So bewertet GoetheCoach deinen Goethe-Text

Auf dieser Seite steht, wie die Bewertung funktioniert, wie gut sie ist und wo sie sich irrt. Wir aktualisieren sie bei jeder Änderung (Stand: Oktober 2026). GoetheCoach steht in keiner Verbindung zum Goethe-Institut; eine Übungsbewertung ist keine Prüfungsnote.

Wie bewertet GoetheCoach einen Text?

Ein Sprachmodell liest deinen Text und meldet Beobachtungen, Code rechnet daraus die Punkte. Das Modell vergibt also keine Punkte nach Gefühl.

1. Lesen: Das Modell prüft jeden Leitpunkt (behandelt, teilweise, fehlt) und zitiert den Satz, der ihn abdeckt. Es zitiert jeden Fehler und schätzt Kohärenz, Wortschatz und Strukturen in Stufen ein.
2. Rechnen: Code macht aus diesen Beobachtungen Punkte, nach festen Regeln. Die Wörter zählt der Code, nicht das Modell.
3. Zweimal lesen: Jeder Text wird zweimal unabhängig gelesen, die Ergebnisse werden gemittelt. Liegt eine Lesung unter und eine über 60 und der Mittelwert darunter, kommt eine dritte dazu.

Das ist dieselbe Logik wie in der Prüfung: Dort bewerten zwei Prüfende unabhängig, und eine dritte Bewertung gibt es nur, wenn es um Bestehen oder Nichtbestehen geht. Die Regeln der echten Prüfung erklärt So wird Goethe-Schreiben bewertet.

Nutzt GoetheCoach die echten Goethe-Kriterien und Punkte?

Ja, die vier Kriterien sind dieselben: Aufgabenerfüllung, Kohärenz, Wortschatz, Strukturen. Für B1 und B2 nutzen wir außerdem die Punktwerte der offiziellen Bewertungsbögen.

Jedes Kriterium bekommt nur einen der offiziellen Stufenwerte (A bis E = 100, 75, 50, 25 oder 0 % des Maximums). Zwischenwerte gibt es nicht, wie in der Prüfung.

Das heißt: Bei B1 und B2 ist unsere Rechnung so nah an der Prüfung, wie es ohne Prüfende geht. Bei den anderen Niveaus ist sie eine Näherung.

Wann gibt es 0 Punkte für eine Aufgabe?

Wie in der Prüfung nur bei Stufe E in der Aufgabenerfüllung. Das passiert, wenn dein eigener Text weniger als die Hälfte der geforderten Wörter hat, das Thema verfehlt, leer ist oder größtenteils aus der Aufgabenstellung abgeschrieben ist.

Fehlende Leitpunkte allein bringen nie 0 Punkte. Sie kosten Stufen, aber die Aufgabe bleibt bewertet.

Was bedeuten „sicher“, „Grenzbereich“ und „noch nicht“?

Statt nur „bestanden“ oder „nicht bestanden“ zeigen wir drei Bereiche:

Warum nicht einfach „bestanden ab 60“? Weil bei Ergebnissen zwischen 60 und 69 % selbst geschulte Bewertende uneinig sind (mehr dazu unten). Ein „Bestanden“ bei 62 % wäre eine falsche Sicherheit. Warum 70 das bessere Ziel ist, erklärt 60 Punkte im Übungstest: Reicht das?

Wie gut stimmt das mit echten Prüfenden überein?

Wir haben unsere Bewertung an 124 echten Prüfungstexten gemessen, die geschulte Bewertende einem Niveau zugeordnet hatten (MERLIN-Korpus, telc-Aufgaben A1–C1). Zum Vergleich lief ein einfacher Chatbot-Prompt („bewerte wie ein Goethe-Prüfer“) auf demselben Sprachmodell.

Drei Dinge lesen wir daraus:

• Wir sind nicht genauer als ein guter Prompt, was das reine Ja/Nein betrifft. Beide liegen bei etwa drei von vier Texten richtig.
• Wir waren zu großzügig. Mit Rubrik 1.3 bestanden 43 % der Texte, die die Bewertenden unter das Niveau gesetzt hatten. Das haben wir mit den offiziellen Punktwerten und zwei Lesungen korrigiert.
• Wir irren lieber vorsichtig. Ein falsches „noch nicht“ kostet dich eine Übungsrunde, ein falsches „sicher“ kann dich eine Prüfung kosten.

Einschränkungen: telc- statt Goethe-Aufgaben, Niveaustufen statt Goethe-Punkte, und die Grenzwerte haben wir an denselben Texten gewählt. Die Zahlen sind ein ehrlicher Anhaltspunkt, kein Gütesiegel.

Wo irrt sich GoetheCoach?

Jede Bewertung hat Schwächen, unsere auch. Die wichtigsten:

• C1 und C2: Hier schwankt das Urteil am meisten. Das ist kein reines KI-Problem; auch in der Forschung ist die Spitze am schwersten zu bewerten.
• Ein Absatz am Thema vorbei: Steht in einem sonst passenden Text ein Absatz, der nicht zur Aufgabe gehört, merken wir das oft nicht.
• Kein Prüferinnen-Vergleich: Wir haben noch keine Texte, die zertifizierte Goethe-Prüfende für uns bewertet haben. Deshalb behaupten wir nicht, „so genau wie ein Prüfer“ zu sein.
• Nur Schreiben: Sprechen bewerten wir nicht.
• Wiederholungen: Reichst du denselben Text neu ein, bekommst du dasselbe Ergebnis. Zwei verschiedene Texte ähnlicher Qualität können aber in unterschiedlichen Stufen landen.

Das heißt: Nutze die Bewertung, um zu sehen, was fehlt. Nimm die genaue Zahl nicht wörtlicher als ±5 Punkte.

Ändert sich die Bewertung mit der Zeit?

Ja, und jede Änderung hat eine Versionsnummer. Bevor wir das Sprachmodell oder die Regeln ändern, messen wir die Wirkung an festen Testtexten.

Ein Beispiel für so eine Messung: Beim Wechsel des Sprachmodells im Oktober 2026 kamen bei 9 von 10 Testläufen dieselben Punkte heraus. Mit einer anderen Einstellung wären A2- und B1-Texte um 10–15 Punkte schlechter bewertet worden. Diese Einstellung haben wir deshalb nicht genommen.

Häufig gestellte Fragen

Ist GoetheCoach genauer als ChatGPT?

Beim reinen Urteil „bestanden oder nicht“ nicht automatisch: In unserem Vergleich lagen wir und ein guter Chatbot-Prompt beide bei etwa 75 % Übereinstimmung mit geschulten Bewertenden. Der Unterschied liegt in festen Regeln, gezählten Wörtern, zitierten Leitpunkten und einem Grenzbereich statt eines knappen „bestanden“.

Kann ich mich auf meine Punktzahl verlassen?

Als Richtung ja, als genaue Zahl nein. Rechne mit ±5 Punkten. Ab 70 % bist du sicher, im Grenzbereich zwischen 55 und 69 % solltest du gezielt nachbessern.

Ersetzt die Bewertung eine Lehrkraft?

Nein. Sie zeigt dir schnell, welche Leitpunkte fehlen und wo Fehler stehen. Eine Lehrkraft sieht mehr, vor allem bei Stil und Argumentation. Im Plan „Prüfungsvorbereitung“ gibt es deshalb einen Lehrkraft-Check.

Bewertet GoetheCoach auch Sprechen?

Nein, nur Schreiben. Für Sprechen brauchst du einen Gesprächspartner oder ein anderes Werkzeug.

Warum bekomme ich bei 62 % kein „bestanden“?

Weil 62 % im Übungstest nicht sicher bestanden sind. Zwischen 60 und 69 % waren sich in unserem Vergleich selbst geschulte Bewertende etwa halb und halb uneinig. Darum zeigen wir dort „Grenzbereich“ und sagen dir, was fehlt.

Warum unterscheidet sich die Bewertung für A1, A2, C1 und C2?

Für diese Niveaus nutzen wir nicht die offiziellen Bewertungsbögen, sondern vier gleich große Kriterien. Die Bewertung ist dort eine Näherung, bei C1 und C2 die unsicherste.

Quellen

• Goethe-Institut: Durchführungsbestimmungen B1 und B2, § 4.3 (Stand 1. September 2025)
• Goethe-Institut: B1-Übungssatz und B2-Modellsatz für Erwachsene, Prüferblätter (Bewertungsbögen)
• MERLIN Written Learner Corpus (Wisniewski u. a., Eurac Research, CC BY-SA 4.0)
• ChatGPT vs. GoetheCoach: derselbe B2-Text, fünfmal bewertet