Zum Inhalt springen
CASOON

Handschriftliche Schülerarbeiten mit KI auswerten: Mistral OCR im Schulalltag

KI im Einsatz

Wie Lehrkräfte Zeit bei der Korrektur sparen können – ohne Daten in die Cloud zu schicken

9 Minuten
Handschriftliche Schülerarbeiten mit KI auswerten: Mistral OCR im Schulalltag
#Mistral #OCR #Handschrift #Schule
SerieMistral & Vibe CLI
Teil 5 von 16

Das Problem: Korrekturstapel und keine Zeit

Lehrkräfte verbringen einen erheblichen Teil ihrer Arbeitszeit mit Korrekturen. Handschriftliche Arbeiten – Aufsätze, Tests, Hausaufgaben – müssen gelesen, bewertet und kommentiert werden. Bei 30 Schülern und regelmäßigen Abgaben summiert sich das schnell.

KI könnte helfen. Aber: Schülerarbeiten sind sensible Daten. Sie einfach bei ChatGPT hochzuladen ist datenschutzrechtlich problematisch – und in den meisten Bundesländern nicht erlaubt.

Die Lösung: Lokale Handschrifterkennung

Mistral OCR kann handgeschriebene Dokumente digitalisieren. In Kombination mit einem lokalen Sprachmodell entsteht ein Workflow, bei dem keine Daten das Schulnetzwerk verlassen.

Was Mistral OCR kann

  • Handschrift erkennen: Auch Kursivschrift und “unordentliche” Schrift
  • 99%+ Genauigkeit bei gedrucktem Text, solide Ergebnisse bei Handschrift
  • Strukturierte Ausgabe: Markdown oder JSON
  • Schnell: Bis zu 2.000 Seiten pro Minute

Was kostet das?

Mistral OCR API

VariantePreisSeiten/Monat bei 50€ Budget
Standard$2 pro 1.000 Seiten~25.000 Seiten
Batch (50% Rabatt)$1 pro 1.000 Seiten~50.000 Seiten

Rechenbeispiel Schule:

  • 500 Schüler × 4 Seiten/Woche = 2.000 Seiten
  • Pro Monat: ~8.000 Seiten
  • Kosten: ~€7-16/Monat (ca. 7-15€)

Self-Hosted (eigener Server)

Für Schulträger mit eigenem Rechenzentrum bietet Mistral OCR eine Self-Hosted-Option. Keine laufenden API-Kosten, volle Datenkontrolle. Lizenzkosten auf Anfrage.

Lokale Alternativen (kostenlos)

  • Tesseract: Gut für gedruckten Text, schwach bei Handschrift
  • LLaVA über Ollama: Kann Bilder analysieren, aber weniger zuverlässig für OCR

Workflow: Von der Schülerarbeit zur Auswertung

Schritt 1: Arbeiten scannen

Die meisten Schulen haben Multifunktionsgeräte mit Scan-Funktion. Wichtig:

  • Auflösung: 200-300 DPI reicht
  • Format: PDF oder JPEG
  • Benennung: Konsistente Namen erleichtern die Zuordnung
Klasse10a_Aufsatz_Mueller_Anna.pdf
Klasse10a_Aufsatz_Schmidt_Max.pdf

Schritt 2: OCR durchführen

Mit Mistral OCR API:

import requests
import base64

def ocr_scan(image_path, api_key):
    with open(image_path, "rb") as f:
        image_data = base64.b64encode(f.read()).decode()
    
    response = requests.post(
        "https://api.mistral.ai/v1/ocr",
        headers={"Authorization": f"Bearer {api_key}"},
        json={
            "image": image_data,
            "output_format": "markdown"
        }
    )
    return response.json()["text"]

# Beispiel
text = ocr_scan("aufsatz_mueller.pdf", "dein-api-key")
print(text)

Schritt 3: Mit lokalem Modell auswerten

Der erkannte Text wird lokal analysiert:

ollama run mistral-small "Du bist eine erfahrene Deutschlehrerin.
Analysiere diesen Schüleraufsatz (Klasse 10) zum Thema 'Digitalisierung im Alltag'.

Bewerte nach:
1. Inhalt und Argumentation (max. 30 Punkte)
2. Aufbau und Struktur (max. 20 Punkte)
3. Ausdruck und Stil (max. 30 Punkte)
4. Rechtschreibung und Grammatik (max. 20 Punkte)

Gib konstruktives Feedback und konkrete Verbesserungsvorschläge.

Aufsatz:
$(cat aufsatz_text.txt)"

Praktische Anwendungsfälle

Aufsätze vorkorrigieren

Die KI erstellt einen ersten Entwurf der Bewertung. Die Lehrkraft prüft, passt an und ergänzt persönliche Kommentare.

Zeitersparnis: 50-70% der Korrekturzeit

Rechtschreibfehler markieren

ollama run mistral-small "Liste alle Rechtschreib- und Grammatikfehler 
in diesem Text auf. Gib für jeden Fehler:
- Das falsche Wort
- Die korrekte Schreibweise
- Eine kurze Erklärung der Regel

Text:
$(cat schuelertext.txt)"

Vokabeltests auswerten

Bei standardisierten Tests (Vokabeln, Multiple Choice) kann die Auswertung weitgehend automatisiert werden:

ollama run mistral-small "Vergleiche die Schülerantworten mit der Musterlösung.
Zähle die korrekten Antworten und berechne die Note.

Musterlösung:
1. apple - Apfel
2. house - Haus
3. beautiful - schön
...

Schülerantworten:
$(cat vokabeltest_scan.txt)"

Feedback-Vorlagen generieren

Für wiederkehrende Schwächen:

ollama run mistral-small "Erstelle eine Feedback-Vorlage für Schüler, 
die Probleme mit der Kommasetzung bei Relativsätzen haben.
Erkläre die Regel einfach, gib 3 Beispiele und eine Übung."

Datenschutz: Was ist erlaubt?

Grundsätze

  • Personenbezogene Daten (Name, Klasse) möglichst entfernen vor KI-Verarbeitung
  • Lokale Verarbeitung bevorzugen (Ollama statt Cloud-APIs)
  • Bei Cloud-APIs: Auftragsverarbeitungsvertrag (AVV) mit Anbieter prüfen
  • Schulleitung und Datenschutzbeauftragten einbinden

Empfohlener Workflow

  1. OCR: Mit Mistral OCR API (Server in EU) oder self-hosted
  2. Analyse: Lokal mit Ollama – keine Daten verlassen den Rechner
  3. Speicherung: Nur auf schulinternen Systemen

Hardware-Anforderungen

Für Lehrkräfte (lokale Nutzung)

  • MacBook mit M1/M2/M3/M4 und 16+ GB RAM
  • Oder: Windows/Linux-Laptop mit dedizierter GPU

Für gelegentliche Nutzung reicht ein normaler Laptop mit Mistral OCR API + lokaler Textanalyse.

Für Schulträger (zentrale Lösung)

  • Server mit GPU (NVIDIA RTX 4090 oder besser)
  • Mistral OCR self-hosted + Ollama
  • Zugriff über internes Schulnetzwerk

Grenzen und Ehrlichkeit

KI-gestützte Korrektur ist ein Hilfsmittel, kein Ersatz:

  • Kontext fehlt: Die KI kennt den Schüler nicht, seine Entwicklung, besondere Umstände
  • Kreativität bewerten ist schwierig – ungewöhnliche Ideen werden ggf. nicht erkannt
  • Handschrift-Grenzen: Sehr unleserliche Schrift führt zu Fehlern
  • Finale Bewertung: Bleibt Aufgabe der Lehrkraft

Der Mehrwert liegt in der Vorarbeit: Fehler finden, Struktur analysieren, Feedback-Entwürfe erstellen. Die pädagogische Einordnung bleibt menschlich.

Einordnung

Für Schulen bietet die Kombination aus Mistral OCR und lokalen Sprachmodellen eine datenschutzkonforme Möglichkeit, Korrekturarbeit zu beschleunigen.

Die Kosten sind überschaubar (unter 20€/Monat für eine typische Schule), die Zeitersparnis erheblich. Wichtig ist ein durchdachter Workflow, der Datenschutz ernst nimmt und die KI als Werkzeug versteht – nicht als Ersatz für pädagogische Kompetenz.

Weiterführend