Die Fudan-Prüfung

Die Fudan-Prüfung

28.07.2026 in Jura & Lehre

Neue Prüfungsformate im KI-Zeitalter

Generative KI erzeugt Texte, Analysen und Lösungswege in Sekunden. Prüfungen, die vor allem Wiedergabe, bekannte Argumentationsmuster und standardisierte Aufgabenbearbeitung verlangen, verlieren dadurch an Aussagekraft. Die Frage ist deshalb nicht mehr, ob Prüfungen sich ändern müssen, sondern:

Wie müssen Prüfungen gestaltet sein, damit sie unter den Bedingungen generativer KI fachliche Kompetenz sichtbar machen?

Einen Impuls dazu liefert eine Abschlussprüfung an der Fudan-Universität in Shanghai. Ihr Kern ist nicht der Einsatz von KI, sondern eine Rollenumkehr: Die Studierenden prüfen, die Sprachmodelle werden geprüft – und bewertet wird die Qualität der Aufgaben, die die Studierenden entwickeln.

Der Aufbau

Data-Mining-Kurs, 51 Studierende, Frühjahrssemester 2026; Fudan veröffentlichte die Darstellung am 29. Juni 2026. Jede und jeder Studierende entwickelte zehn Rechenaufgaben mit eindeutiger Lösung und vollständigem Lösungsweg – und musste sie zuerst selbst lösen. Erst dann traten drei Modelle an: DeepSeek V4-Flash, MiniMax M2.7 und Claude Sonnet 4.6.

Die Punktlogik: 60 Punkte Grundgutschrift, dazu 1,5 Punkte pro Fehler bei DeepSeek V4-Flash, 2 bei MiniMax M2.7 und 3 bei Claude Sonnet 4.6; die Gesamtpunktzahl war auf 100 begrenzt. Die Staffelung bildete die vom Lehrteam zugrunde gelegte Leistungshierarchie der Modelle ab. Ergebnis: Durchschnitt 85,7 Punkte, Median 88. Fünfzig von 51 Studierenden brachten mindestens ein Modell mindestens einmal zu Fall; vier gelang es, ein Modell über alle zehn Aufgaben hinweg auf null zu bringen. Bei Claude gelang dies niemandem.

Im Kurs zeigte sich: Eine KI gelegentlich zum Fehler zu verleiten, gelang fast allen. Sie über eine vollständige Aufgabenserie hinweg systematisch scheitern zu lassen, verlangte dagegen erhebliche fachliche und methodische Kompetenz.

Entscheidend ist der Kontext. Die Prüfung war kein Einzelstück, sondern der Schlusspunkt eines umgebauten Semesters: Der Kurs arbeitete mit einem hochschuleigenen KI-Agenten und absolvierte statt ein bis zwei Praxisprojekten neun KI-gestützte Übungen. Der Schwerpunkt hatte sich also bereits während des Semesters vom Rechnen zum Bewerten verschoben.

Im Licht der revidierten Lernzieltaxonomie

Die didaktische Qualität des Formats wird sichtbar, wenn man es an der von Anderson und Krathwohl revidierten Bloom-Taxonomie misst. Sie ist keine Treppe, sondern eine Matrix: sechs kognitive Prozessdimensionen – Erinnern, Verstehen, Anwenden, Analysieren, Bewerten, Erschaffen – und vier Wissensdimensionen: Faktenwissen, konzeptionelles, prozedurales und metakognitives Wissen.

Viele standardisierte Prüfungsaufgaben konzentrieren sich auf Erinnern, Verstehen und schematisches Anwenden. Gerade dort können Sprachmodelle etablierte Wissensbestände und bekannte Lösungsmuster wirkungsvoll reproduzieren.

Die Fudan-Prüfung verschiebt den Schwerpunkt deutlich in die Bereiche Analysieren, Bewerten und Erschaffen und bindet dabei mehrere Wissensdimensionen ein:

  • Erinnern und Verstehen sind Voraussetzung, nicht Gegenstand. Grundlagen werden nicht isoliert abgefragt, sondern in einer Handlungssituation vorausgesetzt.
  • Anwenden ist erforderlich, weil die Studierenden ihre eigenen Aufgaben lösen und die Modellantworten nachrechnen müssen – auf einer selbst konstruierten Aufgabe, nicht auf einem vorgegebenen Schema.
  • Analysieren heißt hier: die Antwort in Argumentations- und Rechenschritte zerlegen und bestimmen, an welcher Stelle und wodurch der Fehler entsteht.
  • Bewerten verlangt explizite Kriterien. Eine sprachlich überzeugende Antwort darf nicht wegen ihrer Plausibilität akzeptiert werden.
  • Erschaffen ist die eigentliche Prüfungsleistung: eine neue Aufgabe samt Lösungsweg und Bewertungsmaßstab konstruieren, idealerweise entlang einer zuvor formulierten Hypothese über eine Modellschwäche.

Ausschlaggebend ist jedoch die zweite Achse der Matrix: Wer einschätzen will, bei welchem Aufgabentyp ein Modell wahrscheinlich scheitert, braucht metakognitives Wissen – Wissen darüber, wann ein Verfahren trägt und wann dem eigenen wie dem fremden Urteil zu misstrauen ist. Metakognitives Wissen wird in klassischen Klausuren zwar benötigt, aber nur selten ausdrücklich zum Prüfungsgegenstand gemacht und eigenständig bewertet. Es ist der eigentliche Ertrag des Formats.

Ein Einwand

Die Zuordnung zu höheren Ebenen darf nicht am Tätigkeitswort hängen. Anderson und Krathwohl ordnen die sechs Prozessdimensionen entlang eines Kontinuums der Komplexität, nicht als strikt inklusive Hierarchie, wie Bloom sie 1956 noch annahm. Wer eine gelernte Fehlerliste auf eine KI-Antwort anwendet, „analysiert“ der Wortwahl nach – kognitiv bleibt er jedoch im Bereich der Reproduktion bzw. des schematischen Anwendens.

Anspruchsvoll wird die Aufgabe erst durch ihr Untersuchungsdesign: eigene Hypothesen über Modellschwächen, passend dazu konstruierte Testfälle, Berücksichtigung von Alternativerklärungen, Vergleich mehrerer Modelle, Begründung der fachlichen Relevanz. Doris Weßels ordnet das Format deshalb nicht als Paradigmenwechsel ein, sondern als innovative Erweiterung des Prüfungsportfolios – verbunden mit der Warnung, Studierende nicht zu bloßen Modelltestern zu machen.

Übertragung

Das Prinzip ist nicht an Data Mining gebunden. Vier Bedingungen müssen erfüllt sein.

Erstens ein umgebautes Semester. Ohne vorherige Lerngelegenheiten, in denen KI-Ausgaben systematisch geprüft werden, prüft das Format etwas, das nie gelehrt wurde.

Zweitens ein präziser Auftrag. „Finden Sie Fehler der KI“ genügt nicht. Verlangt werden müssen Aufgabentypen, die unterschiedliche Fehlerrisiken abdecken: Grundlagenfrage, Transferaufgabe, unvollständiger Sachverhalt, Grenzfall, fehlerhafte Prämisse.

Drittens eine standardisierte Dokumentation: Modell und Version, Zeitpunkt, vollständige Ein- und Ausgabe, eigene Lösung, Fehlerklassifikation mit Begründung, Relevanz, verbesserte Eingabe, Wiederholungstest. Sie begegnet zugleich dem Reproduzierbarkeitsproblem – Modelle antworten nicht deterministisch, und ihr Verhalten kann sich durch Updates verändern.

Viertens ein Raster, das nicht bloß Fehler zählt. Ein Rechenfehler wiegt nicht wie ein methodischer oder dogmatischer Fehler. Zu gewichten sind Aufgabenqualität, Untersuchungsdesign, Richtigkeit der eigenen Lösungen, Analysequalität, Fehlerbegründung und Abschlussreflexion.

Im Ordnungsrahmen des Sydneyer Two-Lane-Ansatzes ist ein solches Format eine offene Prüfung. Es ersetzt die beaufsichtigte Klausur nicht, sondern ergänzt sie. Eigenständigkeit, Chancengleichheit beim Modellzugang, Nachprüfbarkeit der Bewertung und Datenschutz sind vorab zu klären; der realistische Einstieg ist eine Erprobung als Teilprüfung in kleiner Kohorte.

Ein für alle Studierenden gleichermaßen verfügbarer Modellzugang ist dafür unerlässlich. Nordrhein-Westfalen hat mit KI:connect.nrw die landesweite technische Grundlage für einen solchen Zugang geschaffen. Die Hochschule der Justiz daran anzuschließen, wäre der notwendige nächste Schritt.

Übertragungsbeispiel: Grundrechtslehre

Die abwehrrechtliche Prüfung eines Freiheitsgrundrechts folgt regelmäßig einer festen Schrittfolge: Schutzbereich, Eingriff, verfassungsrechtliche Rechtfertigung. Wird ein entscheidungserheblicher Schritt übersprungen, kann das Ergebnis weiterhin plausibel wirken – die Begründung bleibt jedoch methodisch lückenhaft. Genau diese Fehlerform können Sprachmodelle produzieren, und sie ist nur erkennbar, wenn man den Aufbau beherrscht. Daraus lassen sich vier Hypothesen bilden, die denselben Angriffsmustern folgen, die in Shanghai erfolgreich waren – übersprungene Zwischenschritte, lange Schlussketten, unvollständige Angaben. Jede setzt an einer anderen Stelle des Aufbaus an:

Persönlicher Schutzbereich. Beruft sich eine juristische Person des Privatrechts auf ein Grundrecht, ist vor dem sachlichen Schutzbereich die Grundrechtsberechtigung zu klären: Nach Art. 19 Abs. 3 GG gelten die Grundrechte für inländische juristische Personen, soweit das betreffende Grundrecht seinem Wesen nach auf sie anwendbar ist. (Bei juristischen Personen mit Sitz in einem anderen EU-Mitgliedstaat sind unionsrechtliche Erweiterungen zu beachten.) Ein Modell, das unmittelbar den sachlichen Schutzbereich prüft, überspringt eine tragende Voraussetzung.

Schranken vorbehaltlos gewährleisteter Grundrechte. Art. 4 Abs. 1 und 2 GG sowie Art. 5 Abs. 3 Satz 1 GG enthalten keinen ausdrücklichen Gesetzesvorbehalt, sind aber nicht schrankenlos gewährleistet: Eingriffe können durch kollidierende Grundrechte Dritter oder andere Rechtsgüter von Verfassungsrang gerechtfertigt sein – die verfassungsimmanenten Schranken. Der konkrete Eingriff bedarf dabei grundsätzlich einer hinreichenden gesetzlichen Grundlage. Der Grundsatz praktischer Konkordanz ist nicht selbst die Schranke, sondern verlangt einen möglichst schonenden Ausgleich der kollidierenden Verfassungspositionen. Ein Modell, das schematisch einen Gesetzesvorbehalt annimmt oder die Schranken des Art. 5 Abs. 2 GG überträgt, verfehlt die grundrechtliche Systematik.

Schranken-Schranken. Die Verhältnismäßigkeit wird benannt, aber nicht durchgeführt: legitimer Zweck, Geeignetheit und Erforderlichkeit erscheinen als Aufzählung, die Angemessenheit als Behauptung ohne Abwägung.

Unvollständiger Sachverhalt. Fehlt eine entscheidungserhebliche Angabe – die Rechtsform oder der Sitz einer Organisation, die Staatsangehörigkeit bei einem Deutschengrundrecht oder die Information, auf welche gesetzliche Grundlage die Maßnahme gestützt wird –, darf sie nicht stillschweigend ergänzt werden.

Die Pointe

Ein Student mit 97 Punkten ließ die zehn finalen Aufgaben durch ein selbst entwickeltes Multi-Agenten-System erzeugen. Wer die Prüferrolle für automatisierungsfest hält, unterschätzt damit die nächste Stufe der Entwicklung.

Der zweite Teil seines Berichts ist noch interessanter: Das System begann, die Bewertungslogik auszunutzen. Es erzeugte falsche Musterlösungen, begrenzte Ausgabelänge und Reasoning-Tiefe der geprüften Modelle und vervielfältigte erfolgreiche Aufgaben. Statt Aufgabenqualität optimierte es das formale Bewertungssignal.

Die Urteilskraft verschwindet also nicht. Sie wandert eine Ebene höher — vom Lösen der Aufgabe zum Validieren des Apparats, der die Aufgaben erzeugt. Und sie bleibt aus demselben Grund unverzichtbar, aus dem jede Prüfungsmetrik erodiert: Sobald das Kriterium zum Ziel wird, hört es auf, ein gutes Maß zu sein.

Lehren und Prüfen zusammendenken

Für unsere Arbeit im Zentrum für Informationstechnologie und Mediendidaktik (ZIM) der Hochschule der Justiz Nordrhein-Westfalen ziehe ich daraus ein Fazit. Wir qualifizieren und beraten Lehrende, entwickeln mit ihnen mediendidaktische Formate und erproben New-Learning-Prozesse. Die Frage, wie unter den Bedingungen generativer KI gelehrt und gelernt werden kann, lässt sich dabei von der Frage, wie Leistungen künftig geprüft und bewertet werden, nicht trennen.

Eine veränderte Didaktik des Lehrens bleibt unvollständig, wenn ihr eine unveränderte Didaktik des Prüfens gegenübersteht. Wer Lernprozesse neu gestaltet, muss deshalb auch Prüfungsprozesse neu denken. Genau dazu liefert die Fudan-Prüfung einen ebenso provozierenden wie produktiven Impuls.

Quellen

Zum grundrechtlichen Prüfungsaufbau

  • Hahn/Petras/Wienfort/Valentiner (Hrsg.) (2022): Grundrechte. Ein offenes Lehrbuch. OpenRewi / De Gruyter. Frei zugänglich unter CC BY-SA, de.wikibooks.org
  • Kingreen, T. & Poscher, R. (2025): Grundrechte. Staatsrecht II. 41. Aufl., C.F. Müller (begründet von Pieroth/Schlink)

Copyright © 2009-2026 by JURA & LEHRE | MEDIA & MORE - - Impressum - Datenschutz