Beschlüsse und Positionen

Aus­gangslage:91,6 % der Studieren­den nutzen KI-Werkzeuge im Studi­um, 81,5 % greifen dabei auf die kosten­lose Chat­G­PT-Var­i­ante zurück [1]. Die Stan­­dard-Bezahlstufen kosten pro Dienst 21 bis 23 € im Monat, die Spitzen­stufen mit höheren Nutzungslim­its rund 100 bis 230 €[2]; nur 13 % der KI-Nutzen­­den in Deutsch­land zahlen über­haupt für KI [3]. Für die Nutzung der aktuell­sten KI-Mod­­elle ist eine bezahlungspflichtige Lizenz notwendig. Damit hängt es aktuell von der indi­vidu­ellen finanziellen Sit­u­a­tion der Studieren­den ab, ob jemand mit den mod­ern­sten LLMs in seinem Studi­um arbeit­en kann. Der Zugang zu KI ist damit eine Frage der Chan­cen­gle­ich­heit. Der Wis­senschaft­srat hat am 06.07.2026 emp­fohlen, den Hochschulen eine „ver­lässliche Grund­ver­sorgung mit Inferen­zka­paz­itäten” zu sich­ern, als beispiel­gebend nen­nt er die NRW-Lan­desstrate­gie und die Ange­bote der GWDG [4]. In Bay­ern fehlt ein solch­es über­greifend­es Ange­bot: Das Län­der­in­ven­tar des Wis­senschaft­srats (Stand 01.04.2026) führt für Bay­ern Leitlin­ien, Förder­pro­gramme und zwei Ver­wal­tung­spro­jek­te auf, aber keinen lan­desweit­en KI-Zugang für Studierende [4]. Bay­ern­KI (bis zu 55 Mio. € aus der High­tech Agen­da) ist reine Forschungsin­fra­struk­tur ohne Chat-Dienst und ohne all­ge­meinen Zugang für Studierende; die eigene FAQ ver­weist für Chat­bots an die GWDG nach Göt­tin­gen [5][6]. Für das geplante KI-Basis­­mod­­ell (Blue Swan) beschafft der Freis­taat weit­ere 1.024 Hochleis­­tungs-GPUs, die ab Herb­st 2026 exk­lu­siv den Entwick­lung­steams vor­be­hal­ten sind [7]. Einzelne Hochschulen (u. a. FAU, HM, THWS) finanzieren Zugänge aus eige­nen Mit­teln, an anderen gibt es kein hochschul­weites Ange­bot [8][9]. Nor­­drhein-West­­­falen dage­gen stellt seit März 2025 über KI:connect.nrw allen rund 607.000 Studieren­den der 36 staatlichen Hochschulen kosten­losen, anonymisierten KI-Zugang bere­it, seit April 2026 wird dies um lan­des­ge­hostete offene Mod­elle ergänzt [10][11]. Als größte Grup­pierung an den Hochschulen sollen die Studieren­den in die rel­e­van­ten Entschei­dung­sprozesse mit ein­be­zo­gen wer­den. Der Bay­erische Lan­desstudieren­den­rat fordert, allen Studieren­den der staatlichen bay­erischen­Hochschulen eine kosten­freie, frei­willig nutzbare KI-Grund­ver­­sorgung als lan­desweit ein­heitlichen Dienst bere­itzustellen, unab­hängig davon, an welch­er Hochschule jemand studiert. Diese Grund­ver­sorgung umfasst min­destens: Forderun­gen: 1. KI-Chatas­­sis­­tent auf Stand der Tech­nik: leis­tungs­fähige gen­er­a­tive Sprach­mod­elle aktueller Gen­er­a­tion mit Datei-Upload in ein­er bar­ri­ere­frei nutzbaren Ober­fläche. Die Architek­tur tren­nt Mod­elle, Client und hochschul­spez­i­fis­che Anbindung. Client und hochschul­spez­i­fis­che Kom­po­nen­ten wer­den quellof­fen entwick­elt und in einem öffentlichen Repos­i­to­ry bere­it­gestellt, sodass Hochschulen sie nach­nutzen und Studierende Architek­tur und Funk­tion­sweise nachvol­lziehen und zur Weit­er­en­twick­lung beitra­gen kön­nen. 2. Inter­net­zu­gang und Lit­er­atur­recherche: Zugriff auf aktuelle Webin­halte mit Quel­lenangaben sowie Unter­stützung wis­senschaftlich­er Lit­er­atur­recherche (Anbindung offen­er wis­senschaftlich­er Daten­banken bzw. Bib­lio­thek­sres­sourcen). 3. Lern­werkzeuge: Gener­ierung von inter­ak­tiv­en Übungs­fra­gen, Quizzen und Karteikarten aus eige­nen Lern­ma­te­ri­alien, inklu­sive Import und Export (z. B. Anki), sowie Anbindung an die Lern­plat­tfor­men der Hochschulen (z. B. Moo­dle). Wer­den gener­ierte Inhalte kur­sweit oder öffentlich geteilt, ist eine Freiga­be durch Lehrende, von ihnen benan­nte Per­so­n­en oder im Rah­men eines Peer-Review For­mats vorzuse­hen (Human-in-the-Loop zur Qual­itätssicherung). 4. Agen­tis­ches Cod­ing: KI-Pro­­gram­mier­w­erkzeuge, die mehrschrit­tige Auf­gaben eigen­ständig bear­beit­en. Der Dienst stellt hier­für kontin­gen­tierte API-Schlüs­sel für eine Ope­­nAI- oder Anthrop­ic-kom­­pat­i­ble Schnittstelle bere­it, über die sich die gehosteten Mod­elle in etablierten (Open-Source-)Coding-Agenten als End­punkt ein­tra­gen lassen; das Model­lange­bot umfasst dafür geeignete, werkzeugfähige offene bzw. Open Weight-Mod­­elle (derzeit z. B. Qwen3.6–27B, GLM‑5.2, DeepSeek-V4, Nemotron 3, Ultra, Mis­tral Large 3, Devs­tral 2). 5. Aktu­al­ität: selb­st betriebene offene bzw. Open-Weight-Mod­­elle wer­den min­destens vierteljährlich auf aktuelle Mod­ell­gen­er­a­tio­nen aktu­al­isiert, bei ange­bun­de­nen kom­merziellen Mod­ellen wer­den neue Mod­ell­gen­er­a­tio­nen zeit­nah über­nom­men, spätestens drei Monate nach Ver­füg­barkeit; einge­set­zte Mod­elle, Ver­sio­nen und Mod­ell­wech­sel wer­den trans­par­ent doku­men­tiert und rechtzeit­ig angekündigt, für laufende Lehrver­anstal­tun­gen und Prü­fun­gen bleiben abgelöste Mod­ell­stände über­gangsweise ver­füg­bar, soweit Lizenz, Sicher­heit und Betrieb dies zulassen. 6. Gestaffelte Nutzungskontin­gente: ein indi­vidu­elles Kontin­gent für kom­merzielle Mod­elle sowie ein bre­it­eres für aktuelle, in Bay­ern gehostete offene Mod­elle; auf Antrag erhöh­bare Kontin­gente für Pro­jek­te, Abschlus­sar­beit­en und Lehrver­anstal­tun­gen; jed­erzeit trans­par­ent ein­se­hbare Anzeige der eige­nen Kontin­gent­nutzung; nutzungs­gerechte Bemes­sung (etwa token- oder rechen­zeit­basiert statt nach bloßer Anfragezahl). Aggregierte Nutzungssta­tis­tiken wer­den den Studieren­den­vertre­tun­gen zugänglich gemacht; Bemes­sung und Anpas­sung der Kontin­gente erfol­gen unter Ein­beziehung der Studieren­den. In Prü­fun­gen, in denen KI-Nutzung zuge­lassen, voraus­ge­set­zt oder Gegen­stand der Leis­tung ist, erhal­ten alle Teil­nehmenden densel­ben Mod­ell­stand und Funk­tion­sum­fang mit einem vom per­sön­lichen Ver­brauch unab­hängi­gen Prü­fungskontin­gent, um die prü­fungsrechtliche Chan­cen­gle­ich­heit zu wahren. 7. Daten­schutz und dig­i­tale Sou­veränität: DSG­­VO-kon­­former Betrieb auf Infra­struk­tur in der EU bzw. im EWR (solange min­destens die daten­schutzrechtlichen Stan­dards der EU einge­hal­ten wer­den) oder auf hochschuleigen­er Infra­struk­tur; keine Nutzung stu­den­tis­ch­er Eingaben für das Train­ing extern­er bzw. kom­merzieller Mod­elle; keine Pflicht zu pri­vat­en Kon­ten bei Drit­tan­bi­etern; Anmel­dung über die Hochschulken­nung, ohne Über­mit­tlung iden­ti­fizieren­der Dat­en an externe Model­lan­bi­eter. Bei exter­nen Model­lan­bi­etern wer­den Zero ‑Data ‑Reten­­tion- Vere­in­barun­gen genutzt; die Daten­hal­tung erfol­gt vor­rangig auf hochschuleigen­er oder im Hochschul­ver­bund betrieben­er Infra­struk­tur, andern­fallsinner­halb der EU bzw. des EWR. Ein­sicht­nah­men in einzelne Chatver­läufe erfol­gt nur ohne Zuord­nung zu ein­er Per­son und nur, soweit dies für Betrieb, Fehler­analyse, Sicher­heit oder Miss­brauchsver­mei­dung erforder­lich ist. Die Nutzen­den wer­den bei der Nutzung des Dien­stes deut­lich darauf hingewiesen, keine per­so­n­en­be­zo­ge­nen Dat­en in Chats einzugeben. Eine Auswer­tung von Chats für Leis­tungs­be­w­er­tung, Prü­fungsentschei­dun­gen oder Täuschungserken­nung find­et nicht statt. Studierende kön­nen ihre Chats per geson­dert­er, jed­erzeit fol­gen­los wider­ru­flich­er Ein­willi­gung (Opt-in) für Learn­ing-Ana­­lyt­ic­sZwecke freigeben; die Auswer­tung erfol­gt auss­chließlich aggregiert und ohne Rück­führbarkeit aufEinzelper­so­n­en und fließt nicht in Leis­tungs­be­w­er­tung, Prü­fungsentschei­dun­gen oder Täuschungserken­nung ein. Studierende kön­nen darüber hin­aus per eigen­er, geson­dert­er, jed­erzeit wider­ru­flich­er Ein­willi­gung ihre Chats für das Train­ing und die Verbesserung der selb­st betriebe­nen Mod­elle und Werkzeuge des Dien­stes bere­it­stellen; die Dat­en wer­den hier­für vor­ab um per­so­n­en­beziehbare Angaben bere­inigt und ver­lassen die hochschuleigene bzw. im Hochschul­ver­bund betriebene Infra­struk­tur nicht; der Wider­ruf wirkt für kün­ftige Train­ingsläufe. Eine Nutzung für das Train­ing extern­er bzw. kom­merzieller Mod­elle bleibt option­al. 8. Zitier­fähiger Echtheit­snach­weis: Aus jedem über den Dienst geführten Chat muss ein kryp­tografisch ver­i­fizier­bar­er, manip­u­la­tion­snach­weisender Echtheit­sanker unter ein­er per­sis­ten­ten, insti­tu­tionell ver­wal­teten Ken­nung exportier­bar sein, der Gesprächsver­lauf, ver­wen­detes Mod­ell samt Ver­sion sowie, soweit tech­nisch ver­füg­bar, Gener­ierungspa­ra­me­ter (u. a. Tem­per­a­ture), genutzte Werkzeuge und abgerufene Quellen doku­men­tiert und so als Zita­tions­be­leg für KI-Out­­puts in wis­senschaftlichen Arbeit­en dient; die dauer­hafte Erre­ich­barkeit ist insti­tu­tionell, nicht anbi­eter­ab­hängig sicherzustellen. Der Export erfol­gt auss­chließlich auf Ver­an­las­sung der Studieren­den, wahlweise voll­ständig oder als Auszug mit gekennze­ich­neten Aus­las­sun­gen und mit frei wählbarem Zugriff­skreis (öffentlich bis nur benan­nte Prüfende); nicht exportierte Chats wer­denzu diesem Zweck nicht gespe­ichert. 9. Ver­ste­ti­gung: dauer­hafte zen­trale Finanzierung durch den Freis­taat, nicht zulas­ten von Lehrbud­gets oder aus Mit­teln der Studieren­den­vertre­tun­gen, sowie beglei­t­ende Ange­bote zum Auf­bau von KI-Kom­pe­tenz. Quellen:  [1] https://doi.org/10.48444/h_docs-pub-533 und https://h‑da.de/meldung-einzelansicht/bundesweite-studie-mehr-als-90-der– studieren­­den-nutzen-ki-basierte-tools-wiechat­g­pt-fuers-studi­um [2] https://openai.com/de-DE/chatgpt/pricing/, https://claude.com/pricing und https://gemini.google/de/subscriptions/ [3] https://www.bitkom.org/Presse/Presseinformation/Zahlungsbereitschaft-fuer-KI-erhoeht[4] https://www.wissenschaftsrat.de/download/2026/3319–26.pdf (Grund­ver­sorgung mit Inferen­zka­paz­itäten S. 55 ff.; Empfehlun­gen S. 59 f.; Län­derüber­sicht S. 79 ff., Bay­ern S.

Mehr Selb­st­bes­tim­mung, weniger Pflicht: Gegen ungerecht­fer­tigte Anwe­sen­heit­spflicht­en an bay­erischen Hochschulen

Im Zuge der laufend­en strate­gis­chen Über­legun­gen zur Weit­er­en­twick­lung der bay­erischen Hochschul­land­schaft und der geplanten Pro­­fil- und Konzen­tra­tionsstrate­gie (PuK) spricht dieser Beschluss die grundle­gen­den Anforderun­gen aus Sicht der Studieren­den in Bay­ern an. Ziel ist es, eine zukun­fts­fähige Hochschu­len­twick­lung zu sich­ern, die wis­senschaftliche Qual­ität, soziale Gerechtigkeit und die Vielfalt des Hochschul­sys­tems gewährleis­tet.  Sicherung von Vielfalt und Schutz klein­er Fäch­er  Regionale Aus­ge­wogen­heit und Sicherung gle­ich­w­er­tiger Stu­di­en­möglichkeit­en  Qual­ität von Lehre und Studier­barkeit  Koop­er­a­tion statt Zen­tral­isierung  Beteili­gung und Trans­parenz  Abschließende Posi­tion Eine Weit­er­en­twick­lung der bay­erischen Hochschul­land­schaft kann nur dann gelin­gen, wenn sie qual­i­ta­tiv, sozial verträglich, trans­par­ent und langfristig tragfähig gestal­tet wird. Pro­fil­bil­dung darf nicht mit Kürzungspoli­tik gle­ichge­set­zt wer­den. Vielmehr muss sie Teil ein­er strate­gis­chen Weit­er­en­twick­lung sein, die sich an wis­senschaftlich­er Qual­ität, gesellschaftlichem Bedarf und stu­den­tis­ch­er Per­spek­tive ori­en­tiert. Ziel muss stets eine starke, vielfältige, sozial gerechte und inter­na­tion­al sicht­bare Hochschul­land­schaft sein, die allen Studieren­den unab­hängig von Herkun­ft, Stan­dort und Fachrich­tung faire Voraus­set­zun­gen bietet. Denn eine Hochschu­len­twick­lung, die wis­senschaftliche Vielfalt, demokratis­che Beteili­gung, soziale Gerechtigkeit und langfristige Sta­bil­ität sichert, ist Voraus­set­zung für ein leis­tungs­fähiges, freies und zukun­fts­fähiges Bil­dungssys­tem. Als Studierende freuen wir uns auf einen ver­ant­wor­tungsvoll, dial­o­gori­en­tiert und im Sinne ein­er zukun­fts­fähi­gen Bil­dungspoli­tik gestal­teten Prozess!

Mit der zunehmenden Dig­i­tal­isierung der Lehre entste­hen zahlre­iche Dat­en über Ler­nak­tiv­itäten von Studieren­den, beispiel­sweise aus Quizfra­gen, Online-Übun­­gen oder der Nutzung dig­i­taler Lern­ma­te­ri­alien. Die sys­tem­a­tis­che Auswer­tung dieser Dat­en wird als Learn­ing Ana­lyt­ics (LA) beze­ich­net und bietet ein großes Poten­zial, um das Ler­nen indi­vidu­ell zu fördern, Studierende gezielt beim Lern­prozess zu unter­stützen sowie die Qual­ität der Lehre ins­ge­samt nach­haltig zu verbessern [1][2]. LA ermöglicht es Studieren­den, ihren Lern­fortschritt eigen­ständig nachzu­vol­lziehen, Wis­senslück­en frühzeit­ig zu erken­nen und passende näch­ste Lern­schritte abzuleit­en. Lehrende prof­i­tieren par­al­lel dazu von anonymisierten Rück­mel­dun­gen über häu­fig auftre­tende Schwierigkeit­en im Kurs, wodurch sie ihre Didak­tik gezielt opti­mieren kön­nen [1][3]. Der BayStu­Ra unter­stützt nach­drück­lich den Ein­satz von LA an bay­erischen Hochschulen und for­muliert im fol­gen­den Leitlin­ien, wie LA sin­nvoll und pos­i­tiv einge­set­zt wer­den kann. Wichtig sind hier­bei Frei­willigkeit (Opt-in), Trans­parenz in der Daten­er­he­bung und ‑ver­wen­dung, Fair­ness im Umgang mit Dat­en sowie strik­te Daten­schutzkon­for­mität. Indi­vidu­elle Analy­sen sind auss­chließlich für die jew­eili­gen Studieren­den bes­timmt, bee­in­flussen niemals Prü­fun­gen oder Noten und dienen einzig dem Ziel, Lern­prozesse indi­vidu­ell zu verbessern. Auf diese Weise wird LA nicht nur akzep­tiert, son­dern als sin­nvolle Ergänzung zur Verbesserung der Lehre geschätzt [1][2][3]. LA bietet reale Chan­cen, ohne die Autonomie der Studieren­den zu unter­laufen. Zum einen macht es Lern­prozesse sicht­bar: Wer nachvol­lziehen kann, was wann bear­beit­et wurde, wo Ver­ständ­nis­prob­leme auftreten und welch­er Inhalt als Näch­stes sin­nvoll ist, lernt geziel­ter und selb­st­bes­timmter. Zum anderen ermöglicht LA wirk­same, aber zurück­hal­tende Früh­war­nun­gen, wenn etwa das Engage­ment erkennbar abreißt – gestal­tet als Ein­ladung zur Beratung. Drit­tens steigern aggregierte, nicht per­so­n­en­be­zo­gene Rück­mel­dun­gen an Lehrende die didak­tis­che Qual­ität, weil sie schnell anzeigen, an welchen Auf­gaben oder Konzepten viele scheit­ern. Der empirische Forschungs­stand weist – bei het­ero­gen­er Evi­denz – ins­ge­samt auf kleine bis mit­tlere Leis­tungs­gewinne hin, sofern Inter­ven­tio­nen klar an Lernziele gekop­pelt und päd­a­gogisch begleit­et wer­den [4][5].  Damit LA sin­nvoll greift, braucht es geeignete Kon­texte und Mate­ri­alien. Beson­ders tragfähig ist LA in For­mat­en, in denen dig­i­tale, inhaltlich aus­sagekräftige Arte­fak­te entste­hen: Pro­gram­mier­auf­gaben mit Online-Abgabe, Quiz und kurze Zwis­chenchecks in Flipped-Class­­room-Set­t­ings, Videos mit einge­bet­teten Fra­gen oder Sem­i­nare mit Leseauf­gaben und Leit­fra­gen. Dort sind deskrip­tive (Was geschah?), diag­nos­tis­che (Wo häufen sich Fehler?), vor­sichtig prädik­tive (Wo zeich­nen sich Prob­leme ab?) und präskrip­tive Auswer­tun­gen (Was ist jet­zt ein passender Lern­schritt?) möglich. Voraus­ge­set­zt sind sauber for­mulierte Lernziele, fach­lich valide Auf­gaben und Inter­ak­tio­nen, die mehr zeigen als nur Abruf und Klick­zahlen. Dabei wer­den mehr Dat­en erhoben – aber ziel­gerichtet, zweck­ge­bun­den und in klar­er Daten­min­imierung, nicht flächig und „auf Vor­rat“ [2][6][7]. Akzep­tanz entste­ht hier durch ordentliche Infor­ma­tion statt Black-Box-Gefühl. Studierende müssen vor­ab ver­ständlich erfahren, welche Dat­en zu welchem Zweck erhoben wer­den, wie die Auswer­tung funk­tion­iert, wer welche Sicht­en erhält, wie lange gespe­ichert wird und welche Rechte beste­hen (Auskun­ft, Berich­ti­gung, Wider­ruf). Inter­na­tionale Leit­fä­den – etwa der Jisc-Kodex und die SURF-Roadmap – set­zen hier­für Stan­dards: Trans­parenz, par­tizipa­tive Gov­er­nance, doku­men­tierte Ver­hält­nis­mäßigkeit und strikt for­ma­tive Nutzung [1][2][3].  Eben­so klar sind die Gren­zen. LA darf keinen Ein­fluss auf Prü­fun­gen, Zulas­sun­gen oder son­stige Leis­tungs­fest­stel­lun­gen haben; vol­lau­toma­tisierte Einze­lentschei­dun­gen mit erhe­blich­er Wirkung sind auszuschließen. Somit ist notwendig, LA über informierte Ein­willi­gun­gen, klare Satzun­gen und Daten­schutz-Fol­­gen­ab­schätzun­­gen zu imple­men­tieren; gen­er­alk­lause­lar­tige Erlaub­nisse reichen für die Tiefe typ­is­ch­er Analy­sen nicht aus.  Dozieren­den­feed­back ist legit­im, wenn es auss­chließlich aggregiert, ab belast­baren Min­destko­hort­en und ohne Indi­vid­u­al­pro­file erfol­gt. Ver­gle­ich­srank­ings („Top 50 %“) und soziale Wet­tbe­werb­sanzeigen sind prob­lema­tisch, weil sie Fehldeu­tun­gen und Druck erzeu­gen; zielführend sind Darstel­lun­gen, die den indi­vidu­ellen Lern­fortschritt und näch­ste Schritte beto­nen. Inter­na­tionale Debat­ten – etwa die nor­wegis­che Analyse der Dilem­ma­ta Dat­en, Ler­nen, Gov­er­nance und Kom­pe­tenz – unter­stre­ichen die Notwendigkeit ver­trauens­bilden­der Schutzmech­a­nis­men sowie Qual­i­fizierung aller Beteiligten. Erwartungsstu­di­en zeigen zudem europaweit ähn­liche stu­den­tis­che Pri­or­itäten: hohe Ansprüche an Ethik und Pri­vat­sphäre bei zugle­ich klaren Ser­viceer­wartun­gen an nüt­zlich­es, ver­ständlich­es Feed­back [2][5][8][9]. Forderun­gen Der BayStu­Ra befür­wortet LA als frei­williges, beglei­t­en­des Unter­stützungssys­tem – und for­muliert dafür Leitlin­ien: Frei­willigkeit und Selb­st­bes­tim­mung. Teil­nahme auss­chließlich per Opt-in, jed­erzeit wider­ruf­bar und fol­gen­los; LA unter­stützt Ler­nentschei­dun­gen, erset­zt sie jedoch nicht. Keine Prü­fungsrel­e­vanz: Wed­er Teil­nahme noch Ergeb­nisse aus LA dür­fen auf Noten, Zulas­sun­gen oder andere Leis­tungsentschei­dun­gen durch­schla­gen. Kein Automa­tismus:Hin­weise aus LA sind Anstoß für men­schliche Beratung, nicht für vol­lau­toma­tisierte Ein­griffe [1][2]. Ordentliche Infor­ma­tion der Studieren­den. Vor Aktivierung informiert die Hochschule ver­ständlich über Zweck und Nutzen, Daten­typen und ‑quellen, Auswer­tungslogik, Empfänger­rechte, Spe­icher­fris­ten, Ansprech­stellen sowie Rechte (Auskun­ft, Berich­ti­gung, Wider­ruf). Unmissver­ständlich ist klarzustellen: Lehrende sehen keine per­so­n­en­be­zo­ge­nen Lern­ver­läufe; Rück­mel­dun­gen in Lehrteams erfol­gen auss­chließlich aggregiert [1][2][3].  Wo LA sin­nvoll ist – und welche Auswer­tun­gen tragfähig sind. Hochschulen pri­or­isieren bei der Ein­führung von LA Kurse mit beste­hen­den geeigneten dig­i­tal­en Arte­fak­ten (z. B. Pro­gram­mier­prak­ti­ka, Kurse mit Online-Quiz, Flipped-Class­­room-For­­mate, VHB-Ange­bote), auch wenn Pilot­pro­jek­te in anderen Bere­ichen unter­stützt wer­den sollen. Zuläs­sig sind Auswer­tun­gen, die sich an den Lernzie­len ori­en­tieren; Mod­elle, die den Kurs­er­folg vor­raus­sagen, müssen auf trans­par­ent inter­pretier­bar­er und ver­ständlich­er Daten­ba­sis arbeit­en und für den entsprechen­den Kurs spez­i­fisch zuver­läs­sige Ergeb­nisse liefern. Lehrende bekom­men hier­bei Kurs­feed­back, kön­nen aber keine indi­vidu­ellen Ergeb­nisse ein­se­hen oder sehen, wer teil­nimmt, son­dern nur als aggregierte Rück­mel­dun­gen ab bes­timmten Kohort­en­größen. [6][7].  Mate­ri­alqual­ität und gezielte Daten­er­he­bung. Lehr­ma­te­r­i­al wird so auf­bere­it­et, dass Lernziele erkennbar sind und Auf­gaben fach­lich valide auf diese Ziele ver­weisen. Inter­ak­tio­nen wer­den dort erhoben, wo sie didak­tisch Sinn stiften. Hier­für braucht es mehr Dat­en – aber nur in dem Umfang, der für Feed­back, Unter­stützung und Kursverbesserung notwendig ist. Daten­min­imierung, Zweck­bindung, Löschkonzepte und tech­nis­che Zugriffs­beschränkun­gen sind verbindlich [2]. Rechts- und Gov­­er­­nance-Rah­­men. Jede Hochschule ver­ankert LA in ein­er Satzung mit klaren Zweck­en, Datenkat­e­gorien, Rollen, Schwellen, Spe­icher­fris­ten, Inter­ven­tion­swe­gen sowie Beschw­erde- und Wider­spruchsver­fahren; vor Inbe­trieb­nahme erfol­gt eine Daten­schutz-Fol­­gen­ab­schätzung. Entsprechend hohe Schwellen gel­ten bei ein­er kursüber­greifend­en Imple­men­tierung. Bay­ern unter­stützt durch bay­ern­weite Muster­regelun­gen in Abstim­mung mit den Auf­sichts­be­hör­den [2][10][11].  Niedrigschwellige Inte­gra­tion und Qual­i­fizierung. LA wird zeit­nah in Pilot­pro­jek­ten einge­set­zt, wo sowieso dig­i­tale Arte­fak­te entste­hen (u. a. VHB-Kurse), und hochschul­weit über einen daten­schutzgeprüften LMS-Baustein bere­it­gestellt, damit zusät­zlich­er Aufwand für Lehrende min­i­mal bleibt. Studierende und Lehrende erhal­ten von den Hochschulen kurze, prax­is­na­he Schu­lun­gen zur Inter­pre­ta­tion und zu Gren­zen von LA sowie Hil­fe bei der Imple­men­tierung; stu­den­tis­che Gremien wirken in Gov­er­nance und Eval­u­a­tion verbindlich mit [1][2][3][8][9]. Quellen [1] Jisc, Code of Prac­tice for Learn­ing Ana­lyt­ics. https://www.jisc.ac.uk/guides/code-of-practice-for-learning-analytics [2] SURF, Learn­ing Ana­lyt­ics in 5 Steps – A Guide to the GDPR. https://www.surf.nl/files/2020–06/learning-analytics-in-5-steps.pdf [3] Tsai, Y.-S. et al., The SHEILA Frame­work: Inform­ing Insti­tu­tion­al Strate­gies and Pol­i­cy Process­es of Learn­ing Ana­lyt­ics, Jour­nal of Learn­ing Ana­lyt­ics (2018). https://learning-analytics.info/index.php/JLA/article/view/6096 [4] A meta-ana­ly­­sis on the effect of learn­ing ana­lyt­ics inter­ven­tions on stu­dents’ aca­d­e­m­ic per­for­mance, Jour­nal of Research on Tech­nol­o­gy in Edu­ca­tion

1         Aus­gangslage: Studieren mit Beein­träch­ti­gung 1.1          Generelles Wie die bun­desweite best3-Studie des Deutschen Stu­den­ten­werks (2023, Daten­stand 2021) zeigt, geben 16 % der Studieren­den an, eine stu­di­ener­schw­erende Beein­träch­ti­gung erleben – im Ver­gle­ich zu 11 % im Jahr 2016, bzw. 8 % in 2011. Von diesen Betrof­fe­nen studieren 65 % mit psy­chis­chen Erkrankun­gen, 13 % mit chro­nis­chen Erkrankun­gen, und 31 % sind mehrfach beein­trächtigt. [1] Laut best3, ist der größte Anstieg in der Gruppe der Studieren­den mit ein­er psy­chis­chen Erkrankung ersichtlich: “Eine Zunahme um rund 20 Prozent­punk­te von 45 % im Jahr 2011 auf 65 % im Jahr 2021. […] Bei knapp 17 % der Studieren­den beste­ht die stu­di­ener­schw­erende Beein­träch­ti­gung von Geburt an, bei etwa 63 % trat sie vor Stu­di­en­be­ginn auf.” [1] Dem­nach erhal­ten 37 % dieser Studieren­den ihre Diag­nose erst im Ver­lauf des Studi­ums, was den Zugang zu Unter­stützung erschw­ert und sie struk­turell benachteiligt. Gle­ichzeit­ig nehmen nur 29 % der Betrof­fe­nen über­haupt einen Nachteil­saus­gle­ich in Anspruch, obwohl drei Vier­tel der­jeni­gen, die ihn nutzen, ihn als hil­fre­ich bew­erten [1]. Das weist auf tief­greifende struk­turelle Hin­dernisse und auf eine verun­sich­ernde Antragskul­tur hin. 1.2        Abbrüche Die fehlende struk­turelle Unter­stützung für Studierende mit Beein­träch­ti­gun­gen zeigt sich beson­ders deut­lich in den erhöht­en Abbruch- und Unter­brechungsquoten. Laut best3-Studie hat etwa jede*r fün­fte Studierende mit stu­di­ener­schw­eren­der Beein­träch­ti­gung das Studi­um min­destens ein­mal unter­brochen – im Ver­gle­ich zu nur 9 % unter den nicht beein­trächtigten Studieren­den. Auch der Wech­sel des Stu­di­en­fachs (36,5 % vs. 23,6 %) und der Hochschule (27,3 % vs. 19,2 %) kommt unter beein­trächtigten Studieren­den deut­lich häu­figer vor. Zudem begin­nen sie sel­tener ein Mas­ter­studi­um und sind – selb­st bei ver­gle­ich­baren Stu­di­en­leis­tun­gen – mehr als dop­pelt so häu­fig mit einem möglichen Stu­di­en­ab­bruch kon­fron­tiert (13,0 % vs. 4,7 %). Diese Zahlen lassen sich nicht durch indi­vidu­elle Leis­tungs­fähigkeit oder man­gel­nde Moti­va­tion erk­lären, son­dern sind Aus­druck sys­temis­ch­er Ver­säum­nisse: man­gel­nde Inklu­sion­s­mit­tel, fehlende Unter­stützung in Ver­wal­tung­sprozessen, unflex­i­ble Lehrfor­mate und das weit­ge­hende Fehlen diskri­m­inierungssen­si­bler Struk­turen. Der Nachteil­saus­gle­ich, eigentlich als Unter­stützungsmech­a­nis­mus konzip­iert, greift hier häu­fig zu spät, zu for­mal­isiert oder gar nicht – ins­beson­dere dann, wenn die Hür­den zur Antrag­stel­lung zu hoch oder die Entschei­dungsstruk­turen nicht nachvol­lziehbar sind. Eine stu­di­ener­schw­erende Beein­träch­ti­gung sollte nicht der Grund für einen Stu­di­en­ab­bruch sein. Der Ver­lust von Poten­zialen, Per­spek­tiv­en und Qual­i­fika­tio­nen ist nicht nur indi­vidu­ell tragisch, son­dern gesellschaftlich unver­ant­wortlich – ger­ade im Kon­text inklu­siv­er Bil­dungsver­sprechen und des Fachkräfte­man­gels. Ein wirk­sam imple­men­tiert­er Nachteil­saus­gle­ich ist dabei kein rein tech­nis­ches Ver­fahren, son­dern ein zen­trales Instru­ment zur Ver­mei­dung von Stu­di­en­ab­brüchen, zur Förderung von Stu­di­en­ver­läufen und zur Wahrung des Rechts auf Bil­dung für alle. Um dieser Ver­ant­wor­tung gerecht zu wer­den, braucht es mehr als nur rechtliche Rah­menbe­din­gun­gen: Es braucht ver­lässliche Unter­stützungssys­teme, niedrigschwellige Antrag­stel­lung, qual­i­fizierte Beratung und verbindliche Sen­si­bil­isierung der entschei­den­den Stellen. Nur so lässt sich sich­er­stellen, dass die Entschei­dung für ein Studi­um nicht durch struk­turelle Bar­ri­eren, son­dern durch inhaltliche Inter­essen getra­gen wird – und dass nie­mand das Studi­um abbrechen muss, weil die Hochschule ihrer Für­­sorge- und Schutzpflicht nicht gerecht wird. 1.3        Unter­stützungs­be­darf Die Unter­stützungs­be­darfe von Studieren­den mit stu­di­ener­schw­eren­der Beein­träch­ti­gung sind vielfältig und immer indi­vidu­ell zu betra­cht­en. Den­noch zeigt die best3-Studie, dass rund 27 % dieser Studieren­den spez­i­fis­che Anforderun­gen an die bauliche und tech­nis­che Ausstat­tung ihrer Hochschule oder konkrete Unter­stützungsleis­tun­gen for­mulieren. Beson­ders häu­fig genan­nt wer­den der Bedarf an Ruhe- und Rück­zugsräu­men(14 %) sowie Unter­stützung bei E‑Learn­ing-Ange­boten (11 %). Darüber hin­aus wün­schen sich viele Studierende Hil­fe im Stu­di­en­all­t­ag, etwa im Umgang mit Ver­wal­tung­sprozessen oder bei der Ori­en­tierung im Hochschul­sys­tem. Ger­ade im Kon­text des Nachteil­saus­gle­ichs ist das Fehlen solch­er Unter­stützungsange­bote gravierend. Ein erhe­blich­er Anteil der Studieren­den ohne gewährten Nachteil­saus­gle­ich gibt an, nicht gewusst zu haben, dass ein Antrag gestellt wer­den kann (40%). Etwa 33% der Studieren­den, die eigentlich berechtigt wären einen Nachteil­saus­gle­ich zu beantra­gen, geben an, keinen Nachteil­saus­gle­ich beantragt zu haben, dass sie nicht wis­sen, an wen sie sich zur Unter­stützung wen­den kön­nen. 57% geben an, nicht sich­er zu sein, ob sie anspruchs­berechtigt sind oder ob der Antrag über­haupt Chan­cen hätte– ein struk­turelles Prob­lem, das mit Infor­ma­tion­slück­en, intrans­par­enten Zuständigkeit­en und fehlen­der Begleitung zusam­men­hängt. Der Nachteil­saus­gle­ich muss daher nicht nur rechtlich gewährt, son­dern prak­tisch zugänglich gemacht wer­den – durch bar­ri­ere­freie Infor­ma­tio­nen, nieder­schwellige Beratungsange­bote und gezielte Unter­stützungs­maß­nah­men. 1.4        Diskri­m­inierungser­fahrun­gen Studierende mit stu­di­ener­schw­eren­der Beein­träch­ti­gung machen deut­lich häu­figer Diskri­m­inierungser­fahrun­gen im Hochschulkon­text als Studierende ohne solche Beein­träch­ti­gun­gen. Laut best3-Studie bericht­en 73 % der befragten Studieren­den mit Beein­träch­ti­gun­gen von min­destens ein­er Diskri­m­inierungser­fahrung – im Ver­gle­ich zu 58 % ihrer nicht beein­trächtigten Kommiliton*innen. Diese Dif­ferenz zieht sich auch durch spez­i­fis­che Sit­u­a­tio­nen: So geben 26 % der Studieren­den mit Beein­träch­ti­gun­gen an, dass ihnen Leis­tun­gen nicht zuge­traut oder erbrachte Leis­tun­gen her­abgewürdigt wur­den. Bei Studieren­den ohne Beein­träch­ti­gun­gen liegt dieser Wert deut­lich niedriger – bei nur 15–17 %. Beson­ders betrof­fen sind dabei Studierende mit Mehrfach­beein­träch­ti­gun­gen. Sie erleben nicht nur die stärk­sten Stu­di­ener­schw­ernisse, son­dern auch die höch­sten Diskri­m­inierungsrat­en: 27 % bericht­en von expliziten Benachteili­gun­gen auf­grund ihrer physis­chen oder psy­chis­chen Erkrankung. Knapp 26 % geben an, aus­ge­gren­zt oder über­gan­gen wor­den zu sein, 28 % bericht­en von her­ab­würdi­gen­der oder stereo­typ­isieren­der Behand­lung, 22,5 % wur­den im Hochschulkon­text sog­ar aus­gelacht. Diese Zahlen bele­gen, dass stu­di­ener­schw­erende Beein­träch­ti­gun­gen in vie­len Fällen nicht nur funk­tionale Ein­schränkun­gen darstellen, son­dern auch mit sozialen Auss­chlüssen, entwürdi­gen­der Kom­mu­nika­tion und struk­tureller Abw­er­tung ein­herge­hen. Diskri­m­inierung ist hier kein Neben­ef­fekt – sie ist inte­graler Bestandteil der Stu­di­en­re­al­ität viel­er Betrof­fen­er. Ger­ade im Ver­fahren des Nachteil­saus­gle­ichs gewin­nt dieser Befund an Bedeu­tung: Wer über Nachteil­saus­gle­iche entschei­det, bee­in­flusst maßge­blich die Teil­habechan­cen einzel­ner Studieren­der. Wenn jedoch – wie die Zahlen zeigen – ein rel­e­van­ter Teil der Betrof­fe­nen struk­turell benachteiligt und ent­mutigt wird, dann ist es nicht aus­re­ichend, Nachteil­saus­gle­iche for­mal kor­rekt zu ver­wal­ten. Vielmehr braucht es eine reflex­ive, diskri­m­inierungssen­si­ble Hal­tung bei allen Entscheidungsträger*innen – ins­beson­dere in Prü­fungsämtern, Auss­chüssen und Lehrstühlen. Die Angst vor Diskri­m­inierungser­fahrun­gen im Antragsver­fahren darf kein Grund bleiben, dass Studierende nicht die Hil­fe fordern, die ihnen rechtlich zuste­ht. Sen­si­bil­isierung muss deshalb zu einem verbindlichen Bestandteil hochschulis­ch­er Prax­is wer­den. Wer über Anträge auf Nachteil­saus­gle­ich urteilt, muss mit den Mech­a­nis­men von Stig­ma­tisierung, ableis­tis­ch­er Nor­ma­tiv­ität und nicht sicht­baren Beein­träch­ti­gun­gen ver­traut sein. Ohne dieses Bewusst­sein beste­ht die Gefahr, dass auch gut gemeinte Entschei­dun­gen pater­nal­is­tisch, unin­formiert oder – im schlimm­sten Fall – repro­duk­tiv diskri­m­inierend getrof­fen wer­den. Hinzu kommt: Die struk­turelle Diskri­m­inierung von Studieren­den mit Beein­träch­ti­gung ist auch inter­sek­tion­al ver­schränkt. So liegt der Anteil von Stu­dentin­nen mit stu­di­ener­schw­eren­den Beein­träch­ti­gun­gen mit 19 % deut­lich über jen­em von Stu­den­ten (12 %). Stu­dentin­nen geben zudem häu­figer psy­chis­che Erkrankun­gen an (67 % vs. 62 %). Und beson­ders betrof­fen sind Studierende mit der Geschlecht­sangabe divers oder andere, von denen mehr als die Hälfte (55 %) angibt, mit ein­er stu­di­ener­schw­eren­den Beein­träch­ti­gung zu studieren. Diese Zahlen machen deut­lich, dass Nachteil­saus­gle­ich nicht los­gelöst von Geschlecht, sozialer Posi­tion­ierung oder psy­chis­ch­er Gesund­heit gedacht wer­den kann. Beson­ders psy­chis­che Erkrankun­gen sind oft stig­ma­tisiert, was oft zu ein­er neg­a­tiv­en Entschei­dung in Nachteil­saus­gle­ichen oder anderen Maß­nah­men führen kann, welche eigentlich zur Unter­stützung