Wer Klassenarbeiten in Deutsch, Französisch oder Englisch korrigiert, kennt das Ritual. Stundenlang werden Fehler markiert, Regeln notiert und Formulierungen verbessert. Die Lehrkraft investiert viel Zeit. Der Lernertrag bleibt oft erstaunlich gering. Viele Schülerinnen und Schüler schauen zunächst auf die Note, überfliegen die roten Markierungen und legen die Arbeit anschließend ab.
Die Frage lautet deshalb nicht, wie man noch gründlicher korrigieren kann. Die Frage lautet, ob wir unsere Zeit überhaupt an der richtigen Stelle investieren.
Die Bildungsforschung liefert darauf seit Jahren eine klare Antwort. Lernen entsteht nicht dadurch, dass möglichst viele Fehler sichtbar gemacht werden. Entscheidend ist, dass Lernende typische Fehlermuster erkennen, verstehen und anschließend selbst vermeiden. John Hattie zeigt in seiner Synthese der internationalen Forschung, dass Feedback vor allem dann wirksam ist, wenn es den nächsten Lernschritt ermöglicht. Ähnliche Ergebnisse finden sich in der Sprachdidaktik bei Rod Ellis oder Michael Long: Nachhaltiges Lernen gelingt eher durch die gezielte Arbeit an wenigen sprachlichen Strukturen als durch eine vollständige Korrektur jedes einzelnen Fehlers.
Hinzu kommt ein einfaches psychologisches Problem. Das Arbeitsgedächtnis kann nur eine begrenzte Zahl neuer Informationen gleichzeitig verarbeiten. Wer auf einer Klassenarbeit zwanzig unterschiedliche Fehlertypen korrigiert bekommt, erkennt häufig keine Struktur mehr. Aus Sicht des Gehirns entsteht eher Informationsüberlastung als Lernen.
Die traditionelle Vollkorrektur hat deshalb ein ungünstiges Verhältnis zwischen Zeitaufwand und Lernertrag.
Das bedeutet nicht, dass Fehler unwichtig wären. Im Gegenteil. Fehler sind wertvolle diagnostische Informationen. Sie zeigen, was eine Lerngruppe noch nicht sicher beherrscht. Genau an dieser Stelle eröffnet künstliche Intelligenz neue Möglichkeiten.
Vom Einzelproblem zum Fehlercluster
Die eigentliche Stärke einer KI besteht nicht darin, schneller zu korrigieren. Ihre Stärke liegt darin, Muster zu erkennen.
Anstatt jede Schülerarbeit isoliert zu betrachten, kann eine KI sämtliche Texte einer Klasse analysieren und wiederkehrende Fehler zusammenfassen. Aus vielen Einzelbeobachtungen entstehen wenige, klar erkennbare Fehlercluster, etwa:
- Zeitengebrauch
- Satzstellung
- Pronomen
- Präpositionen
- Wortschatz
- Kongruenz
- Rechtschreibung
- Zeichensetzung
Plötzlich sieht die Lehrkraft nicht mehr zwanzig verschiedene Probleme, sondern zwei oder drei zentrale Lernbaustellen der gesamten Klasse.
Genau dort sollte der Unterricht ansetzen.
Ein neuer Ablauf für die Fehlerkorrektur
Aus dieser Diagnose lässt sich ein deutlich wirksamerer Unterricht entwickeln.
Schritt 1: Schreiben
Die Schülerinnen und Schüler verfassen einen authentischen Text.
Schritt 2: Analyse
Die KI analysiert sämtliche anonymisierten Texte und erstellt eine Übersicht der häufigsten Fehlertypen.
Schritt 3: Auswahl
Die Lehrkraft entscheidet, welche zwei oder drei Fehlerbereiche tatsächlich bearbeitet werden sollen. Anschließend werden die zugrunde liegenden Regeln gemeinsam besprochen.
Schritt 4: Transfer
Jetzt kommt der entscheidende Unterschied.
Die KI erstellt keinen Lösungsschlüssel zur ursprünglichen Klassenarbeit. Stattdessen erzeugt sie einen völlig neuen Text, der gezielt dieselben Fehlertypen enthält - allerdings in neuen Sätzen und neuen Zusammenhängen.
Die Aufgabe der Schülerinnen und Schüler lautet nun:
"Finde alle Fehler und verbessere sie."
Damit verändert sich ihre Rolle grundlegend. Sie übernehmen nicht mehr passiv Korrekturen, sondern suchen aktiv nach Mustern, prüfen Regeln und wenden ihr neues Wissen unmittelbar an.
Genau dieses aktive Abrufen von Wissen gilt in der Lernpsychologie als besonders lernwirksam. Studien zum sogenannten "Retrieval Practice" zeigen, dass Wissen besser behalten wird, wenn Lernende es aktiv anwenden müssen, statt lediglich Lösungen nachzulesen. Gleichzeitig fördern wechselnde Übungsbeispiele den Transfer auf neue Situationen.
Erst danach schreiben die Schülerinnen und Schüler einen weiteren eigenen Text. So lässt sich überprüfen, ob die besprochenen Strukturen tatsächlich beherrscht werden.
Und was ist mit dem Datenschutz?
Viele Lehrkräfte fragen sich an dieser Stelle, ob Schülertexte überhaupt mit einer KI ausgewertet werden dürfen.
Die Antwort lautet: Ja - sofern die Texte vor der Verarbeitung vollständig anonymisiert werden.
Die Datenschutz-Grundverordnung schützt personenbezogene Daten. Enthält ein Text keine Namen, keine Kennnummern und keine Informationen, die eine Identifizierung einer bestimmten Person ermöglichen, handelt es sich grundsätzlich nicht mehr um personenbezogene Daten im Sinne der DSGVO. Auf vollständig anonymisierte Texte findet die DSGVO daher grundsätzlich keine Anwendung.
Ein einfacher Prompt für die Praxis
Der gesamte Ablauf lässt sich bereits mit einem einzigen Prompt unterstützen:
Analysiere den folgenden anonymisierten Schülertext. Ordne alle Fehler nach Fehlertypen und bilde Fehlercluster. Nenne die wichtigsten Lernschwerpunkte. Erstelle anschließend einen neuen Text ähnlichen Schwierigkeitsgrades, der gezielt dieselben Fehlertypen enthält, jedoch einen völlig anderen Inhalt besitzt. Erstelle danach einen Lösungsschlüssel sowie kurze Regelkästen zu jedem Fehlerschwerpunkt.
Weniger korrigieren - mehr Lernen
Künstliche Intelligenz ersetzt keine Lehrkraft. Sie nimmt ihr auch nicht die pädagogische Entscheidung ab, welche Fehler wichtig sind und wie daraus guter Unterricht entsteht.
Sie übernimmt jedoch eine Aufgabe, die Maschinen besonders gut beherrschen: große Datenmengen analysieren, Muster erkennen und passgenaue Übungsmaterialien erzeugen.
Vielleicht liegt genau darin ihr größter Gewinn für den Sprachunterricht. Nicht, dass sie schneller korrigiert. Sondern dass sie die Fehlerkorrektur von einer zeitaufwendigen Dokumentation einzelner Verstöße gegen Sprachregeln in das verwandelt, was sie eigentlich sein sollte: den Ausgangspunkt für den nächsten Lernschritt.
Literatur (Auswahl): John Hattie (2009/2023): Visible Learning; Rod Ellis (2009): Corrective Feedback and Teacher Development; Michael H. Long (1991): Focus on Form; Henry L. Roediger III & Jeffrey D. Karpicke (2006): Test-Enhanced Learning; Robert A. Bjork & Elizabeth L. Bjork (2011): Arbeiten zu den "desirable difficulties". Die im Artikel beschriebene Nutzung von KI zur Bildung von Fehlerclustern und zur automatischen Generierung adaptiver Fehlertexte ist eine didaktische Anwendung dieser Forschungsergebnisse.