Eine wahre Episode: Elf Uhr abends, ich bin bei der siebenunddreißigsten Kursarbeit. Derselbe Formatfehler, und ich habe heute Abend bereits zum elften Mal denselben Kommentar geschrieben; im Kommentarfeld der nächsten Arbeit tippen meine Hände schon unkontrolliert „Auf korrekte Zitierweise achten“ – genau wie bei den zehn Arbeiten davor.
In diesem Moment wurde mir klar: Den Großteil der Zeit, in der ich korrigiere, gebe ich gar kein „Feedback“ – ich schreibe ab.
Rechnen wir zuerst die Zeit fürs Korrigieren durch
Zerlegt man eine Korrekturrunde von 50 Arbeiten: Was wirklich die fachliche Einschätzung einer Lehrkraft erfordert – ob die These trägt, ob die Argumentation stringent ist, ob der Lösungsansatz umsetzbar ist –, macht tatsächlich nur einen Teil davon aus. Der große Rest besteht aus: Kommentare zu denselben Formatproblemen wiederholt zu schreiben, gemeinsame Probleme, die über die einzelnen Arbeiten verstreut sind, manuell zusammenzufassen – und einem Qualitätsabfall der Kommentare, der durch die späte Uhrzeit entsteht.
Was sich wiederholt, ist nicht das Feedback selbst, sondern sein Träger. Diese Erkenntnis war der Ausgangspunkt für die Neugestaltung des Prozesses. Damit wurde auch die Rolle von muchsci in diesem Ablauf klar: Es übernimmt nur die repetitiven Teile und rührt die urteilsbezogenen Teile nicht an.
Der Korrekturprozess nach der Neustrukturierung
Schritt eins: Standards festlegen. Zuerst die Bewertungskriterien klar aufschreiben – in wie viele Dimensionen diese Arbeit unterteilt wird und welches Gewicht jede Dimension hat. Die Kriterien beruhen auf der Einschätzung der Lehrkraft und dürfen nicht ausgelagert werden.
Schritt zwei: Die Maschine übernimmt die Vorauswahl. Die Bewertungskriterien und die Texte der Studierenden zusammen an muchsci übergeben: Die KI läuft einmal durch und erzeugt zwei Dinge – einen Kommentarentwurf pro Arbeit und eine Zusammenfassung der gemeinsamen Probleme. Eine klassenweite Beobachtung wie „In dreißig Arbeiten ist die Zitierweise uneinheitlich“ ist genau das, was beim manuellen Durchblättern jeder einzelnen Arbeit am leichtesten übersehen wird.
Schritt drei: Die Lehrkraft prüft und finalisiert. Die Kommentarentwürfe einzeln durchgehen: Zustimmende direkt freigeben, nicht zustimmende umschreiben, solche mit besonderen Umständen einzelner Studierender neu schreiben. Die KI entwirft, die Lehrkraft finalisiert – diese Reihenfolge darf nicht umgekehrt werden.
Wo nach der Neustrukturierung die Grenze verläuft
Das Tool übernimmt repetitive Arbeit, nicht die Verantwortungsgrenze der Lehrkraft. Diese Linie habe ich klar gezogen:
Was nicht an die KI abgegeben werden darf: die abschließende Bewertung und Benotung der Studierenden, individuelle Rückmeldungen, die einen erzieherischen Kontext erfordern, und Feststellungen zu akademischer Integrität – diese drei Dinge gehören zum Kern der Aufgabe einer Lehrkraft, davon wird kein einziges Wort ausgelagert.
Was man getrost dem Tool überlassen kann: die Clusterung und Zusammenfassung gemeinsamer Probleme, Kommentarentwürfe pro Arbeit (nach Prüfung durch die Lehrkraft verwendet) und die einheitliche Kennzeichnung von Formatproblemen.
Seit jenem Tag
Bei denselben 50 Arbeiten verkürzt sich die Korrekturzeit sichtbar, während die Qualität der Kommentare sogar stabiler ist als beim Schreiben von Hand spät in der Nacht – weil ich jeden Kommentarentwurf im wachen Zustand geprüft habe und bei den gemeinsamen Problemen zusätzlich eine Liste entstanden ist, die ich in der nächsten Stunde gebündelt besprechen kann.
Das Tool übernimmt repetitive Arbeit, die Lehrkraft behält ihre Urteilskraft. Die Effizienzgewinne bei der Korrektur, die Tools wie muchsci bringen, sind real – vorausgesetzt, man macht sich zuerst klar, welche Aufgaben nur man selbst erledigen kann.