KI-Feedback auf dem Prüfstand – eine explorative Untersuchung maschineller Rückmeldungen zu Schüler:innentexten

Abstract

Der Beitrag geht explorativ der Frage nach, inwieweit ein didaktisch modelliertes, generatives Sprachmodell in der Lage ist, inhaltlich richtige Rückmeldungen zu Texten von Schüler:innen zu produzieren. Mit dieser Frage ist übergeordnet der Wunsch verbunden, generative KI-Systeme könnten in die Lage versetzt werden, Lehrkräfte beim Verfassen von (lernförderlichen) Rückmeldungen zu Schüler:innentexten zu unterstützen – einer Tätigkeit, die einen erheblichen Aufwand für Lehrkräfte darstellt (Mußmann et al. 2016). Zwei Vorteile maschineller Rückmeldungen zu Texten sind die zeitliche Unmittelbarkeit und die große Menge: KI-Systeme erstellen auf Anfrage direkt nach oder auch schon während des Schreibprozesses Feedback, und zwar beliebig oft und zu einer beliebig hohen Anzahl an Texten. Dies können Lehrkräfte nicht leisten. Zudem entspricht ihr Feedback nicht unbedingt Kriterien effektiven Feedbacks (Müller et al. 2023). Auch mit Blick auf den grassierenden Lehrkräftemangel und der damit einhergehenden Überlastung der Lehrkräfte ist davon auszugehen, dass Lehrer:innen in Zukunft eher noch weniger Zeit für qualitativ hochwertige Rückmeldungen aufbringen können. Die Forschungsfrage hat daher nicht nur eine didaktische Zielrichtung, sondern ist auch bildungspolitisch von enormer Bedeutung.