Prüfung von Zulassungsanträgen & Umrechnung ausländischer Noten

Zulassungsstellen erhalten Tausende Bewerbungen mit Zeugnissen aus Dutzenden Bildungssystemen. Jedes muss gelesen, übersetzt, auf Echtheit und Eignung geprüft und in die lokale Notenskala umgerechnet werden. KI liest die Dokumente, wendet die Umrechnungsregeln der Einrichtung nachvollziehbar an, prüft formale Kriterien und verdichtet Schreiben und Portfolios für das Gremium. Es ist ein Hochrisiko-System nach Anhang III: Es darf vorbereiten, niemals unbemerkt entscheiden.

Problem & Nutzen

• Heute: Mitarbeitende oder Servicestellen (in Deutschland z. B. uni-assist, das internationale Bewerbungen für viele Hochschulen vorprüft) lesen ausländische Zeugnisse von Hand, schlagen Land und Schulform nach, rechnen Noten um und prüfen Voraussetzungen. Spitzen vor Fristen erzeugen Rückstaus, uneinheitliche Entscheidungen zwischen Sachbearbeitern und lange Wartezeiten für Bewerber [1].
• KI-Nutzen: schnellere, einheitlichere Dokumentenaufnahme; die Umrechnungsregel und ihre Eingaben werden für jede Note protokolliert; Bewerber erhalten früh den Hinweis „Unterlagen fehlen“; Gremien lesen strukturierte Zusammenfassungen statt Rohdateien. Es gibt keine verlässlichen öffentlichen Benchmark-Zahlen zur Zeitersparnis; messen Sie Ihre eigene Ausgangsbasis.
• Abgrenzung zu Lebenslauf-Screening (AGENT-008, Anhang III Nr. 4) und allgemeiner Formularerfassung (DOC-003): Entscheidungen hier bestimmen den Zugang zu Bildung und erfordern bildungsspezifische Fairnessprüfungen.

Varianten

• Hochschulzulassung (Bachelor/Master): formale Eignung, Notenumrechnung, Sprachnachweis.
• Zentrale Servicestelle: gemeinsame Vorprüfung für viele Hochschulen (Modell uni-assist).
• Schulen und berufliche Bildungsgänge: Aufnahme in selektive Schulen; hier gelten Daten von Minderjährigen.
• Ganzheitliche Prüfung / Portfolio-Programme: strukturierte Zusammenfassungen von Aufsätzen und Portfolios für Gremien (kommerzielle Werkzeuge wie Kira Talent konzentrieren sich darauf, mit menschlicher Bewertung) [2].
• Anerkennung früheren Lernens und Anrechnung von Studienleistungen: siehe EDU-014.

So funktioniert es

1. application portal / upload
2. document classification + OCR/layout parsing (certificate, transcript, ID, language proof)
3. translation + field extraction (course, grade, credits, date, issuing school)
4. authenticity cues (format, issuer lookup, anomaly flags — never an automatic rejection)
5. grade conversion (deterministic rules engine: country, school type, scale, min/max/pass grade)
6. formal eligibility check against the admission regulation (rule-based, LLM explains)
7. letter/portfolio structuring (summary, evidence against published criteria; no scoring of "personality")
8. human officer / committee review + decision
9. audit log, applicant notification, retention/deletion

• Die Notenumrechnung muss deterministisch sein. Verwenden Sie die modifizierte bayerische Formel, die deutsche Standardmethode für ausländische Noten: x = 1 + 3 (Nmax − Nd) / (Nmax − Nmin), mit der Bestehensnote als Anker auf der Nmin-Seite [3]. Parameter für Land/Schulform stammen aus kuratierten Datenbanken wie anabin (deutsche Anerkennungsdatenbank der ZAB der KMK) oder NARIC/ENIC-Quellen [4]; das LLM extrahiert nur Werte und zitiert die Regelzeile, es „schätzt“ niemals eine Note.
• Extraktion: ein Vision-Sprachmodell mit schemabeschränkter Ausgabe plus Regelvalidierung (Note innerhalb der Skala, Summe der Credits, plausible Daten).
• Mensch-in-der-Schleife (Human-in-the-Loop): Jede Zulassungs- oder Ablehnungsentscheidung, jedes Feld mit geringer Sicherheit, jedes markierte Dokument und jede Umrechnung ohne Datenbankeintrag geht an eine Person.

Datenaufbereitung

Die Daten sind Bewerberunterlagen (Zeugnisse, Leistungsnachweise, Ausweise, Sprachnachweise, Schreiben), meist hochgeladene PDFs, Fotos und Scans in vielen Sprachen und Formaten, dazu die Zulassungsordnung, Umrechnungstabellen (anabin, NARIC/ENIC) und frühere Zulassungsentscheidungen. Sie liegen im Bewerbungsportal, im Campus-Management-System, in E-Mail-Postfächern und auf Dateiablagen. Typische Lücken: schlechte Scans und Fotos, unbekannte Parameter zu Schulform und Notenskala, uneinheitliche Bezeichnung von Ländern und Schulen, fehlende Labels bei früheren Entscheidungen und Bewerberdaten, die über mehrere Systeme mit unklaren Zugriffsrechten verteilt sind.

Schritte der Aufbereitung: - Erfassen Sie Quellen und Exporte aus Portal und Campus-System, siehe PREP-005. - Digitalisieren Sie Papiereingänge, siehe PREP-006, und testen Sie OCR an echten mehrsprachigen Dokumenten (DOC-003, DOC-005 für Handschrift). - Pflegen Sie eine kuratierte Umrechnungstabelle je Land, Skala und Schulform mit einem benannten Verantwortlichen, siehe PREP-012 und PREP-004. - Definieren Sie Dokument- und Ergebniskategorien, siehe PREP-019, und bauen Sie einen Goldstandard aus 100-200 früheren Bewerbungen auf, siehe PREP-018. - Pseudonymisieren Sie Daten für die Entwicklung und prüfen Sie Zweck und Rechtsgrundlage, siehe PREP-022 und PREP-025.

Grober Aufwandsanteil: etwa 25-35 Prozent; Umrechnungstabellen und Testdatensätze zählen mehr als die Modellwahl.

Umsetzungswege

Welcher Weg für wen

• Öffentlicher Sektor (Hochschulen, Zulassungsstellen): Weg B in EU-Regionen oder souveräner deutscher Cloud, weil der Prozess hochriskant ist, die Anbindung an Bewerbungsportal und Regel-Engine braucht und kein Produkt zu den nationalen Notenregeln passt.
• Unternehmen (private Hochschulen, Business Schools): Weg B, weil Zulassungskriterien und Portale einrichtungsspezifisch sind; nutzen Sie deterministische Regeln für Noten.
• Entwickler: Weg B, weil Dokumentenextraktion über verwaltete Vision-Sprachmodell-APIs plus eigener Regelcode am schnellsten ist; Weg C nur, wo Bewerberdaten die eigene Infrastruktur nicht verlassen dürfen.

Weg A — Kaufen (Standardsoftware)

• Zulassungs-/CRM-Plattformen: Campus-Management-Systeme wie HISinOne (HIS eG, DE), Slate (Technolutions), Salesforce Education Cloud, Ellucian.
• Dienste zur Bewertung von Abschlüssen: uni-assist (DE), WES, ENIC-NARIC-Netzwerk, Zeugnisbewertungen der ZAB; digitale Wallets/Verifizierung: European Digital Credentials (Europass).
• Ganzheitliche Prüfung: Kira Talent (Bewertung von Video-/schriftlichen Antworten, menschliche Gutachter) [2].
• Wählen Sie A, wenn: Sie bereits ein Zulassungssystem betreiben und herstellerunterstützte Module für die Dokumentenaufnahme brauchen. Fragen Sie Anbieter nach der Gebrauchsanweisung nach Art. 13, EU-Hosting und Nachweisen zu Bias-Tests.

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

• Document AI: Azure AI Document Intelligence (EU-Regionen), Google Document AI (EU), Mistral OCR (EU-Anbieter) oder multimodale LLMs (Claude, Gemini, GPT, Mistral) mit JSON-Schema-Ausgaben.
• Orchestrierung: n8n / Camunda, die eine Regel-Engine für die Notenumrechnung aufrufen; das LLM nur für Extraktion, Übersetzung und Erläuterungstexte.
• Integration: Campus-Management-System über API; eID / Europass-Nachweise, wo verfügbar.
• Wählen Sie B, wenn: Sie eigene Umrechnungsregeln und steuerbare Protokollierung brauchen.

Weg C — Selbst betreiben (Open Source)

• Docling oder PaddleOCR-VL zum Parsen; offene VLMs der Qwen-VL-Klasse und Mistral-/Llama-/Qwen-LLMs über vLLM oder Ollama; Übersetzung mit NLLB oder einem offenen LLM; Camunda/n8n; PostgreSQL für die Regeltabellen.
• Hardware: HW3 für mehrsprachige Zeugnisse in ressourcenarmen Schriften (Arabisch, Persisch, Kyrillisch, handschriftliche Stempel); HW2 genügt für den rein textbasierten Zusammenfassungsteil.
• Zu bevorzugen, wenn Bewerberdaten (auch von Minderjährigen und Dokumente Geflüchteter) die Einrichtung nicht verlassen dürfen.

Weg D — Eigenes Training

Feintunen Sie ein Dokumentenmodell auf eigenen historischen Zeugnissen nur, wenn die Mengen sehr hoch sind oder Ihre Herkunftsländer ungewöhnlich sind. Gelabelte Daten: frühere Bewerbungen mit Korrekturen der Sachbearbeiter, anonymisiert. Trainieren Sie niemals ein Modell, das Zulassungsergebnisse aus früheren Entscheidungen vorhersagt; es reproduziert historische Verzerrungen.

Stand der Technik (2026)

• VLM-basierte Parser lesen mehrsprachige Zeugnisse ohne Vorlagen je Land; die Genauigkeit sinkt bei Handschrift, schlechten Scans, Stempeln und seltenen Schriften. Fehler wirken plausibel, daher ist Validierung auf Feldebene gegen Skalengrenzen unerlässlich.
• LLMs übersetzen und fassen Schreiben gut zusammen, sind aber unzuverlässig bei exakter Arithmetik und beim Erinnern länderspezifischer Skalen: Legen Sie Regeln in Code und Tabellen ab.
• Die KI-gestützte Erkennung von Dokumentenfälschungen ist unausgereift; behandeln Sie sie als Hinweis, prüfen Sie über den Aussteller oder Verifizierungsdienste (z. B. direkte Bestätigung, digitale Nachweise).
• Studien zur LLM-gestützten Aufsatzbewertung zeigen Risiken demografischer und stilistischer Verzerrung; fassen Sie daher anhand veröffentlichter Kriterien zusammen, statt Bewerber zu ranken.
• Grenzen: Die Umrechnung ist nur ein Näherungswert, die endgültige Anerkennung bleibt ein rechtlich-administrativer Akt.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (ocr-docparse + vlm + llm-general): DOC-003 Formulare, DOC-005 Handschrift, LANG-015 Informationsextraktion; ein VLM-Server bedient alle.
• Kombinieren mit: EDU-014 (Anrechnung / Gleichwertigkeit nutzt dieselben Nachweisdatenbanken und dieselbe Extraktion), EDU-008 (Identitäts- und Integritätsprüfungen bei Eignungstests), EDU-002 (Fragen für Aufnahmetests), EDU-007 (Erfolgsanalytik nach der Einschreibung, nur mit eigener Rechtsgrundlage).

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis ein Semester für Konfiguration und Datenmigration.
• Weg B: 3-6 Monate, einschließlich Regeltabellen, rechtlicher Prüfung (FRIA/DSFA), Protokollierung und Tests.
• Weg C: 4-8 Monate plus GPU-Betrieb.
• Kostentreiber: Pflege der Regeltabellen, Anteil manueller Prüfung, Bias-Tests, juristische Arbeit.
• Kennzahlen: Extraktionsgenauigkeit je Feld, Anteil der Akten mit manueller Erfassung, Zeit bis zur ersten Rückmeldung, Einheitlichkeit zwischen Sachbearbeitern (Inter-Rater-Übereinstimmung), Widerspruchsquote, Durchlaufparität über Staatsangehörigkeit, Geschlecht und Schulform hinweg, Anteil der Umrechnungen mit vollständigem Regelnachweis.

Menschen & Veränderung

Beziehen Sie zuerst Leitung und Fachbereichsleitung (Leitung der Zulassung) ein, um festzulegen, was automatisiert wird: Extraktion, Übersetzung und Unterstützung bei der Umrechnung, niemals die Zulassungs- oder Ablehnungsentscheidung. Die Zulassungsprüfung ist nach Anhang III der KI-Verordnung hochriskant; die Pflichten gelten ab dem 2. Dezember 2027, planen Sie Dokumentation und menschliche Aufsicht daher jetzt (GUIDE-014). Die oder der Datenschutzbeauftragte muss von Anfang an dabei sein: Bewerberdaten sind personenbezogene Daten, eine Datenschutz-Folgenabschätzung (DSFA, Art. 35 DSGVO) ist in der Praxis erforderlich, mit jedem Auftragsverarbeiter wird ein Auftragsverarbeitungsvertrag (AVV, Art. 28 DSGVO) benötigt, und Art. 22 DSGVO verbietet ausschließlich automatisierte Entscheidungen. Betriebsrat: je nach Fall. Sind die Mitarbeitenden der Zulassung Beschäftigte und erfasst das Werkzeug ihre Arbeit, gilt §87 Abs. 1 Nr. 6 BetrVG (BAG: objektive Eignung genügt); §90 Abs. 1 Nr. 3 verlangt frühzeitige Unterrichtung; an öffentlichen Hochschulen gilt der Personalrat. Beziehen Sie die IT für die Portalanbindung ein und die Bewerber durch klare Hinweise und einen Widerspruchsweg.

Fördern Sie die KI-Kompetenz der Mitarbeitenden (Art. 4 der KI-Verordnung, Förderung statt garantiertem Niveau) mit einer Schulung zum Lesen von Konfidenz-Markierungen und zitierten Regelzeilen. Pilotieren Sie mit einem Studiengang in einer einzigen Bewerbungsrunde, parallel zum manuellen Verfahren. Typische Sorgen sind Verzerrung gegen ausländische Bewerber und Kompetenzverlust; begegnen Sie ihnen mit Fairnessprüfungen am Goldstandard, Audit-Protokollen und verbindlicher Freigabe durch die Sachbearbeitung.

Siehe GUIDE-004, GUIDE-005 und GUIDE-014.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Hochrisiko. Anhang III Nr. 3 Buchst. a erfasst KI-Systeme, die dazu bestimmt sind, den Zugang oder die Zulassung zu Bildungseinrichtungen auf allen Ebenen zu bestimmen; Nr. 3 Buchst. b erfasst die Bewertung von Lernergebnissen [5]. Pflichten: Risikomanagement, Daten-Governance, Protokollierung, technische Dokumentation, menschliche Aufsicht, Genauigkeit und Robustheit, Betreiberpflichten einschließlich Grundrechte-Folgenabschätzung für öffentliche Stellen, Information der Bewerber. Die Hochrisiko-Pflichten gelten ab dem 2. Dezember 2027 (Digital Omnibus on AI, Verordnung (EU) 2026/1744, verschoben von August 2026). Rein vorbereitende, eng begrenzte Aufgaben (z. B. Formatkonvertierung) können unter die Ausnahme nach Art. 6 Abs. 3 fallen, ein System, das Bewerber profiliert, jedoch nicht; dokumentieren Sie die Bewertung.
• Verbote nach Art. 5: Emotionserkennung in Bildungseinrichtungen ist verboten (Art. 5 Abs. 1 Buchst. f); analysieren Sie niemals Gesichtsausdruck, Stimmstress oder „Persönlichkeit“ in Videointerviews. Social Scoring und biometrische Kategorisierung sind ebenfalls verboten.
• DSGVO: Art. 22 begrenzt ausschließlich automatisierte Entscheidungen mit erheblicher Wirkung; stellen Sie echte menschliche Prüfung sicher, kein bloßes Abnicken. Rechtsgrundlage meist öffentliche Aufgabe (Art. 6 Abs. 1 Buchst. e) plus nationales Hochschulrecht; DSFA erforderlich; Datenminimierung; besondere Kategorien (z. B. Behinderung, Flüchtlingsstatus, in Dokumenten erkennbare ethnische Herkunft) sind zu schützen; strenge Aufbewahrungsfristen [6].
• Diskriminierung: Staatsangehörigkeit, Name, Geschlecht und Schulform können als Stellvertretermerkmale wirken; testen Sie Auswahlquoten über Gruppen hinweg, schließen Sie geschützte Merkmale aus Zusammenfassungen aus und erhalten Sie Widerspruchswege.
• Gegenmaßnahmen: deterministische Regeln, Regelnachweis je Note, Konfidenzschwellen, Bias-Audits je Zyklus, Information der Bewerber und Widerspruchskanal, Anbieterverträge mit EU-Hosting.

Erste Schritte

1. Erfassen Sie die geltenden Regeln: Zulassungsordnungen, Länder-Umrechnungstabellen, Nutzung von anabin.
2. Bauen Sie zuerst das deterministische Modul zur Notenumrechnung und testen Sie es per Unit-Test mit früheren Fällen.
3. Pilotieren Sie die Extraktion an 200 historischen anonymisierten Bewerbungen, einschließlich schwieriger Länder.
4. Führen Sie DSFA und Einstufung nach der KI-Verordnung mit der oder dem Datenschutzbeauftragten und der Rechtsabteilung durch.
5. Führen Sie eine Prüfoberfläche mit Quellenmarkierung ein und fahren Sie dann eine Schattenphase gegen die Sachbearbeiter.

Quellen

1. uni-assist e.V. — application pre-check for international applicants — https://www.uni-assist.de/en/
2. Kira Talent — admissions assessment platform — https://www.kiratalent.com/
3. Modified Bavarian formula (KMK, grade conversion) — https://www.kmk.org/zab/central-office-for-foreign-education.html
4. anabin — information system on foreign education (ZAB/KMK) — https://anabin.kmk.org/
5. Regulation (EU) 2024/1689 (AI Act), Annex III — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
6. EDPB — guidelines and opinions on AI models and GDPR — https://www.edpb.europa.eu/our-work-tools/general-guidance/guidelines-recommendations-best-practices_en
7. Europass / European Digital Credentials — https://europa.eu/europass/en