- Welches Computer Science IA Modell gilt für dich?
- Kriterien für die Prüfungen im Mai und November 2026 (34 Punkte)
- Kriterien ab Mai 2027: Die Computational Solution (30 Punkte)
- Was macht ein starkes Computer Science IA aus?
- Ein Problem wählen und den Umfang festlegen
- Computer Science IA Ideen mit gut machbarem Umfang
- Belege für die Kriterien planen
- Tests und Evaluation sollten auf Belegen beruhen
- Das Video erstellen
- Häufige Fehler im Computer Science IA
Kurzantwort
Das IB Computer Science IA ist ein Softwareprodukt, das du planst, baust, testest und bewertest, dokumentiert in höchstens 2.000 Wörtern plus einem Video. Für Prüfungen im Mai oder November 2026 gilt das alte Modell mit 34 Punkten und einem echten Kunden. Ab Mai 2027 gilt die neue Computational Solution: etwa 35 Stunden, 30 Punkte, ein Video von höchstens 5 Minuten und kein Kunde mehr nötig.
Was du lernst
- Prüfungen im Mai oder November 2026 nutzen das bisherige IA, bewertet mit 34 Punkten und für einen echten Kunden gebaut. Prüfungen ab Mai 2027 nutzen die neue Computational Solution, bewertet mit 30 Punkten
- In beiden Modellen zählt das IA 30 % der Note auf SL und 20 % auf HL, mit einer Dokumentation von höchstens 2.000 Wörtern plus einem Video
- Ab 2027 lauten die fünf Kriterien Problem specification (4), Planning (4), System overview (6), Development (12) und Evaluation (4)
- Development bringt in beiden Modellen 12 Punkte. Am wichtigsten sind also die Techniken, die du nutzt, und wie klar du sie erklärst
- Ein eng zugeschnittenes Produkt, das funktioniert und gut dokumentiert ist, schlägt ein ehrgeiziges, das nur halb fertig ist
Welches Computer Science IA Modell gilt für dich?
Das IB hat einen neuen Guide für Computer Science veröffentlicht, der ab August 2025 unterrichtet und im Mai 2027 zum ersten Mal geprüft wird. Deine Prüfungsrunde entscheidet, welche Version des IA du bearbeitest. Kläre das deshalb mit deiner Lehrkraft, bevor du ein Projekt wählst.
- Prüfungen im Mai oder November 2026: Es gilt der bisherige Guide. Du baust eine Lösung für einen echten Kunden, dokumentierst sie in höchstens 2.000 Wörtern und reichst ein Video von 2 bis 7 Minuten ein, das sie in Aktion zeigt. Bewertet wird mit 34 Punkten in fünf Kriterien.
- Prüfungen ab Mai 2027: Es gilt der neue Guide. Du baust in etwa 35 Stunden eine Computational Solution für ein reales Problem deiner Wahl, dokumentierst sie in höchstens 2.000 Wörtern (Codeauszüge, Codekommentare und Diagramme zählen nicht mit) und reichst ein Video von höchstens 5 Minuten ein. Bewertet wird mit 30 Punkten in fünf neuen Kriterien, und ein Kunde ist nicht mehr nötig.
- Gewichtung in beiden Modellen: 30 % der Endnote auf SL und 20 % auf HL
- Neue Prüfungen ab Mai 2027: SL schreibt Paper 1 und Paper 2 (je 1 Stunde 15 Minuten und je 35 %), HL schreibt Paper 1 und Paper 2 (je 2 Stunden und je 40 %). Die vorab veröffentlichte Case Study gehört jetzt auf beiden Niveaus zu Paper 1.
- Zusätzlich zum neuen IA bearbeiten Schüler im neuen Kurs auch das 10-stündige Collaborative Sciences Project
Wichtig
Viele Ratschläge im Netz, darunter die meisten Beispielarbeiten, wurden für das bisherige Modell geschrieben. Für Kandidaten von 2026 stimmen sie. Wenn du deine Prüfungen 2027 ablegst, sind Kriterien, Videolänge und Regeln zum Kunden aber anders.
Kriterien für die Prüfungen im Mai und November 2026 (34 Punkte)
Nach dem bisherigen Guide baust du dein Produkt für einen echten Kunden, und die Dokumentation zeigt, wie du es geplant, entworfen, entwickelt und bewertet hast.
- A. Planning (Planung, 6 Punkte): Beschreibe die Situation des Kunden, erkläre, warum dein geplantes Produkt dazu passt, und lege konkrete, testbare Success Criteria (Erfolgskriterien) fest
- B. Solution overview (Lösungsüberblick, 6 Punkte): ein Aufgabenprotokoll und ein Designüberblick mit einem groben Testplan
- C. Development (Entwicklung, 12 Punkte): Erkläre die Techniken, die du genutzt hast, etwa Datenstrukturen, Algorithmen und Bibliotheken, warum sie passend waren, und nenne alle Quellen
- D. Functionality and extensibility of product (Funktionalität und Erweiterbarkeit, 4 Punkte): Das Video zeigt, dass das Produkt funktioniert, und Design und Code sind so aufgebaut, dass jemand anderes es erweitern könnte
- E. Evaluation (Bewertung, 6 Punkte): Bewerte das Produkt an den Success Criteria, mit dem Feedback des Kunden, und empfiehl realistische Verbesserungen
Kriterien ab Mai 2027: Die Computational Solution (30 Punkte)
Das neue IA stellt den Prozess des Computational Thinking in den Mittelpunkt und verbindet beide Hälften des Kurses: wie Computersysteme funktionieren und wie du sie nutzt, um Probleme zu lösen. Du wählst ein beliebiges reales Problem, das komplex genug für eine umfangreiche Lösung ist, und brauchst keinen externen Kunden.
- A. Problem specification (Problembeschreibung, 4 Punkte): Beschreibe das Problem in Form messbarer Anforderungen, lege passende Success Criteria fest und erkläre, warum eine Computational Solution passt
- B. Planning (Planung, 4 Punkte): Zerlege das Problem in überschaubare Teile und erstelle einen Plan, der die Success Criteria abdeckt
- C. System overview (Systemüberblick, 6 Punkte): ein vollständiges Modell des Systems, Algorithmen für seine Komponenten und eine Teststrategie, die auf die Success Criteria abgestimmt ist
- D. Development (Entwicklung, 12 Punkte): ein voll funktionsfähiges Produkt, gebaut mit passenden Techniken, wobei du deine Umsetzungsentscheidungen bewertest und deine Teststrategie begründest
- E. Evaluation (Bewertung, 4 Punkte): Bewerte, wie weit die Success Criteria erfüllt wurden, und begründe realistische Verbesserungen
Profi-Tipp
Füg deinen Quellcode so bei, wie deine Lehrkraft es vorgibt. Die Punkte für Development hängen davon ab, dass der Moderator die Techniken prüfen kann, die du beschreibst.
Was macht ein starkes Computer Science IA aus?
In beiden Modellen schneiden Computer Science IAs gut ab, wenn sie technisches Können mit klaren Belegen verbinden. Examiners wollen sehen, dass du ein echtes Problem verstanden, testbare Success Criteria festgelegt, Techniken aus guten Gründen gewählt, das Produkt systematisch gebaut und ehrlich beurteilt hast, ob es funktioniert. Der größte einzelne Punkteblock, 12 Punkte für Development, belohnt es, deine Techniken und Entscheidungen zu erklären, nicht nur sie zu nutzen.
Profi-Tipp
Dein Projekt sollte ein echtes Problem lösen und nicht nur zeigen, dass du programmieren kannst. Ein schlicht wirkendes Produkt mit gut erklärten Algorithmen und Datenstrukturen schneidet oft besser ab als ein auffälliges mit dünner Dokumentation.
Ein Problem wählen und den Umfang festlegen
Schwache IAs scheitern oft daran, dass der Umfang unklar ist. Für die Prüfungen 2026 brauchst du einen glaubwürdigen Kunden mit einem konkreten Bedarf. Ab 2027 kannst du jedes Problem wählen, das dich interessiert, solange es komplex genug ist. In beiden Fällen brauchst du Success Criteria, die du später testen und bewerten kannst.
- Modell 2026: Such dir einen echten Kunden, etwa eine Lehrkraft, einen Verein oder ein kleines Unternehmen, und sprich mit ihm über das Problem
- Modell 2027: Wähl ein reales Problem, das komplex genug ist, um Zerlegung, Algorithmen und sinnvolle Datenverarbeitung zu brauchen
- Formuliere Success Criteria, die konkret und messbar sind, zum Beispiel dass eine Suche in unter einer Sekunde Ergebnisse liefert
- Halte den Umfang klein genug, um alles fertigzustellen, gründlich zu testen und zu dokumentieren
- Wähl Funktionen, die dem Problem dienen, statt Extras zum Vorzeigen einzubauen
Wichtig
Ein Projekt mit zu vielen Funktionen schwächt meist die Belege für Design, Tests und Evaluation, weil keine davon richtig dokumentiert wird.
Computer Science IA Ideen mit gut machbarem Umfang
Diese Ideen sind Beispiele. Zu jeder sind die Techniken genannt, die du im Development erklären kannst. Pass sie an ein echtes Problem an, das du selbst oder ein Kunde tatsächlich hat.
- Ein Buchungssystem für Übungsräume oder Sportplätze: eine Datenbank, Eingabevalidierung und Erkennung von Überschneidungen zwischen Buchungen
- Ein Bestands- und Ausleihtracker für einen Verein oder eine Fachschaft: relationale Daten, Suchen und Sortieren sowie Erinnerungen bei Überfälligkeit
- Eine Karteikarten-App fürs Lernen mit Spaced Repetition: ein Planungsalgorithmus, gespeicherte Nutzerdaten und Fortschrittsstatistiken
- Ein Dashboard für eine Wetterstation: Sensordaten oder offene Datendateien einlesen, die Daten bereinigen und Trends grafisch darstellen
- Ein Routenplaner für ein Schulgelände: eine Graph-Datenstruktur und ein Algorithmus für kürzeste Wege wie der Dijkstra-Algorithmus
- Ein Turniermanager für eine Schulliga: Spielplanerstellung, Tabellenberechnung und Regeln bei Punktgleichheit
- Ein persönlicher Budgettracker: kategorisierte Buchungen, wiederkehrende Zahlungen und zusammenfassende Berichte
- Ein Rezeptumrechner mit Einkaufsliste: Umrechnung von Einheiten, Auslesen von Zutatentexten und Zusammenfassen von Mengen
- Ein Prüfer für Konflikte bei der Fächerwahl: Bedingungen über viele Stundenplankombinationen hinweg prüfen
- Ein Rätsel- oder Textadventure-Spiel mit Speicherständen: objektorientiertes Design, Spielzustand und Dateiverarbeitung
Wichtig
Komplexität sollte aus dem Problem kommen, nicht aus immer mehr Funktionen. Ein paar gut gewählte Techniken, die jeweils erklärt und getestet sind, geben dem Kriterium Development mehr zu belohnen als eine lange Funktionsliste.
Belege für die Kriterien planen
Bei einem starken IA geht es nicht nur darum, das Produkt zu bauen. Es geht darum, den Prozess so klar zu dokumentieren, dass jedes Kriterium erfüllt ist. Viele Schüler bauen etwas, das funktioniert, und verlieren dann Punkte, weil die Belege dünn oder ungeordnet sind. Mit dieser Reihenfolge wachsen die Belege während der Arbeit mit.
- 1Leg zuerst Problem und Success Criteria fest und dokumentiere im Modell 2026 das Gespräch mit dem Kunden
- 2Zerlege das Problem in Teile und plane, in welcher Reihenfolge du sie baust
- 3Erstelle Designbelege vor dem Programmieren: Systemdiagramme, Datenstrukturen, Algorithmen als Pseudocode oder Flussdiagramm und Skizzen der Oberfläche
- 4Schreib deinen Testplan parallel zum Design, mit jedem Test an ein Success Criterion gekoppelt
- 5Bau in Etappen und notiere dir die Techniken, die du nutzt, und warum, als Vorlage für den Abschnitt zu Development
- 6Teste systematisch mit normalen, Grenz- und ungültigen Daten und dokumentiere die Ergebnisse
- 7Nimm das Video auf und bewerte dann jedes Success Criterion mit Belegen
Tests und Evaluation sollten auf Belegen beruhen
Die stärksten Computer Science IAs zeigen, ob das Produkt das Problem, für das es gebaut wurde, tatsächlich löst. Tests sollten Funktionen, Grenzfälle und Nutzerbedürfnisse abdecken, und die Evaluation sollte das Produkt an den ursprünglichen Success Criteria beurteilen, statt seine Funktionen zu beschreiben.
- Teste die erwarteten Funktionen und Grenzfälle und zeig, wie das Produkt mit ungültigen Eingaben umgeht
- Zeig Belege für Fehlersuche und Verbesserung, nicht nur eine fertige Testtabelle
- Bezieh Feedback von Nutzern oder vom Kunden ein, wo es zu deinem Modell passt
- Bewerte mit Belegen, wie gut jedes Success Criterion erfüllt wurde
- Schlag realistische Verbesserungen vor und erkläre, warum sie helfen würden
Das Video erstellen
Das Video ist dein Beleg dafür, dass das Produkt funktioniert. Für die Prüfungen 2026 sollte es 2 bis 7 Minuten dauern, ab Mai 2027 höchstens 5 Minuten. Plane es, bevor du aufnimmst.
- Folge der Reihenfolge deiner Success Criteria, damit der Moderator sie abhaken kann
- Nutze realistische Daten, nicht nur ein paar Platzhalter-Einträge
- Zeig Validierung und Fehlerbehandlung, nicht nur den Idealablauf
- Schneide Einrichtungszeit und lange Ladebildschirme heraus, um im Zeitlimit zu bleiben
- Prüf, ob die Aufnahme scharf genug ist, um Text auf dem Bildschirm zu lesen
Häufige Fehler im Computer Science IA
Diese Probleme begrenzen oft die Punkte in sonst vielversprechenden Projekten. Ein Tutor für IB Informatik kann dir an Beispielen statt an deinem eigenen Projekt erklären, was Erfolgskriterien testbar macht und wie Belege zu jedem Kriterium passen.
- Einer Beispielarbeit oder einem Bewertungsraster für das falsche Modell folgen
- Ein zu ehrgeiziges Projekt, das sich nicht richtig fertigstellen lässt
- Success Criteria, die zu vage sind, um sie zu testen
- Screenshots von Code ohne Erklärung der Technik oder warum sie gewählt wurde
- Code, den du nicht erklären kannst, darunter nicht angegebener Code aus Tutorials oder KI-Tools
- Ein Video, das die Funktionen auslässt, die deine Success Criteria versprechen
- Eine Evaluation, die das Produkt beschreibt, statt es an den Success Criteria zu beurteilen