Wie bleibt Assessment aussagekräftig und fair, wenn Lernende und Lehrpersonen generative KI verwenden können?

Das Validitätsproblem

Assessment ist keine blosse Sammlung von Produkten. Es ist eine begründete Schlussfolgerung: Aus einer beobachteten Leistung wird auf Wissen, Können oder Urteilsfähigkeit einer lernenden Person geschlossen. Generative KI verändert nicht automatisch das Lernziel, aber sie verändert, was ein unbeaufsichtigt entstandenes Produkt über die Eigenleistung erkennen lässt. Ein sprachlich starkes Ergebnis kann eigenes Verständnis, kompetente Zusammenarbeit mit KI, umfangreiche fremde Hilfe oder eine Mischung davon abbilden.

Die entscheidende Frage lautet deshalb nicht zuerst «Wurde KI benutzt?», sondern: Welche Aussage über das Lernen soll diese Aufgabe tragen – und welche Beobachtungen stützen diese Aussage? Vier Dinge geraten dabei leicht durcheinander. Validität fragt, ob die Aufgabe tatsächlich das angestrebte Wissen oder Können misst. Integrität fragt, ob vereinbarte Hilfsmittel- und Deklarationsregeln eingehalten wurden. Fairness fragt, ob die Bedingungen verständlich und vergleichbar waren. Transparenz fragt, ob nachvollziehbar bleibt, wie Leistung zustande kam und beurteilt wurde. Ein gutes Assessment-Design muss alle vier Perspektiven zusammenhalten, ohne eine davon absolut zu setzen.

Diese Aussage ist eine didaktische Ableitung aus begrenzter direkter Schulevidenz, einem überwiegend hochschulbezogenen Review und aktueller Behördenorientierung. Sie behauptet nicht, dass Hausarbeiten oder Portfolios wertlos seien. Solche Produkte können komplexe fachliche Leistungen sichtbar machen. Sie tragen nur weniger eindeutig eine Aussage über die selbstständige Einzelleistung, wenn zulässige oder unbemerkte KI-Hilfe Art und Umfang der Unterstützung offenlässt.

Ein direkter, aber sehr kleiner Einblick

Evidenzrolle: direkte Sekundarstufen-Fallstudie. Chan und Lee begleiteten fünf Jugendliche im Alter von 14 bis 17 Jahren während drei Wochen beim KI-unterstützten reflektierenden Schreiben. Die fünf Lernenden beschrieben Vorteile bei Organisation und kognitiver Entlastung, zugleich aber schwächere persönliche Stimme, geringere Reflexionstiefe, Abhängigkeitsbedenken und Schuldgefühle. Das ist prozessnah und für Authentizitätsfragen relevant. Die Studie erlaubt wegen ihrer kleinen, gezielt ausgewählten Stichprobe jedoch keine Aussage über Häufigkeit oder Verbreitung und keine kausale Aussage darüber, was GenAI mit Schreib- oder Reflexionskompetenz bewirkt.

Was eine internationale Synthese leisten kann

Evidenzrolle: Policy-Synthese. Der OECD Digital Education Outlook 2026 ordnet rasch wachsende, heterogene Forschung ein. Für Assessment ist vor allem die Unterscheidung zwischen besserer Aufgabenleistung mit Werkzeug und späterer selbstständiger Leistung relevant. Der Bericht ist aber keine eigene Intervention und liefert keinen kausalen Vergleich von Prüfungsformaten. Er stützt einen vorsichtigen Problemrahmen, keine universelle Designregel.

KI-Detektoren: ein Signal ist kein Beweis

KI-Textdetektoren schätzen anhand sprachlicher Muster, ob ein Text mit einem Modell erzeugt worden sein könnte. Sie beobachten weder den tatsächlichen Schreibprozess noch die Absicht einer Person. Damit beantworten sie die Integritätsfrage nur indirekt – und mit Fehlern, die für faire Verfahren erheblich sind.

Evidenzrolle: Detektor-Benchmark mit Fairnessfokus. Liang et al. testeten sieben Detektoren an 91 menschlich geschriebenen TOEFL-Texten und 88 Aufsätzen von US-amerikanischen Achtklässlerinnen und Achtklässlern. 61,3 Prozent der TOEFL-Texte wurden fälschlich als KI-generiert klassifiziert. Der Vergleich zeigt eine folgenreiche Fehlerdifferenz. Er isoliert deren Ursache jedoch nicht: Sprachkompetenz, Herkunft des Datensatzes und Textsorte unterscheiden sich gleichzeitig. Die Zahl darf deshalb weder auf deutschsprachige Schularbeiten noch auf aktuelle Detektorversionen übertragen werden.

Evidenzrolle: Detektor-Benchmark über mehrere Werkzeuge. Weber-Wulff et al. prüften 14 Werkzeuge mit 54 menschlichen und KI-generierten Texten in insgesamt 756 Tool-Text-Tests. Kein Werkzeug erreichte im damaligen Korpus 80 Prozent Genauigkeit; Übersetzung und Paraphrasierung verschlechterten die Zuverlässigkeit. Das kleine, konstruierte Korpus repräsentiert nicht alle Schultexte, und Produkte verändern sich rasch. Der Befund stützt daher die enge Schlussfolgerung gegen Detektoren als alleinige Sanktionsgrundlage – nicht die Behauptung, jedes Werkzeug sei in jeder Situation nutzlos.

Ein faires Klärungsverfahren

Ein Detektorwert kann höchstens Anlass sein, genauer hinzusehen. Er ist nicht als alleinige Grundlage für Sanktionen geeignet. Ein proportionales Verfahren beginnt bei der vorab kommunizierten Regel: Welche KI-Nutzung war erlaubt, welche Deklaration verlangt? Danach werden aufgabennahe Spuren geprüft, etwa Entwürfe, Versionsverläufe, Quellen, Notizen oder Zwischenergebnisse, die ohnehin Teil des Auftrags waren. Die lernende Person muss Gelegenheit erhalten, Vorgehen, Entscheidungen und fachliche Zusammenhänge zu erklären. Wenn nötig, prüft eine kurze neue Aufgabe oder mündliche Erläuterung das Lernziel – nicht die vermeintliche Treffsicherheit des Detektors. Begründung, Datenquellen und Entscheidung werden nach lokalen Vorgaben dokumentiert.

Diese Schritte ersetzen weder schulinterne Rechtsgrundlagen noch ein geregeltes Anhörungs- oder Rekursverfahren. Sie verhindern vor allem, dass eine fehleranfällige Klassifikation automatisch zum Urteil wird.

Assessment-Design: mehrere Lernsignale

Der Forschungsstand begründet Zurückhaltung: Im kuratierten Korpus mit Suchstand 24. August 2026 wurde kein direkter Vergleich in Sek I/II identifiziert, der zeigt, welche konkrete Kombination aus Prozessdokumentation, mündlicher Erklärung, Aufgabenvariation und KI-freiem Nachweis die validesten und fairsten Leistungsinferenzen liefert. Die Lücke ist datiert und bezieht sich auf diesen nicht erschöpfenden Suchlauf. Sie ist kein Beweis dafür, dass ausserhalb des Korpus keinerlei passende Forschung existiert.

Der stärkste aktuelle Assessment-Review ist indirekt

Evidenzrolle: indirekter Hochschulreview. Ncube et al. synthetisieren 56 Beiträge und diskutieren Prozessnachweise, gestufte Abgaben, Reflexion, mündliche Verteidigung, Offenlegung und menschliche Aufsicht. Der Korpus betrifft überwiegend Hochschulkontexte und lässt sich nur indirekt auf die Sekundarstufen übertragen. Es fehlen ein registriertes Protokoll, eine formale Qualitätsbewertung und ein kausaler Vergleich der vorgeschlagenen Designs. Die Optionen sind deshalb ein brauchbarer Ideenkatalog, aber kein Wirksamkeitsnachweis für Sek I/II.

Evidenzrolle: direkter K-12-Scoping-Review. Eine schulnähere Ergänzung liefert Tao et al. Ihr Review umfasst 22 empirische Studien und kartiert Risiken für Wohlbefinden, intellektuelle Handlungsfähigkeit und das Bildungsökosystem. Prozessbeurteilung, Scaffolding und kritische AI Literacy erscheinen als mögliche Gegenrichtungen. Auch hier gilt: Eine Risikokarte schätzt weder die Häufigkeit eines Schadens noch die Wirksamkeit einer Massnahme kausal.

Die folgende Architektur ist bewusst als didaktische Ableitung gekennzeichnet. Prozessdokumentation, mündliche Verteidigung beziehungsweise Erklärung, lokal variierte Aufgaben und ein punktueller Nachweis ohne KI wurden im aktuellen Korpus nicht als fertiges Paket in vergleichbaren Sek-I/II-Settings gegeneinander getestet.

Vom Lernziel zum Nachweis

Ein belastbares Design beginnt nicht beim Verbot oder beim Werkzeug, sondern beim Anspruch. Zuerst muss klar sein, ob eine Fähigkeit selbstständig, mit zugelassenen Hilfsmitteln oder ausdrücklich in Zusammenarbeit mit KI gezeigt werden soll. Danach wird benannt, welche Schlussfolgerung gefährdet ist: Könnte ein Endprodukt durch umfassende KI-Formulierung, Peerhilfe oder Vorlagen entstanden sein? Erst dann wird ein komplementäres Signal gewählt – etwa eine Anschlussfrage, eine begründete Zwischenentscheidung oder eine neue Anwendung. Zusätzliche Nachweise müssen zeitlich realistisch, barrierearm und für verschiedene Sprachprofile fair bleiben. Nutzungsregeln, Deklaration und Gewichtung gehören deshalb in den Auftrag, nicht erst ins Konfliktgespräch.

Es gibt kein einzelnes Format, das unabhängig von Fach, Lernziel, Alter und Rahmenbedingungen zuverlässige Eigenleistung garantiert. Ein geschlossenes Setting kann für bestimmte Basiskompetenzen angemessen sein; ein offenes KI-Projekt kann AI Literacy und fachliche Urteilskraft prüfen. Fair wird die Kombination nicht durch möglichst viele Kontrollen, sondern durch passende, proportionale und vorab transparente Nachweise.

Wenn Lehrpersonen KI zum Bewerten nutzen

Generative KI kann Kriterienvorschläge strukturieren, Formulierungsvarianten für Feedback erzeugen oder helfen, Inkonsistenzen in einer Rückmeldung zu entdecken. Das System kennt aber Unterrichtskontext, Lernentwicklung und lokale Bewertungsnormen nur so weit, wie diese Daten eingegeben wurden. Es kann überzeugend klingende Fehler produzieren und Unterschiede in Sprache oder Ausdruck unangemessen bewerten.

Für ein summatives Urteil gilt: Die Verantwortung bleibt bei der Lehrperson. Ein KI-Vorschlag kann geprüftes Arbeitsmaterial sein, aber keine verantwortliche Entscheidungsperson. Die Lehrperson muss fachlich geprüfte Kriterien anwenden und jede Bewertung selbst begründen können. Wenn KI bei Feedback oder Beurteilungsvorbereitung hilft, braucht es Transparenz nach lokalen Vorgaben, aktive Prüfung von Widersprüchen und stereotypen Formulierungen sowie einen sorgfältigen Umgang mit personenbezogenen Daten. Bei erheblichen, automatisiert vorbereiteten Entscheidungen brauchen Lernende eine reale menschliche Prüfung und eine erreichbare Ansprechperson.

Evidenzrolle: rechtliche Behördenorientierung. Der Eidgenössische Datenschutz- und Öffentlichkeitsbeauftragte hält fest, dass das Schweizer Datenschutzgesetz unmittelbar für die Bearbeitung durch KI-Systeme gilt. Seine Orientierung betont Transparenz, Schutzmassnahmen, Widerspruchsmöglichkeiten und menschliche Überprüfung automatisierter Einzelentscheidungen. Die Seite ist allgemeine Bundesorientierung, keine schul- oder kantonsspezifische Verfahrensanweisung und keine kausale Assessment-Studie.

Minimaler Prüfrahmen vor dem Einsatz

Die konkrete Zulässigkeit hängt von Kanton, Schulträger, eingesetztem Dienst, Vertrag, Datenart und Bearbeitungszweck ab. Dieses Dossier bietet keine individuelle Rechtsberatung. Bei Unsicherheit sind die zuständige Datenschutzstelle und die verbindlichen lokalen Vorgaben massgebend.

Schweizer Praxis: Regeln, Zuständigkeit, Aktualität

Evidenzrolle: kantonale Behördenorientierung. Das Volksschulamt des Kantons Zürich empfiehlt transparente Regeln, prozessbewusste und variierte Leistungsnachweise, professionelle Prüfung KI-unterstützten Feedbacks, Datenschutz und Zurückhaltung bei Detektorurteilen. Die Seite ist eine undatierte, laufend aktualisierte Behördeninformation; «2026» im internen Quellenbezeichner dokumentiert den Verifikationskontext, nicht ein behauptetes Publikationsjahr. Sie ist für ihren kantonalen Kontext relevant, aber kein kausaler Wirkungsnachweis und nicht automatisch ausserhalb ihres Zuständigkeitsbereichs verbindlich.

Für Schulen ergibt sich daraus kein schweizweit identisches Formular, wohl aber ein belastbarer Entscheidungsrahmen. Eine Schule sollte nicht nur eine allgemeine Liste erlaubter Werkzeuge führen, sondern pro Leistungsnachweis klären, welche Hilfe erlaubt ist, ob sie deklariert werden muss und welche Kompetenz ohne KI gezeigt werden soll. Eine kurze, fach- und altersangemessene Erklärung kann Werkzeug, Zweck und wesentliche Übernahmen erfassen. Vollständige Chatverläufe sind weder immer nötig noch automatisch datenschutzfreundlich; entscheidend ist, ob die Deklaration die Leistungsinterpretation verbessert.

Auch der Umgang mit Zweifeln muss vorab geregelt sein. Zuständigkeit, Anhörung, zusätzliche Nachweise, Dokumentation und mögliche Sanktionen gehören in ein bekanntes Verfahren. Ein Detektorwert löst keine automatische Beweisumkehr aus. Lernende müssen ihre Arbeit erklären können; die Schule muss ihre Entscheidung ebenfalls begründen können.

Wenn Lehrpersonen KI für Feedback oder Bewertungsvorbereitung einsetzen, braucht es freigegebene Dienste, Datenminimierung, fachliche Endkontrolle und Transparenz. Neue Assessment-Arrangements sollten zunächst begrenzt erprobt werden. Schulen können Bearbeitungsaufwand, Verständlichkeit der Regeln, Übereinstimmung zwischen mehreren Signalen, Barrieren für Lernende und Konfliktfälle dokumentieren. Das ist lokale Qualitätssicherung, kein Ersatz für Vergleichsforschung – aber deutlich besser als Scheinsicherheit.

Methode, Evidenzrollen und Aktualisierung

Dieses Dossier basiert auf dem eingefrorenen Recherchepaket pilot-2026-08-24. Gesucht wurden seit 2022 veröffentlichte Studien, Reviews und aktuelle Behördenquellen zu generativer KI, Assessment, akademischer Integrität, Authentizität, Detektoren, Bewertung, Sekundarstufe und K-12. Originalpublikationen und offizielle Behördenseiten wurden bevorzugt. Ältere Detektorarbeiten wurden aufgenommen, weil sie konkrete Fehlerrisiken prüfen und in der aktuellen Debatte weiterhin relevant sind.

So sind die Quellen in diesem Dossier zu lesen

Die Quellen erfüllen unterschiedliche Rollen. Die direkte Sekundarstufen-Fallstudie ist prozessnah, aber mit fünf Fällen weder prävalenz- noch kausalitätsfähig. Der Hochschulreview liefert Designoptionen, aber keine direkt validierte Lösung für Sek I/II. Der K-12-Scoping-Review kartiert Risiken und mögliche Richtungen, ohne Wirkungsstärken zu schätzen. Detektor-Benchmarks prüfen Klassifikationsfehler bestimmter Versionen und Korpora, nicht individuelles Fehlverhalten. Policy-Synthesen ordnen heterogene Forschung ein, ersetzen aber keinen kausalen Formatevergleich. Behördenorientierungen klären professionelle oder rechtliche Erwartungen in ihrem Zuständigkeitsbereich, nicht Lernwirkung. Didaktische Ableitungen verbinden Evidenz und professionelles Urteil; sie bleiben als Empfehlung sichtbar und überprüfbar.

Zentrale Grenzen

Die zentralen Grenzen bleiben erheblich. Direkte Vergleichsstudien zu Assessment-Redesigns in Sek I/II sind im kuratierten Korpus begrenzt. Der umfangreichste Assessment-Review ist hochschuldominiert und methodisch nur eingeschränkt bewertbar. Detektor-Benchmarks altern schnell; exakte Fehlerraten sind nicht auf jedes Produkt, jede Sprache oder Aufgabe übertragbar. Behördenquellen definieren Orientierung und Verantwortung, aber keine kausale Wirksamkeit. Der Suchlauf ist breit und nachvollziehbar, jedoch nicht erschöpfend und nicht extern fachbegutachtet.

Die Erstfassung ist redaktionell geprüft, nicht extern fachbegutachtet. Neue direkte Sek-I/II-Vergleichsstudien, geänderte kantonale Vorgaben, relevante Entscheide zur Datenbearbeitung oder substanziell neue unabhängige Detektor-Benchmarks lösen eine vorgezogene Aktualisierung aus. Die nächste planmässige Prüfung ist am 24. November 2026.