KI verändert die Bewertung von Mathematik-Hausaufgaben an der UC Berkeley

Detektoren lösen das Bewertungsproblem nicht automatisch

Eine naheliegende Reaktion auf KI-generierte Abgaben wäre, sie mithilfe technischer Detektoren zu erkennen. Laut t3n erprobte der Campus mehrere Systeme, darunter Turnitin und Rumi, kam aber zu dem Schluss, dass sie sich nicht für eine standardisierte Nutzung eigneten. Der Bericht erläutert weder die Testmethodik noch die konkreten Fehlerraten dieser Erprobung. Die Aussage erlaubt daher keine allgemeine Rangfolge oder Bewertung der genannten Produkte. [1]

t3n nennt außerdem den Fall einer australischen Universität: Ein dort eingesetzter Detektor soll 2024 fast 6.000 Verdachtsfälle auf KI-bedingtes Fehlverhalten registriert haben; 90 Prozent davon seien Fehlalarme gewesen. Diese Zahlen werden im Artikel über eine weitere t3n-Berichterstattung angeführt. Da die zugrunde liegende Untersuchung im bereitgestellten Material nicht enthalten ist, lässt sich ihre Definition von Fehlalarm oder die Übertragbarkeit auf andere Hochschulen hier nicht prüfen. Sie sind deshalb als berichtete Einordnung, nicht als unabhängig verifizierter Branchenwert zu verstehen. [1]

Für Prüfungsverantwortliche ergibt sich daraus ein praktischer Zielkonflikt: Eine automatisierte Verdachtsmeldung ist nicht dasselbe wie ein belastbarer Nachweis individueller Täuschung. Wird ein Detektor zum Standardinstrument, braucht es nachvollziehbare Regeln für die Prüfung eines Verdachts und für die Bewertung unsicherer Ergebnisse. Das ist eine institutionelle Konsequenz aus den von t3n beschriebenen Zweifeln an der Zuverlässigkeit, keine Aussage darüber, welche konkreten Verfahren Berkeley derzeit anwendet. [1]

Kursregeln statt einer pauschalen KI-Verbotsformel

Nach t3n hat die Universität Lehrende angewiesen, in den Kurserwartungen eine Erklärung zum Einsatz von KI-Werkzeugen für Kursarbeiten aufzunehmen. Die Regeln könnten je nach Thema und Kursniveau unterschiedlich ausfallen. Das spricht für eine kursbezogene Festlegung statt einer einheitlichen Vorgabe für alle Aufgaben. Welche konkreten Formulierungen oder Sanktionen dabei gelten, geht aus den verfügbaren Texten nicht hervor. [1]

Für Lehrende und Bildungsorganisationen ist diese Differenzierung relevant: Der Einsatz eines Werkzeugs kann je nach Lernziel eine erlaubte Unterstützung, ein Teil der Aufgabe oder eine unzulässige Auslagerung der Leistung sein. Eine klare Aufgabenbeschreibung sollte deshalb festlegen, welche Eigenleistung geprüft wird und ob KI-Nutzung offengelegt werden muss. Das sind mögliche Gestaltungsansätze, keine im Bericht dokumentierten Maßnahmen der UC Berkeley.

Eine vollständige Abkehr von Hausaufgaben folgt aus Borcherds’ Entscheidung ebenfalls nicht. Er prüft die Abgaben weiterhin auf Vollständigkeit. Die Änderung betrifft nach dem Bericht den Maßstab, mit dem er sie bewertet. Gerade diese Unterscheidung ist wichtig: Übung kann weiter stattfinden, während die Note nicht mehr als verlässliche Messung eigenständig erbrachter mathematischer Leistung verstanden wird. [1]

Was sich an Prüfungsformaten ändern könnte

Wenn die unbeaufsichtigte Abgabe zu Hause nicht eindeutig erkennen lässt, wer eine Lösung erarbeitet hat, könnten Hochschulen ergänzende Prüfungsformen erwägen. Denkbar wären etwa kurze mündliche Erläuterungen, Aufgaben unter kontrollierten Bedingungen oder eine Bewertung, die den Lösungsweg und die Begründung stärker berücksichtigt. Solche Möglichkeiten sind eine analytische Ableitung aus dem beschriebenen Problem; t3n berichtet nicht, dass Borcherds oder seine Universität sie bereits eingeführt hätten.

Jedes Format misst jedoch etwas anderes. Eine mündliche Erklärung kann zeigen, ob eine Person zentrale Schritte nachvollziehen kann, während eine beaufsichtigte Aufgabe eher die eigenständige Bearbeitung in einer konkreten Prüfungssituation erfasst. Für die Gestaltung zählt deshalb, dass Prüfungsform und Lernziel zusammenpassen. Die verfügbaren Quellen erlauben keine Aussage dazu, welche dieser Varianten in Mathematikkursen am wirksamsten ist.

Für Unternehmen, die mit Hochschulen kooperieren oder eigene Weiterbildungsangebote entwickeln, ist der Fall vor allem als Hinweis auf die Aussagekraft von Leistungsnachweisen relevant. Eine mit KI erzeugte oder unterstützte Lösung kann fachlich nützlich sein, belegt allein aber nicht automatisch, dass die einreichende Person die Methode auch erklären oder ohne Unterstützung anwenden kann. Wer Kompetenzen feststellen muss, sollte daher unterscheiden zwischen der Qualität eines Arbeitsergebnisses und dem individuellen Können dahinter.

Borcherds’ Zukunftssorge ist keine Prognose für den Arbeitsmarkt

Die Debatte reicht über einzelne Noten hinaus. Borcherds stellt laut t3n infrage, ob er jungen Menschen noch zum Mathematikstudium raten sollte. Er begründet seine Unsicherheit mit der raschen Entwicklung von KI und formuliert die Prognose, dass es in wenigen Jahren möglicherweise keine Aufgabe mehr gebe, die menschliche Mathematiker besser erledigen könnten. Das ist die Einschätzung des Professors unter der Bedingung, dass sich die KI im bisherigen Tempo weiterentwickelt – keine belegte Vorhersage über die künftige Beschäftigung oder die Leistungsfähigkeit von Systemen in allen mathematischen Tätigkeiten. [1]

Als Anlass nennt t3n eine Mitteilung von OpenAI, wonach dessen Modelle eine Reihe mathematischer Probleme gelöst hätten, darunter das Navier-Stokes-Existenz- und Glattheitsproblem. Im bereitgestellten Material liegt die Mitteilung des Unternehmens selbst nicht vor. Die Behauptung ist deshalb dem Anbieter zuzuschreiben; sie bestätigt für sich genommen weder eine unabhängige Prüfung der Resultate noch eine allgemeine Überlegenheit von KI gegenüber menschlichen Mathematikerinnen und Mathematikern. [1]

Aus dem Beispiel folgt daher keine belastbare Empfehlung, Mathematikstudiengänge aufzugeben oder ihre beruflichen Perspektiven als erledigt zu betrachten. Die Quellen beschreiben Zweifel eines Professors und eine von OpenAI kommunizierte mathematische Leistung, aber keine systematische Analyse von Studieninhalten, Berufsbildern oder Nachfrage am Arbeitsmarkt. Offen bleibt vielmehr, wie sich Anforderungen verändern und welche Fähigkeiten künftig besonders relevant sind. [1]

Die zentrale offene Frage betrifft den Zweck der Bewertung

Borcherds’ Vorgehen zeigt eine konkrete Antwort auf ein begrenztes Problem: Solange er die Eigenleistung bei den eingereichten Hausaufgaben nicht zuverlässig beurteilen kann, bewertet er nur noch die Vollständigkeit. Dass er selbst keine zufriedenstellende Alternative sieht, unterstreicht den vorläufigen Charakter dieser Lösung. Der Bericht belegt keine flächendeckende Abkehr von der Benotung, sondern einen Anpassungsversuch in einem Kurs. [1]

Für Hochschulen besteht die Aufgabe damit nicht nur darin, festzulegen, ob KI erlaubt ist. Sie müssen auch bestimmen, welchen Kompetenznachweis eine Aufgabe liefern soll und ob das gewählte Format diesen Zweck unter den jeweiligen Bedingungen erfüllt. Wird die Bewertung eines Endprodukts durch KI-Nutzung unsicher, kann eine Kombination aus Übung, Erklärung und gezielter Prüfung helfen, Lernaktivität und Leistungsnachweis gedanklich auseinanderzuhalten. Das ist eine mögliche Antwort auf das beschriebene Dilemma, nicht bereits ein belegtes Ergebnis oder eine universell geeignete Lösung.

Quellen

1. [1] KI im Studium: Warum Mathe-Hausaufgaben ihre Bedeutung verlieren — https://t3n.de/news/ki-mathe-hausaufgaben-benotung-universitaet-1769844 (abgerufen am 2026-11-01)
2. [3] KI im Hörsaal – Mathe-Prof: Benotung ist sinnlos geworden | Heute.at — https://www.heute.at/s/mathe-prof-benotung-ist-sinnlos-geworden-120272711 (abgerufen am 2026-11-01)
3. [4] Presserelations – h_da — https://h-da.de/hochschule/presse-und-publikationen/in-den-medien (abgerufen am 2026-11-01)