Wie lehre ich Studierende, KI-Ausgaben zu verifizieren?

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

Sie haben sie gewarnt. Der Chatbot ist keine Suchmaschine, prüfen Sie die Quellen, nutzen Sie ihn verantwortungsvoll –, und dieselben erfundenen Zitationen und selbstsicheren falschen Antworten kommen weiterhin in den Einreichungen an. Die Warnungen scheitern, weil sie eine Disposition verlangen. Sorgfältige Studierende haben sie, eilige nicht, und in dem Satz gibt es nichts, womit eine Person um 23 Uhr handeln könnte, mit einer Ausgabe auf dem Bildschirm, die perfekt lesbar liest.

Die hier gesammelte Forschung sagt, dass jene Rahmung zu grob ist, um zu lehren oder zu bewerten. Prüfen ist eine Menge analytisch getrennter Handlungen, und das breite Etikett „verantwortungsvolle Nutzung" verbirgt den Unterschied zwischen einer Person, die eine Prüfung versuchte, und einer, die entschied, ob die Ausgabe richtig war. Das Fazit: Verifikation wird lehrbar in dem Moment, in dem Sie aufhören, sie als Merkmal zu behandeln, und anfangen, sie als Sequenz zu behandeln –, einen vor der Prüfung fixierten Standard, eine Prüfung, die eine Aufzeichnung erzeugt, und eine Entscheidung, die die Person auf Fachgründen verteidigen muss. Das ist ein Designproblem, das Sie diese Woche lösen können –, und ein Bewertungsproblem, das Sie mit Artefakten lösen können, die die Aufgabe bereits erzeugt.

Diese Seite adressiert die Mechanik der Verifikation selbst. Dafür, was Studierende darüber verstehen sollten, wie diese Systeme funktionieren, und wie jenes Verständnis definiert, sequenziert und bewertet wird, siehe Wie soll ich KI-Kompetenz in meinen Kurs einbringen? und Was belegen die Studien zu KI-Kompetenz-Interventionen in der Hochschulbildung?. Eine Person kann eine Menge über große Sprachmodelle wissen und nichts verifizieren.

Was Verifikation tatsächlich von einer Person verlangt

Wei und Shang (2026) trennen sieben Ziele, die „kritische KI-Nutzung" meist zu einem zusammenfallen lässt: epistemische Evaluation, Verifikationsinitiierung, Prozessqualität, Verifikationserfolg, Abhängigkeitsentscheidungen, unmittelbare Aufgabenleistung und eigenständiges Lernen. Ihre Syllabus-Rubrik sagt „Quellen geprüft", was auf Schritt zwei sitzt und nichts darüber sagt, ob die Prüfung kompetent war (Prozessqualität) oder ob sie irgendetwas veränderte (Erfolg, dann die Abhängigkeitsentscheidung). Initiierung ist nicht Erfolg: ein starker Prozess kann ergebnislos enden, ein schwacher kann auf der richtigen Antwort landen, und eine Person, die eine Suche ausführte und verwirrt blieb, punktet gleich wie eine, die die Frage auflöste.

Die zweite Unterscheidung ist die zwischen Vertrauen und Abhängigkeit. Derselbe Review definiert Abhängigkeitskalibrierung als Urteil darüber, ob eine Abhängigkeitsentscheidung angesichts der tatsächlichen Qualität der KI-Ausgabe angemessen war –, eine ausgabebedingte Klassifikation, keine Stufe auf einem Zeitstrahl und kein Wert auf einer Vertrauensskala. Eine geprüfte Studie fand, dass falsche ChatGPT-Information das berichtete Vertrauen der Teilnehmenden verschob, aber niemals protokollierte, ob sie später eine bestimmte Empfehlung annahmen oder ablehnten. Eine andere protokollierte Annehmen- und Ablehnen-Entscheidungen zu ChatGPT-Rückmeldung für 78 Übersetzungsstudierende, aber ohne unabhängige Expertenevaluation kann eine Annahme nicht angemessen genannt werden, noch eine Ablehnung begründet. Ohne Grundwahrheit über Ausgabequalität kann Abhängigkeit überhaupt nicht klassifiziert werden –, was Ihnen sagt, was jede Verifikationsaufgabe braucht: einen vertretbaren Lösungsschlüssel.

Deshalb behandeln Jaidka und Cai (2026) Fehlkalibrierung als Designproblem statt als Defizit der Person. Ihre Typologie kreuzt Fähigkeit zu verifizieren mit Motivation zu verifizieren, und die Profile brauchen verschiedene Gegenmittel: die nutzende Person mit hoher Fähigkeit und niedriger Motivation ist anfällig für selbstgefälliges Übervertrauen, während die Person mit niedriger Fähigkeit und niedriger Motivation am meisten exponiert ist –, also können zwei Personen, die dieselbe Prüfung scheitern, entgegengesetzte Gegenmittel brauchen.

Wie man es lehrt

Wei und Shangs Synthese stützte sich auf 493 deduplizierte Datensätze aus Web of Science Core-Suchen und bildete 14 prioritäre empirische Studien auf Verifikations-, Abhängigkeits- und Ergebnisspalten ab. Ihr konstruktives Ergebnis ist die Sequenz, um Aufgaben herum zu bauen. Adjudizieren Sie zuerst die Ausgabequalität, erfassen Sie, ob Verifikation initiiert wurde, kodieren Sie Prozessqualität, bewerten Sie, ob sie erfolgreich war, protokollieren Sie die Annehmen-Überarbeiten-Ablehnen-Entscheidung, und evaluieren Sie jene Entscheidung gegen die adjudizierte Qualität. Eine Warnung gehört auch hierher: Interventionen, die unangemessene Annahme reduzieren, müssen außerdem auf das unbeabsichtigte Ablehnen korrekter Unterstützung geprüft werden, lassen Sie also Raum, damit eine Person gute Ausgabe aus einem benannten Grund annehmen kann.

Vorhersagen Sie vor der Ausgabe, dann vergleichen Sie. Gousopoulos (2026) baut ein Messprogramm für Konstruktionsaufgaben um vorhersagen, bevor Sie ausführen: die lernende Person benennt, was geschehen sollte, dann wird das Verhalten des Artefakts gegen jene Vorhersage auf Fachgründen beurteilt statt danach, ob es läuft. Seine Prüfung von 24 Studien fand dasselbe Werkzeug, das unter verschiedenen Aufgabenstrukturen entgegengesetzte Ergebnisse erzeugte: ein konventionelles ChatGPT-Setup endete signifikant niedriger bei Leistung, Selbstwirksamkeit und Flow, während eine Bedingung, die Verifikationsanforderungen und Fehler-Reflexions-Module hinzufügte, stärkeres höherstufiges Denken zeigte. Weil die Vorhersage der Ausgabe vorhergeht, ist die Argumentation zu Protokoll –, und die Aufzeichnung ist das, was Sie bewerten.

Verlangen Sie Quellenprüfungen gegen die Aufzeichnung, mit einem benannten Ziel. Denny et al. (2026) verfolgten 113.588 Referenzen aus 5.225 Informatikbildungspapieren, seit 2021 veröffentlicht, und verifizierten manuell 828 verdächtige Datensätze, wobei sie 30 fanden, die verifizierbar erfundene bibliografische Information über 14 Papiere enthielten, alle aus 2025 und 2026. Dreizehn waren vollständig erfunden; die anderen 17 kombinierten einen echten Titel mit erfundener oder falscher Autorschaft, Ort oder Jahr. Auf dem SIGCSE Technical Symposium stieg die Zahl von 3 in den 2025er Proceedings auf 17 in 2026, oder 2.3% der 2026er Proceedings-Papiere. Autorfelder scheitern häufiger als jeder andere Teil einer generierten Referenz, also zielt „öffnen Sie die Quelle und lesen Sie die Autorenliste" auf das Feld, das am wahrscheinlichsten falsch ist. Bitten Sie Studierende nicht, „sicherzustellen, dass Quellen echt sind"; bitten Sie sie, Autoren, Ort und Jahr gegen die Aufzeichnung selbst zu bestätigen. Das Papier bittet darum, dass jedes zitierte Werk verifiziert werde und dass jeder Prüfer Human-in-the-Loop bleibe –, die Praxis, die eine Zitationsverifikations-Anforderung einübt.

Lehren Sie die Diskrimination, nicht nur die Vorsicht. Gousopoulos formalisiert Verifikation als Signalerkennungsproblem mit zwei unabhängigen Parametern: Sensitivität, die Fähigkeit, richtige von fehlerhafter Ausgabe zu unterscheiden, und Kriterium, wo die lernende Person die Schwelle für Ablehnung setzt. Überabhängigkeit teilt sich entsprechend –, Warnungen, Checklisten und Halluzinations-Prompts verschieben das Kriterium und verändern, wann eine Person ablehnt, während Domänenunterweisung, ausgearbeitete Vergleiche und Übung mit eingesäten Fehlern die Sensitivität heben, denn die lernende Person kann dann unterscheiden. Die Voraussetzung folgt: Verifikationsunterweisung ist nur dort bildend, wo Sensitivität über Null steigen kann, was genug Fachwissen erfordert, um richtige von falscher Ausgabe zu unterscheiden. In derselben Prüfung gelangen Novizen, die gebeten wurden, Große Sprachmodelle (LLMs)-generierten Code zu erklären, bei etwa einem Drittel der Aufgaben zum Erfolg, weshalb KI-Feedback oder Code gegen die eigene Argumentation zu beurteilen nur dort eine echte Prüfung ist, wo jene Argumentation Substanz hat. Wenn Ihre Studierenden das Fachdenken noch nicht ohne Hilfe können, kaufen Ihnen mehr Warnungen nichts; lehren Sie zuerst den Inhalt und hängen Sie die Prüfung daran.

Warnen Sie vorher, unmittelbar vor der Aufgabe. Vu, Cummings und Park (2026) zeigten eine generische Inokulations-(Vorwarn-)Botschaft unmittelbar vor zwei Aufgaben an 100 in den USA ansässige Studierende, 40 einheimische und 60 internationale EFL. Inokulierte Studierende verifizierten die akademische-Quellen-Zusammenfassungs-Aufgabe signifikant wahrscheinlicher (M = 0.34 gegenüber 0.18), während selbstberichtete Verifikationsabsichten sich nicht bewegten. Zwei Lehren: eine kurze Warnung am Nutzungspunkt verändert ausgeübtes Verhalten, und der Effekt war aufgabenabhängig –, er erschien bei der Quellen-Zusammenfassungs-Aufgabe, aber nicht gleichförmig bei einem Mathematik-Quiz über Potenzieren und Multiplizieren großer Zahlen.

Lassen Sie Korrektur etwas kosten. In einem Fehlerkorrektur-Paradigma, das der Review prüfte, zählte Anstrengung während der Korrektur für das Lernen; einfacher Antwortaustausch liefert unwahrscheinlich denselben Nutzen. Zu verlangen, dass eine Person einen Schritt reproduziert, eine Passage umschreibt, oder den Fachgrund benennt, warum eine Ausgabe falsch ist, verwandelt eine Prüfung in Arbeit. Venetsanos (2026) setzt die Latte dafür, was mechanisch geprüft werden darf: dokumentierte Kriterien, Vergleich gegen etabliertes Wissen ohne Deutungsurteil, und eine einzelne richtige Antwort oder vorspezifizierte akzeptable Alternativen. Alles Deutende scheitert an jener Latte, also trennen Sie die mechanische Schicht –, Daten, Formeln, Zitationen, Berechnungen –, von der Urteilsschicht, wo die eigene Lektüre der Person das Instrument der Prüfung ist.

Wie man es bewertet, ohne Studierende zu polizen

Gousopoulos zieht die Folgerung unmittelbar: wenn die KI das Artefakt erzeugen kann, kann das Artefakt nicht das Assessment sein, also verlagert sich Evaluation auf die Spezifikation, die Validierungsargumentation und die Deutung. Sein Modell-Autorschafts-Konstrukt hat vier Facetten – Spezifikation, konzeptuelles Modell, Verifikation, Deutung –, auf vier geordneten Niveaus von delegiert bis verfasst, wo das verfasste Niveau eine verifizierbare Spezifikation erfordert, die dem ersten Prompt vorhergeht, Ablehnung von Ausgabe auf Fachgründen mit einem benannten Grund, und Deutung über den eigenen Bericht des Artefakts über sich hinaus. Weil die Rubrik aus Materialien bewertet wird, die eine Konstruktionsaufgabe bereits erzeugt, dient dasselbe Instrument als formatives Assessment und als Forschungsmaß. Das ist die Antwort auf die Beschäftigungstherapie-Sorge: Sie fügen keine Aufgabe hinzu, Sie bewerten ein Nebenprodukt.

Drei Entscheidungen verhindern, dass das zu Überwachung wird. Erstens, bewerten Sie die Prüfung gegen adjudizierte Qualität, nicht Anstrengung –, sonst bauen Sie einen Anreiz, Prüftheater aufzuführen. Zweitens, benennen Sie die Provenienz, wie Venetsanos es verlangt: Studierende müssen die Provenienz, Natur und Grenzen des Feedbacks verstehen, das sie erhalten –, welche Teile maschinell verifiziert wurden, welche bewertend beurteilt, und dass menschliches Urteil Vorrang hat –, denn Studierende können Feedback nicht gewichten, das sie nicht verorten können. Drittens, halten Sie Durchsetzung von Detektionswerkzeugen fern. Bassett et al. (2026) argumentieren, KI-Detektion sollte in Bildung überhaupt nicht genutzt werden: ihre Schätzungen sind probabilistisch und können nicht unabhängig verifiziert werden, weil die Textherkunft in der realen Welt unbekannt ist; ihre Werte erfüllen nicht den Wahrscheinlichkeitsstandard, den Integritätsuntersuchungen erfordern; 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" –, Überwachungsregimes fördern Verdacht und erodieren studentisches Vertrauen. Halten Sie die zwei Sinne von Detektion auseinander: KI-generierten Text zu detektieren hat hier keine vertretbare Belegrolle, während Studierenden beizubringen, Fehler in KI-Ausgaben zu erkennen, der Punkt der Übung ist.

Trennung ist architektonisch, und es ist es wert, Studierenden davon zu erzählen: Li, Zhang und Botelho (2026) prüfen Ausgaben mit einem zweiten Modell, statt die Prüfung in den Generator einzubetten –, und eine Person, die sieht warum, kann sehen, warum „das Werkzeug sagte, es sei richtig" kein Verifikationsargument ist.

Warum Studierende die Prüfung überspringen

Kalibrierung. Jaidka und Cais Typologie setzt die Person mit hoher Fähigkeit und niedriger Motivation dem Risiko selbstgefälligen Übervertrauens aus, während die Person mit niedriger Fähigkeit und niedriger Motivation am meisten exponiert ist. Die geprüfte Literatur zeigt dieselbe Teilung in Miniatur: ein Design, das Ratschläge lieferte, die zur Hälfte richtig waren, wo das Gewicht, das Studierende ihnen gaben, mit Vorwissen variierte. Kalibrierungsfehler werden nicht durch Ermahnung behoben: das eigene Selbstsicherheitssignal der Person ist das, was fehlkalibriert ist.

Flüssigkeit. Ausgabe, die gut liest, wird als richtig behandelt. Novizen, die gebeten wurden, Große Sprachmodelle (LLMs)-generierten Code zu erklären, gelangen bei etwa einem Drittel der Aufgaben zum Erfolg, und eine Feldstudie von Student-ChatGPT-Quiz-Gesprächen fand, dass das Befolgen korrekter Anleitung dennoch in einer falschen Antwort endete. Wenn Sensitivität nahe Null ist, kostet das Überspringen der Prüfung die Person nichts, das sie wahrnehmen könnte –, das Scheitern ist unsichtbar, bis es bewertet wird.

Sozialer Beweis und Absicht. Studierende berichten, sie beabsichtigten zu verifizieren, und der Bericht ist wertlos: in Vu, Cummings und Parks Studie bewegten sich selbstberichtete Verifikationsabsichten nicht, während ausgeübtes Verhalten es tat (M = 0.34 gegenüber 0.18). Bewerten Sie nicht die Absicht. Normbasierte Appelle sind ebenfalls kein verlässlicher Rückfall –, nachrichtenbasierte Norm-Anstöße zeigten keinen signifikanten Effekt in einem direkten Turnier, das Jaidka und Cai berichten. Zeitdruck ist ein dokumentierter Grund, warum Studierende Prüfungen überspringen, und ein Syllabus, der Verifikation ungeplant lässt, sagt, sie sei optional.

Drei Einwände

„Sie können es einfach für die Note tun." Teilweise wahr –, bewerten Sie also Materialien, die die KI nicht für eine Person erzeugen kann. Eine vor dem ersten Prompt geschriebene Spezifikation, eine vor der Ausführung des Artefakts protokollierte Vorhersage, eine gegen die Aufzeichnung geprüfte Quellenliste, ein benannter Fachgrund für Ablehnung: jedes davon verlangt von der Person, eine Position zu halten, die der Generator nicht liefern kann. Auf dem verfassten Niveau verlangt Gousopoulos Ablehnung von Ausgabe auf Fachgründen mit einem benannten Grund –, ein erfundener Grund ist so sichtbar wie ein erfundenes Zitat. Das Restrisiko ist durch die Sensitivitätsschwelle begrenzt: wo eine Person kein Fachwissen hat, gegen das zu prüfen, ist Verifikation Theater, und keine Rubrik rettet sie. Das ist ein Argument, zuerst die Domäne zu lehren, nicht, die Prüfung aufzugeben.

„Im Syllabus ist keine Zeit." Vorwarnung ist eine Botschaft unmittelbar vor der Aufgabe; die Aufgabe mit eingesäten Fehlern ist zwanzig Items, acht mit einem Fehler auf Domänenniveau, und sie sagt Ihnen, ob Studierende überhaupt diskriminieren können; und die Rubrik reitet auf Materialien, die die Aufgabe bereits erzeugt, also kostet sie Bewertungszeit auf Belegen, die Sie sonst nicht hätten, statt eine neue Aufgabe. Was Zeit kostet, ist die Alternative: unverifizierte Einreichungen, erfundene Referenzen, und die Integritätsgespräche, die folgen. Die Randbedingung ist weiterhin echt –, Zeitdruck ist ein dokumentierter Grund, warum Studierende Prüfungen überspringen, also wird Verifikation, die nicht in die Aufgabe eingeplant ist, nicht geschehen.

„Das Werkzeug ist meist richtig." Dann ist die Prüfung kostengünstig und die Ausnahmen sind der Punkt. Die Aufzeichnung über Referenzen ist nicht beruhigend: 30 verifizierbar erfundene Items über 14 Papiere, alle aus 2025 und 2026, 17 davon, die einen echten Titel mit erfundener oder falscher Autorschaft, Ort oder Jahr paaren, 13 vollständig erfunden, und ein Sprung von 3 in den 2025er SIGCSE-Proceedings auf 17 in 2026, oder 2.3% der 2026er Proceedings-Papiere. Genauigkeit bei den Teilen, die Sie zufällig bemerken, sagt nichts über die Teile, die Sie nicht bemerken –, Autorfelder scheitern häufiger als jeder andere Teil einer generierten Referenz. Und eine angenommene Antwort kann falsch sein, selbst wenn die Anleitung richtig war: die Feldstudie von Student-ChatGPT-Quiz-Gesprächen protokollierte genau das. Der Grund, Verifikation zu lehren, ist nicht, dass das Werkzeug meist falsch ist, sondern dass die Person nicht sagen kann, in welchem Fall sie ist –, genau die Fertigkeit, die Ihr Kurs aufzubauen existiert.

Was unbekannt bleibt

• Ob irgendeine Intervention Verifikationserfolg und die folgende Abhängigkeitsentscheidung verbessert, beurteilt gegen adjudizierte Ausgabequalität: keine Studie unter Wei und Shangs 14 prioritären Fällen maß beide, und wenige folgten unmittelbarer Leistung mit verzögertem Behalten oder Transfer.
• Ob sich die Komponenten in der Reihenfolge verhalten, die die Karte impliziert. Die sieben Ziele sind eine analytische Ordnung, kein validiertes kausales Modell.
• Ob Designpropositionen funktionieren. Jaidka und Cais acht Propositionen sind ungetestete Vorhersagen, und nachrichtenbasierte Norm-Anstöße zeigten keinen signifikanten Effekt in einem direkten Turnier, das sie berichten.
• Ob das in Feedback eingebaute Prüfen Gewohnheiten der Selbstverifikation entwickelt oder Abhängigkeit von externer Validierung, was Venetsanos aufwirft und offen lässt.
• Ob Verifikationsunterweisung unter einer Fachwissens-Schwelle funktioniert. Gousopoulos sagt vorher, dass sie es nicht kann, und hält fest, dass manche Domänen ein externes Kriterium liefern –, Physik, Chemie, Ökologie, Epidemiologie –, während Geschichte, Literatur und Ethik weitgehend nicht.

Diese Woche zu tun

• Fixieren Sie den Standard vor der Prüfung. Entscheiden Sie, was adjudizierte Korrektheit für die Aufgabe bedeutet, damit eine Prüfung etwas hat, gegen das sie auflösen kann.
• Verlangen Sie zuerst die Vorhersage. Lassen Sie Studierende schriftlich festlegen, was geschehen sollte, und vergleichen Sie dann die Ausgabe auf Fachgründen, nicht Flüssigkeit.
• Verlangen Sie Zitationsverifikation mit einem benannten Ziel. Autorenlisten sind der unzuverlässigste Teil einer generierten Referenz; lassen Sie Studierende die Aufzeichnung öffnen und Autoren, Ort und Jahr bestätigen.
• Diagnostizieren Sie Sensitivität und Kriterium separat. Eine Person, die fehlerhafte Ausgabe akzeptiert, weil sie nicht unterscheiden kann, braucht Fachübung; eine, die unterscheiden kann und dennoch akzeptiert, braucht die verschobene Schwelle.
• Bewerten Sie das Prüfen, nicht nur das Artefakt. Bewerten Sie Spezifikationen, Vorhersageaufzeichnungen, Validierungsprotokolle, Quellenprüfungen und benannte Gründe für Ablehnung.
• Benennen Sie die Provenienz. Sagen Sie Studierenden, welches Feedback maschinell verifiziert und welches von einer Person beurteilt wurde.
• Halten Sie Durchsetzung von Detektoren fern, und planen Sie Verifikation. Zeitdruck ist ein dokumentierter Grund, warum Studierende Prüfungen überspringen.
• Führen Sie die Aufgabe mit eingesäten Fehlern durch. Zwanzig Items, acht mit einem Fehler auf Domänenniveau, sagt Ihnen, ob Studierende überhaupt diskriminieren können.
• Sagen Sie die Warnung am Nutzungspunkt. Warnen Sie vorher pro Aufgabentyp, nicht einmal pro Syllabus.

Für die umgebende Arbeit siehe wie KI-Kompetenz in einen Kurs einzubringen ist und was die Belege zu KI-Kompetenz zeigen –, die zwei Seiten, die das Verständnis aufbauen, das diese zur Arbeit einsetzt.