Peer-Reviews konfigurieren

Peer-Reviews sind eine starke Lern-Methode: Lernende bewerten gegenseitig die Arbeiten anderer und lernen dabei doppelt — beim Verfassen einer eigenen Antwort und beim aufmerksamen Lesen fremder Antworten. Diese Seite zeigt, wie du eine Peer-Review-Aufgabe in einem Kurs aufsetzt.

Wann Peer-Review sinnvoll ist

Peer-Review passt gut bei:

• Reflexions-Aufgaben — eigene Erfahrungen, persönliche Anwendung des Lernstoffs
• Praxis-Beispielen — Lernende sollen ein eigenes Beispiel oder Projekt einreichen
• Weichen Kompetenzen (Kommunikation, Argumentation) — wo es kein „richtig/falsch" gibt
• Größeren Klassen — wo individuelle Trainer-Bewertung nicht skaliert

Bei reinen Wissens-Tests ist klassisches Multiple-Choice oder KI-Freitext-Bewertung effizienter.

Eine Peer-Review-Aufgabe anlegen

Peer-Review wird als eigener Lektionstyp innerhalb eines Kurses konfiguriert.

1. In deinem Kurs eine neue Lektion anlegen.
2. Lektionstyp Peer-Review-Aufgabe wählen.
3. Aufgabenstellung verfassen — klar formuliert, was Lernende einreichen sollen.
4. Antwort-Format wählen:
5. Freitext (im Browser eintippen)
6. Datei-Upload (PDF, Bild, ZIP, …)
7. Beides
8. Anzahl Reviewer pro Einreichung festlegen — typisch 2-3.
9. Bewertungskriterien definieren (siehe nächster Abschnitt).
10. Anonymisierung wählen — Standard: Reviewer und Einreichende kennen sich nicht.
11. Frist setzen — wann müssen Einreichungen + Reviews durch sein.
12. Speichern.

📸 Screenshot folgt

Peer-Review-Konfiguration mit Aufgabenstellung und Kriterien

Bewertungskriterien definieren

Peer-Review-Bewertungen sind kein einfaches „1-5 Sterne". Du legst pro Aufgabe ein Set von Kriterien fest. Drei Frage-Typen kombinierbar:

Skala-Fragen

Eine Frage mit Skala 1-5 (oder 1-10).

Beispiele: - „Wie klar ist die Argumentation?" 1 (sehr unklar) — 5 (sehr klar) - „Wie gut wurde der Lernstoff angewandt?" 1-5 - „Wie nachvollziehbar ist die Reflexion?" 1-5

Ja/Nein-Fragen

Binäre Checkliste — entweder erfüllt oder nicht.

Beispiele: - „Wurden alle Anforderungen aus der Aufgabenstellung adressiert?" - „Sind Quellen korrekt zitiert?" - „Ist die Einreichung formal vollständig?"

Freitext-Feedback

Reviewer geben in einem freien Textfeld qualitatives Feedback. Das ist für die einreichende Person oft das wertvollste.

Empfehlung: mische die Frage-Typen — 2-3 Skala-Fragen für strukturierte Bewertung, 1-2 Ja/Nein-Fragen für formale Anforderungen, ein Pflicht-Freitextfeld für qualitative Hinweise.

Anonymisierung

Drei Stufen:

Modus	Wer sieht was
Vollständig anonym (Default)	Reviewer kennt nicht den/die Einreichende, Einreichende kennt nicht die Reviewer
Reviewer anonym	Einreichende sehen Bewertungs-Inhalt, aber nicht von wem
Offen	Alle Namen sichtbar — fördert direkten Austausch, kann aber Selbst-Zensur erzeugen

Empfohlen in den meisten Fällen: vollständig anonym. Lernende geben ehrlicheres Feedback, wenn sie nicht persönlich verbunden sind.

Reviewer-Zuweisung

• Das System weist Reviewer automatisch zu, sobald eine Person eine Arbeit einreicht.
• Reviewer kommen aus dem Pool aller eingeschriebenen Lernenden — die einreichende Person selbst wird ausgeschlossen.
• Pro Einreichung die im Setup festgelegte Anzahl Reviewer.

Du musst als Trainer:in keine manuelle Zuweisung machen. Bei sehr kleinen Klassen (< 4 Lernende) reicht der Pool nicht — dann fällt die Reviewer-Zuweisung knapper aus oder einzelne Reviewer bekommen mehrere Arbeiten.

Workflow für Lernende

Pro Lernende:n laufen zwei Phasen:

1. Einreichen: eigene Antwort hochladen oder eintippen, Frist beachten
2. Bewerten: zugewiesene fremde Arbeiten lesen und nach den Kriterien bewerten

Lernende sehen die Bewertungs-Aufgaben unter Peer-Reviews in der Hauptnavigation. Ausführliche Anwender-Anleitung: für Lernende: Peer-Reviews.

Reviews der Reviews — als Trainer:in

Du als Trainer:in siehst:

• Welche Einreichungen wann von wem gemacht wurden
• Welche Reviews wann von wem geschrieben wurden
• Wo Reviews fehlen (z. B. weil ein:e Reviewer:in die Frist verpasst hat)

In Analytics → Lektions-Auswertung → Peer-Reviews alle Daten zur Aufgabe.

Wenn Reviews unbrauchbar sind

Manchmal kommt von Reviewer:innen schwaches Feedback („alles gut", oder schlechter: „blöde Antwort"). Du kannst:

• Einzelne Bewertungen als ungültig markieren — sie zählen nicht in den Durchschnitt
• Bei beleidigendem Inhalt: Bewertung löschen und ggf. mit dem/der Reviewer:in sprechen
• Bei systematisch schwachem Feedback: Workshop-Idee „wie schreibe ich gutes Peer-Review-Feedback" als nächste Kurs-Iteration einbauen

Häufige Fragen

Was passiert, wenn ein:e Reviewer:in die Frist verpasst? Die Bewertung bleibt offen, der/die Reviewer:in kann sie auch nach Frist abgeben. Im Trainer-Analytics ist sichtbar, wer überfällig ist. Bei wiederholtem Verpassen: organisatorisch nachfragen oder Reviewer:in austauschen.

Kann ich Reviewer manuell zuweisen? Aktuell nicht im UI vorgesehen — Zuweisung ist automatisch. Wenn ein bestimmtes Pairing nicht funktioniert (z. B. weil sich zwei Personen außer-akademisch nicht vertragen), kannst du der einreichenden Person eine zusätzliche Trainer-Bewertung als „menschlich gegenchecken" anbieten.

Wie viele Reviewer pro Einreichung sind sinnvoll? - Zwei reicht oft, gibt zwei Perspektiven - Drei glättet Ausreißer (eine sehr strenge oder sehr lasche Bewertung wird ausgeglichen) - Vier oder mehr lohnt sich kaum, der Aufwand pro Lernende:r wird zu groß

Sehe ich, welche Reviews welche Bewertungen bekommen haben — als Bewertung der Reviewer:innen? Direkte „Reviews der Reviews" gibt es nicht. Wenn dir gute Review-Praxis wichtig ist, gib selber stichprobenartig Feedback an Reviewer:innen — schicke z. B. eine Direktnachricht „Dein Feedback an Person X war besonders konstruktiv".

Lernende fühlen sich unfair bewertet — was tun? Erste Maßnahme: Bewertung selbst nachprüfen. Wenn die Reviewer-Bewertung wirklich schief ist, eigene Trainer-Bewertung als „Korrektiv" hinzufügen. Bei wiederholten Fairness-Diskussionen: vielleicht ist dein Kriterien-Set nicht klar genug — Bewertungskriterien anpassen.