten Sie darüber sprechen? Buchen Sie ein kostenloses 15-minütiges Kennenlerngespräch
Erstellen Sie Ihre Simulation selbst, beauftragen Sie unser Studio, nutzen Sie einen fertigen Fall oder besprechen Sie Ihre Idee mit uns.
Fragen Sie nach einer Demo, einem Angebot oder Ihrer Simulation. Wir antworten in der Regel innerhalb weniger Stunden.
Kontakt aufnehmenErstellen Sie mit KI oder beginnen Sie bei null. Sie behalten die volle kreative Kontrolle.
Konto erstellenEntwickeln Sie mit unseren Fallautoren eine einsatzbereite Simulation.
Studio entdeckenEntdecken Sie Simulationen, die mit führenden Lehrenden entwickelt wurden.
Katalog ansehen
Author: Denis Duvauchelle
Elevate your AI skills for better learning 🌟 | AI Developer & Education Innovator | 50K + Executives / HigherEd success stories. He specializes in both research and implementation, and is dedicated to creating the best possible experience for educational simulations, both in terms of design and usage. With a focus on driving engagement and learning outcomes, Denis is committed to delivering innovative and impactful solutions for his clients. https://www.linkedin.com/in/desduvauchelle/
Veröffentlicht am: 28.10.2026
Ähnliche Artikel
© 2021 — @Livecase
Powered by Recursive Solutions