Kann ein hoher KI-Wert Ihre Note verschlechtern? Ein Experiment mit 214 Lehrkräften

In einem Experiment war das der Fall – und zwar mit deutlichem Abstand. 214 Hochschullehrkräfte benoteten dieselbe Seminararbeit, nachdem sie einen Erkennungsbericht gesehen hatten. Wies der Bericht 7 % KI aus, stufte den Text als risikoarm ein und enthielt keinerlei Markierungen, erzielte die Arbeit im Durchschnitt 73.30 von 100 Punkten. Stand im Bericht 87 %, wurde der Text als hochriskant eingestuft und waren vier Sätze der Arbeit rot markiert, lag der Durchschnitt nur noch bei 51.61 Punkten. Der Text der Arbeit selbst blieb dabei völlig unverändert.

Das bedeutet nicht, dass sich Ihre Note um 22 Punkte verschlechtern wird – oder überhaupt sinkt. Der Bericht wurde von den Forschenden frei erfunden, die Arbeit war auf Chinesisch verfasst, die Lehrkräfte bewerteten sie im Rahmen einer Online-Umfrage statt in einem echten Kurs, und nur 16 der 214 Teilnehmenden (7.5 %) hatten jemals ein KI-Erkennungstool verwendet. Was die Studie jedoch deutlich zeigt: Ein Prozentwert und das daneben gedruckte Urteil können verändern, wie der Text selbst bewertet wird – und nicht nur, ob die lesende Person einen KI-Einsatz vermutet.

Die Studie trägt den Titel „Automation bias in teachers' evaluation of student writing: effects of algorithmic warnings and visual risk cues in AI detection reports“ (Automatisierungsverzerrung bei der Bewertung studentischer Arbeiten durch Lehrkräfte: Auswirkungen algorithmischer Warnhinweise und visueller Risikosignale in KI-Erkennungsberichten) und stammt von Peitao Du und Tingting Liu von der Al-Farabi Kazakh National University sowie Xujin Xian von der Catholic University of Korea. Sie erschien am 7. Juli 2026 in Frontiers in Psychology und ist frei zugänglich. Die Autoren geben an, keine Fördermittel erhalten zu haben und dass keine kommerziellen oder finanziellen Interessenkonflikte vorliegen.

Die Forschenden verfassten selbst eine Arbeit mit dem Titel „The Effects and Challenges of Online Education“ (Auswirkungen und Herausforderungen von Online-Bildung), die als durchschnittlicher Bachelor-Aufsatz angelegt war: sprachlich flüssig, mit einer soliden Grundstruktur, herkömmlichen Gedanken und wenig Tiefgang. Darin bauten sie vier formelhafte Sätze ein. Diese enthielten weder offensichtliche Sachfehler noch logische Brüche, sondern waren genau jene Art von Standardfloskeln, die schnell generisch wirken.

Anschließend erstellten sie vier Versionen eines Berichts von einem frei erfundenen Erkennungstool namens „AcademicCheck“:

Jeder Lehrkraft wurde zufällig eine der Versionen zugewiesen, mit 52 bis 55 Teilnehmenden pro Gruppe. Sie sahen sich zuerst die Zusammenfassung des Berichts an und lasen erst danach die Arbeit. Jeder Bericht enthielt neben der Zahl auch ein kurzes Urteil. Die 7-%-Versionen gaben „Low risk“ (Geringes Risiko) an und beschrieben „predominantly human-authored writing characteristics“ (überwiegend von Menschen verfasste Textmerkmale); die 87-%-Versionen wiesen „High risk“ (Hohes Risiko) und „a high likelihood of AI-assisted writing.“ (eine hohe Wahrscheinlichkeit für KI-unterstütztes Schreiben) aus. In den roten Versionen wies der Bericht zudem darauf hin, dass die markierten Passagen einer manuellen Überprüfung bedürfen – „Rot“ bedeutete hier also die Signalfarbe plus ein begleitender Hinweis, nicht die Farbe allein. Nach Abschluss der Bewertung wurde den Lehrkräften mitgeteilt, dass der Bericht simuliert war.

Den Ausschlag gab vor allem der 87-%-Bericht. Wurde der 7-%-Bericht mit „Low risk“ (Geringes Risiko) ohne jede Hervorhebung gegen den 87-%-Bericht mit „High risk“ (Hohes Risiko) ausgetauscht, kostete das die Arbeit im Schnitt rund 13 Punkte. Und die Lehrkräfte stuften den Text nicht bloß als wahrscheinlicher KI-generiert ein: Sie vergaben auch schlechtere Noten für Originalität, Sprache und logischen Aufbau – obwohl der Text vor ihren Augen Wort für Wort derselbe war.

Die rot markierten Sätze fielen vor allem dann ins Gewicht, wenn der Bericht bereits ein hohes Risiko auswies. Bei 7 % veränderte das Hervorheben von vier Sätzen die Note auf der Skala von 0 bis 100 nicht um einen statistisch signifikanten Betrag. Es drückte jedoch die Bewertung der sprachlichen Qualität – was nachvollziehbar ist, da die Lehrkräfte kurz zuvor genau auf diese Sätze hingewiesen worden waren. Bei 87 % kostete dieselbe Markierung nochmals rund 9 Punkte.

Die Lehrkräfte gaben an, entschiedener eingreifen zu wollen. Die letzte Tabellenspalte erfasste, wie wahrscheinlich es war, dass sie eine Überarbeitung verlangen, den Studierenden an eigenständiges Schreiben oder die Regeln zur KI-Nutzung erinnern oder eine Erklärung über den Entstehungsprozess und die Quellen einfordern würden. Auf einer 7-Punkte-Skala stieg dieser Wert von 3.40 auf 5.66. Das ist allerdings das, was die Lehrkräfte nach eigener Aussage tun würden – nicht das, was tatsächlich im Alltag beobachtet wurde.

Die Forschenden selbst bezeichnen ihre Ergebnisse als „preliminary and context-specific“ (vorläufig und kontextspezifisch). Aus den folgenden Gründen trifft diese Einstufung genau zu.

• Der Bericht war frei erfunden und bewusst extrem gehalten. „AcademicCheck“ wurde erdacht, damit vorgefasste Meinungen der Lehrkräfte über reale Tools die Ergebnisse nicht verzerren. Die beiden Prozentwerte wurden gezielt mit großem Abstand gewählt. Laut den Autoren „was intentionally strong“ (wurde der Kontrast bewusst stark gewählt), um zu prüfen, ob Lehrkräfte auf eine eindeutig niedrige im Vergleich zu einer eindeutig hohen Warnung reagieren. Eine Übertragung der Ergebnisse auf reale Werte, die dazwischen liegen, erfordere daher Vorsicht.
• Es gab nur eine einzige Arbeit, und diese war auf Chinesisch verfasst. Jede Lehrkraft las denselben chinesischsprachigen Aufsatz. Die Einstufung als „mittlere Qualität“ war die subjektive Entscheidung der Forschenden und wurde nach eigenen Angaben weder durch eine Pilotstudie noch durch externe Gutachter überprüft. Eine besonders starke oder schwache Arbeit könnte ganz andere Reaktionen hervorrufen.
• Die meisten Lehrkräfte hatten noch nie ein Erkennungstool genutzt. Sie wurden gegen eine geringe Aufwandsentschädigung online über die Umfrageplattform Wenjuanxing und Lehrer-Communitys rekrutiert; rund zwei Drittel unterrichteten Sozialwissenschaften. Lediglich 16 Personen (7.5 %) hatten zuvor jemals Tools zur KI-Erkennung oder KI-Plagiatsprüfung verwendet. Weder der Fachartikel noch das Zusatzmaterial schlüsselt die Ergebnisse für diese 16 Teilnehmenden gesondert auf.
• Es war eine Umfrage, kein reales Notenbuch. Den Lehrkräften lagen lediglich der Bericht und die Arbeit vor, ansonsten kaum weitere Informationen – und ihre Noten hatten für niemanden Konsequenzen. Das eigene Fazit der Autoren lautet daher, dass die Ergebnisse „should not be generalized directly to all real grading contexts.“ (nicht direkt auf alle realen Benotungskontexte verallgemeinert werden sollten.)
• Die Kluft ist ungewöhnlich ausgeprägt. In jeder Gruppe lagen die Noten der meisten Lehrkräfte innerhalb von etwa 5 Punkten um den jeweiligen Gruppenmittelwert – dennoch trennten die Durchschnitte von Gruppe A und D am Ende fast 22 Punkte. Die Autoren selbst betonen, dass ein derart großer Effekt „should be interpreted cautiously.“ (mit Vorsicht interpretiert werden sollte.) Sie führen dies zum Teil auf den extremen Kontrast zwischen 7 % und 87 % sowie auf die fehlenden Kontextinformationen der Lehrkräfte zurück: „In real teaching, teachers may see intermediate rates and have richer information about students and writing processes, so actual bias may be smaller.“ (Im realen Unterricht sehen Lehrkräfte möglicherweise mittlere Werte und verfügen über reichhaltigere Informationen über die Studierenden und den Schreibprozess, sodass die tatsächliche Verzerrung geringer ausfallen dürfte.)

Sieht man von diesen Besonderheiten ab, bleibt ein zentrales Ergebnis bestehen: Die Lehrkräfte sahen den Bericht vor der Arbeit – und der Bericht veränderte die Art und Weise, wie sie den Text lasen. Die Autoren erklären dies damit, dass ein Wert wie „AI content: 87%“ (KI-Anteil: 87 %) die Aufgabe verschiebt: Statt die Arbeit unvoreingenommen zu beurteilen, prüfen die Bewertenden unwillkürlich, ob das System recht behält. Eine ihrer Empfehlungen an Universitäten ist daher ein zweistufiges Verfahren, bei dem Lehrkräfte „complete their quality evaluation before reviewing the detection report“ (ihre Qualitätsbewertung abschließen, bevor sie den Erkennungsbericht einsehen).

Die meisten unserer Lesenden haben es mit Turnitin zu tun und nicht mit einem erfundenen Tool. Daher lohnt es sich, drei Aspekte aus den offiziellen Turnitin-Dokumenten direkt neben diese Studie zu stellen.

• Sie sehen in der Regel nicht das, was Ihre Lehrkraft sieht. In den FAQ von Turnitin heißt es: „only instructors and administrators are able to see the indicator“ (nur Lehrkräfte und Administratoren können den Indikator sehen). Allerdings kann eine Lehrkraft den KI-Bericht als PDF herunterladen und weitergeben. Der Artikel Können Studierende ihren Turnitin-KI-Wert sehen? Ein Vergleich zwischen Studierenden- und Dozentenansicht schlüsselt detailliert auf, wer welche Ansicht erhält.
• Niedrige Werte enthalten keine Markierungen. Turnitin stellt klar: „no score or highlights are attributed for AI detection scores in the 1% to 19% range.“ (für KI-Erkennungswerte im Bereich von 1 % bis 19 % werden weder ein Wert noch Hervorhebungen vergeben.) Der Bericht zeigt stattdessen ein Sternchen an. Die Kombination aus Gruppe B – eine niedrige Prozentzahl bei gleichzeitig markierten Sätzen – gibt es in einem aktuellen Turnitin-Bericht also nicht. Unter 20 % existieren keine KI-markierten Sätze, die den Blick der Prüfenden lenken könnten. Mehr dazu erfahren Sie unter Was bedeutet das Sternchen (*%) beim Turnitin-KI-Wert?
• Turnitin betont, dass der Wert keine Note ist. In denselben FAQ heißt es, der Prozentwert „should not be used as the sole basis for action or a definitive grading measure by instructors.“ (sollte von Lehrkräften nicht als alleinige Grundlage für Maßnahmen oder als definitiver Benotungsmaßstab verwendet werden.) In diesem Experiment wurde allerdings niemand angewiesen, den Wert als Benotungsmaßstab heranzuziehen. Die Lehrkräfte wurden schlicht gebeten, eine Arbeit zu benoten, und der Bericht lag dabei vor. Der Leitfaden Ist ein Turnitin-Wert eine Note? erläutert, woraus sich eine Note tatsächlich zusammensetzen sollte.

Die Studie kann Ihnen also nicht sagen, ob Ihre eigene Lehrkraft beeinflusst wurde oder in welchem Ausmaß. Was sie jedoch leistet: Sie rückt den Gedanken „the report might color how my paper gets read“ (der Bericht könnte beeinflussen, wie meine Arbeit gelesen wird) von bloßer Paranoia in den Bereich einer berechtigten Nachfrage.

Keiner dieser Schritte setzt voraus, dass Ihnen bereits jemand Vorwürfe gemacht hat.

1. Wirkt eine Note unpassend, fragen Sie nach den Kriterien, nicht nach dem KI-Wert. „Which rubric criteria lost marks, and which passages show it?“ (Bei welchen Kriterien des Bewertungsrasters gab es Punktabzüge und an welchen Textstellen zeigt sich das?) ist nach jeder Benotung eine völlig legitime Frage. Das Hervorheben von Textstellen veränderte zudem das Feedback der Lehrkräfte: Auf die Frage, was der Studierende überarbeiten sollte, schlugen 65.4 % der Lehrkräfte, die den 7-%-Bericht mit roten Sätzen sahen, sprachliche Korrekturen vor – verglichen mit nur 7.5 % bei der Version ohne Markierungen. Hinweise zur Vertiefung des Inhalts sanken von rund der Hälfte auf nahezu null. (Die Forschenden stufen diese Auswertung der offenen Antworten als explorativ ein.) Besteht Ihr Feedback ausschließlich aus Kritik an Formulierungen und verliert kein Wort über Ihre Argumentation, haken Sie auch gezielt bei der Argumentation nach.
2. Erkundigen Sie sich, ob ein KI-Bericht herangezogen wurde, und bitten Sie gegebenenfalls um das PDF. Ein reiner Prozentwert ist kaum aussagekräftig. Erst der vollständige Bericht zeigt, welche Textpassagen überhaupt markiert wurden.
3. Halten Sie Ihren Schreibprozess lückenlos bereit. Die in der Studie abgefragten Maßnahmen waren keine Sanktionen, sondern Aufforderungen: Text überarbeiten, Vorgehensweise erklären, Quellen offenlegen. Lehrkräfte, denen der 87-%-Bericht mit roten Sätzen vorgelegt wurde, neigten deutlich häufiger zu solchen Forderungen. Mit Zwischenentwürfen, Notizen und einem lückenlosen Versionsverlauf können Sie solche Rückfragen schnell und souverän beantworten.
4. Befinden Sie sich noch in der Überarbeitung und liegt Ihnen ein Bericht vor, lesen Sie zuerst die markierten Passagen. Dies waren die vier im Experiment rot markierten Sätze in der englischen Übersetzung der Autoren: „With the rapid development of information technology, online education has gradually become an important component of higher education.“ (Mit der rasanten Entwicklung der Informationstechnologie hat sich die Online-Bildung allmählich zu einem wichtigen Bestandteil der Hochschulbildung entwickelt.) „This paper analyzes this issue from three aspects: learning effects, interaction modes, and technical conditions.“ (Die vorliegende Arbeit analysiert diese Fragestellung unter drei Gesichtspunkten: Lerneffekte, Interaktionsformen und technische Voraussetzungen.) „In conclusion, online education brings convenience but also faces many practical challenges.“ (Zusammenfassend lässt sich sagen, dass Online-Bildung Vorteile mit sich bringt, aber auch mit vielen praktischen Herausforderungen konfrontiert ist.) „Therefore, this issue deserves continued attention and further research from the education community.“ (Daher verdient dieses Thema kontinuierliche Aufmerksamkeit und weitere Forschung durch die Bildungsgemeinschaft.) Einmal markiert, zogen Sätze wie diese die Bewertung der sprachlichen Qualität spürbar nach unten. Einleitungen, Gliederungshinweise und Schlusssätze, die so in praktisch jeder Arbeit stehen könnten, sollten Sie ohnehin immer mit Ihren eigenen Worten formulieren.

Liegt Ihnen ein Turnitin- oder iThenticate-Bericht vor, befinden Sie sich noch in der Überarbeitung und erlaubt Ihre Lehrveranstaltung diese Art der Unterstützung, setzt die Humanize-Funktion von HumanPen genau an den markierten Passagen an. Importieren Sie den Turnitin- oder iThenticate-Bericht und überarbeiten Sie nur die darin markierten Passagen. Sie erhalten eine bearbeitbare Datei im selben Format zurück. Gehen Sie die zurückgegebene Datei vor der Abgabe noch einmal selbst gründlich durch.

Wussten die Lehrkräfte, dass der Bericht gefälscht war? Die Forschenden informierten sie während der Benotung nicht darüber. Erst im Anschluss wurde ihnen mitgeteilt, dass der Bericht simuliert war und kein tatsächliches Urteil zur akademischen Integrität darstellte.

Wurde in dieser Studie Turnitin untersucht? Nein. Der Bericht stammte von einem erfundenen Tool namens „AcademicCheck“, damit bestehende Vorbehalte oder Erfahrungen mit echten Erkennungstools die Ergebnisse nicht verzerren.

Machten die roten Markierungen bei 7 % einen Unterschied? Nicht bei der Benotung auf der Skala von 0 bis 100 – hier war der Unterschied statistisch nicht signifikant. Allerdings verschlechterte die Markierung die Bewertung der sprachlichen Qualität durch die Lehrkräfte.

Turnitin zeigt unter 20 % ein Sternchen an. Könnte das denselben Effekt haben? Das wurde in dieser Studie nicht untersucht. Die Bedingung mit niedrigem Wert bestand aus der Zahl 7 % in Verbindung mit dem Urteil „Low risk“ (Geringes Risiko), nicht aus einem Sternchen. Ein Sternchen signalisiert der Lehrkraft zwar, dass etwas erkannt wurde – wie Lehrende dies jedoch interpretieren, kann diese Untersuchung nicht beantworten.

• Peitao Du, Tingting Liu und Xujin Xian, Automation bias in teachers' evaluation of student writing: effects of algorithmic warnings and visual risk cues in AI detection reports, Frontiers in Psychology 17:1889402, veröffentlicht am 7. Juli 2026; eingesehen am 2. Oktober 2026 (Abschnitte 3–6, Tabellen 1 und 3; Zusatzmaterial, Anhang A, Tabellen B1 und F4).
• Turnitin, FAQ zu den Funktionen der KI-Schreiberkennung von Turnitin.