Programmieren mit KI lehren: Was beweist eine Codeabgabe noch?

Eine lauffähige Codeabgabe zeigt unter KI-Bedingungen nicht mehr zuverlässig, was Studierende können. Haben sie das Problem verstanden, Fehler erkannt und Entscheidungen selbst getroffen? Drei Lernformen und drei Bewertungskriterien zeigen, wie sich Kontextwahl, gezielte Folgeaufträge und Prüfung mit vertretbarem Aufwand beurteilen lassen.

Die Codeabgabe verliert an Beweiskraft

Ein lauffähiges Programm war nie ein Beweis für Eigenleistung, aber ein wichtiges Indiz. Sprachmodelle können nun ein brauchbares Ergebnis erzeugen, ohne dass die Person die entscheidenden Schritte versteht. Bei Aufgaben mit erlaubter KI tritt dieses Bewertungsproblem häufiger auf: Das Produkt belegt das Können nur begrenzt.

Ein Verbot löst das Problem nicht. In einer kontrollierten Studie hing höheres Vertrauen mit einer schlechteren Unterscheidung richtiger und falscher KI-Hinweise zusammen [1]. Studie [2] fand mit vollständigen KI-Lösungen eine höhere Aufgabenleistung, besonders bei Anfängerinnen und Anfängern, aber keine konsistenten Wissenszuwächse. Studie [3] stellte schnelleres Arbeiten und besseren Code fest; die Fortschritte beim Verständnis waren uneinheitlich. Wo ein Kurs KI erlaubt, muss der kritische Umgang damit ein ausdrückliches Lernziel sein.

Was weiterhin gelernt werden muss

Algorithmisches Denken, Lesen von Code, Fehlersuche, Testen und der Aufbau von Programmen bleiben zentrale Lernziele. Ohne sie lässt sich eine KI-Lösung nicht beurteilen.

Ein Beispiel: Eine Studentin soll eine tabellarische Textdatei einlesen, unvollständige Zeilen behandeln und Durchschnittswerte berechnen. Die KI liefert rasch ein lauffähiges Programm. Hat die Studentin auch leere Werte, unterschiedliche Dezimaltrennzeichen, doppelte Kopfzeilen, falsche Zeichencodierung und eine Division durch null bedacht? Passende Tests zeigen, ob sie die Aufgabe verstanden hat.

Die Lehre bleibt gestuft: Zuerst schreiben, lesen und korrigieren Studierende ohne KI. Danach vergleichen sie KI-Erklärungen, Fehleranalysen oder Testideen mit der eigenen Arbeit. Später wird die Zusammenarbeit zum Lernziel.

Drei Lernformen für den Unterricht

1. Relevante Informationen auswählen
   Aus einem Programm, einer Fehlermeldung und mehreren Dateien erstellen Studierende ein Informationspaket: Fehlerbild, erwartetes Verhalten, relevante Codeausschnitte und eine fachliche Vorgabe. Danach markieren sie, welche Aussagen der KI-Antwort sich anhand von Aufgabe, Code und Tests überprüfen lassen. Bei einem fehlerhaften Einleseprogramm wählen sie etwa zwischen Protokolldatei, Bedienoberfläche, Funktion und Tests. Bewertet werden Auswahl, Begründung und Prüfung. Für Anfängerinnen und Anfänger kann die Auswahl auf wenige markierte Ausschnitte begrenzt werden.

2. Einen fehlerhaften Vorschlag reparieren
   Bei einer Fehleranalyse prüfen Studierende einen fast richtigen KI-Vorschlag. Sie suchen den verbliebenen Fehler, ergänzen fehlende Tests und erklären, weshalb der erste Vorschlag nicht genügt. Dabei üben sie, Code zu lesen und einer scheinbar passenden Lösung zu widersprechen.

3. Ein KI-gestütztes Projekt begründen
   In einem kleinen Projekt darf KI umfassend eingesetzt werden. Jede wichtige Änderung wird angemessen geprüft und kurz begründet; bei eindeutig festlegbarem Verhalten gehört ein automatisierter Test dazu. Eine fünfzeilige Lösungskarte hält den Aufwand klein:
   • Problem in eigenen Worten
   • an die KI übertragene Teilaufgabe
   • beanstandete Stelle im KI-Ergebnis
   • gezielt verlangte Verbesserung mit Begründung
   • Prüfung durch automatisierte Tests, manuelle Sichtkontrolle oder Laufzeitbeobachtung

Die Lösungskarte ergänzt Programm und Tests; bei grösseren Arbeiten kann ein Gespräch hinzukommen.

Verstehen, Ergebnis und KI-Nutzung bewerten

Als anpassbares Raster bieten sich drei Kriterien an:

1. Fachliches Verständnis: Kann die Person Anforderungen, Lösungsweg, Annahmen und kritische Randfälle erklären?
2. Qualität und Prüfung der Lösung: Wurde ein geeignetes Prüfverfahren gewählt? Decken automatisierte Tests das festlegbare Verhalten und kritische Randfälle ab?
3. Begründeter Umgang mit KI: Wie gut sind a) die Auswahl relevanter Informationen, b) das Erkennen einer verfehlten Anforderung und c) der dazu passende Folgeauftrag?

„Finde alle Fehler und behebe sie“ zeigt kaum fachliches Urteil. Aussagekräftiger wäre etwa: „Bei negativen Eingaben liefert die Funktion einen Wert statt einer Fehlermeldung. Korrigiere diesen Fall, ändere die Schnittstelle nicht und ergänze einen passenden Test.“ Auch ein solcher Auftrag kann jedoch kopiert oder von KI formuliert sein. Er zählt nur, wenn Studierende den Bezug zur Anforderung erklären und die Änderung prüfen. Die sprachliche Ausarbeitung wird nicht bewertet.

Kurze Aufgaben ohne KI zeigen die Grundlagen. Bei Projekten helfen mündliche Stichproben: Warum war diese Datei wichtig? Welcher Test hätte den Vorschlag widerlegt? Welche Annahme der KI war falsch?

Nicht jede Aufgabe muss alle Kriterien gleich stark prüfen. Das Raster ist kein fertiges Messinstrument; Gewichtung und Nachweise richten sich nach Lernstand und Prüfungsform.

Datenschutz praktisch umsetzen

Programmcode kann Zugangsschlüssel, Personendaten, interne Geschäftslogik sowie urheberrechtlich oder vertraglich geschützte Teile enthalten. Vor einer KI-Anfrage müssen Studierende das Material begrenzen, Geheimnisse entfernen und Personendaten durch künstliche Beispiele ersetzen. Ist vertraulicher Code nötig, sind institutionell freigegebene Werkzeuge Pflicht. Auch Gesprächsprotokolle können sensible Inhalte offenlegen. UNESCO und OECD betonen Datenschutz, Transparenz und gerechten Zugang [4, 5].

Kostenpflichtige Werkzeuge sollten keinen prüfungsrelevanten Vorteil schaffen. Für bewertete Arbeiten brauchen alle dieselben zugelassenen Werkzeuge oder eine gleichwertige Alternative. Die Verantwortung für die eingereichte Lösung bleibt bei den Studierenden.

Fazit

Bei umfangreicheren Aufgaben mit erlaubter KI genügt eine Codeabgabe als Leistungsnachweis nicht. Ein Kurs sollte Grundlagen ohne KI, gezielte KI-Übungen und KI-gestützte Projekte verbinden. So zählt nicht die Geschicklichkeit beim Formulieren von KI-Aufträgen, sondern ein fachlich verantworteter Arbeitsprozess.

Links und Hintergrundinformationen

[1] Pitts, Rani und Mildort: Trust and Reliance on AI in Education: AI Literacy and Need for Cognition as Moderators. https://doi.org/10.1007/978-3-032-29763-1_28

[2] Chen et al.: Examining the Usage of Generative AI Models in Student Learning Activities for Software Programming. https://arxiv.org/abs/2511.13271

[3] Andleeb, Kantorski und Carver: ChatGPT in Introductory Programming. https://arxiv.org/abs/2510.00946

[4] UNESCO: Guidance for generative AI in education and research. https://www.unesco.org/en/articles/guidance-generative-ai-education-and-research

[5] OECD: Reimagining Teaching in an Accelerating World. https://www.oecd.org/en/publications/reimagining-teaching-in-an-accelerating-world_d0edfe8c-en/full-report/component-6.html