AI-resiliente Prüfungen: Ein neuer Ansatz für die Ingenieurausbildung

Mit dem Beitrag „Designing AI-Resilient Exams: Error-Correction Assignments in Engineering Education“ stellen Daniel Renjewski und Alexandra Strasser einen neuen Prüfungsansatz für die Hochschullehre vor. Der Artikel ist in Human-Centric Intelligent Systems erschienen und untersucht, wie schriftliche Prüfungsformate so gestaltet werden können, dass sie gegenüber generativer KI robuster sind, ohne dabei zentrale Lernziele zu verlieren.

Im Mittelpunkt steht ein in der Lehre des Masterkurses Applied Biorobotics erprobtes Format, bei dem Studierende nicht einen eigenen Bericht verfassen, sondern bewusst fehlerhafte Berichte analysieren und korrigieren. Auf diese Weise wird der Fokus von bloßer Textproduktion auf Fehlererkennung, kritische Bewertung und fachlich begründete Verbesserung verlagert.

Die Studie zeigt, dass dieses Format den wahrgenommenen Nutzen von KI-Chatbots deutlich reduziert und KI-Nutzung für Studierende teilweise sogar hinderlich macht. Gleichzeitig berichten die Teilnehmenden, dass sie die vorgesehenen Lernziele auf allen Stufen der erweiterten Bloom’schen Taxonomie weiterhin erreichen konnten.

Für die Hochschullehre ist der Beitrag besonders relevant, weil er eine konkrete Vorlage für KI-resiliente Portfolio- und Prüfungsaufgaben liefert. Der Ansatz verbindet akademische Integrität mit authentischem Lernen und zeigt einen praktikablen Mittelweg zwischen einem generellen KI-Verbot und unkritischer Nutzung.

https://link.springer.com/article/10.1007/s44230-026-00157-2#Abs1