Eine weltweite Umfrage unter Informatiklehrenden zeigt, dass viele Lehrkräfte ihre Lehr- und Prüfmethoden als Reaktion auf generative KI-Coding-Tools bereits verändert haben. Die von einer ACM-Taskforce durchgeführte Umfrage umfasste mehr als 700 Lehrende aus 49 Ländern und ergab, dass 69 Prozent der Ansicht sind, KI habe die für die Softwareentwicklung erforderlichen Fähigkeiten verändert.

Die Ergebnisse zeigen eine breite Abkehr von traditionellen Programmieraufgaben, bei denen das Schreiben von Code von Grund auf im Mittelpunkt steht. Stattdessen legen Lehrende mehr Gewicht auf Codeverständnis, Debugging, Problemlösung, mündliche Prüfungen, Code-Verteidigungssitzungen und projektbasierte Arbeit. Gleichzeitig gab fast die Hälfte der Befragten an, dass ihnen erprobte Beispiele für die Einbindung von KI in ihre Kurse fehlen.

KI-Coding-Assistenten wie ChatGPT und GitHub Copilot können viele typische Programmieraufgaben aus Einführungskursen lösen und erreichen dabei häufig das Niveau durchschnittlicher Studierender. Das stellt Kurse vor ein praktisches Problem, die solche Aufgaben traditionell genutzt haben, um zu prüfen, ob Studierende eigenständig funktionierenden Code erstellen und erklären können. Die neue Studie bietet einen umfassenderen Blick darauf, wie Informatiklehrende weltweit auf diese Herausforderung reagieren. Durchgeführt wurde sie von der "ACM Task Force on Generative AI and Programming Assessment", einer Expertengruppe, die vom Bildungsausschuss der internationalen Informatikgesellschaft ACM eingerichtet wurde.

Die Taskforce befragte zwischen Mai und Oktober 2025 insgesamt 763 Lehrende aus 49 Ländern. Rund 500 nahezu vollständig ausgefüllte Fragebögen wurden in die Analyse einbezogen. Den Ergebnissen zufolge sagten 69 Prozent der Befragten, dass KI die für die Softwareentwicklung benötigten Fähigkeiten verändert habe. Die größte Sorge der Lehrenden war eine zunehmende Abhängigkeit der Studierenden von Technologie, genannt von 87 Prozent, gefolgt von Betrug und Plagiaten, genannt von 72 Prozent.

Lehre verlagert sich vom Schreiben von Code zum Verständnis von Code

Vierundsechzig Prozent der Befragten gaben an, ihre Lehrweise bereits geändert zu haben. Eine thematische Analyse offener Antworten zeigte eine klare Richtung: weniger Fokus auf das Schreiben von Code von Grund auf und mehr Fokus auf das Verstehen von Code, das Finden und Beheben von Fehlern sowie das Lösen von Problemen. Neununddreißig Antworten nannten außerdem den Einsatz von KI und Prompt Engineering als ausdrückliche Unterrichtsthemen. Andere Lehrende berichteten, dass sie KI-Tools im Unterricht demonstrieren, um sowohl deren Möglichkeiten als auch deren Grenzen zu veranschaulichen.

"We know that students will likely be developing with AI tools when they enter the workforce," sagte Steven Gordon, Professor an der Ohio State University und Hauptautor des Berichts. "The key is to produce graduates who are competent in programming and who understand both the capabilities and limitations of AI."

Mündliche Prüfungen und projektbasierte Bewertungen gewinnen an Bedeutung

Prüfungspraktiken verändern sich noch schneller. Achtundsechzig Prozent der Befragten gaben an, verändert zu haben, wie sie Studierende prüfen. Zu den am häufigsten genannten Änderungen gehörten mehr beaufsichtigte Präsenzprüfungen mit 56 Nennungen, eine geringere Gewichtung von Hausaufgaben mit 38 Nennungen, mündliche Prüfungen und Code-Verteidigungssitzungen mit 36 Nennungen sowie papierbasierte Tests mit 35 Nennungen. Projektbasierte Bewertungen wurden ebenfalls 34 Mal genannt.

Einige Lehrende verlangen inzwischen, dass Studierende offenlegen, ob und wie sie KI-Tools genutzt haben, und in manchen Fällen Protokolle ihrer Interaktionen mit diesen Tools einreichen. Diese Änderungen spiegeln den wachsenden Versuch wider, zwischen dem eigenen Verständnis der Studierenden und Arbeiten zu unterscheiden, die von Software erstellt oder stark unterstützt wurden.

Institutionelle Richtlinien bleiben uneinheitlich. Fünfundvierzig Prozent der Befragten sagten, ihre Einrichtung habe Leitlinien zur KI-Nutzung, während 39 Prozent angaben, dass ihre Einrichtung keine solchen Leitlinien habe. Bestehende Regelungen reichen von vollständigen Verboten bis hin zu ausdrücklicher Erlaubnis oder Ermutigung, sofern Studierende ihre KI-Nutzung dokumentieren. Für Lehrende bedeutet diese uneinheitliche Richtlinienlage, dass Änderungen auf Kursebene häufig vorgenommen werden, während Institutionen noch entscheiden, wie KI-Nutzung geregelt werden soll.

Lehrende verweisen auf fehlende Best-Practice-Beispiele

Das häufigste Hindernis für die KI-Integration, genannt von 48 Prozent der Befragten, war das Fehlen erprobter Best Practices. Achtundzwanzig Prozent sagten, sie verfügten nicht über ausreichende KI-Expertise, während 20 Prozent angaben, keinen Bedarf zu sehen, KI in ihre Lehre zu integrieren.

Die Befragten nannten außerdem einen Bedarf an mehr beruflicher Weiterbildung. Vierundsiebzig Prozent sagten, sie wünschten sich Schulungen zu wirksamen Lehrmethoden, und 66 Prozent wünschten sich Unterstützung bei der Neugestaltung von Prüfungen. Die Ressourcenseite der Taskforce greift diese Lücke auf, indem sie praktische Beispiele sammelt; die Umfrageergebnisse deuten jedoch darauf hin, dass viele Lehrende weiterhin nach erprobten Modellen suchen, die sie an ihre eigenen Kurse anpassen können.

Die Autorinnen und Autoren der Studie wiesen auf mehrere Einschränkungen hin. Die Teilnehmenden wurden hauptsächlich über Mailinglisten von ACM und SIGCSE sowie über ausgewählte nationale Verzeichnisse von Lehrenden rekrutiert. Die Gruppe der Befragten war stark auf Nordamerika mit 227 Befragten und Europa mit 106 ausgerichtet. Auf Asien entfielen 57 Befragte, auf Südamerika 10, auf Ozeanien 9 und auf Afrika 3. Unter den Befragten, die den Typ ihrer Einrichtung angaben, arbeiteten 77 Prozent an Universitäten, während K-12-Schulen und berufliche Bildungsprogramme nur gering vertreten waren. Die Ergebnisse beruhen zudem auf Selbstauskünften.

Die ACM-Studie ist frei online verfügbar. Die Taskforce hat außerdem eine Website mit praktischen Beispielen und Ressourcen für Lehrende erstellt.

Jüngere Studien deuten auf bessere Noten, aber schwächere Lernergebnisse hin

Mehrere jüngere Studien stimmen mit den von den Befragten geäußerten Bedenken überein. Eine Anthropic-Studie ergab, dass Softwareentwickler, die beim Lernen einer neuen Python-Bibliothek KI-Unterstützung nutzten, in einem anschließenden Wissenstest 17 Prozent schlechter abschnitten als eine Kontrollgruppe ohne KI-Zugang. Eine kleine Teilgruppe von Teilnehmenden, die das Programmieren vollständig an KI delegierte, erledigte die Aufgaben am schnellsten, erzielte im Wissenstest aber im Durchschnitt nur 39 Prozent.

Ähnliche Befunde gibt es auch außerhalb der Informatik. Eine chinesische Längsschnittstudie mit mehr als 26.000 Studierenden ergab, dass der Einsatz von KI die Noten für Hausaufgaben um 18 Prozent erhöhte und die Bearbeitungszeit um 30 Prozent verringerte. Nach sechs Monaten sanken die Ergebnisse in Closed-Book-Prüfungen jedoch um 20 Prozent. Bei späteren Aufnahmeprüfungen gingen die Ergebnisse je nach Test um 18 Prozent beziehungsweise 24 Prozent zurück.

Eine Analyse der UC Berkeley von mehr als 500.000 Noten stellte nach der Veröffentlichung von ChatGPT einen deutlichen Anstieg von Bestnoten fest, insbesondere in Kursen mit umfangreichen Schreib- und Programmieraufgaben. Am stärksten war der Anstieg in Kursen, in denen unbeaufsichtigte Hausaufgaben erheblich in die Abschlussnote einflossen. Dem ACM-Bericht zufolge ist genau dies die Kategorie von Prüfungsleistung, deren Bedeutung viele Lehrende nun verringern.