Zum Inhalt springen

Generative KI und Prüfungsintegrität

Die rasante Verbreitung generativer künstlicher Intelligenz erfordert eine fundamentale Neuausrichtung universitärer Bewertungs- und Prüfungsformate zur Gewährleistung akademischer Integrität. Anstelle rein technischer Detektionsversuche rücken Prozessorientierung, authentische Aufgabenstellungen und transparente Regulierungsmechanismen in den Mittelpunkt der Qualitätssicherung. Die Synthese didaktischer Leitlinien und institutioneller Governance ermöglicht einen zukunftsfähigen Rahmen für eigenständige akademische Leistungen.

Ziel

Welche didaktischen und regulatorischen Massnahmen sichern die Prüfungsintegrität im Hochschulbereich unter dem Einfluss generativer KI?

Methodik

Theoriegeleitete Dokumentenanalyse und vergleichende Synthese internationaler Hochschulrichtlinien sowie didaktischer Interventionsstudien.

Wissenschaftliche Neuheit

Entwicklung eines integrativen Kriterienkatalogs zur Bewertung von Prüfungsresilienz jenseits rein technischer Detektionsansätze.

Dokumentenvorschau

Dies ist eine kurze Vorschau. Die Vollversion enthält erweiterten Text für alle Abschnitte, ein Fazit und ein formatiertes Literaturverzeichnis.

Masterarbeit

DegreeType
Generative KI und Prüfungsintegrität

Vorgelegt von:

Group

Vorname Nachname

Betreuer/in:

Prof. Dr. Vorname Nachname

Stadt, 2026

Inhaltsverzeichnis

Zusammenfassung
Einleitung
2. Konzeptionelle Grundlagen generativer KI im Prüfungswesen
2.1 Funktionsweise von Sprachmodellen und textgenerierenden Systemen
2.2 Begriff und Dimensionen akademischer Prüfungsintegrität
2.3 Verwundbarkeit traditioneller Leistungsnachweise
3. Methodischer Analyserahmen zur Integritätssicherung
3.1 Systematischer Vergleich institutioneller Reglemente und Richtlinien
3.2 Kriterienkatalog zur Bewertung von Prüfungsformaten
4. Spannungsfeld zwischen Detektion, Verbot und hochschuldidaktischer Adaption
4.1 Technische und ethische Grenzen automatisierter KI-Erkennungstools
4.2 Neukonzeption kompetenzorientierter und authentischer Prüfungsformate
5. Strategische Implikationen für die akademische Praxis und Qualitätssicherung
5.1 Rechtliche Rahmenbedingungen und hochschulweite Governance
5.2 Didaktische Leitlinien zur Förderung von KI-Literacy und Eigenständigkeit
Eigenständigkeitserklärung
6. Fazit und Ausblick
Literaturverzeichnis

Einleitung

Die zunehmende Leistungsfähigkeit generativer Sprachmodelle verändert die Hochschullehre grundlegend und stellt etablierte Verfahren der Leistungsüberprüfung vor strukturelle Herausforderungen [2]. Durch die automatisierte Generierung akademischer Texte geraten schriftliche Prüfungsleistungen unter Legitimationsdruck, da traditionelle Kontrollmechanismen nicht mehr greifen [1]. Hochschulinstitutionen stehen vor der dringlichen Aufgabe, die Zuverlässigkeit ihrer Zertifizierungsprozesse unter veränderten technologischen Rahmenbedingungen nachhaltig zu sichern [5].

Automatisierte Erkennungssoftware stösst bei der Identifikation von maschinell generiertem Text an erhebliche methodische Grenzen und birgt das Risiko von Fehlzuordnungen [8]. Gleichzeitig führt ein reaktives Festhalten an traditionellen Aufsichtsprüfungen oder rigiden Verboten zu einem didaktischen Rückschritt, der den Erwerb zukunftsorientierter Kompetenzen im Umgang mit digitalen Werkzeugen hemmt [2]. Die Mehrdeutigkeit von Urheberschaft erfordert daher eine differenzierte Auseinandersetzung mit der Eigenständigkeit studentischer Leistungen [7].

Ziel dieser Untersuchung ist die Analyse der Auswirkungen generativer KI auf Prüfungsintegrität sowie die Identifikation tragfähiger didaktischer und regulatorischer Lösungsansätze. Anhand eines theoriegeleiteten Vergleichs von Reglementen und aktuellen Fachpublikationen werden bestehende Prüfungsformate hinsichtlich ihrer Resilienz evaluiert [4]. Der wissenschaftliche Mehrwert liegt in der Verknüpfung von Integritätsschutz und didaktischer Weiterentwicklung [6].

4. Spannungsfeld zwischen Detektion, Verbot und hochschuldidaktischer Adaption

Die wissenschaftliche Debatte verdeutlicht, dass rein defensive Kontrollmechanismen und automatisierte Detektionsverfahren unzureichend sind, um den Herausforderungen generativer Sprachmodelle im Hochschulbereich wirksam zu begegnen. Wie in der Forschung hervorgehoben wird, reichen automatisierte Erkennungstools und traditionelle Integritätsverfahren nicht aus, um einen Missbrauch generativer Systeme bei schriftlichen Prüfungsleistungen zuverlässig zu unterbinden (doaj-7c53c54ab2fc488cb922a401a446525a, 2026). Zudem greift die Annahme zu kurz, dass traditionelle Marker wie kritisches Denken oder Kreativität per se als Schutz vor maschinell erzeugten Texten fungieren können, weshalb eine Neuausrichtung auf prozess- und kontextorientierte Authentizität gefordert wird (doaj-7c53c54ab2fc488cb922a401a446525a, 2026). Parallel dazu vollzieht sich die institutionelle Transformation in einem Spannungsfeld zwischen Revolution, didaktischer Evolution und einem Rückfall in überholte Prüfungsformen, wobei Hochschulen zwischen Reputationsrisiken und innovativen Potenzialen abwägen müssen (doaj-94938aa7f01c426ab0b2cdf997a35a44, 2024). Ergänzend zeigt sich in der hochschuldidaktischen Diskussion, dass Prüfungsformate verstärkt auf kollaborative und anwendungsbezogene Kontexte ausgerichtet werden müssen, um arbeitsmarktrelevante Fertigkeiten adäquat abzubilden. Trotz dieser theoretischen Einsichten besteht eine erhebliche Forschungslücke hinsichtlich der langfristigen Wirksamkeit prozessbegleitender Prüfungsdesigns im curricularen Regelbetrieb. Viele Ansätze konzentrieren sich auf isolierte Pilotprojekte, während integrative Modelle zur Förderung studentischer KI-Kompetenzen und institutioneller Governance bislang selten vergleichend evaluiert werden. Eine wesentliche Limitation der aktuellen Befunde liegt zudem in der rasanten technischen Weiterentwicklung großer Sprachmodelle, wodurch bestehende Prüfungsreglemente und didaktische Leitfäden rasch an Aktualität verlieren. Hochschulen stehen daher vor der methodischen Herausforderung, flexible Bewertungskriterien zu etablieren, die akademische Redlichkeit sichern, ohne den konstruktiven Einsatz digitaler Werkzeuge im späteren Ber…

Literaturverzeichnis

  1. A framework for AI and vocational assessment in higher education
    Bruno Balducci
    DOI-Link
  2. Revolution, evolution, or regression – the transformation of assessments through times of pandemic and AI
    Stylianos Hatzipanagos, Linda Amrane-Cooper, Alan Tait
    DOI-Link
  3. The Role of ChatGPT, Generative Language Models, and Artificial Intelligence in Medical Education: A Conversation With ChatGPT and a Call for Papers
    Günther Eysenbach
    DOI-Link
  4. Challenges and Opportunities of Generative AI for Higher Education as Explained by ChatGPT
    Rosario Michel‐Villarreal, Eliseo Luis Vilalta-perdomo, David Ernesto Salinas-Navarro et al.
  5. ChatGPT in higher education: Considerations for academic integrity and student learning
    Miriam Sullivan, Andrew Kelly, Paul McLaughlan
  6. AI-affordance alignment drives authentic learning gains without foundational erosion: a quasi-experimental pilot study from an environmental data science course
    Ahmed S. Elshall, Ashraf Badir, Mewcha Amha Gebremedhin
  7. Generative Artificial Intelligence and the Ambiguity of Academic Integrity in Higher Education
    Katerina Zdravkova
  8. Can Artificial Intelligence Complete My Assessment? A Student Led Initiative to Stress Test the Academic Integrity of University Assessment Using Generative AI
    Aidan Duane

Bibliographie

Geprüfte QuellenFormatierungsstandardsHohe EinzigartigkeitPro-Modelle
Launch Offer -25%

Forschungsarbeit

APA 7

EUR 13EUR 17
  • 30+ Seiten
  • Hohe Originalität
  • Export nach Word
  • Korrekte Formatierung
  • Öffentliche Vorschau
    Die Vorschau eines anderen Autors kann nicht privat gemacht werden. Deine Arbeit wird privat und absolut einzigartig sein.
  • Literaturverzeichnis (30+, APA 7)
    +EUR 2
  • Alternative Quellen hinzufügen (Nachrichten, .gov, .edu)

Forschungsarbeit

APA 7