Was im Brown-Wirtschaftskurs geschah
Roberto Serrano unterrichtet Welfare Economics and Social Choice Theory seit fast zwanzig Jahren. Der Kurs zog üblicherweise bis zu dreißig Studierende an. In diesem Semester meldeten sich 86 an, und die Zwischenprüfung war als Hausarbeit geplant. Das Format wurde aus Rücksicht auf die Studierenden gewählt: Im Dezember gab es eine Schießerei auf dem Campus, und vielen fiel es schwer, im Hörsaal zu sitzen.
Die Ergebnisse der Hausarbeit fielen ungewöhnlich hoch aus, obwohl Serrano die Prüfung absichtlich schwerer gemacht hatte. Er teilte der Klasse mit, dass er großflächigen KI-Einsatz vermutet, und verlegte mit Zustimmung seines Dekans die Abschlussprüfung in Präsenz. Danach stiegen 18 Studierende aus, und neun weitere erschienen nicht zur Abschlussprüfung. Die Lücke zwischen den beiden Prüfungsdurchschnitten war die größte in der Geschichte des Kurses.
Haus-Zwischenprüfung gegenüber betreuter Abschlussprüfung im selben Kurs
Serrano annullierte die Zwischenprüfung und gewichtete die Abschlussprüfung stärker. Er senkte auch die Bestehensgrenze. Dennoch fielen 19 Studierende durch.
Wie der Professor KI-Betrug ohne KI-Detektor prüfte
Serrano machte etwas Einfaches. Er fütterte die Prüfungsfragen in ChatGPT und verglich die Antworten der Maschine mit den Arbeiten seiner Studierenden. Sie stimmten in Stil und Methode überein. Bei einer Frage war ein direkter Beweis am einfachsten, doch ChatGPT wählte einen Widerspruchsbeweis — lang und umständlich. Derselbe Zug tauchte in vielen Studierendenarbeiten auf.
Die Methode funktionierte, braucht aber zu viel Zeit, um praktikabel zu sein. Der manuelle Vergleich mit einer Maschinenantwort dauert Stunden, hängt von der Erfahrung des Professors ab und versagt bei Aufgaben, bei denen KI keinen erkennbaren Stil hat. In der Praxis baute Serrano von Hand, was ein KI-Detektor statistisch leistet: eine Schätzung, wie maschinenhaft ein Text wirkt. Der Unterschied: Die Schätzung eines Detektors ist wiederholbar und dauert Minuten, nicht ein Wochenende.
Ehrlichkeit ist hier wichtig. Serrano selbst steht KI-Detektoren skeptisch gegenüber und verweist auf falsch positive Ergebnisse. Im Kern hat er recht: Kein Tool liefert ein Urteil. Ein Wahrscheinlichkeitswert ist ein Anlass, mit dem Studierenden zu sprechen und das Prüfungsformat zu überdenken — genau das geschah an der Brown University. Wer hundertprozentige Verurteilung verspricht, ist das eigentliche Problem.
Was der Generative-AI-Bericht der Brown University zugibt
Der Bericht des Brown-Ausschusses erschien am 7. Juli und ist ein seltener Fall, in dem eine Universität das Problem in klaren Worten anspricht. Der Ausschuss sammelte Feedback von 105 Lehrenden und 169 Mitarbeitenden. Lehrende nannten zwei Sorgen über allem: Schaden am langfristigen Lernen der Studierenden und Rückgang ihrer kognitiven Fähigkeiten. Betrug kam an dritter Stelle.
Was Brown-Lehrende dem KI-Ausschuss der Universität mitteilten
Die Brown-Zahlen passen zum nationalen Bild. Dieselbe Sorge um Betrug zeigte sich auf gleichem Niveau in der landesweiten Umfrage 2025 der American Association of Colleges and Universities, die der Bericht zitiert.
Die Empfehlungen des Ausschusses sind für jede Universität lesenswert. Erstens: Generative KI in die akademischen Ordnungen schreiben und „klare Grenzen um Missbrauch ziehen“. Zweitens, und weniger erwartet: „Bestrafung zurückstufen“. Der Bericht sagt es unmissverständlich: „Es gibt keine Möglichkeit, mit 100 % Genauigkeit zu prüfen, ob GenAI eingesetzt wurde“, deshalb funktioniert alles auf Bestrafung zu setzen nicht — und ein offenes Gespräch über die Regeln muss stattfinden.
Wir stimmen diesem Satz zu — und wir verkaufen einen KI-Detektor. Eine Prüfung mit 100 % Genauigkeit existiert nicht. Ein Anbieter, der das verspricht, lügt. Was ein KI-Detektor liefert, ist ein wiederholbarer Score mit bekannter Fehlerrate. Bei It's AI sind unsere Genauigkeitsdaten öffentlich. Der Rest hängt vom Verfahren ab, nicht vom Tool.
Verfahren zur wissenschaftlichen Integrität bei KI: Was festzuhalten ist
An der Brown University fehlten vier Teile dieses Verfahrens.
KI-Richtlinie im Lehrplan
Die meisten Brown-Lehrenden beschreiben ihre KI-Regeln bereits im Lehrplan und wiederholen sie in der ersten Unterrichtswoche. Das ist die Basis. Studierende müssen im Voraus wissen, was erlaubt ist und was nicht. Der Lehrplan muss auch sagen, wie die Arbeit geprüft wird.
Textprüfungen als Routine, nicht als Anklage
Serrano begann zu prüfen, nachdem der Verdacht aufkam. Diese Reihenfolge erzeugt Konflikt. Eine regelmäßige KI-Prüfung jeder Einreichung funktioniert anders: Sie gilt für alle Studierenden gleich, niemand wird persönlich beschuldigt. Plagiatsprüfungen funktionieren seit Jahren so.
Ein Verfahren für den Gruppenfall
Der Brown-Ausschuss bat Serrano, gegen jeden Studierenden eine separate Beschwerde einzureichen. Er lehnte ab und nannte die Forderung lächerlich. Tricia Bertram Gallant, Leiterin des Büros für wissenschaftliche Integrität an der UC San Diego, schlägt zwei Lösungen vor: eine Beschwerde für eine Gruppe von Studierenden akzeptieren und Verstöße per E-Mail zugeben lassen, ohne persönliche Anhörung. Ein Verfahren für einen Studierenden funktioniert nicht für sechzig.
Prüfungsformat als letzte Kontrolle
Die Präsenz-Abschlussprüfung zeigte, was jeder Studierende wirklich wusste. Keine Textanalyse kann das ersetzen. Eine Textprüfung und eine Prüfung testen Unterschiedliches — ein Kurs braucht beides.
Was Lehrende vor dem nächsten Semester tun können
Wenn Sie einen Kurs mit schriftlichen Arbeiten unterrichten, lohnen sich drei Schritte vor dem nächsten Semester. Schreiben Sie die KI-Regeln in einfachen Worten in den Lehrplan. Vereinbaren Sie mit Ihrer Abteilung ein Verfahren für Gruppenfälle, bevor der erste Fall auftritt. Fügen Sie eine Textprüfung zur normalen Kursroutine hinzu, damit das Signal vor der Prüfung kommt und nicht nach einem Skandal.
Vier Teile eines Verfahrens zur wissenschaftlichen Integrität — und wie jedes scheitert
Serrano sagte es in einem Satz: „We cannot choose to become idiots.“ Die Zwischenprüfungsnote ist ein kleiner Verlust. Der größere ist eine Generation Studierender, die lernt, dass Maschinentext unter ihrem Namen normal ist — an Universitäten, die lieber wegschauen.
FAQ
Wie verbreitet ist KI-Betrug an Universitäten?
Niemand hat eine zuverlässige Prävalenzzahl, und bestehende Umfragen messen Wahrnehmung statt gezählter Fälle. Lehrenden-Umfragen berichten ein breites Gefühl, dass KI-Nutzung gewachsen ist — sie fragen aber, was Lehrende glauben, nicht was in einer Anhörung bewiesen wurde. Integritätsbüros zählen nur Fälle, die sie erreichen — das unterzählt per Design: Die meiste vermutete KI-Nutzung wird still zwischen Lehrendem und Studierendem geklärt oder gar nicht angesprochen. Behandeln Sie jede einzelne Prozentzahl als Untergrenze, nicht als Messung. Die Zahl, die für eine Abteilung zählt, ist ihre eigene — gesammelt aus eigenen Einreichungen über ein Semester.
Wie erkennen Professoren, ob Studierende KI nutzen?
Die meisten Lehrenden arbeiten mit einer Diskrepanz statt mit einem einzelnen Hinweis. Arbeit, die nicht zu dem passt, was der Studierende früher im Semester abgeliefert hat, ist der häufigste Auslöser. Zitate, die ins Leere führen, der andere. Manche Lehrende lassen jeden Beitrag durch einen KI-Detektor laufen und lesen den Score als einen Input; andere setzen auf eine Präsenzkomponente, die keine Textanalyse ersetzen kann. Die Methode, die scheitert, ist die, die erst angewendet wird, nachdem der Verdacht bereits auf einen bestimmten Studierenden gefallen ist — weil sie eine Frage über die Arbeit in eine Anklage gegen die Person verwandelt.
Kann eine ganze Klasse wegen KI-Betrugs bestraft werden?
Nein. Systeme der wissenschaftlichen Integrität basieren auf individuellen Feststellungen, und eine Sanktion gegen eine Klasse als Gruppe würde an den meisten Institutionen in Berufung nicht bestehen. Was geteilt werden kann, ist das Verfahren statt des Urteils: eine einzige Einreichung für viele Studierende mit einem gemeinsamen Beweispaket. Der Unterschied ist wichtig, weil die Bürokratie — nicht das Prinzip — im großen Maßstab bricht. Ein Lehrender mit sechzig verdächtigen Einreichungen unter einem Einzelverfahren lässt die Sache meist fallen — das ist das Ergebnis, das niemand will. Abteilungen sollten die Sammelroute vereinbaren, bevor der erste große Fall eintritt.
Was sollte eine KI-Richtlinie im Lehrplan enthalten?
Eine KI-Richtlinie im Lehrplan muss vor der ersten Aufgabe zwei Fragen beantworten: Was ist erlaubt, und was muss deklariert werden. Eine dritte Klausel — wie die Arbeit geprüft wird — fehlt in den meisten Richtlinien, und genau das macht eine spätere KI-Detektor-Prüfung zu einem Hinterhalt. Erlaubnis funktioniert besser pro Aufgabe als pro Kurs: Ein Lehrender darf KI für Brainstorming erlauben und in einem benoteten Aufsatz verbieten — der Lehrplan sollte das aufgabenweise sagen. Deklaration braucht ein Format statt eines Prinzips, etwa eine Schlusszeile mit Tool-Name und dessen Einsatz.
Ist ein KI-Detektor-Ergebnis ein Beweis für Betrug?
Nein. Ein KI-Detektor liefert eine Wahrscheinlichkeit, dass ein Text maschinell geschrieben ist — und eine Wahrscheinlichkeit ist Beweismaterial, kein Befund. Was daraus einen Fall macht, ist das Verfahren drumherum: eine Kursrichtlinie, die der Studierende im Voraus kannte, und ein Gespräch, in dem er oder sie für die Arbeit Rechenschaft ablegen kann. Detektoren haben auch eine messbare Rate falsch positiver Ergebnisse — deshalb ist formeller Prosa von Studierenden in einer Zweitsprache der klassische Fehlgriff. Eine Institution, die den Score als Urteil behandelt, wird irgendwann jemanden sanktionieren, der nichts falsch gemacht hat. Eine, die ihn als Anlass für ein Gespräch nutzt, tut das selten.
