Beyond Note-Taking

Zusammenfassung

Mündliche Prüfungen erzeugen komplexe, zeitgebundene Nachweise. Die Arbeit untersucht, wie sprecherbezogene Transkription, lokal betriebenes Retrieval und transparente KI-Beobachtungen Prüfende unterstützen können, ohne Bewertung oder finales Urteil an ein Modell zu delegieren.

Forschungsfrage

Wie kann ein KI-Assistent Prüfende beim Auffinden und Verbinden von Nachweisen aus einer mündlichen Prüfung unterstützen und dabei Datenschutz, Sprecherzuordnung und menschliche Verantwortung erhalten?

Methode

Das System kombiniert Audioaufbereitung, Diarisation, Transkriptausrichtung, Retrieval aus freigegebenem Kursmaterial und begrenzte Beobachtungsgenerierung. Ein lesbarer Bericht verbindet jede Beobachtung mit sprecherbezogenen Nachweisen und dem Bewertungskontext.

Erkenntnisse

• Sprecherzuordnung macht generierte Beobachtungen leichter überprüfbar.
• Lokale Infrastruktur hält sensible institutionelle Daten in der Hochschulumgebung.
• Der sinnvolle Beitrag ist Nachweisunterstützung; Bewertung bleibt eine menschliche Handlung.

Grenzen

• Fehler in Transkription und Diarisation können Nachweise verzerren.
• Generierte Beobachtungen benötigen Prüfung und können keine Note selbstständig begründen.
• Der beschriebene Aufbau gehört zu einem begrenzten institutionellen Kontext und ist kein allgemeines Überwachungssystem.

Zitation

Dauner, M., Liu, R., Socher, G. (2026). Beyond note-taking: Empowering examiners with a diarization-aware and transparent AI assistant for oral exams. IEEE EDUCON 2026, 1–10. https://doi.org/10.1109/EDUCON67543.2026.11574092