Anrechnung von Studienleistungen, Modulgleichwertigkeit & Anerkennung früheren Lernens

Anerkennungsstellen und Prüfungsausschüsse vergleichen ausländische oder frühere Studienleistungen Modul für Modul mit ihrem eigenen Curriculum, in Dutzenden Sprachen und Formaten. KI liest die Leistungsübersichten und Modulbeschreibungen, gleicht Lernergebnisse, ECTS-Arbeitsaufwand und EQR-Niveau mit den eigenen Modulen ab, ruft vergleichbare frühere Entscheidungen ab und entwirft einen begründeten Vorschlag. Die prüfende Person entscheidet. Der Gewinn liegt vor allem in Durchlaufzeit und Einheitlichkeit; die rechtliche Verantwortung bleibt beim Menschen.

Problem & Nutzen

• Heute: Mitarbeitende oder Professoren lesen PDFs ausländischer Kataloge, übersetzen sie ad hoc, vergleichen Inhalte von Hand und schreiben einen Bescheid. Die Qualität schwankt je nach Prüfer, Präzedenzfälle stecken in einzelnen Köpfen oder Postfächern, und Studierende warten Wochen auf Antworten, die ihren Studienplan, ihre Finanzierung oder ihr Visum betreffen.
• Der Rechtsrahmen erhöht Menge und Beweislast: Nach der Erasmus-Charta sind im Ausland erbrachte Leistungen, wie im Learning Agreement vereinbart, automatisch anzuerkennen; eine Ablehnung erfordert eine Begründung und eine alternative Form der Anerkennung [1]. Das Lissabonner Anerkennungsübereinkommen verlangt die Anerkennung ausländischer Qualifikationen und Studienzeiten, sofern kein wesentlicher Unterschied nachgewiesen werden kann [2]. Studierendenorganisationen berichten, dass die Anerkennung weiterhin nicht einheitlich angewendet wird [3]. Damit liegt die Beweislast bei der Einrichtung, die zeigen muss, warum etwas nicht gleichwertig ist – genau dort hilft ein strukturierter, belegbasierter Vergleich.
• KI-Nutzen: mehrsprachige Extraktion, Vergleich auf Ebene der Lernergebnisse statt Abgleich von Titeln, Abruf von Präzedenzfällen, einheitliche Begründungen, Priorisierung der Warteschlange. Es gibt keine verlässliche öffentliche Zahl zur Zeitersparnis; messen Sie Ihre eigene Ausgangsbasis.
• Abgrenzung zu Nachbarn: KNOW-012 ordnet Personen Fähigkeiten zu; EDU-015 rechnet Noten für die Zulassung um. Hier wird Curriculum gegen Curriculum verglichen.

Varianten

• Erasmus+ / Austausch-Learning-Agreements: Prüfung der vorgesehenen Kurse vor der Mobilität, Umrechnung der Leistungsübersicht danach, zunehmend über Erasmus Without Paper (EWP) / Online Learning Agreement.
• Quereinsteiger und Hochschulwechsel: inländische und internationale Anrechnungsprüfung für den Einstieg in ein höheres Semester.
• Ausländische Qualifikationen (Fälle nach dem Lissabonner Übereinkommen): Vergleich ganzer Studiengänge nach Art von ENIC-NARIC.
• Anerkennung früheren Lernens (RPL): Berufserfahrung, berufliche Qualifikationen, Bootcamps und Micro-Credentials, abgebildet auf Module (Befreiungen oder Anrechnung für nicht-formales Lernen).

So funktioniert es

1. Eingang (Upload / EMREX / EWP / Europass-Nachweis / E-Mail)
2. OCR + Layout-Parsing + Spracherkennung (Leistungsübersichten, Kataloge)
3. Normalisierung: Moduldatensatz {Titel, ECTS oder lokale Credits, Niveau, Note, Lernergebnisse, Stunden, Prüfungsform}
4. Umrechnung von Credits & Notenskalen (ECTS-Credits, EQF/NQF-Niveau, ECTS-Notentabelle)
5. Kandidatenabruf: Embeddings + Reranker über Module der eigenen Hochschule und frühere Entscheidungen
6. Vergleich auf Ebene der Lernergebnisse durch LLM (abgedeckt / teilweise / nicht abgedeckt), Prüfung von Arbeitsaufwand und Niveau
7. Regelschicht: Grenzen der Prüfungsordnung (max. Credits, Pflichtmodule, Verfall alter Credits)
8. Vorschlag + Begründung mit zitierten Belegen aus beiden Modulbeschreibungen
9. Prüfung durch Prüfende (annehmen / ändern / ablehnen; Begründungscodes)
10. Bescheid
11. Studierendenverwaltung

• Extraktion: Ein Vision-Sprachmodell oder Dokumentparser liefert schemabeschränktes JSON; Credits und Noten werden numerisch validiert (Summe der Credits, Skalengrenzen).
• Abgleich: hybrider Abruf über die eigenen Modulbeschreibungen; ein LLM beurteilt die Abdeckung je beabsichtigtem Lernergebnis und muss die Textstelle auf beiden Seiten zitieren. Scores sind Belegzusammenfassungen, keine Entscheidungen.
• Regeln bleiben deterministisch: Grenzen der Prüfungsordnung und die Logik für Pflichtmodule sind codierte Regeln, keine LLM-Urteile.
• Mensch-in-der-Schleife (Human-in-the-Loop): Jedes negative oder teilweise Ergebnis und jeder Treffer mit geringer Sicherheit geht an die prüfende Person; sichere, durch Präzedenzfälle gestützte positive Fälle dürfen beschleunigt werden, aber eine namentlich benannte Person genehmigt die Entscheidung.

Datenaufbereitung

Die Daten sind Modulbeschreibungen und Handbücher (oft PDF, Word oder Webseiten), von Antragstellern eingereichte Leistungsübersichten und Zeugnisse (Scans, Fremdsprachen), frühere Anerkennungsentscheidungen und Prüfungsordnungen. Sie liegen im Campus-Management-System, einem DMS oder auf den Dateiablagen des Studierendensekretariats, teils auf Papier. Typische Lücken: veraltete oder widersprüchliche Modulbeschreibungen, gescannte Zeugnisse von schwankender Qualität, keine strukturierten Felder für Credits oder Lernergebnisse, Entscheidungen als Freitextbescheide und unklare Zugriffsrechte auf Studierendenakten.

Schritte der Aufbereitung: - Inventarisieren Sie Quellen und Verantwortliche, siehe PREP-001 und PREP-005 für Exporte aus Campus-Management-Systemen. - Scannen Sie Papierakten und führen Sie OCR durch, siehe PREP-006, und parsen Sie PDFs mit layoutbewussten Werkzeugen (DOC-014). - Bauen Sie einen kuratierten Katalog aktueller Modulbeschreibungen mit Metadaten (Credits, Niveau, Lernergebnisse, Jahr) auf, siehe PREP-010 und PREP-013. - Sammeln Sie frühere Anerkennungsentscheidungen als gelabelte Beispiele und gemeinsam mit den Sachbearbeitern einen Goldstandard-Testdatensatz, siehe PREP-020 und PREP-018. - Pseudonymisieren Sie Studierendendaten für die Entwicklung, siehe PREP-022.

Grober Aufwandsanteil: 40-50 Prozent, weil die Katalogqualität die Abrufqualität bestimmt. Planen Sie dies zuerst; die Modelle sind der kleinere Teil.

Umsetzungswege

Welcher Weg für wen

• Öffentlicher Sektor (Hochschulen, Anerkennungsstellen): Weg B über Cloud-KI-Dienste in EU-Regionen oder souveräne deutsche Clouds, weil der Prozess an das Campus-Management-System und die Modulkataloge angebunden werden muss und kein Produkt zu den nationalen Anerkennungsregeln passt.
• Unternehmen (private Hochschulen, Weiterbildungsanbieter): Weg B, weil Gleichwertigkeitsregeln, Kataloge und Studierendenakten einrichtungsspezifisch sind und Integration erfordern.
• Entwickler: Weg B, weil verwaltete APIs plus eigener Abruf und eigene Regel-Engine am schnellsten zu bauen sind; wechseln Sie nur zu Weg C, wenn die Datenhaltung es verlangt.

Weg A — Kaufen (Standardsoftware)

• Plattformen zur Anrechnungsprüfung: CollegeSource TES (USA-zentriert), Ellucian sowie Workday Student / Oracle Student Module mit Regeln zur Anrechnung (Transfer-Articulation); Campus-Systeme von Anthology und Unit4.
• Campus-Systeme aus EU / DACH mit Anerkennungs-Workflows (EU): CAMPUSonline (TU Graz, AT), HISinOne (HIS eG, DE), Pluto / Moveon (QS), Mobility-Online (EU). Überwiegend Workflow und Formularverarbeitung; KI-Abgleich ist begrenzt oder ein Zusatz.
• Infrastruktur für Nachweise: EMREX und die Europass Digital Credentials Infrastructure liefern strukturierte Leistungsübersichten, was für teilnehmende Einrichtungen die OCR überflüssig macht [4].
• Wählen Sie A, wenn: Sie vor allem Workflow, Nachverfolgung und Anrechnungstabellen brauchen; ein KI-Vergleich von Freitext-Lehrplänen ist 2026 noch selten eine ausgereifte Standardfunktion.

Weg B — Auf Cloud-KI-Diensten aufbauen (empfohlen)

• Extraktion: Azure AI Document Intelligence oder Google Document AI (EU-Regionen), Mistral OCR (EU-Anbieter) oder ein multimodales LLM mit JSON-Schema.
• Abgleich: mehrsprachige Embeddings (z. B. Mistral, Cohere oder OpenAI-Embedding-APIs mit Datenhaltung in der EU) plus Reranker; ein Frontier-LLM (Claude, Gemini, GPT, Mistral Large) für den Vergleich auf Ebene der Lernergebnisse, genutzt in einer EU-Region (z. B. Bedrock / Vertex / Azure OpenAI EU).
• Orchestrierung: die API des Campus-Systems oder n8n / Camunda; EWP- und Online-Learning-Agreement-Anbindung über die vorhandene Mobilitätssoftware der Einrichtung.
• Wählen Sie B, wenn: Sie schnell Qualität wollen, einen Auftragsverarbeitungsvertrag (AVV) mit einem in der EU gehosteten Anbieter haben und ein kleines Entwicklerteam.

Weg C — Selbst betreiben (Open Source)

• Parsing: Docling, PaddleOCR, MinerU für Leistungsübersichten und Handbücher.
• Abruf: BGE-M3- oder multilingual-e5-Embeddings, bge-reranker, pgvector / Qdrant / OpenSearch.
• Schlussfolgern: Open-Weight-Modelle wie Qwen3, Mistral / Mistral Small, Llama oder gpt-oss über vLLM; mindestens HW3 für Qualität der 70B-Klasse beim mehrsprachigen Vergleich von Lernergebnissen, HW2 genügt für ein 20-30B-Modell bei einfachen Fällen.
• Wann: öffentliche Hochschulen mit strengen Datenschutzanforderungen an Bewerberakten.

Weg D — Eigenes Training

Feintunen Sie ein Embedding- oder Reranker-Modell auf den eigenen früheren Gleichwertigkeitsentscheidungen der Einrichtung (angenommene vs. abgelehnte Paare, einige tausend nötig) und destillieren Sie einen kleinen Klassifikator für die Vorsortierung. Anfangs selten erforderlich; Präzedenzfälle nutzt man besser als Abrufbeispiele. Achten Sie darauf, historische Verzerrungen (z. B. gegenüber bestimmten Ländern) nicht in das Modell einzubauen.

Stand der Technik (2026)

• Mehrsprachige LLMs vergleichen Modulbeschreibungen gut, wenn beide Seiten Text sind; die Schwachstellen sind dünne oder werbliche Lehrpläne, fehlende Angaben zu Lernergebnissen, implizite Voraussetzungen und Bewertungskulturen, die von der ECTS-Skala abweichen.
• Abruf plus belegzitierende Begründung ist das Muster, das Prüfer akzeptieren; unerklärte Ähnlichkeitswerte nicht.
• Strukturierte Nachweise (EMREX, Europass/European Learning Model, Micro-Credentials nach Art von Open Badges) nehmen zu und machen die Extraktion dort trivial, wo sie verfügbar sind [4]; gescannte Papier-Leistungsübersichten bleiben bei Bewerbern aus Nicht-EU-Ländern verbreitet.
• Fehlerbilder: aus einem Kurstitel halluzinierte Inhalte, falsche ECTS-Gleichwertigkeit bei Nicht-ECTS-Creditsystemen, Überanrechnung ähnlich klingender Module, systematische Benachteiligung von Einrichtungen mit schlechter englischer Dokumentation und schleichende Verschiebung der Präzedenzfälle.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (ocr-docparse + vlm + embeddings + reranker): DOC-003 Formularverarbeitung, DOC-014 PDF-Parsing, KNOW-002 RAG über Dokumente, EDU-015 Zulassungsprüfung und Umrechnung ausländischer Noten (teilt die Extraktion von Leistungsübersichten und Notenskalen-Tabellen).
• Wissensgraph des Curriculums: KNOW-013; Kompetenzabbildung gemeinsam mit KNOW-012 (ESCO).
• Nachgelagert: EDU-005 adaptive Lernpfade und EDU-007 Lernanalytik (Studienpläne nach der Anrechnung), EDU-001/EDU-009 für Brückeninhalte zum Schließen von Lücken.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen für den Workflow; KI-Abgleich oft nicht enthalten.
• Weg B: grob 3-6 Monate einschließlich Einlesen des Curriculums, Regeln der Prüfungsordnung, Oberfläche für Prüfer und Evaluation.
• Weg C: ähnlich plus GPU-Betrieb.
• Kostentreiber: Bereinigung der Curriculumdaten, Integration in die Studierendenakte, rechtliche Prüfung; die Token-Kosten je Fall sind gering.
• Kennzahlen: Durchlaufzeit je Fall, Übereinstimmungsquote mit Prüfern, Anteil der Fälle mit genutztem Präzedenzfall, Rate falsch-positiver Anerkennungen, Widersprüche und Aufhebungen, Zufriedenheit der Studierenden, Einheitlichkeit über Prüfer hinweg.

Menschen & Veränderung

Beginnen Sie mit Leitung und Fachbereichsleitung (Leitung der Anerkennungsstelle oder des Prüfungsausschusses), um zu vereinbaren, dass die KI nur Vorschläge vorbereitet. Beziehen Sie Datenverantwortliche (Studierendensekretariat, Modulkoordinatoren der Fakultäten) früh ein, da deren Beschreibungen die Wissensbasis sind, sowie die IT für die Integration ins Campus-System. Die oder der Datenschutzbeauftragte ist erforderlich: Studierendenakten sind personenbezogene Daten, eine Datenschutz-Folgenabschätzung (DSFA, Art. 35 DSGVO) ist ratsam, mit jedem API-Anbieter wird ein Auftragsverarbeitungsvertrag (AVV, Art. 28 DSGVO) benötigt, und Art. 22 DSGVO verlangt bei der Anerkennung eine menschliche Entscheidung. Betriebsrat: je nach Fall. Sind die Mitarbeitenden der Stelle Beschäftigte und protokolliert das System ihre Bearbeitung und Bearbeitungszeiten, gilt §87 Abs. 1 Nr. 6 BetrVG (BAG: objektive Eignung genügt) und §90 Abs. 1 Nr. 3 verlangt Unterrichtung; an öffentlichen Hochschulen gilt der Personalrat nach Landesrecht.

Fördern Sie KI-Kompetenz (Art. 4 der KI-Verordnung verlangt Fördermaßnahmen, kein garantiertes Niveau) mit einer kurzen Schulung zur Prüfung der zitierten Belege. Pilotieren Sie mit einer Fakultät und einigen erfahrenen Sachbearbeitern, vergleichen Sie mit deren eigenen Entscheidungen und halten Sie deren Freigabe verbindlich. Typische Sorgen sind Arbeitsplatzverlust und falsche Ablehnungen; begegnen Sie ihnen, indem Sie die eingesparte Recherchezeit, einen sichtbaren Widerspruchsweg für Studierende und vollständige Audit-Protokolle hervorheben.

Siehe GUIDE-004, GUIDE-005 und GUIDE-009.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Anhang III Nr. 3 nennt KI-Systeme, die dazu bestimmt sind, den Zugang oder die Zulassung zu Bildungseinrichtungen zu bestimmen und Lernergebnisse oder das angemessene Bildungsniveau zu bewerten. Ein System, das entscheidet oder wesentlich prägt, ob Leistungen angerechnet werden und ob Studierende voranschreiten oder sich einschreiben können, ist wahrscheinlich hochriskant (Pflichten für Anbieter und Betreiber, menschliche Aufsicht, Protokollierung, Transparenz gegenüber Betroffenen, Art. 26/27 für Betreiber). Ein rein internes Entwurfswerkzeug, dessen Ergebnis unabhängig geprüft wird, kann unter die Ausnahme nach Art. 6 Abs. 3 fallen, doch das muss dokumentiert werden und ist riskant, wenn Profiling von Personen im Spiel ist. Behandeln Sie es standardmäßig als Hochrisiko [5]. Kein Verbot nach Art. 5 gilt für den Abgleich von Curricula; fügen Sie keine Emotions- oder biometrischen Funktionen hinzu.
• DSGVO: Leistungsübersichten und Bewerberakten sind personenbezogene Daten (Noten, Staatsangehörigkeit, teils besondere Kategorien); DSFA empfohlen; Art. 22: Eine Anerkennungsentscheidung darf nicht allein automatisiert ergehen, Studierende haben Anspruch auf menschliche Überprüfung und Erläuterung; Hosting in der EU und Auftragsverarbeitungsverträge; Aufbewahrungsfristen.
• Verwaltungsrecht: Entscheidungen brauchen Begründung und Rechtsbehelfe (nationale Hochschulgesetze, Beweislast der Einrichtung nach dem Lissabonner Übereinkommen); bewahren Sie die eigene Begründung der prüfenden Person auf, nicht nur den KI-Text.
• Fairness: Überwachen Sie Ergebnisse nach Herkunftsland und Einrichtungstyp.
• Gegenmaßnahmen: menschliche Freigabe, Belegzitate, deterministische Regeln, Audit-Protokoll von Vorschlag und Endentscheidung, regelmäßige Bias-Audits, Hinweis an Studierende, dass KI unterstützt.

Erste Schritte

1. Nehmen Sie 100-200 abgeschlossene Fälle (mit Entscheidungen), anonymisieren Sie sie und berechnen Sie die Ausgangsbasis: Durchlaufzeit und Einheitlichkeit.
2. Bereinigen Sie den eigenen Modulkatalog: ein Datensatz je Modul mit Lernergebnissen, ECTS, EQR-Niveau und Voraussetzungen.
3. Bauen Sie zuerst Extraktion plus Abruf (Top-5-Kandidatenmodule); messen Sie den Recall gegen frühere Entscheidungen.
4. Ergänzen Sie den LLM-Vergleich auf Ebene der Lernergebnisse mit verpflichtenden Zitaten; geben Sie Prüfern eine Prüfansicht mit Begründungscodes.
5. Fahren Sie einen Schattenpilot für eine Fakultät oder das Erasmus-Büro, schließen Sie DSFA und Einstufung nach der KI-Verordnung vor dem Livegang ab.

Quellen

1. European Commission — Guidelines on the Erasmus+ Learning Agreement for Studies (KA131, automatic recognition) — https://erasmus-plus.ec.europa.eu/resources-and-tools/mobility-and-learning-agreements/learning-agreements/studies-agreement-guidelines-ka131
2. Council of Europe — Lisbon Recognition Convention (CETS 165) — https://www.coe.int/en/web/higher-education-and-research/lisbon-recognition-convention
3. ESN — Recommendations for the revision of the ECTS Users' Guide — https://esn.org/sites/default/files/news/esns_recommendations_for_the_revision_of_the_ects_users_guide.pdf
4. European Commission — Europass / Digital Credentials Infrastructure and EMREX — https://europass.europa.eu/en/stakeholders/european-digital-credentials
5. Regulation (EU) 2024/1689 (AI Act), Annex III point 3 — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
6. Erasmus Without Paper — Onboarding guide (Erasmus+) — https://erasmus-plus.ec.europa.eu/sites/default/files/2024-03/erasmus-without-paper-onboarding-mar24_en.pdf
7. Docling project — https://github.com/docling-project/docling