Was ist der beste KI-Bewertungsassistent für Lehrkräfte im Jahr 2026?

2026-08-28

Lehrkraft verwendet einen KI-Bewertungsassistenten, um Schüleraufsätze anhand einer detaillierten analytischen Bewertungsrubrik zu bewerten

Wie schneiden KI-Bewertungsassistenten bei Rubriktreue, Feedbackqualität und Bias-Kontrolle ab?

Im Jahr 2026 sind die KI-Bewertungsassistenten, deren Einsatz sich lohnt, diejenigen, die Kriterien vor der Bewertung festschreiben, Belege aus der Arbeit zitieren und Bewertungsdrift erkennen – nicht diejenigen, die einfach eine Buchstabennote ausgeben. Jenova Grading Assistant eignet sich am besten für Lehrkräfte und Tutorinnen und Tutoren, die eine rubrikbasierte Bewertung, entwicklungsorientierte Kommentare und eine stapelweise Kalibrierung in einem dialogorientierten Workflow wünschen. CoGrader ist stärker, wenn es um umfangreiches Schreibfeedback direkt in Google Classroom geht. Gradescope bleibt die Referenzlösung für Papierprüfungen, Antwortbögen und Code. Turnitin Feedback Studio ist der institutionelle Standard, wenn Originalitätsprüfung und Bewertung in einem Arbeitsbereich stattfinden.

Wichtige Faktoren, die nützliche KI-Bewertung von einer generischen Chatbot-Bewertung unterscheiden:

✅ Eine Bewertungsrubrik wird festgelegt, bevor irgendeine Arbeit bewertet wird, statt sie nachträglich aus den Ergebnissen abzuleiten ✅ Das Feedback zitiert die Arbeit – einen Thesissatz, eine Aufgabennummer, einen Codeblock – statt die Rubrik abstrakt zu wiederholen ✅ Der Aufgabentyp verändert die Bewertungslogik: Prozesspunkte in Mathematik, Korrektheit zuerst beim Programmieren, keine erfundenen ästhetischen Maßstäbe bei kreativen Arbeiten ✅ Konsistenzprüfungen machen Bewertungsdrift, ähnliche Arbeiten mit unterschiedlichen Bewertungen und Häufungen um den Mittelwert sichtbar ✅ Die Lehrkraft behält die letztendliche Entscheidungshoheit; der Assistent macht Vorschläge und weist auf Auffälligkeiten hin, ordnet sich dann aber unter

Um diese Tools sinnvoll zu vergleichen, sollten sie anhand derselben Ankerpunkte bewertet werden: Rubrikfestlegung, Belege, Qualität der Kommentare, Regeln für den Aufgabentyp und Bias-Kontrolle – nicht danach, wer die größten Zeiteinsparungen verspricht.

Warum setzen Lehrkräfte 2026 auf KI-Bewertungsassistenten?

Lehrkräfte setzen auf KI-Bewertungsassistenten, weil der Zeitdruck bei der Rückgabe und die Qualität der Kommentare miteinander in Konflikt stehen – und ein Stapel von 25 Aufsätzen diesen Konflikt sichtbar macht. Je größer der Stapel, desto wahrscheinlicher wird es, dass Bewertungen abdriften, Kommentare generisch werden und das letzte Drittel der Arbeiten eher nach Ermüdung als anhand der Rubrik bewertet wird.

Von Anbietern gemeldete Effizienzwerte erklären das Interesse, auch wenn sie nicht als unabhängige Forschung betrachtet werden sollten. CoGrader gibt an, dass Lehrkräfte 80 % weniger Zeit für die Bewertung benötigen, und nennt 2,5 Millionen bewertete Aufsätze auf seiner Plattform. Gradescope verspricht Lehrkräften, papierbasierte, digitale und Code-Aufgaben in der Hälfte der Zeit bewerten zu können, indem wiederverwendbare Rubrikk Kommentare und Antwortgruppierungen eingesetzt werden. Diese Aussagen beschreiben Geschwindigkeit. Sie sagen für sich genommen jedoch nichts über Fairness aus.

Die Bewertungsforschung, die tatsächlich relevant ist, ist älter und stabiler als die Produktübersichten des Jahres 2026. Eine Bewertungsrubrik ist ein Rahmen aus Kriterien und Standards, der beschreibt, wie Leistung auf jeder Stufe aussieht. Universitäten wie die UNSW betrachten Rubriken als Instrument zur Interpretation und Bewertung von Arbeiten anhand von Kriterien, nicht als optionale Dekoration. Eine Hochschulstudie aus dem Jahr 2024 stellte fest, dass Studierende Rubriken zu Lehrveranstaltungen sowohl zum Lernen als auch zum Verfassen von Entwürfen nutzen. Prozessorientierte Kommentare – nicht nur eine eingekreiste Leistungsstufe – fördern das Lernen: Eine Analyse aus dem Jahr 2025 berichtete, dass rubrikbasiertes Feedback die sichtbare Ausrichtung an der Aufgabe verbesserte, während prozessbasiertes Feedback die stärksten Leistungszuwächse hervorbrachte.

Das ist die Logik hinter der Einführung im Jahr 2026. Geschwindigkeit ist der Anreiz. Kriterienbezogenes Feedback ist der Grund, das Tool weiter zu verwenden.

Worauf sollten Sie bei einem KI-Bewertungsassistenten achten?

Sie sollten nach einem Assistenten suchen, der anhand einer festgelegten Rubrik bewertet, Belege nennt, Kommentare begrenzt, den Aufgabentyp berücksichtigt und den Stapel auf Bewertungsdrift prüft – eine Reihe von Tests, die dieser Artikel als GRADE-C-Rahmen verwendet. Funktionslisten und LMS-Logos sind zweitrangig. Wenn das Tool mitten im Stapel Kriterien erfindet oder jeden Kommafehler in einer Arbeit markiert, deren Rubrik die Argumentation mit 70 % gewichtet, erzeugt es Beschäftigung statt Lernen.

GRADE-C ist ein praktischer Filter, keine Anbieterbewertung:

G — Grundlegende Kriterien. Analytisch, holistisch, als Single-Point-Rubrik oder auf Standards basierend ist alles in Ordnung. Ein unbegründetes „Das fühlt sich wie eine 2+ an“ ist es nicht.
R — Referenzierte Belege. Kommentare sollten Formulierungen, Aufgabennummern oder Codeabschnitte aus der tatsächlichen Einreichung zitieren.
A — Anwendbares Kommentarlimit. Zuerst die wirkungsvollsten Probleme. Eine Wand aus Korrekturen ist kein Feedback.
D — Differenziert nach Aufgabentyp. Aufsätze, Aufgabensätze, Code, Laborberichte und Präsentationen scheitern auf unterschiedliche Weise.
E — Fairnessprüfungen. Halo-Effekt, Handschrift, Kontrast zur vorherigen Arbeit sowie Strenge oder Milde sollten gekennzeichnet werden.
C — Kalibrierung über den Stapel hinweg. Ähnliche Fehler sollten zu ähnlichen Abzügen führen. Notenverteilungen sollten überprüft und nicht einfach vorausgesetzt werden.

Unabhängige Übersichten aus dem Jahr 2026 teilen den Markt tendenziell auf dieselbe Weise auf, wie es GRADE-C tun würde. Eine Übersicht für Lehrkräfte nannte Gradescope für rubrikbasierte strukturierte Bewertungen und Snorkl für formative Echtzeitbewertung. Ein anderer Hochschulvergleich argumentierte, dass die Eignung von Aufgabentyp, LMS-Integration, Kontrolle durch die Lehrenden und Datenschutz abhängt – nicht von einem einzigen Gewinner. Das ist der richtige Ansatz. Eine Lehrkraft für ein AP-Seminar, eine Tutorin oder ein Tutor für Analysis und eine Informatiklehrkraft kaufen nicht dieselbe Lösung für dieselbe Aufgabe.

Berücksichtigen Sie außerdem institutionelle Einschränkungen, die der GRADE-C-Rahmen allein nicht erfasst: den Umgang mit FERPA, die Frage, ob Schülerarbeiten zum Trainieren von Modellen verwendet werden, ob handschriftliche Seiten unterstützt werden und ob Noten ohne Umweg über eine CSV-Datei an Canvas oder Google Classroom zurückübertragen werden können.

Wie vergleichen sich Jenova, CoGrader, Gradescope und Turnitin bei der täglichen Bewertung?

Jenova Grading Assistant, CoGrader, Gradescope und Turnitin Feedback Studio überschneiden sich bei der rubrikbasierten Bewertung, sind jedoch für unterschiedliche Bewertungsaufgaben konzipiert. Jenova ist ein Kalibrierungspartner, der Bewertungen auf Dimensionsebene und schülergerechte Kommentare entwirft. CoGrader ist ein Produkt für Schreib-Workflows mit Integrationen für Classroom. Gradescope ist eine Bewertungsplattform für bestehende Papier-, Digital- und Code-Aufgaben. Turnitin Feedback Studio ist ein institutioneller Arbeitsbereich für Schreiben und Originalitätsprüfung.

Funktion / Dimension	CoGrader	Jenova Grading Assistant	Gradescope	Turnitin Feedback Studio
Umgang mit Rubriken	Benutzerdefinierter Upload plus vorinstallierte CCSS-, TEKS-, B.E.S.T.-, STAAR-, Regents- und AP/IB-Rubriken	Erstellt oder lädt analytische, holistische, Single-Point- oder standardbasierte Rubriken vor der Bewertung	Flexible Rubriken; Änderungen werden auf bereits bewertete Arbeiten angewendet	Rubrikbewertung im Bewertungsarbeitsbereich von Feedback Studio
Aufgabenumfang	Schriftliche Arbeiten; der Standard-Tarif führt handschriftliche Aufgaben auf	Aufsätze, Aufgabensätze, Code, Kurzantworten, Laborberichte, Forschungsarbeiten, kreative Arbeiten, Präsentationen	Aufgabensätze variabler Länge sowie Arbeitsblätter, Quizze, Antwortbögen, Prüfungen und Code	Vor allem schriftliche Arbeiten von Studierenden plus Originalitätsprüfung
Feedbackstil	Personalisierte Kommentare zu schriftlichen Arbeiten zur Prüfung durch die Lehrkraft	Zitierte Belege, echte Stärken, nächste Schritte, schülergerechte Sprache auf passender Leistungsstufe	Rubrikk Kommentare per Mausklick; Online-Anträge auf Neubewertung	Inline-Kommentare und Einblicke in die Originalität in einem Arbeitsbereich
Konsistenz / Bias	Anbieter gibt eine geringere Abweichung als bei Menschen an; die Lehrkraft schließt die Bewertung weiterhin ab	Kennzeichnet Bewertungsdrift, ähnliche Arbeiten mit unterschiedlichen Bewertungen, umgekehrte Rangfolgen und Häufungen um den Mittelwert	Antwortgruppen und KI-gestützte Gruppierung ähnlicher Antworten	Konsistenter institutioneller Workflow; weniger dialogorientierte Kalibrierung
LMS / Export	Google Classroom in allen Tarifen; Canvas und Schoology in Schultarifen	Dialogorientierte Bewertung; CSV-Notenbuch und Feedbackbögen als PDF/DOCX	Export von Noten und Statistiken	Übliche Einbettung in Campus-LMS über eine institutionelle Lizenz
Preise (Stand 2026)	Kostenlos: 100 Einreichungen/Monat; Standard 15 $/Monat bei jährlicher Zahlung oder 19 $/Monat	Kostenloser Tarif mit begrenzter Nutzung; Plus 20 $/Monat (30-fache Nutzung)	Ab etwa 1 $pro Studierendem, mit Tarifen um 3$ pro Studierendem und Kurs	Bezahltes institutionelles Abonnement; öffentliche Listenpreise werden nicht veröffentlicht
Am besten geeignet für	Lehrkräfte für schriftliche Arbeiten in K–12 mit Classroom	Lehrkräfte und Tutorinnen und Tutoren, die hochwertige Kommentare und Stapelkalibrierung benötigen	MINT-Prüfungen, handschriftliche Arbeiten, Code, Antwortbögen	Hochschulen, die Originalitätsprüfung und Bewertung benötigen

Die Reichweite von CoGrader ist real: Das Unternehmen berichtet von mehr als 100.000 Lehrkräften und 16.000 Schulen in allen 50 US-Bundesstaaten. Die eigene KI-Dokumentation benennt ebenso klar eine harte Grenze: Der Assignment Grader verarbeitet ausschließlich Text aus Schülerarbeiten, keine Fotos. G2-Rezensierende haben außerdem berichtet, dass das Tool Schülertexte falsch lesen kann, insbesondere im ELA-Unterricht der Mittelstufe. Das sind keine Gründe, das Tool abzulehnen. Es sind Gründe, die Lehrkraft eingebunden zu lassen – genau das verlangt auch CoGrader: Die endgültige Note bleibt in der Verantwortung der Lehrkraft.

Der Vorteil von Gradescope liegt in der Logistik. Die Plattform wurde von Lehrenden entwickelt, um bestehende Aufgaben zu bewerten, statt ein neues Prüfungsformat zu erzwingen, und gibt inzwischen mehr als 140.000 Lehrende an. Unabhängige Beiträge weisen auf den Kompromiss hin: Neue Nutzerinnen und Nutzer benötigen Zeit, um das System zu erlernen, eine integrierte KI-Erkennung fehlt und die Preise sind häufig undurchsichtig. Für institutionelle Lizenzen wurden Anfang 2026 etwa 3–5 $ pro Studierendem und Jahr veranschlagt, doch diese öffentliche Zahl ist eine Schätzung und keine Preisliste.

Turnitin Feedback Studio ist das Produkt, für das viele Universitäten bereits bezahlen. Es verbindet Plagiatserkennung mit Feedback und Bewertung, und der aktuelle Arbeitsbereich wird als flexiblere Bewertungsumgebung für zeitnahes Feedback positioniert. Die Einschränkung liegt in der Beschaffung und im Schwerpunkt des Produkts. Die Preise sind nicht öffentlich aufgeführt, und das Tool ist stärker auf Originalität ausgerichtet, als es eine Tutorin oder ein Tutor bei der Bewertung von Aufgabensätzen benötigt.

Die Einschränkung von Jenova Grading Assistant ist das Gegenstück zu den drei anderen Lösungen. Das Tool ersetzt weder die Antwortbogen-Pipeline von Gradescope noch die Canvas-Notenübertragung von CoGrader oder die Ähnlichkeitsdatenbank von Turnitin. Außerdem bewertet es keine Arbeit ohne Rubrik und erfindet keine Beobachtungen, die es in der Arbeit nicht gesehen hat. Für eine Lehrkraft, die Bewertungen für jede Dimension, zitierte Belege und eine Konsistenzprüfung bei einem unübersichtlichen gemischten Stapel benötigt, ist genau diese Einschränkung der entscheidende Vorteil.

Wie beeinflusst rubrikbasierte Bewertung die Fairness von Noten?

Rubrikbasierte Bewertung verbessert die Fairness, weil sie dazu zwingt, dass die Kriterien feststehen, bevor der erste Eindruck einer Arbeit jede Dimension beeinflussen kann. Tools, die zunächst aus dem Bauchgefühl eine Note erzeugen und diese anschließend mit Rubriksprache ausschmücken, reproduzieren den Halo-Effekt in Softwareform.

Die Bewertungsliteratur ist sich über diesen Mechanismus einig. Rubriken fördern Reliabilität und Validität, wenn Kriterien und Leistungsstufen explizit sind, und sie geben Studierenden eine gemeinsame Beschreibung von Qualität statt eines rätselhaften Buchstabens. Stärkenorientierte Ansätze gehen noch weiter, indem sie neben der Leistungsstufe Raum für spezifische, differenzierte und auf die Studierenden ausgerichtete Kommentare lassen. Die Schlussfolgerung der Forschung ist eindeutig: Eine Bewertung ohne Kriterium ist keine Beurteilung. Sie ist eine Rangfolge.

Jenova Grading Assistant setzt diesen Grundsatz im Workflow um. Wenn keine Rubrik vorhanden ist, erstellt das Tool vor der Bewertung eine – mit Zielen, Dimensionen, Stufen, Gewichtungen und nur den Vorgaben zu verspäteter Abgabe oder Nachteilsausgleichen, die die Lehrkraft tatsächlich nennt. Wenn eine Rubrik vorhanden ist, bildet das Tool deren Dimensionen ab und bewertet anhand dieser Dimensionen, nicht anhand der vorherigen Person. Analytische Rubriken erhalten eine Aufschlüsselung nach Dimensionen. Holistische Rubriken bleiben auf einer einzigen Skala. Standardbasierte Raster bleiben in der Sprache „Erfüllt / Annähernd erfüllt / Noch nicht erfüllt“, statt stillschweigend in Prozentsätze umgewandelt zu werden, die die Lehrkraft nie genehmigt hat.

CoGrader verfolgt beim Schreiben einen ähnlichen Ansatz: Lehrkräfte können Rubriken erstellen, eigene Rubriken hochladen oder vorinstallierte staatliche sowie AP/IB-Instrumente verwenden. Das besondere Fairnessmerkmal von Gradescope ist zeitlicher und nicht dialogorientierter Natur: Eine Rubrikänderung kann auf bereits bewertete Arbeiten übertragen werden. So lässt sich eine fehlerhafte Abzugsregel korrigieren, ohne 80 Laborberichte erneut von Hand lesen zu müssen.

Die Fehlentwicklung, auf die Sie bei jedem dieser Tools achten sollten, ist Rubriktheater – ein wunderschönes Raster, das ignoriert wird, sobald eine flüssige Einleitung ein schwaches Argument wie eine Eins aussehen lässt. Fairness bedeutet nicht, dass eine Rubrik existiert. Fairness bedeutet, dass jeder Punkt auf eine Zelle dieser Rubrik zurückgeführt werden kann.

Wie behandeln KI-Bewerter Aufsätze, Aufgabensätze und Code unterschiedlich?

Sie sollten nicht für jedes Genre dasselbe Bewertungsmodell verwenden, weil Aufsätze an der Argumentation scheitern, Aufgabensätze am Lösungsweg und Code an der Korrektheit. Ein Tool, das jeden Grammatikfehler in einer historischen DBQ markiert oder Stilkleinigkeiten abzieht, die in einer Programmierungsrubrik nie vorkamen, arbeitet nicht besonders gründlich. Es arbeitet an der Rubrik vorbei.

Jenova Grading Assistant behandelt den Aufgabentyp als Bewertungsregel und nicht als kosmetisches Etikett:

Aufsätze und andere schriftliche Arbeiten. These, Belege, Analyse, Struktur und sprachliche Richtigkeit – aber sprachliche Richtigkeit nur, wenn sie in der Rubrik enthalten ist. Ausgefeilte Prosa sollte eine inhaltsleere Behauptung nicht durch den Halo-Effekt aufwerten, und nicht jeder Kommafehler sollte zu einem separaten Abzug führen.
Mathematik und Aufgabensätze. Lösungsweg und Endergebnis werden getrennt bewertet, einschließlich Folgefehlerpunkten. Ein übernommener Rechenfehler sollte nicht doppelt bestraft werden. Eine identische Notation sollte nicht verlangt werden, sofern die Rubrik dies nicht vorsieht.
Code. Korrektheit zuerst. Design und Stil nur, wenn sie aufgeführt sind. Bei nicht ausgeführtem Code sollte nicht automatisch von einem Fehler ausgegangen werden.
Kurzantworten. Vollständigkeit der Schlüsselideen statt Formulierungen wie im Lehrbuch.
Laborberichte und Forschungsarbeiten. Methode, Daten, Argumentation und Zitierung – nicht die äußere Aufmachung, sofern diese kein Kriterium ist.
Kreative Arbeiten und Präsentationen. Nur vorher vereinbarte Kriterien. Ästhetische Maßstäbe sollten nicht bei Arbeit 14 erfunden werden.

Gradescope ist die Alternative, die gemischte MINT-Formate bereits dominiert. Die Plattform unterstützt Aufgabensätze und Projekte variabler Länge neben Quizzen, Antwortbögen und Prüfungen mit festen Vorlagen, und ihr Antwortgruppierungsmodell ist für Fälle ausgelegt wie: „Diese 30 Studierenden haben alle denselben Substitutionsfehler gemacht.“ Das ist eine andere Aufgabe, als einen entwicklungsorientierten Absatz für einen überzeugenden Aufsatz der 10. Klasse zu verfassen.

CoGrader ist die auf Schreibunterricht optimierte Alternative. Das Tool kann Arbeiten in mehreren Sprachen bewerten und detailliertes Schreibfeedback erstellen, weshalb K–12-Fachbereiche für Sprache und Literatur es zuerst prüfen. Der KI-Workflow ist jedoch auf Text beschränkt. Ein fotografiertes Laborheft oder ein handschriftlicher Beweis liegt daher außerhalb dieser Pipeline, sofern die Lehrkraft ihn nicht transkribiert.

Wenn der Kurs Aufsätze hervorbringt, verwenden Sie einen schreibbewussten Bewerter und ein Kommentarlimit. Wenn der Kurs Stapel handschriftlicher Integrale hervorbringt, verwenden Sie eine Plattform für strukturierte Bewertungen. Wenn der Kurs beides hervorbringt – eine häufige Realität für Tutorinnen und Tutoren –, ist ein dialogorientierter Bewerter, der je nach Aufgabentyp die Regeln wechseln kann, ehrlicher, als jedes Artefakt durch eine Aufsatz-Engine zu zwingen.

Wie erhalten Sie genaue Ergebnisse von einem KI-Bewertungsassistenten?

Sie erhalten genaue Ergebnisse, indem Sie zuerst Aufgabe und Rubrik laden, anschließend eine Kalibrierungsarbeit bewerten und dann den Stapel mit regelmäßigen Konsistenzprüfungen bearbeiten – nicht, indem Sie 30 Aufsätze in einen Chat kopieren und nach Buchstabennoten fragen. Die Einrichtung dauert nicht lange. Die Qualitätsgrenze wird in den ersten fünf Minuten festgelegt.

Für Jenova Grading Assistant sieht ein typischer Einstieg so aus:

Öffnen Sie den Agenten unter jenova.ai/a/grading-assistant.
Geben Sie Aufgabe, Niveau und Rückgabetermin an und fügen Sie anschließend die Rubrik ein oder laden Sie sie hoch. Wenn Sie keine Rubrik haben, beantworten Sie die Fragen zur Erstellung: Was müssen die Studierenden zeigen? Welche Dimensionen zählen? Was unterscheidet hervorragende von unzureichender Leistung? Wie werden die Dimensionen gewichtet?
Stellen Sie eine Schülerarbeit bereit und verlangen Sie einen Entwurf auf Dimensionsebene, nicht nur eine einzelne Note:

„Dies ist ein überzeugender Aufsatz der 10. Klasse mit 800–1000 Wörtern. Verwenden Sie die analytische Rubrik: These 20, Belege 25, Analyse 25, sprachliche Richtigkeit 15, Organisation 15. Bewerten Sie jede Dimension mit zitierten Belegen und verfassen Sie anschließend einen schülergerechten Kommentar mit einer echten Stärke und zwei nächsten Schritten. Markieren Sie Grammatikfehler nur unter sprachlicher Richtigkeit.“
Bestätigen oder korrigieren Sie die erste Bewertung. Diese Bestätigung wird zur Kalibrierungsregel für den restlichen Stapel.
Arbeiten Sie den Stapel ab. Bitten Sie alle paar Arbeiten um eine Konsistenzprüfung:

„Prüfen Sie die letzten acht Bewertungen auf Bewertungsdrift, ähnliche Fehler mit unterschiedlichen Abzügen und darauf, ob die Rubrik tatsächlich differenziert. Nur Mittelwert und Spannweite – keine Namen von Studierenden in der Zusammenfassung.“

Bei CoGrader ist die Einrichtung eher produktorientiert als dialogorientiert: Erstellen oder importieren Sie die Klasse, fügen Sie eine Rubrik hinzu (eine eigene oder eine vorinstallierte staatliche/AP/IB-Rubrik), verbinden Sie Google Classroom und prüfen Sie jede vorgeschlagene Note vor der Veröffentlichung. Der entscheidende Schritt für die Genauigkeit ist derselbe wie bei Jenova: Die Lehrkraft prüft die ersten Ergebnisse anhand der Rubrik und behandelt spätere Vorschläge als Entwürfe.

Das entsprechende Vorgehen bei Gradescope besteht darin, die Rubrik anhand der ersten Einreichungen zu erstellen, ähnliche Antworten zu gruppieren und spätere Rubrikänderungen rückwirkend anzuwenden. Das ist die richtige Anleitung, wenn es sich um ein Prüfungspaket handelt. Für eine Seminararbeit, die einen Absatz mit Hinweisen zur Überarbeitung benötigt, ist es die falsche Anleitung.

Zwei Regeln verhindern unabhängig vom Tool die meisten schlechten KI-Bewertungen. Bewerten Sie keine Arbeit, die das Modell nicht gesehen hat. Lassen Sie den Assistenten eine Schülerin oder einen Schüler nicht des Plagiats oder der KI-Nutzung beschuldigen; ungewöhnliche Formulierungen sind ein Hinweis für die Lehrkraft, kein Urteil.

Lehrkräfte, die neben der Bewertung auch die Aufgabe erstellen, kombinieren die Bewertung häufig mit dem Assignment Generator, um Aufgabenstellung und Rubrik aufeinander abzustimmen, mit dem Lesson Plan Generator für die Unterrichtssequenz, die die Bewertung messen soll, oder mit dem Quiz Maker, wenn der nächste Durchlauf eine gezieltere Überprüfung der wiederkehrenden Probleme sein soll, die der Stapel gerade sichtbar gemacht hat.

Was sagen Bewertungsspezialistinnen und -spezialisten über KI-gestützte Bewertung?

Bewertungsspezialistinnen und -spezialisten betrachten KI-Bewertung als Problem der Unterstützung von Bewertenden, nicht als Automatisierungsproblem: Der Assistent ist nützlich, wenn er Kriterien, Belege und Kommentarqualität stabilisiert, und schädlich, wenn er erste Eindrücke als objektive Noten tarnt.

„Der häufigste Fehler, den wir beobachten, ist eine Bewertung, bevor die Rubrik festgelegt ist. Sobald eine Lehrkraft bereits gedankliche Noten vergeben hat, wird die Rubrik zu einer nachträglichen Rechtfertigung statt zu einem kriteriumsbezogenen Instrument. Ein Assistent, der sich weigert, ohne Dimensionen, Stufen und Gewichtungen zu bewerten, wirkt in den ersten zwei Minuten langsamer und ist bei Arbeit sechs schneller, weil sich die Diskussion von ‚Was ist diese Arbeit wert?‘ zu ‚Erfüllt dieser Satz Belege auf Stufe 3?‘ verschoben hat.“

„Das zweite Problem ist die Menge der Kommentare. Wenn jeder Grammatikfehler in einem überzeugenden Aufsatz der 10. Klasse markiert wird, lernen die Schülerinnen und Schüler, auf sprachliche Richtigkeit zu achten und die Argumentation zu ignorieren. Ein Kommentarlimit, das an die wirkungsvollsten Rubrikdimensionen – meist Analyse, Belege oder Lösungsweg – gebunden ist, führt zu mehr Überarbeitung als eine vollständige Fehlerliste. Zitieren Sie die Arbeit. Benennen Sie den nächsten Schritt. Hören Sie auf.“

„Stapel-Drift ist messbar. Wenn die Noten im letzten Drittel eines Stapels sinken, handelt es sich meist um Ermüdung der bewertenden Person oder um den Kontrasteffekt nach einer sehr guten Arbeit, nicht um einen plötzlichen Einbruch der Qualität der Studierenden. Tools, die Spannweite, Mittelwert, ähnliche Arbeiten mit unterschiedlichen Bewertungen und umgekehrte Rangfolgen sichtbar machen, erkennen dies, bevor die Noten veröffentlicht werden. Die Interrater-Reliabilität war schon immer der kostspielige Teil der Bewertung. KI ersetzt die menschliche bewertende Person nicht, kann sie aber mit ihrem gestrigen Maßstab konsistent machen.“

— Jenova Product Team, Entwicklung bewertungsbezogener Produkte für lehrkraftorientierte Bewertungs-Workflows

Diese Sichtweise stimmt mit der nicht von Anbietern stammenden Literatur überein. Rubriken helfen nur, wenn sie als Bewertungsinstrument eingesetzt werden, und Feedback, das erklärt, wie eine Verbesserung möglich ist, ist wirkungsvoller als Feedback, das lediglich eine Leistungsstufe angibt. KI verändert diese Erkenntnisse nicht. Sie verändert, ob eine erschöpfte Tutorin oder ein erschöpfter Tutor ihnen um 23 Uhr noch folgen kann.

Welche Grenzen bei Datenschutz, Bias und akademischer Integrität sollten Schulen von KI-Bewertern erwarten?

Schulen sollten erwarten, dass KI-Bewerter einige menschliche Verzerrungen verringern, andere einführen und niemals ein Ersatz für ein Verfahren zur akademischen Integrität sein werden. Datenschutzbestimmungen, Prüfungen von Bewertungseffekten und ein striktes Verbot automatisierter Fehlverhaltensurteile gehören zur Auswahl eines Tools und sind keine Zusatzoptionen.

Beim Datenschutz dokumentieren die besseren Anbieter inzwischen den Datenfluss. CoGrader nennt FERPA-Konformität, SOC 2 Type 1 und Ausrichtung an NIST 1.1, erklärt, dass personenbezogene Daten von Studierenden nicht zum Trainieren der Modelle verwendet werden, und beschreibt KI-Eingaben als anonymisierten Text, der an LLM-Anbieter gesendet und nach der Verarbeitung gelöscht wird. Die Plattformrichtlinie von Jenova besagt, dass Nutzerdaten nicht zum Trainieren öffentlicher KI-Modelle verwendet und bei der Übertragung sowie im Ruhezustand verschlüsselt werden. Diese Aussagen sind notwendig. Sie stellen jedoch keine Vereinbarung zur Datenverarbeitung dar. Schulbezirke müssen die DPA weiterhin lesen.

Beim Bias verschwinden klassische Bewertungseffekte nicht dadurch, dass ein Modell beteiligt ist. Halo- und Hörnereffekt (ein Merkmal färbt auf jede Dimension ab), Ermüdung und Reihenfolge (Noten sinken im letzten Drittel), Kontrast (eine Arbeit wirkt nach einer hervorragenden Arbeit schlechter), Präsentation (Handschrift oder Formatierung fließen in eine Bewertung ein, obwohl sie kein Kriterium sind), Tendenz zur Mitte (alles häuft sich in einem engen Bereich) sowie Milde oder Strenge (der gesamte Stapel wird an einem Extrem verankert) sind allesamt dokumentierte Probleme der Bewertung. Jenova Grading Assistant wurde entwickelt, um solche Muster zu kennzeichnen – etwa eine enge Häufung zwischen 85 und 88, die darauf hindeutet, dass die Rubrik nicht ausreichend differenziert, oder zwei Studierende mit ähnlichen Fehlern und unterschiedlichen Abzügen. Gradescope geht ein verwandtes Problem mit Statistiken auf Aufgabenebene und gruppierten Antworten an. Keine der beiden Methoden berechtigt die Lehrkraft dazu, nicht mehr hinzusehen.

Bei der Integrität ist Erkennung eine eigene Produktkategorie. Die KI-Erkennungsfunktion von CoGrader ist Bestandteil von Schul- und Bezirkstarifen und wird als Hinweis, nicht als Garantie, dargestellt. Bei Gradescope wurde das Fehlen einer integrierten KI-Erkennung festgestellt. Das Kerngeschäft von Turnitin ist die Originalitätsprüfung. Jenova Grading Assistant macht ungewöhnliche Formulierungen, plötzliche Qualitätssprünge oder KI-ähnliche Muster als Aspekte sichtbar, die die Lehrkraft untersuchen sollte. Das Tool beschuldigt eine Schülerin oder einen Schüler weder des Plagiats noch der KI-Nutzung. Diese Einschränkung ist beabsichtigt. Falsche Vorwürfe bei der akademischen Integrität haben weitreichendere Folgen als ein übersehener Abzug.

Für Nachteilsausgleiche gilt dieselbe Regel der Entscheidungshoheit. IEP, 504, ELL, zusätzliche Bearbeitungszeit und Regelungen zur erneuten Einreichung gelten nur so, wie die Lehrkraft es vorgibt. Ein Assistent, der „hilfsbereit“ eine Note erhöht, hat ein Compliance-Problem geschaffen und keine Gefälligkeit erwiesen.

Innerhalb dieser Grenzen ist KI-Bewertung ein Stabilisator für Bewertende. Außerhalb dieser Grenzen ist sie nur eine schnellere Methode, unfair zu sein.