Wie schreibe ich eine Kurs-KI-Richtlinie und kommuniziere sie an Studierende?

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

Sie haben einen Syllabus, ein Aufgabenblatt und einen Raum voller Studierende, die ihre eigenen privaten Regeln über generative KI bereits geschrieben haben. Was auch immer Sie veröffentlichen, muss fair sein gegenüber dem Studenten, der sich an die Regeln hält, und gegenüber dem, der es nicht tut, und es muss etwas sein, das Sie tatsächlich auf vierzig Einreichungen anwenden können, ohne entweder zum Weichei oder zur Polizistin zu werden.

Das Fazit: schreiben Sie weniger Regeln, als Sie versucht sind, binden Sie jede an die spezifische Sache, die Sie bewerten, benennen Sie einen einzigen Standardort, an dem Studierende KI-Nutzung erklären, und machen Sie Ihren Durchsetzungsweg zu einem Beleg, den Sie mit eigenen Augen sehen können, statt zu einem Detektorwert. Eine Richtlinie, die sich selbst erklärt, leistet Assessmentdesign und Kommunikationsarbeit zugleich – weshalb sie einen Nachmittag braucht und ein Semester voller Diskussionen spart.

Diese Seite behandelt das Dokument auf Kursebene für ein Modul, einen Kurs oder einen Programmstrang. Die Annahme durchgehend ist, dass Sie entschieden haben, was Sie bewerten; die Frage ist, wie Sie es sagen und wie es haften bleibt.

Wie Kursregelungen aktuell tatsächlich aussehen

Eine Inhaltsanalyse von 116 institutionellen GenAI-Richtlinien von 131 US-amerikanischen R1-Universitäten und 98 Informatik-Syllabusse von 54 davon fand Institutionen breit pro-Nutzung – 63% fördern GenAI-Nutzung, 41% bieten detaillierte Klassenraumanleitung, 27% raten davon ab –, während die Hälfte der Syllabusse (50%) rundheraus verbietet, 41% partielle Nutzung für angegebene Aktivitäten erlauben und 7% Ermutigung kommunizieren. Ganguly et al. (2026) nennen das die Top-down-gegen-Bottom-up-Lücke: 92% der Syllabusse geben explizite Leitlinien, aber Lehrende schreiben lokale Regeln, die mit institutioneller Anleitung nicht übereinstimmen müssen, und nur 47 Institutionen hatten beide Ebenen feststellbar. Zitation ist das eine, worauf sich beide Ebenen einigen, verlangt von 83% der Syllabusse. Ihre lokale Regel ist die, der Studierende zuerst begegnen, und strenger als Ihre Institution zu sein ist normal –, aber es ist eine Verpflichtung, die Sie allein auf sich nehmen.

Chirikov (2026) verfolgte über 31.000 Syllabusse an einer großen öffentlichen Forschungsuniversität in Texas von 2021 bis 2025: Regulierung stieg von nahe Null vor ChatGPT auf 55% der Kurse bis Herbst 2025, während der Anteil vollständig restriktiver Richtlinien etwa 5 Prozentpunkte pro Jahr fiel. Bis Herbst 2025 schränkten Lehrende am häufigsten Entwerfen und Überarbeiten ein (79%) und Argumentation und Problemlösen (65%), und erlaubten am häufigsten Editieren und Korrekturlesen (83%), Studienunterstützung und Synthese (80%) und Programmierung (75%); Ideenfindung war die umstrittenste Nutzung (46% erlauben, 54% schränken ein). Erwähnungen akademischer Integrität fielen von 63% auf 49%, während Verweise auf KIs Auswirkung auf Lernen von 1% auf 29% stiegen und Zitationsanforderungen von 16% auf 43%. Lehrende verschieben sich von „nicht betrügen"-Sprache hin zu „hier ist, warum diese Grenze Ihr Lernen schützt"-Sprache.

Nash und Burriss (2026) analysierten 27 von angehenden Englisch-Lehrkräften geschriebene Klassenraum-KI-Richtlinien: 26 von 27 erlaubten etwas KI-Nutzung, fast immer zu lehrkraftspezifischen Bedingungen, Zeiten und Orten, und eine verbot sie vollständig. Ideenfindung war die breiteste erlaubte Nutzung (22 von 27) und die mehrdeutigste; 22 untersagten oder ließen die KI-Komposition von Sätzen, Absätzen oder Aufsätzen unklar; 16 erlaubten Grammatikprüfung und Korrekturlesen, während 16 das Erzeugen großer KI-generierter Texte verboten; und 22 von 27 adressierten Lesen überhaupt nicht. Der wiederkehrende Fehler war Operationalisierung: eine Richtlinie erlaubte KI, „um Ihr Denken zu starten", und erklärte „hier sollte die Linie gezogen werden", ohne zu sagen, wo. Jene Mehrdeutigkeit ist ein Defekt, kein Kompromiss –, sie lässt Studierende unfähig, sich zu fügen, und Sie unfähig, einen konsistenten Standard anzuwenden.

Was schreiben, und wo es hinsetzen

Beginnen Sie bei Aufgaben, nicht bei Philosophie. Die klarste ausgearbeitete Methode ist McCorkle (2025), der ein pauschales Verbot ersetzte, von dem Studierende nicht glaubten, dass es auf sie zutraf. Das Problem war Fehlabstimmung, nicht Aufsässigkeit: Studierende sahen sich selbst nicht als unehrlich handelnd. Die Methode war, jede Aufgabe im Semesterprojekt zu inventarisieren, von jeder zu fragen „was, spezifisch, bewerte ich?", jede Aufgabe mit einer plausiblen professionellen GenAI-Nutzung zu paaren und Aufgabe für Aufgabe zu entscheiden, wobei das Bedürfnis, eine Fähigkeit zu bewerten, gegen den Wert abgewogen wurde, eine Arbeitsmarktkompetenz aufzubauen. Die resultierende Richtlinie ist absichtsvoll uneben: Brainstorming erlaubt, aber das Komponieren spezifischer und messbarer Lernziele nicht, Bildkuratierung erlaubt, aber Nachrichtendesign auf Folienebene nicht, Skripte und Erzählung erlaubt mit verlangter Evaluation der KI-Ausgabe.

Im Syllabus: die kurze Zusammenfassung – die Aufgaben, die jeweils erlaubte Nutzung, wie Offenlegung funktioniert, und die Folge einer überschrittenen Grenze. Auf dem Aufgabenblatt: der Call-out, weil eine Zusammenfassung zu grob für ein komplexes Projekt ist – McCorkles Schreiben funktionierte, weil es eine Begründung gab, die in der zweiten Person an Studierende gerichtet war und das Assessment benannte, das jede Einschränkung rechtfertigt. Im Unterricht: sagen Sie die Regel einmal laut, im Moment, in dem sie erstmals anwendbar wird, und binden Sie sie an die Arbeit vor ihnen –, eine Regel, der ein Student zuerst allein begegnet, ist eine, die er allein deutet.

Offenlegungsmechanik verdient ihren eigenen Syllabusabsatz: Studierende, die eine Kursregelung durch angeleitete Untersuchung mitgestalteten, priorisierten Schulung für Studierende und Lehrende, standardisierte Offenlegungsverfahren, stärkere institutionelle Unterstützung und größere Beteiligung an Entscheidungen über KI (Hingle und Johri (2026)). Sagen Sie, wie, wo und in welcher Form ein Student KI-Nutzung erklärt, und sagen Sie es einmal. Pisans (2026) gleichwertiger Schritt war, das Prompt-Protokoll zum bewerteten Artefakt zu machen: wenn ein Modell die Produktion übernimmt, sind Prompt und Interaktionsprotokoll das, was Versionierung wert ist.

Schreiben Sie nur Regeln, die Sie durchsetzen können

Eine Regel, die Überwachung pro Aufgabe verlangt, oder ein Urteil darüber, wann ein Assessment „beginnt", wird inkonsistent angewandt werden, und Inkonsistenz ist selbst ein Gerechtigkeitsproblem. Detektorbasierte Regimes bringen Überwachungskosten, die ungleich landen, und werfen Proctoring- und Datenhaltungsfragen auf. Chirikovs Befund erheblicher disziplinärer und aufgabenspezifischer Variation argumentiert für Frameworks, die Lehrenden Autonomie innerhalb ihrer Domäne gewähren, statt für Einheitsmandate.

Es gibt hier eine Gerechtigkeits-Dimension: intransparente Richtlinien setzen geteiltes Hintergrundwissen über Autorschaft, Zitation und die Normen akademischer Arbeit voraus, sodass sie am härtesten auf Studierende fallen, die ohne es ankommen. McCorkles Argument ist, dass Transparenz einen Teil jenes verborgenen Curriculums demontiert und die Chance reduziert, dass ein Richtlinienfehler zur Disziplinarsache wird. Die kostengünstigste Version von alledem ist weniger und spezifischere Regeln – die Aufgaben, die Sie bewerten, die jeweils erlaubten Nutzungen, die Offenlegungsmechanik und die Folge einer überschrittenen Grenze –, mit der Begründung für jede Grenze benannt.

Wie Sie es sagen, damit Studierende sich fügen

Offenlegungsregeln funktionieren für sich nicht als Compliance-Mechanismen; das anzunehmen ist der häufigste Designfehler. In einer Mixed-Methods-Studie mit 409 Studierenden der ersten Semester fanden Qu und Wang (2026) Nicht-Offenlegung als strategische Anpassung an wahrgenommene Peer-Normen und geringes interpretatives Vertrauen in Lehrende, nicht als moralische Nachlässigkeit: wahrgenommene Peer-Offenlegung und Komfort mit Lehrenden waren die stärksten Prädiktoren eigener Offenlegung der Studierenden, während moralische Distanzierung schwächere Effekte hatte. Relationales Klima ist eine designbare Variable, und Mandate allein genügen nicht: was Studierende glauben, dass ihre Peers tun, und ob sie Ihnen zutrauen, eine Offenlegung fair zu lesen, sagt ihre Ehrlichkeit besser vorher als die Strenge Ihrer Formulierung.

Kim et al. (2026) identifizierten fünf verschiedene Orte, an denen die echte Politik eines Kurses lebt – Absicht der Fakultät, formale Richtlinie, Deutung der Studierenden, Selbstpolitik der Studierenden und Praxis der Studierenden –, mit systemischen Lücken zwischen ihnen, plus 23 Rationalisierungen in sechs Klassen, die Studierende nutzten, um KI-Nutzung in akademischem Schreiben zu rechtfertigen, von „kein menschliches Opfer" bis „Gleichgültigkeit der Lehrenden". Jene Rationalisierungen waren ad hoc und post hoc: Studierende erklärten Verhalten, das bereits geschehen war, statt vorher zu argumentieren, weshalb klarere Formulierung und härtere Detektion die Lücke nicht für sich schließen. Ein Teilnehmer, der einer strengen Keine-KI-Regel folgen wollte, nutzte weiter KI und berichtete, das Verbot „erzeugt für mich Konflikt, weil ich die Regeln breche" –, das Verbot intensivierte moralischen Konflikt, statt Nutzung zu verhindern. Wenn eine Regel Schuld ohne Compliance erzeugt, leistet sie keine Arbeit; sie erodiert die Beziehung, die Sie für Offenlegung brauchen.

Achten Sie darauf, was Sie modellieren: weil die meisten Aufgaben in Pisans Kurs den zur Erzeugung genutzten Prompt offenlegten, las ein Student Transparenz als Erlaubnis: „die Abhängigkeit von KI seitens der Lehrkraft für Bewertung und Aufgabenerstellung machte es auch schwierig, KI für Aufgaben nicht auf dieselbe Weise zu nutzen." Eine Norm zu modellieren ist Teil der Richtlinie, wie Studierende sie erfahren, was auch immer der Syllabus sagt.

Eine Modellaussage, die Sie anpassen können:

KI-Nutzung in diesem Kurs. Ich möchte, dass Sie diesen Kurs verlassen, selbst X tun zu können, deshalb bewerte ich X direkt. Sie dürfen KI für [erlaubte Nutzungen] bei [Aufgabenliste] nutzen; Sie dürfen sie nicht für [eingeschränkte Nutzungen] nutzen, denn das ist das, was ich bewerte. Wenn Sie KI irgendwo in Ihrer Arbeit nutzen, sagen Sie mir im [einzelnen benannten Ort – z. B. eine Offenlegungszeile auf jeder Einreichung], wofür Sie sie genutzt haben, und fügen Sie die Prompts ein. Es zu erklären wird Ihre Note nie senken; es nicht zu erklären wird sie senken. Wenn Sie unsicher sind, ob eine Nutzung erlaubt ist, fragen Sie mich vor der Einreichung, nicht danach.

Jener letzte Satz verlagert den Entscheidungspunkt vor die Arbeit.

Die vier Gespräche, die Konflikt erzeugen

Der Student, der KI nutzte und es nicht sagte. Behandeln Sie das als Prozessfrage, nicht als Charakterfrage. Mohamed und Temimi (2026) modellieren Assessment als Problem unvollständiger Information: der Student weiß, wie die Arbeit erzeugt wurde, und die Institution sieht nur das Artefakt und Teilspuren. Ihr Response-Region-Modell vergleicht drei Antworten – keine KI-Nutzung, offengelegte Nutzung und verborgene Nutzung –, und fragt, welche jeder Mechanismus am attraktivsten macht. Verbot definiert die formale Grenze, lässt verborgene Nutzung aber attraktiv, wenn Studierende Detektion als schwach wahrnehmen; Monitoring erhöht die erwarteten Kosten verborgener Nutzung, ohne Offenlegung zu erhöhen; Studierende werden vorsichtig, ohne transparent zu werden. Erlaubnis mit Offenlegung macht ehrliches Berichten nur dann praktikabel, wenn die Kosten der Ehrlichkeit niedrig sind. Praktisch: fragen Sie, was die Arbeit bewerten sollte, bitten Sie den Studenten, für seinen Prozess Rechenschaft abzulegen, und behandeln Sie eine späte Erklärung als Information, nicht als Geständnis.

Der Student, der KI für alles zitiert. Das ist meist eine Fähigkeitslücke in Compliance-Kostüm. Zitationsanforderungen in Syllabusse stiegen von 16% auf 43%, während Erwähnungen akademischer Integrität von 63% auf 49% fielen – das Feld bittet um Zitation, nicht um Geständnis. Spezifizieren Sie das Format einmal, an einem Ort, auf dem Aufgabenblatt statt in einer Syllabus-Fußnote. Nennen Sie, was in Ihrer Disziplin als angemessene Zitation zählt, und geben Sie ein ausgearbeitetes Beispiel. Wo das echte Problem ist, dass der Student die zugrundeliegende Arbeit noch nicht ohne das Modell kann, ist die Antwort das Aufgabendesign, nicht die Regel.

Gruppenarbeit. Gruppenaufgaben sind, wo die fünf Politikorte am schnellsten divergieren: fünf Studierende können fünf verschiedene Deutungen eines Satzes haben, und nur eine Einreichung wird bewertet. Entscheiden und veröffentlichen Sie für jedes Gruppenlieferobjekt, ob KI-Nutzung erlaubt ist, wer sie erklärt, und was passiert, wenn ein Mitglied die Regel übertritt –, bevor das Projekt beginnt, nicht während des Streits. Wenn Sie den individuellen Beitrag, für den ein Mitglied rechenschaftspflichtig ist, nicht benennen können, bewerten Sie die Aufgabe als reine Gruppenarbeit, statt Autorschaft nachträglich zu adjudizieren.

Offenlegung, die Sie nicht verifizieren können. Manche Erklärungen werden unvollständig sein und manche Auslassungen nicht falsifizierbar. Bauen Sie die Regel nicht um eine Auflösung herum, die Sie nicht erreichen können: Bassett et al. (2026) argumentieren, KI-Detektion sollte in Bildung überhaupt nicht genutzt werden, aus drei Gründen, die die Formulierung von Richtlinien unmittelbar betreffen. Detektorausgabe ist eine probabilistische Schätzung, die nicht unabhängig verifiziert werden kann, weil die Textherkunft in der realen Welt unbekannt ist, also läuft Validierung in zirkulärem Denken. Detektorwerte erfüllen nicht den Wahrscheinlichkeitsstandard, den eine Integritäts-Untersuchung erfordert. Und die Mensch-versus-KI-Dichotomie ist bedeutungslos für Arbeit, die mit statt von KI erzeugt wurde. Ihr Schluss ist, dass Detektion „akademische Integrität nicht sichert; sie untergräbt sie." Sie verweisen außerdem auf ein Entwurfsproblem: Regeln, die KI-Nutzung „im Assessment" einschränken, versäumen es, zu spezifizieren, wann ein Assessment beginnt, sodass KI-gestützte Forschung, Planung oder Editieren je nach Leserin ein Verstoß sein können oder nicht. Benennen Sie stattdessen Prozessbelege, die Sie beobachten können – ein eingereichtes Prompt- und Interaktionsprotokoll, eine im Raum erzeugte Übung, eine mündliche Erklärung –, und behandeln Sie eine erklärte KI-Nutzung als Kontext. Wo Ihre Institution ohnehin einen Detektor betreibt, gelten die Warnungen derselben Autoren zu Datenspeicherung, Datenhaltung und kommerzieller Nutzung studentischer Arbeit; der Datenschutz-Einwand, den zwei angehende Lehrkräfte erhoben, ist der Einwand, den Ihre Studierenden erheben werden.

„Aber..." – die drei Einwände, die Sie hören werden

„Studierende werden es einfach verstecken." Manche werden, und die Designfrage ist, welche Studierende Ihre Regel in Versuchung führt. Abschreckung läuft über die Diskrimination eines Detektors zwischen verborgener Nutzung und legitimer Arbeit, nicht über seine rohe Trefferquote, sodass, wenn zusätzliche Sensitivität mehr neue falsch Positive als neue richtig Positive erzeugt, stärkeres Monitoring Verbergung relativ attraktiver machen kann – ehrliche Studierende werden schneller bestraft als verborgene Nutzende identifiziert. Und Erlaubnis und Offenlegung sind verschiedene Hebel: Erlaubnis bewegt die Grenze akzeptabler Nutzung, Offenlegung verändert Sichtbarkeit. Diagnostizieren Sie, wo Ihre Aufgabe den am meisten zur Verbergung versuchten Studenten am stärksten zieht, und designen Sie für diesen Studenten, nicht für den gewissenhaftesten.

„Ich will keine Werkzeuge verbieten, die ich nicht entdecken kann." Müssen Sie nicht. Verbot ist nur eine von vier Designantworten, neben Monitoring, erlaubter Nutzung mit Offenlegung und Redesign. Redesign verändert, was die Aufgabe belohnt, und bleibt kosmetisch, wenn die Rubrik weiterhin hauptsächlich das Endprodukt bewertet. Pisan (2026) zeigt die Optionen explizit und nach Niveau gestuft gemacht: KI-Nutzung ist im Einführungsprogrammierkurs verboten, weil die ersten Schleifen auszulagern das entfernt, was gelehrt wird; bei Projekten in Datenstrukturen gefördert (Copilot erlaubt), aber von Stift-und-Papier-Prüfungen verbannt; ein Studien- und Wiederholungshilfsmittel im fortgeschrittenen Systemkurs; und im KI-Kurs selbst erforderlich, wo eine Grenze das meiste Gewicht trug – das Modell darf Code schreiben, aber Reflexionen müssen die eigene Stimme des Studenten sein. Assessment verlagerte sich auf Arbeit, die ein Modell nicht heimlich ghost-writen kann, wobei Prüfungen vollständig entfernt wurden.

„Die Richtlinie meiner Institution deckt das bereits ab." Weniger, als Sie denken. Jene Top-down-gegen-Bottom-up-Lücke läuft in beide Richtungen: 92% der Syllabusse geben explizite Leitlinien, während lokale Regeln von institutioneller Anleitung abweichen, und nur 47 Institutionen hatten beide Ebenen feststellbar. Beschaffung, Daten und Prüfzyklen gehören zu Wie schreiben und implementieren wir eine institutionelle KI-Richtlinie?, aber die Klassenraumübersetzung ist Ihre. Nash und Burriss schließen, dass Institutionen Lehrkräfte ausstatten müssen, zu widerstehen ebenso wie anzunehmen, indem sie die Anleitung und professionelle Entwicklung bieten, die eine Lehrkraft eine spezifische KI-Nutzung ablehnen lassen, ohne als rückständig gerahmt zu werden – der Technodeterminismus ihrer Teilnehmenden widersprach ihrem eigenen pädagogischen Engagement. Eine institutionelle Richtlinie zu haben ist nicht dasselbe wie Rückendeckung für Ihre Urteilsentscheidung zu haben.

Ihre erste Woche: eine Aktionsliste

• Inventarisieren Sie die bewerteten Aufgaben und fragen Sie von jeder „was, spezifisch, bewerte ich?", bevor Sie irgendetwas über KI entscheiden.
• Entscheiden Sie Aufgabe für Aufgabe, und prüfen Sie, welche Antwort jene Entscheidung für den am meisten zur Verbergung versuchten Studenten am attraktivsten macht.
• Machen Sie keinen Detektor zum Durchsetzungsmechanismus; benennen Sie stattdessen Prozessbelege, die Sie beobachten können – Protokolle, Arbeit im Raum, eine mündliche Prüfung.
• Sagen Sie, wie und wo Studierende KI-Nutzung erklären, an einem Standardort, und behandeln Sie eine Erklärung als Kontext statt als Geständnis.
• Nennen Sie jede Regel als Begründung, wobei Sie das Assessment benennen, dem sie dient, mit Erinnerungen bei komplexen Projekten.
• Schreiben Sie nur Regeln, die Sie über einen Bewertungszyklus konsistent anwenden können, und streichen Sie die, die Sie nicht können.

Wohin als Nächstes

Governance, Datenrichtlinien, Beschaffung und Prüfzyklen gehören zu Wie schreiben und implementieren wir eine institutionelle KI-Richtlinie?; verpflichtende institutionelle und Bezirksregeln sitzen bei Bildungspolitik zu KI und KI-Governance; den Neubau der Aufgabe selbst, sodass eine Note weiterhin eine vertretbare Inferenz stützt, bei Wie gestalte ich Assessment neu, damit eine Note weiterhin etwas Vertretbares darüber sagt, was die Person weiß oder kann?.