Vom Stapel zur Rückgabe, in fünf nachvollziehbaren Schritten
Laura assistiert bei jedem Schritt der Korrektur. Die Bewertung triffst du: transparent, auditierbar und ohne stillen Cloud-Upload.
Der Korrektur-Flow
- 01
Stapel hochladen
Fotografiere oder scanne die Arbeiten. Die Bilder bleiben zunächst auf deinem Gerät.
Details für Technik-Interessierte
Fachlich: local-first by default. Standardmäßig verlässt kein Bild dein Gerät, bevor du es bewusst freigibst. - 02
Laura liest die Handschrift
Erst liest Laura lokal und kostenlos. Nur wenn etwas unklar bleibt, fragt sie zusätzlich eine stärkere KI, gezielt für die unsicheren Stellen.
Details für Technik-Interessierte
Fachlich: 4-Stufen-Kaskade. Zwei lokale Strecken bilden einen ROVER-Konsens (gratis); bei Unsicherheit Eskalation zu Cloud-KI mit Writer-Adaptive Recognition. Härtefälle gehen direkt in die genauere Strecke. - 03
Laura macht einen Vorschlag
Nach deinen Bewertungskriterien schlägt Laura Punkte und Kommentare vor, immer mit Beleg. Es bleibt ein Vorschlag, keine Note.
Details für Technik-Interessierte
Fachlich: Bewertung entlang deiner Rubrik, mit Evidenz, Konfidenz-Wert und Alternativen. - 04
Du prüfst & entscheidest
Du bestätigst, änderst oder verwirfst jeden Vorschlag. Unsicheres legt Laura dir sichtbar vor. Sie rät nicht, sie fragt nach.
Details für Technik-Interessierte
Fachlich: Review-Arena mit Queue. Stellen mit niedriger Konfidenz werden gesammelt sichtbar gemacht. - 05
Fertig: Korrektur auf der Seite + PDF
Deine Korrektur erscheint direkt auf der Arbeit, in deiner Schrift. Als PDF exportierst du erst, wenn wirklich jede Bewertung final ist.
Details für Technik-Interessierte
Fachlich: Inline-Overlay im autorisierten Teacher-Font; Export-Freigabe erst, wenn jede gewertete Entscheidung final ist (No-Surprises-Gate).
Was Laura im Kern anders macht
Lehrkraft entscheidet
Laura setzt nie eigenständig eine Finalnote. Jede Bewertung ist eine Teacher Final Decision.
Erst gratis lokal, dann KI bei Bedarf
Die Kaskade spart Kosten und Daten: Cloud nur, wenn der lokale Konsens nicht ausreicht, und dann pseudonymisiert (Opt-in).
Laura lernt die Handschrift
Je mehr Laura von einer Schülerin liest, desto sicherer erkennt sie deren Schrift (fachlich: Writer-Adaptive Recognition).
Individualisierung: der pädagogische Best-Case
Das eigentliche Versprechen ist nicht Geschwindigkeit, sondern Deckung. Weil jede Arbeit gleich gründlich gesehen wird, entsteht für jedes Kind ein belegtes Bild. So fällt niemand mehr einfach durch das System.
Jede Arbeit gleich gründlich
Die KI ermüdet nicht. Die zwanzigste Arbeit bekommt dieselbe Aufmerksamkeit wie die erste. Bewertungs-Drift über den Stapel wird sichtbar und geprüft, nicht ignoriert.
Fehlermuster statt Einzelfehler
Laura clustert, woran ein Kind wiederholt arbeitet. Aus vielen roten Strichen wird ein konkreter Förder-Hinweis.
Stärken werden sichtbar
Weil jede Stelle der Rubrik zugeordnet ist, sieht die Lehrkraft, wo ein Kind schon sicher ist. Das ist die Grundlage, besondere Talente zu fördern statt sie im Durchschnitt zu verlieren.
Zeit für die, die sie brauchen
Die zurückgewonnene Zeit fließt in die Schwächsten und die Stärksten. Gerade wo Lehrkräfte fehlen und Klassen groß sind, wirkt das am stärksten.
Bereit, Korrekturzeit zurückzugewinnen?
Starte allein oder bring dein Kollegium mit. Wir richten dir einen Zugang ein.