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

Peer-Prüfung

Erstellt 2026-08-13 · Aktualisiert 2026-10-10

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

Peer-Prüfung — die Praxis, in der Studierende die Arbeit der jeweils anderen bewerten, benoten oder mit Rückmeldung versehen, durch schriftliches Peer-Review, Peer-Benotung, Peer-Code-Review oder Gruppen- und Teamprüfung. In der Schreib-Pädagogik ist es eine langjährige beste Praxis: Studierende lernen sowohl vom Empfangen kriterienbasierten Feedbacks als auch vom Geben, und Peer-Gespräche über geteilte Arbeit korrelieren mit tieferem Lernen, Publikumsbewusstsein und sozialer Entwicklung. In der KI-Ära wird sie als Prüfungsgestaltungswahl statt als einzelne Aktivität neu untersucht —, eine menschliche Ergänzung zu KI-generiertem Feedback, ein Trainingsplatz für Feedbackkompetenz, und ein Ort, an dem akademische Integrität und Studierendenhandlungsfähigkeit neu verhandelt werden.

Fragen zum Nachdenken

  • Denken Sie an eine Zeit zurück, in der Ihre Arbeit von einer Peer-Person bewertet wurde —, oder Sie die ihre bewerteten. Was haben Sie mehr gelernt: Feedback zu geben oder es zu empfangen, und warum?
  • Warum könnte das Feedback einer Person kontextbewusster und emotional unterstützender sein als KI-Feedback, selbst während KI-Feedback konsistenter und rastergetrieben ist? Wie könnten sich die beiden ergänzen?
  • Peers neigen dazu, starke Arbeit unterzubewerten, und KI neigt dazu, schwache Arbeit aufzublähen. Wenn keines über die gesamte Qualitätsspanne zuverlässig akkurat ist, wofür sollte eine Note von einer der beiden Quellen genutzt werden?
  • Peer-Prüfung hängt stark von Gerüstbildung und klaren Kriterien ab, und Freundschafts-Bias und soziale Angst können untrainiertes Peer-Review schlechter als keines machen. Wie sieht angemessenes Training in Ihrem Kontext tatsächlich aus?
  • Wenn KI Kommentare zu Organisation und Struktur entwerfen kann, macht das Peer-Prüfung überflüssig —, oder befreit es Peers, das spezifische, publikumsbewusste Feedback zu geben, das nur sie geben können?
  • GenAI-unterstütztes Peer-Feedback übertraf in einer Studie einfaches Peer-Feedback, aber nur mit hinzugefügter Prompt-Gerüstbildung. Was wird da gerüstet —, die KI, die oder der Studierende, oder die Prüfung?
  • Kritisches Bewerten von KI-generiertem Feedback wird als Aufbau von KI-Kompetenz und schreiberischer Handlungsfähigkeit beschrieben. Was bedeutet es, Handlungsfähigkeit über die eigene Arbeit zu haben, wenn Maschinen zunehmend über sie kommentieren?

Einleitung

Peer-Prüfung ist eine Prüfungsgestaltungswahl, in der Studierende einen Teil der üblicherweise Lehrenden vorbehaltenen Bewertungsarbeit übernehmen. Ihre Formen unterscheiden sich darin, was Studierende produzieren und was auf dem Spiel steht: Peer-Feedback (Kommentare zu einem Entwurf, üblicherweise formativ und mit geringem Einsatz), Peer-Benotung (eine zur Note beitragende Markierung), Peer-Code-Review und Gruppen- oder Teamprüfung (wo Peers das kollektive Produkt oder die Beiträge der jeweils anderen bewerten). Die Form bestimmt, was Studierende üben —, das Geben eines kriterienbasierten Kommentars baut Bewertungsurteil anders auf als das Zuweisen einer Zahl, und die mündliche Verteidigung des eigenen Codes baut wieder etwas anderes auf. Selbstprüfung, die Geschwisterpraxis, wendet dieselbe kriterienbasierte Prüfung auf die eigene Arbeit der lernenden Person an, während Peer-Prüfung sie auf die Einreichung einer Peer-Person und das damit einhergehende Publikumsbewusstsein richtet.

Die Forschungsbasis ist sich einig, dass Peer-Prüfung Lernen erzeugt, und uneinig darüber, wie viel davon vom Design abhängt. Sie gibt Studierenden ein authentisches Publikum, entwickelt Bewertungsurteil durch kriterienbasiertes Antworten, und baut den sozialen Kontext, der Engagement und Motivation stützt. Ihre Qualität hängt stark von Gerüstbildung ab —, wie gut sie strukturiert ist, und ob Studierende klare Kriterien und Training erhalten. Jene Abhängigkeit ist, wo KI eintritt, als konsistente, rastergetriebene Ergänzung zum spezifischen, kontextbewussten Feedback, das Peers geben, und zunehmend als Gerüst, eingebaut in den Peer-Prüfungs-Prozess selbst.

Was Studierende aus dem Bewerten von Peers lernen

Das stärkste Argument für Peer-Prüfung ist, dass die Bewertende lernt. Fowles et al. (2026) unterzogen jede CS1-Einreichung einem 15-minütigen mündlichen Code-Review-Interview mit einer trainierten Lehrenden-Assistenz, gewichtet mit 70% der Aufgabennote. Das Verhältnis eingefügter zu Gesamtzeichen stieg von 61.0% auf 68.1% (p < 0.0001), doch Prüfungswerte sanken nicht und Bearbeitungszeit hielt stand; 90% der Studierenden sagten, die Reviews hätten sie motiviert, ihren Code besser zu verstehen, und 65%, sie hätten geholfen, Überabhängigkeit von KI zu vermeiden. Von Studierenden zu verlangen, ihre Arbeit einer trainierten Peer-Person zu erklären, verwandelte potenzielle Auslagerung in eine selbstregulierte Praxisgelegenheit.

Der Mechanismus kehrt über die Literatur wieder. In einem PRISMA-2020-systematischen Review von 22 Artikeln aus 203 gescreenten fanden Martínez-Peláez et al. (2025), dass LLMs Kollaboration teils stützen, indem sie Peer-Feedback unterstützen und rasterbasierte Evaluationen simulieren, und dass Studierende, die Modellausgabe verifizieren und korrigieren, kritisches Denken entwickeln. Lernen durch Lehren zeigt sich sogar unter Maschinen: peer-lernartiger Diskurs unter über 2.4 Millionen KI-Agenten war meist Behauptung statt Frage (Aussage-zu-Frage-Verhältnis 11.4:1, metakognitive Reflexion nur 7% einer kodierten Taxonomie über 28.683 Posts), was Chen et al. (2026) als Warnung behandeln, dass Oberflächendiskurs nicht begründet, dass irgendetwas gelernt wird.

Training, Kalibrierung und Feedbackkompetenz

Peer-Prüfung scheitert vorhersagbar, wenn Studierende untrainiert sind. Gu, Chen, and Yan (2026) führten ein Mixed-Methods-Quasi-Experiment mit 118 Erstsemesterstudierenden in China durch und verglichen ChatGPT-4o unter vorab trainierten Rastern mit strukturierten Peer-Review-Arbeitsblättern mit einem hochwertigen Beispiel. Feedbackkompetenz stieg in der GenAI-Gruppe leicht stärker (ANCOVA p = 0.049, η²p = 0.03), doch die qualitativen Befunde zählen mehr: Peer-Gruppen-Studierende wählten Feedbackquellen nach sozialer Bequemlichkeit —, nahegelegene Peers, Peers desselben Fachs, Mitbewohnende —, hielten selten spezifische Feedbackziele, und sahen sich sozialer Angst beim Einholen von Feedback gegenüber. Peer-Evaluation wurde häufiger durch Freundschafts-Bias und wahrgenommene Peer-Kompetenz verzerrt, und Peer-Reflexion wurde oft bis zu späteren Prüfungen verzögert. Die Autoren empfehlen mehrstufige Designs mit anonymem Peer-Feedback, da Peer-Review weiterhin einzigartig Publikumsbewusstsein und Bewertungsurteil durch das Geben von Feedback aufbaut.

Gestaltungsrahmen zielen auf jene Engpässe. Irwin and Muller (2026) schlagen zwei GenAI-Rollen im EFL/ESL-Peer-Feedback zum Sprechen vor, einen Fall, der ihrer Argumentation nach schwerer ist als Schreiben wegen Zeitdrucks, flüchtiger mündlicher Leistung und erhöhtem Affekt: einen Trainer, der Feedbackgebende durch beispielbasierte Kalibrierung und Feedback-auf-Feedback unterstützt, und einen Synthesizer, der Peer-Kommentare zu einem kriterienverlinkten Aufnahmebericht aggregiert, der Formate normalisiert, Minderheitenansichten bewahrt und Widersprüche markiert. Ihre Prinzipien sind sorgfältiges Timing und Abfolge, kurze wiederholte Trainer-Einheiten, Bewahrung der Stimme der Gebenden, und Leitplanken, die die Lehrkraft in der Schleife halten ohne automatisierte Benotung. Das Papier ist konzeptionell, ohne neue empirische Daten.

Validität, Fairness und Benotungsgenauigkeit: Peer vs KI vs Lehrende

Wo Peer-Prüfung eine Note produziert, ist die Frage, ob die Note verteidigbar ist. Usher and Faraon (2026) fanden, dass die Peer-Lehrende-Ausrichtung bei geringwertiger Arbeit am stärksten war (r = 0.51 in der geringwertigen Stufe) und bei hochwertigen Projekten nachließ, die Peers tendenziell unterbewerteten —, plausibel als Ausdruck der Zurückhaltung, starke Arbeit zu kritisieren. ChatGPT zeigte das entgegengesetzte Muster: bessere Ausrichtung bei hochwertiger Arbeit, aber aufgeblähte Noten für schwache Einreichungen. Studierende nahmen die Noten von Peers als konsistenter mit dem eigenen schriftlichen Feedback der Peers wahr und schätzten das beziehungsbewusste Urteil von Peers neben der neutralen Konsistenz von ChatGPT. Peer-Genauigkeit ist qualitätsabhängig und beziehungssensibel, und keine einzelne Quelle ist über die gesamte Spanne zuverlässig.

Das begrenzt, wofür eine Peer-Note genutzt werden sollte. Eine in der Mitte der Verteilung kalibrierte Markierung muss an der Spitze oder am Boden nicht kalibriert sein, sodass Peer-Noten als Input für eine moderierte Entscheidung oder als Evidenz des Urteils der Bewertenden verteidigbarer sind denn als endgültige Markierung auf starker Arbeit. Suen and Hung (2026) unterstreichen, warum Institutionen weiterhin skalierbare Alternativen suchen: Peer-Feedback und Experten-Coaching sind zeitaufwendig, kostspielig und schwer konsistent zu skalieren. Ihr geschlossen-schleifiges System bewertete 204 erwachsene Lernende in Präsentationsfertigkeiten mit einem XGBoost-Rückgrat, das sich der Reliabilität von Experten-Bewertenden annäherte (ρ = 0.69–0.78), und mit Pre-Post-Gewinnen von Cohen's d = 0.39–0.90 —, eine Pre-Post-Feldstudie, kein Vergleich gegen Peer-Prüfung, die maschinelles Urteil substituiert statt Peer-Urteil zu augmentieren.

KI-augmentierte Peer-Prüfung: PAIRR und die Trainer/Synthesizer-Aufteilung

Das dominante Gestaltungsmuster hält die Peer-Person zentral und fügt KI um sie herum hinzu. Das Peer-and-AI-Review-+-Reflection-Modell ist die am besten dokumentierte Instanz. Sperber et al. (2025) implementierten PAIRR über 10 Schreibkurse und drei schreibintensive STEM-Kurse mit 654 Studierenden (37% Erste-Generation, 13% international, 68% mehrsprachig). Studierende entwarfen, tauschten Peer-Review, prompteten ChatGPT um rastergetriebenes Feedback zum selben Entwurf, bewerteten beide kritisch, planten Überarbeitungen und reflektierten. 58% bevorzugten kombiniertes Feedback, 36% Peer-Feedback allein, und nur 6% KI-Feedback allein. Die zwei Quellen waren oft ähnlich (75% berichteten Ähnlichkeiten, beschrieben als sich gegenseitig bestätigend und verstärkend) und, wo sie sich unterschieden, komplementär: KI-Feedback wurde oft als übermäßig allgemein bezeichnet (31%), gab aber umsetzbare Überarbeitungsstrategien zu Organisation und Struktur, während Peer-Feedback spezifischer und detaillierter war (28%) und auf kontextuellem Wissen über die Aufgabe zehrte. Kritisches Evaluieren von KI-Ausgabe baute KI-Kompetenz, und nur 5.3% der Studierenden zeigten Übervertrauen darin.

Das Muster generalisiert auf professionelles Schreiben. MacArthur et al. (2025) wandten PAIRR auf einen Wirtschaftsschreibkurs im höheren Studienabschnitt an, wo jede von fünf Hauptaufgaben einen Entwurf, eine Publikumsanalyse, Peer-Review durch 2–3 Peers und eine Überarbeitung verlangte (34 von 46 eingeschriebenen Studierenden nahmen teil; 69% mehrsprachig). Studierende schätzten KI-Feedback, fanden es aber manchmal zu allgemein, und schätzten das kontextuelle Wissen der Peers —, „meine Peers betrachteten es aus der Perspektive der Arbeitgebenden … ChatGPT tat das nicht so sehr.“ Ein Viertel der kodierten Reflexionen in der größeren PAIRR-Studie drückte Skepsis über KI-Feedback aus oder bemerkte Inkorrektheiten, was die Autoren als sich entwickelnde KI-Kompetenz lesen. Die Studie ist deskriptiv und kursspezifisch.

GenAI als Gerüst innerhalb von Peer-Feedback und Gruppenprüfung

Der strengste Test dafür, wie sehr Design zählt, ist ein multizentrisches cluster-randomisiertes Experiment. Ateş (2026) randomisierte 48 Sektionen über 4 Hochschulen —, 1.176 Erstsemesterstudierende in Biologie, Chemie und Physik —, auf vier Bedingungen für wissenschaftliches Argumentieren: nur Peer-Feedback, direktes GenAI-Feedback, reflektierendes GenAI-Feedback (Selbstbewertung dann KI-Kritik), und eine Hybride aus Selbstbewertung → Peer-Feedback → GenAI-Kritik. Direktes GenAI besiegte Peer-Feedback bei unmittelbarer Argumentqualität, zeigte aber schwächeren Transfer; reflektierende und hybride Designs produzierten stärkere Feedbackaufnahme und selbstreguliertes Lernen; die Hybride zeigte den klarsten Vorteil bei konzeptuellem Lernen; beide übertrafen direktes GenAI bei verzögertem KI-freiem Transfer. Der Wert von GenAI, schließen die Autoren, hänge weniger am Zugang als daran, ob die Umgebung Studierendenhandlungsfähigkeit und Eigentum während der Überarbeitung bewahre.

Die Abfolge von KI-Feedback vor der Peer-Diskussion statt danach erhöhte ebenfalls die Ergebnisse: Gegenüber nur Peer-Feedback berichteten 122 chinesische EFL-Studierende mit integriertem KI-plus-Peer-Feedback höheres affektives, verhaltensbezogenes und kognitives Engagement (partielles η² = 0.29, 0.28, 0.32) und übertrafen in allen vier IELTS-Schreibdimensionen, am größten bei Aufgabenerfüllung (d = 1.41) (Liu (2026)).

Jenes Muster —, ein früher Vorteil, der nicht hält —, kehrt wieder, wenn der Vergleich Lehrkraft-Feedback gegen KI-unterstütztes Peer-Feedback ist statt GenAI allein. Tang, Li, and Luo (2026) führten ein achtwöchiges Quasi-Experiment mit 61 chinesischen L2-Schreibenden (244 benotete Texte) durch, die von einer fünfdimensionalen Checkliste aus arbeiteten, wobei eine Klasse schriftliches Lehrkraft-Feedback erhielt und die andere KI-unterstütztes Peer-Feedback. Lehrkraft-Feedback produzierte weit mehr Kommentare —, 316 Items gegenüber 185 in der ersten Aufgabe, konzentriert auf Wortschatz und technische Details —, und den leicht größeren unmittelbaren Gewinn, doch seine Verbesserung fiel bis zur zweiten Aufgabe stark, während die KI-unterstützte Peer-Klasse standhielt und mit dem höheren Überarbeitungswert abschloss. Die KI-unterstützten Peer-Kommentare waren weniger, blieben aber in Inhalt und Struktur verankert, und ihr früher lexikalischer Diversitätsvorsprung hielt nicht; keine der beiden Modi bewegte syntaktische Komplexität. Die Autoren lesen die beiden als komplementäre Gerüste und schlagen eine KI-Peer-Lehrkraft-Hybride vor, in der KI Oberflächenfehler während des Entwerfens markiert, Peers Inhalte in der Überarbeitung verhandeln, und die Lehrkraft auf das zielt, was keine der beiden erreichte.

Das Hinzufügen von GenAI kann auch die Qualität des Peer-Feedbacks selbst erhöhen, aber offenbar nur mit Prompt-Unterstützung. Chang et al. (2026) verglichen drei Bedingungen unter 45 Studierenden-Lehrkräften in 12 Gruppen über vier Runden kollaborativer Argumentation: einfaches Peer-Feedback, Peer-Feedback mit GenAI, und Peer-Feedback mit GenAI unter Prompt-Gerüstbildung. Die GenAI-unterstützten Gruppen übertrafen einfaches Peer-Feedback bei Argumentationsleistung, und die prompt-gerüstete Gruppe schnitt bei fortgeschrittenen Elementen wie „Rebutting-Daten und Berechtigung“ und „Adressieren der Gegenposition“ am besten ab. GenAI-unterstützte Gruppen produzierten mehr Erklärungen, Vorschläge und neutrales oder negatives Feedback, und die gerüstete Gruppe paarte negative Emotionen mit höherordentlichem Feedbackinhalt —, kritische Bewertung statt passiver Annahme. Es ist ein kleines einzelnes Experiment, aber es isoliert Prompt-Gerüstbildung als den aktiven Inhaltsstoff.

Gruppenprüfung ändert das Problem, weil Studierende aushandeln müssen, wessen KI-Nutzung akzeptabel ist. Chen and Zou (2026) interviewten 15 Fokusgruppen von 52 angehenden Lehrkräften in einem Kurs, in dem eine Gruppenpräsentation im Wert von 30% der Abschlussnote Integration und Kohärenz verlangte. Drei Muster traten auf: kooperationsorientierte Handlungsfähigkeit in fünf Gruppen, die GenAI-Nutzung intensivierten, um die Arbeit zusammenzuhalten und eine geteilte Note zu schützen; normative Handlungsfähigkeit in sieben Gruppen, die Nutzung beschränkten, um Authentizität und Fairness zu schützen —, eine Person argumentierte, einen Teil in KI zu erzeugen wäre „nicht fair gegenüber anderen Gruppenmitgliedern“; und nicht-verkörperte Handlungsfähigkeit in drei Gruppen, deren Praxis sich nie von individueller Arbeit veränderte. Die Autoren argumentieren, individuelle Fähigkeit werde nicht von selbst zu kollektiver Handlungsfähigkeit, und die Aushandlung akzeptabler KI-Nutzung solle selbst ein bewertbares Ergebnis werden, mit Peer-Review-Aufgaben, die in das Endprodukt speisen.

Feedbackarchitektur, Offenlegung und die sozialen Bedingungen der Peer-Prüfung

Peer-Prüfung hängt auch davon ab, was Studierende voneinander sehen können und was sie zugeben werden. Hao and Cukurova (2026) testeten ein KI-generiertes Zusammenfassungs-Lerndesign über drei Iterationen mit 128 Studierenden über acht Wochen. Studierende in KI-unterstützten Iterationen zeigten signifikant höhere standardisierte Out-Degree-Zentralität als die Baseline (β = 0.547 und β = 0.438, beide p < 0.001): Sie sahen oder interagierten mit mehr Peers. Interviews beschrieben die Zusammenfassungen als Navigationskarte, die den Aufwand reduzierte, in schlecht benannten Threads vergrabene Beiträge zu finden, und Studierende schenkten aktiven Beitragenden Aufmerksamkeit, die wegen kontrastierender Meinungen gewählt wurden statt wegen Freundschaft. Das Design verhinderte nicht sinkende Betrachtungsaktivität unter steigender Arbeitslast, sodass technologische Erschwinglichkeiten allein Engagement nicht aufrechterhalten.

Peer-Normen formen auch Ehrlichkeit, was überall zählt, wo Peers KI-beeinflusste Arbeit bewerten. Qu and Wang (2026) befragten 409 singapurische Studierende zu Gründen, warum Studierende GenAI-Nutzung trotz Offenlegungsgeboten verbergen, und fanden, dass relationale Variablen dominierten: wahrgenommene Peer-Offenlegung und Komfort mit Lehrenden waren die stärksten Prädiktoren der Offenlegung, während moralische Abkopplung schwächer war. Nicht-Offenlegung war strategische Anpassung an wahrgenommene Peer-Normen und geringes interpretatives Vertrauen, nicht moralische Nachlässigkeit. Peer-Normen können daher Ehrlichkeit stützen, wie wenn Gruppenprüfungs-Studierende KI-Nutzung aus Verpflichtung gegenüber Gruppenmitgliedern beschränkten, oder sie unterdrücken, wie wenn kollektive Übernahme das wahrgenommene Risiko von Missbrauch senkte. Transparenz, argumentieren die Autoren, hänge weniger an Compliance als an Vertrauen und positiven normativen Klimata —, eine relationale Bedingung, die Peer-Prüfungs-Designs entweder schaffen oder zerstören.

Gestaltungsimplikationen und offene Fragen

Mehrere Gestaltungszüge folgen. Geben Sie Bewertenden Training, Beispiele und Kriterien, bevor sie bewerten, denn untrainierte Peer-Prüfung ist anfällig für Freundschafts-Bias, bequemlichkeitsbasierte Quellenwahl und soziale Angst. Sequenzieren Sie die Arbeit so, dass Selbstbewertung vor Peer-Feedback und KI-Kritik steht, da die hybride Bedingung das stärkste konzeptuelle Lernen und den besten verzögerten Transfer produzierte. Wo GenAI eintritt, rüsten Sie, wie Studierende es prompten. Halten Sie die Lehrkraft in der Schleife bei allem, was eine Note wird, behandeln Sie Peer-Noten als qualitätsabhängige Evidenz statt als einheitliche Markierungen, und machen Sie KI-Nutzung selbst zu etwas, das Gruppen aushandeln und dokumentieren.

GenAI-vermittelte Review erbt auch die sprachlichen Normen des Werkzeugs: Beitragende zu einem World-Englishes-Dialog argumentieren, dass GenAI nutzende Reviewer demselben Bias hin zu dominanten englischen Varietäten ausgesetzt sind wie die Modelle, und empfehlen, generierten Text zu editieren oder umzuschreiben, um die eigene sprachliche Identität der Schreibenden widerzuspiegeln (Ugwuanyi et al. (2026)).

Die offenen Fragen betreffen die Stärke der Evidenz, nicht nur das Design. Viel der Peer-und-KI-Evidenz ist klein und kontextgebunden: 45 Studierende-Lehrkräfte in einem Kurs, 34 Studierende in einem Wirtschaftsschreibkurs, 52 angehende Lehrkräfte in 15 Fokusgruppen. Die PAIRR-Befragung ist der größte Datensatz hier und misst Studierendenwahrnehmungen, nicht die Qualität der KI-Ausgaben, die Studierende beurteilten. Nur die 1.176 Studierenden des multizentrischen Experiments nähern sich kausal-vergleichender Skala, und es testet Feedbackgestaltung für wissenschaftliches Argumentieren statt Peer-Prüfung als solche. Unterdessen fand O'Neill (2026) beim Audit von 14 begutachteten Metaanalysen, die behaupten, KI verbessere Bildung, dass keine eine valide Basis für ihre Behauptungen bot —, alle bis auf zwei definierten die Behandlung als Werkzeug statt als pädagogische Intervention, Heterogenität war in jeder Metaanalyse hoch, die I² berichtete (77.2% bis 94.4%), und ein Audit von 59 Primärstudien fand 61% mit Validitätsbedenken, am häufigsten eine Fehlanpassung zwischen dem gemessenen Ergebnis und der erhobenen Behauptung. Behauptungen darüber, was KI in Peer-Prüfung tut, sollten als Behauptungen über eine gestaltete Aktivität behandelt werden, getestet in den Begriffen jener Aktivität.

Verbundene Konzepte

Verbundene Artikel

Verknüpfte FAQs

Metadaten

FachgebietWriting Education
ZielgruppeLearners, Instructors
Lernen und UnterrichtKollaboratives Lernen, Metakognition, Selbstreguliertes Lernen
Assessment und MessungQualität von KI-Feedback, Formatives Assessment, Gruppenarbeit
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.