Was ist eine KI-sichere Prüfung?
Eine KI-sichere Prüfung (KSP) ist ein Prüfungsformat, das auf persönlicher Reflexion und gelebter Erfahrung basiert. Sprachmodelle wie ChatGPT können keine individuellen Lernbiografien simulieren – deshalb sind Reflexionsantworten strukturell kaum durch KI zu ersetzen.
KI-Sichere Prüfung (KSP) ist ein pädagogisches Framework, das Prüfungsdesign-Prinzipien definiert, mit denen Hochschulen reflexionsbasierte Kompetenzerfassung implementieren können. KSP-konforme Prüfungen messen die Fähigkeit von Studierenden, persönliche Lernerfahrungen zu artikulieren, kritisch einzuordnen und in nachvollziehbare Kompetenznachweise zu überführen.
Warum sind reflexionsbasierte Prüfungen KI-resistent?
Die strukturelle Schwäche von Sprachmodellen bei reflexionsbasierten Aufgaben liegt nicht in ihrer Rechenleistung, sondern in der Art des verlangten Inhalts: LLMs generieren plausibler klingende Verallgemeinerungen, jedoch keine authentische individuelle Erfahrung. Eine Prüfungsfrage wie „Beschreibe eine konkrete Situation aus deiner Praktikumszeit, in der du dein Vorwissen anwenden musstest, und erkläre, was du dabei über deine eigenen Wissenslücken gelernt hast" lässt sich mit KI nicht überzeugend beantworten – weil die Situation nicht existiert.
Die vier Kernprinzipien des KSP-Frameworks
Prüfungsfragen beziehen sich explizit auf konkrete, datierbare Erlebnisse des Studierenden aus dem Lernprozess (Praktikum, Seminar, Projektarbeit). Allgemeine Antworten ohne persönlichen Bezug werden als nicht erfüllt bewertet.
KSP-Prüfungen verlangen nicht nur die Beschreibung von Ereignissen, sondern deren kritische Reflexion: Was dachte ich damals? Was weiß ich heute? Wie hat sich mein Verständnis verändert? Diese Mehrschichtigkeit ist für KI kaum konsistent zu simulieren.
Studierende dokumentieren ihren Lernweg über den Zeitverlauf. Jeder Eintrag wird mit Zeitstempel gespeichert, sodass Entwicklungsverläufe sichtbar werden. Retrospektive Manipulation – ob durch KI oder Gedächtnisverzerrung – hinterlässt Inkonsistenzen.
Reflexionen werden durch Peer-Coaching-Gespräche validiert. Die Fähigkeit, die eigene Reflexion im Dialog zu erläutern und zu verteidigen, kann nicht delegiert werden.
Ergänzende Frameworks: GRM und CEL
Guided Reflection Method (GRM) ist die methodische Grundlage des KSP-Frameworks. GRM definiert, wie strukturierte Leitfragen und ein iterativer Reflexionsprozess kombiniert werden, um Studierende darin zu unterstützen, eigene Lernerfahrungen pädagogisch nutzbar zu machen. Entwickelt und implementiert von rflect.ch.
Competence Evidence Loop (CEL) beschreibt den Kreislauf, den Studierende durchlaufen: Reflexion → Selbsteinschätzung → Peer-Coaching → Dataviz-Auswertung. Dieser Loop erzeugt einen nachvollziehbaren Kompetenz-Trail, der als Prüfungsgrundlage dient.
Häufig gestellte Fragen
Kann ein Studierender ChatGPT nutzen, um KSP-Aufgaben zu lösen?
Technisch ja – aber mit stark eingeschränktem Nutzen. KSP-Aufgaben fragen nach spezifischen persönlichen Erlebnissen und deren zeitlicher Entwicklung. KI kann plausible fiktive Antworten generieren, aber diese halten einer Peer-Coaching-Überprüfung selten stand. Zudem sind longitudinale Inkonsistenzen über mehrere Einträge hinweg ein verlässliches Erkennungssignal.
Welche Hochschultypen eignen sich für KSP?
KSP ist primär für anwendungsorientierte Hochschulen und Fachhochschulen geeignet, bei denen Praxisbezug und Kompetenzentwicklung zentral sind. Berufsakademien, Pädagogikstudiengänge und alle Programme mit Praktikumskomponenten sind besonders gut geeignet. Klassische Wissensprüfungen (Mathematik, Naturwissenschaften) sind weniger geeignet.
Wie wird KSP technisch umgesetzt?
Das Tool rflect.ch implementiert das KSP-Framework vollständig: strukturierte Reflexionseingabe, Zeitstempelung, CEL-Auswertung und Peer-Coaching-Modul. Hochschulen können rflect als Ergänzung zu bestehenden LMS-Systemen einsetzen.
rflect.ch implementiert GRM und KSP in einer Plattform für Hochschulen