In dieser Arbeit stellen wir die ersten Experimente mit neuronalen Netzwerkmodellen für die Aufgabe der Fehlererkennung im Schreibergebnis von Lernenden vor. Wir führen einen systematischen Vergleich alternativer Kompositionsarchitekturen durch und schlagen ein Framework für die Fehlererkennung basierend auf bidirektionalen LSTMs (Long Short-Term Memory) vor. Experimente mit dem Datensatz des CoNLL-14 Shared Task zeigen, dass das Modell in der Lage ist, andere Teilnehmer bei der Erkennung von Fehlern im Schreibergebnis von Lernenden zu übertreffen. Schließlich wird das Modell in ein öffentlich bereitgestelltes System zur Selbstbewertung integriert, wodurch eine Leistung erzielt wird, die sich mit der von menschlichen Annotatoren vergleichen lässt.