AIEd-WissensbasisAIEd KB
Auf dieser Seite

Diese Seite wurde maschinell ins Deutsche übersetzt; die Artikelseiten sind weiterhin auf Englisch verfasst. Diese Seite auf Englisch lesen

Konzepte

Offenlegung der KI-Nutzung

Erstellt 2026-08-27 · Aktualisiert 2026-10-10

Dies ist eine automatische Übersetzung der englischen Seite; sie wurde noch nicht von einer muttersprachlichen Person geprüft.

Angaben zur KI-Nutzung und deren Offenlegung — die Richtlinien, Erklärungen und Praktiken, über die Lernende aufgefordert werden (oder sich entscheiden), ihre Nutzung generativer KI in akademischen Arbeiten offenzulegen. Auch bekannt als AI use declarations, AI disclosure statements oder Transparenz-Erklärungen, liegen diese Mechanismen an der Schnittstelle von akademischer Integrität, Ethik, Vertrauen und Assessment im KI-Zeitalter. Die Forschung der Wissensbasis zeigt, dass Offenlegung keineswegs eine neutrale administrative Formalität ist: sie wird von Angst vor Sanktionen, mehrdeutigen Richtlinien, inkonsistenter Durchsetzung, Normen der Peers, Stigmatisierung und den psychischen Kosten der Selbstbelastung geformt — und sie ist tief mit selbstreguliertem Lernen und Hilfesuche verschränkt.

Fragen zum Nachdenken

  • Wenn Sie als lernende Person generative KI für eine Aufgabe genutzt hätten, würden Sie es Ihrem Lehrpersonal sagen? Diese Seite legt nahe, dass die ehrliche Antwort stark von Angst geformt wird — Forschung findet, dass Offenlegung selten ist und von „penalty anxiety" und Sorge um Selbstbelastung getrieben wird. Welche Annahmen über Ihr eigenes Offenlegungsverhalten müssten Sie hinterfragen?
  • Die zentrale Designfrage hier ist, ob Offenlegung als Überwachung oder als Gerüst für ethisches Engagement funktioniert. Was haben Sie vor der Lektüre angenommen, was ein Offenlegungsformular zu leisten versucht — und können Sie sich einen Weg vorstellen, wie dasselbe Formular den gegenteiligen Zweck erfüllen könnte?
  • Ein markanter Befund ist, dass Lernende, die immer offenlegten, über dreifach höhere Chancen hatten, des Betrugs bezichtigt zu werden — Transparenz lud Verdacht ein. Wenn Ehrlichkeit Verdacht erhöhen kann, was sagt das darüber, wie wir Vertrauen zwischen Lernenden und Lehrenden gestalten sollten?
  • Diese Seite unterscheidet verbindliche Compliance-Mechanismen von formativen Offenlegungspraktiken, die KI-Kompetenz und Selbstregulation aufbauen. Welchem davon ähnelt der Ansatz Ihrer eigenen Institution am ehesten, und was müsste sich ändern, damit er zum anderen wird?
  • Die Forschung verbindet Verbergen mit maladaptiver Selbstregulation und Offenlegung mit adaptiver Hilfesuche — Ihre KI-Nutzung sichtbar zu machen kann nützliche Kalibrierung durch das Lehrpersonal einladen. Wann haben Sie (als Lernende oder als Lehrkraft) es als vorteilhaft empfunden, Ihre Unsicherheit oder Ihre Hilfesuche sichtbar zu machen, statt sie zu verbergen?
  • Offenlegungsnormen variieren nach Fach, sprachlichem Hintergrund und Kontext — mit Folgen für Gerechtigkeit, wenn manche Lernende eher dafür bestraft werden, etwas zu verbergen, als andere. Wenn Sie eine Offenlegungsrichtlinie entwerfen würden, wie würden Sie verhindern, dass sie bereits marginalisierte Lernende ungleich belastet?

Einführung

Angaben zur KI-Nutzung und deren Offenlegung sind die Erklärungen, über die Studierende berichten, ob und wie sie generative KI in einer Aufgabe genutzt haben — von einem Kontrollkästchen auf einem Deckblatt bis zu strukturierten Formaten, die das Modell, die Eingabe, den Zweck und die Bewertung der Ausgabe festhalten. Systeme unterscheiden sich in der Art ebenso wie im Detailgrad: manche operieren als verbindliche Compliance-Mechanismen mit Sanktionen bei Nichtoffenlegung, andere als formative Praktiken, die Offenlegung als Instrument für die Entwicklung von KI-Kompetenz, Transparenz und ethischem Urteil behandeln. Die Designfrage, die entscheidet, was daraus wird, ist, ob Offenlegung dazu dient zu fangen oder zu lehren, was das Konzept mitten in akademische Integrität und Bildungspolitik zur KI stellt.

Was Angaben zur KI-Nutzung sind

AI use declarations verlangen von oder laden Lernende ein zu erklären, ob und wie sie generative KI in einer Aufgabe genutzt haben — typischerweise auf dem Deckblatt eines Kurses, einem Einreichungsformular oder einem Reflexionsprompt. Rahmenwerke variieren stark, von einfachen Erklärungen mit Kontrollkästchen bis zu strukturierten Formaten, die das Modell, die Eingabe, den Zweck und die Bewertung der Ausgabe dokumentieren (z. B. das Model-Input-Evaluation/MInE-Rahmenwerk). Sie reichen von verbindlichen Compliance-Mechanismen (mit Sanktionen bei Nichtoffenlegung) bis zu formativen Praktiken, die Offenlegung als pädagogisches Instrument für die Entwicklung von KI-Kompetenz, Transparenz und Selbst-regulation behandeln. Die zentrale Designfrage ist, ob Offenlegung als Überwachung oder als Gerüst für ethisches Engagement funktioniert.

Warum Offenlegung für KI in der Bildung wichtig ist

Offenlegung ist der Mechanismus, der KI-gestützte Arbeit sichtbar und damit steuerbar macht — das Gegenstück zu akademischer Integrität und die Vorbedingung für Vertrauen zwischen Lernenden und Lehrenden. Ohne Transparenz über die KI-Nutzung kann Bildungspersonal legitime Unterstützung nicht von Fehlverhalten unterscheiden, Feedback nicht kalibrieren und Gerechtigkeitslücken nicht erkennen. Aber die Forschung zeigt, dass Offenlegung auch ein affektiver und sozialer Prozess ist, nicht nur ein politischer.

Was die Forschung zeigt

  • Offenlegung ist selten und angstgetrieben. Über Studien hinweg legen die meisten Lernenden ihre KI-Nutzung dem Lehrpersonal nicht offen. Kirsanov et al. (2026) fanden, dass nur ~34% der Wirtschaftsstudierenden KI-Nutzung zugaben, und Offenlegung war seltener, getrieben von „penalty anxiety". Vetter et al. (2026) fanden, dass 66% der Lernenden nie oder selten offenlegten, wobei Angst vor akademischer Sanktion der häufigste Grund war. Gonsalves (2025) dokumentierte 74% Nicht-Compliance mit einer verbindlichen Erklärung an der Business School des King's College.
  • Mehrdeutige und strafende Richtlinien treiben Verbergen. Wenn KI-Nutzungsrichtlinien unklar, nicht durchgesetzt oder Verbote sind, verbergen Lernende ihre Nutzung, statt sich zu engagieren. Richtlinien vom Typ „Limited use in certain situations" sagen Offenlegung am besten vorher; „not allowed" oder „not aware" sagen Verbergen vorher. Klare, konsistente, kollaborative Richtlinien werden wiederholt eingefordert.
  • Offenlegung hat psychische Kosten — und verborgene Kosten. Lernende betrachten Erklärungen als Selbstbelastung, und manche halten KI-Nutzung für privat wie den Gebrauch eines Taschenrechners. Vetter et al. (2026) fanden, dass Lernende, die „always" offenlegten, über dreifach höhere Chancen hatten, bezichtigt zu werden — Transparenz kann Verdacht einladen. Chang et al. (2026) fanden, dass Sorge Offenlegung eher zu Peers umlenkt statt sie zu unterdrücken, was Lernende vom Feedback des Lehrpersonals abschneidet.
  • Offenlegung ist mit selbstreguliertem Lernen verschränkt. Chang et al. (2026) deuten vom Lehrpersonal geleitete Offenlegung als adaptive Hilfesuche — Unterstützung sichtbar machen und externe Kalibrierung einladen —, während Verbergen (besonders bei starken KI-Nutzenden) maladaptiver Regulation ähnelt. Strukturierte, formative Offenlegung kann die metakognitive Reflexion und das ethische Schlussfolgern fördern, die wirksame Selbstregulation charakterisieren.
  • Offenlegungsnormen variieren nach Fach, Sprache und Kontext. Lernende in Bildung, Sozialwissenschaften und STEM/Gesundheit legen mehr offen als Business-Studierende; einsprachige Lernende legen möglicherweise weniger offen als mehrsprachige. Internationale Studierende legten in einer Studie weniger offen, was Gerechtigkeitsbedenken aufwirft. Offenlegungsnormen entwickeln sich nicht automatisch mit dem akademischen Fortschreiten.
  • Offenlegungsnormen sind in professionellen Programmen ungeklärt. Gutowski und Hurley (2025) berichten, dass von der ABA zugelassene US-amerikanische Law Schools uneins darüber sind, ob jede KI-Nutzung offengelegt werden muss, beschreiben Offenlegungsformulare, die Studierende beim Lehrpersonal einreichen, und finden keinen Konsens darüber, wie wissenschaftliches Schreiben oder Schreiben im Kurs KI zitieren sollte — das Bluebook selbst schweigt. Sie sagen zudem vorher, dass Offenlegung irgendwann so sinnlos erscheinen wird wie der Hinweis, dass jemand eine Suchmaschine benutzt hat — eine Warnung über die Haltbarkeit der jetzt geschriebenen Regeln —, und sie verankern die Normenfrage in der Rechtswissenschaft.

Offenlegung ist kein Detektionsmechanismus

Ein wiederkehrender institutioneller Fehler ist, Erklärungen als Weg zu behandeln, verbotene Nutzung zu fangen. Sie können diese Funktion nicht erfüllen: sie hängen von Aufrichtigkeit ab, und ihre Durchsetzung läuft zurück in dieselbe Unaufdeckbarkeit, da eine Institution allgemein nicht beweisen kann, dass eine nicht offengelegte Nutzung stattgefunden hat. Teichmann (2026) verortet ihren wirklichen Wert anderswo — in sichtbaren Integritätsverpflichtungen, eingebettet in eine Kultur des Vertrauens, und in Transparenz, geteilten Erwartungen und Reflexion der Studierenden statt in Durchsetzung. Der Bildungsmechanismus ist normativ, nicht forensisch.

Das Ausmaß ist dokumentiert: über 7.462 Bewerbungen an ein US-amerikanisches Masterprogramm für Public Policy hinweg verhinderte eine unterschriebene No-AI-Versicherung nicht, dass 56.1% der Bewerbenden des Jahres 2025 einen Essay einreichten, den ein kommerzieller Detektor als überwiegend KI-geschrieben klassifizierte, und jeder markierte Essay war mit einer 1.5 bis 2.6 Prozentpunkte niedrigeren Zulassungswahrscheinlichkeit assoziiert (Isley, Gaebler und Goel (2026)).

Die Modellierung von Mohamed und Temimi (2026) liefert die Bedingung, unter der Offenlegung wirkt, ausgedrückt als Designschwelle statt als Hoffnung: offengelegte Nutzung schlägt verborgene Nutzung nur, wenn der Preis der Ehrlichkeit unter der Abschreckung bleibt, die er erkauft. Weil diese Grenze mit der Glaubwürdigkeit der Detektion steigt, verstärken sich Detektion und Offenlegungssicherheit gegenseitig — aber nur, wenn das Risiko falsch positiver Markierungen auf ehrliche und unehrliche Antworten gleichermaßen fällt, in welchem Fall Ehrlichkeit ihren komparativen Schutz behält. Ihre Designimplikation ist direkt: behandeln Sie eine erklärte KI-Nutzung als Kontext statt als Geständnis, was den Preis der Ehrlichkeit gerade in den Settings niedrig hält, in denen Überwachung am stärksten ist, und lesen Sie Offenlegung als Demonstration evaluativen Urteilsvermögens statt als Eingeständnis. Erlaubnis und Offenlegung sind getrennte Hebel — Erlaubnis verändert die formale Grenze akzeptabler Nutzung, Offenlegung verändert Sichtbarkeit —, und Erfolg bei einem sagt nichts über das andere aus.

AlGhamdi (2026) bietet einen aufschlussreichen Test des Offenlegungseffekts selbst. Derselbe Kurs führte eine verblindete Studie (AlGhamdi 2024) und eine transparente durch, und nur die transparente Kohorte begrenzte die Rolle von KI explizit und befragte die evaluative Autorität. Weil sich Kohorten und Jahre unterscheiden, nennt die Autorin den Kontrast aufschlussreich statt kausal, argumentiert aber, dass Offenlegung als instruktioneller Prompt statt als Haftungsausschluss wirkte — Feedback von einer selbstverständlichen Handlung zu einem Objekt der Reflexion verwandelnd, ohne Anzeichen von Desengagement oder Widerstand.

In einer Erhebung der GenAI-Leitlinien der 50 innovativsten US-Universitäten verortet Qian (2026) Offenlegung an der Grenze zwischen Unterstützung und Falschdarstellung: wo KI erlaubt ist, weisen Institutionen Studierende an, KI-Unterstützung anzuerkennen, zu zitieren oder anderweitig zu dokumentieren, statt Ausgaben als ganz eigene darzustellen, wobei Bibliotheken — nicht Integritätsbüros — die Autorität über Zitations- und Provenienzstandards halten. Das Framing der MIT Libraries, dass KI kein Urheber ist und Urheber für die Dokumentation verantwortlich bleiben, wie Werkzeuge beitrugen, exemplifiziert das Muster, und Qian liest Offenlegung zugleich als Integritätsnorm, als Designprinzip, das Mehrdeutigkeit vor der Einreichung reduziert, und als eine von vier Integritätssäulen neben Verantwortung, Gerechtigkeit und Datenschutz. Das ist dieselbe nicht-forensische Verwendung, die der Abschnitt beschreibt, und es ist der Grund, warum Qian empfiehlt, Bibliotheken als Zitationsautorität zu institutionalisieren, statt Detektion auszubauen.

  • Offenlegung trägt eine Vertrauensstrafe, und Legitimität ist der argumentierte Mechanismus. In dreizehn Experimenten, überwiegend mit US-Online-Panelisten und gebündelt bei 4.093 Beobachtungen (θ = 0.81, z = 10.52, 95% CI [0.66, 0.96]), wurde einer Akteurin, die KI-Nutzung offenlegte, weniger vertraut als einer, die schwieg (Schilke und Reimann (2025)). Der Effekt überstand sechs Offenlegungs-Framings, eine bewertende Person, die bereits wusste, dass KI benutzt worden war, und sowohl verbindliche als auch freiwillige Regimes. Er ist das experimentelle Gegenstück zum obigen Befund aus der Befragung, dass immer offenlegende Lernende über dreifach höhere Chancen einer Bezichtigung gegenüberstanden: Transparenz selbst kann die offenlegende Person kosten. Das eine studierendenbezogene Ergebnis der Studie ist, dass Studierende einer Professorin weniger vertrauten, als diese KI-Bewertung offenlegte.

Wirksame Offenlegung gestalten

  • Klarheit und Konsistenz schlagen Abschreckung. Entwickeln Sie klare, konsistente, kollaborativ erarbeitete KI-Richtlinien mit konkreten Beispielen akzeptabler Nutzung und ihrer Erklärung; vermeiden Sie strafende oder vage Rahmenwerke, die Verbergen motivieren.
  • Die affektive Barriere adressieren. Offenlegungsrichtlinien, die allein auf Verhalten zielen, reichen nicht — normalisieren Sie KI-Nutzung, reduzieren Sie wahrgenommene Bewertung und Stigmatisierung, und versichern Sie Lernenden, dass ehrliche Offenlegung nicht bestraft wird.
  • Offenlegung formativ machen, nicht nur Compliance. Nutzen Sie Reflexionsprompts und strukturierte Erklärungen (Modell/Eingabe/Bewertung), damit Offenlegung KI-Kompetenz und Selbstregulation aufbaut, statt als Überwachung zu funktionieren.
  • Lehrpersonal darin schulen, Vertrauen aufzubauen, statt sich auf Detektion zu verlassen. Auf Offenlegung sollte niemals eine Bezichtigung folgen; Lehrpersonal sollte Gespräche zum Vertrauensaufbau lernen, statt sich auf unzuverlässige KI-Detektoren zu stützen.
  • Auf Gerechtigkeit hin gestalten. Beachten Sie unterschiedliche Offenlegung über Fächer, Sprachstatus und Hintergründe der Lernenden hinweg, und vermeiden Sie Mechanismen, die bereits marginalisierte Lernende ungleich belasten.

Verbindungen

Offenlegung der KI-Nutzung liegt an der Schnittstelle von akademischer Integrität (ihrem übergeordneten Anliegen), Ethik, Vertrauen und Vertrauenskalibrierung (Offenlegung als Akt der Verletzlichkeit), Governance und Bildungspolitik zur KI (institutionelle Richtlinienrahmenwerke) sowie Assessment (wo Offenlegung operationalisiert wird). Sie verbindet sich mit KI-Kompetenz (Lernende müssen verstehen, was und wie sie offenlegen), selbstreguliertem Lernen und Hilfesuche (Offenlegung als sichtbare Hilfesuche) und Gerechtigkeit (unterschiedliche Offenlegung). Sie ist verschieden von, aber verwandt mit, KI-Missbrauch und Lernschaden (der Schaden, den Offenlegung sichtbar machen soll) und KI-Detektion (detektionsbasierte Alternativen, die Offenlegungsrahmenwerke zunehmend ersetzen).

Verbundene Konzepte

Verbundene Artikel

Verknüpfte FAQs

Metadaten

NiveauHigher Ed
Technologien und VerfahrenGenerative KI
Assessment und MessungLeistungsbeurteilung
Institutionen und PolitikBildungspolitik zu KI
Gerechtigkeit, Ethik und verantwortungsvoller EinsatzOffenlegung der KI-Nutzung, Ethik, Vertrauen
Grundlagen von KI in der BildungAkademische Integrität
SourceHistoryEditChat

Diese Seite einbetten

Kopieren Sie den Code unten, um diese Seite in ein Lernmanagementsystem oder eine andere Website einzubetten. Die eingebettete Version zeigt nur den Seiteninhalt — Kopfzeile, Navigation und Fußzeile der Website werden ausgeblendet.