Diese Studie untersucht die Verbesserung der grammatischen Fehlerkorrektur (GEC) durch künstliche Fehlergenerierung (AEG) mittels Sprachmodellen (LMs). Konkret feinjustieren wir Llama-2-basierte LMs zur Fehlergenerierung und stellen fest, dass dieser Ansatz synthetische Fehler erzeugt, die menschlichen Fehlern ähneln. Anschließend trainieren wir GEC-Llama-Modelle mit Hilfe dieser künstlichen Fehler und erreichen eine Überlegenheit gegenüber vorherigen State-of-the-Art-Modellen der Fehlerkorrektur, wobei die Verbesserungen zwischen 0,8 und 6 F0,5-Punkten liegen, und zwar für alle getesteten Sprachen (Deutsch, Ukrainisch und Estnisch). Darüber hinaus zeigen wir, dass die Erzeugung von Fehlern durch Feinjustierung kleiner sequenz-zu-Sequenz-Modelle sowie durch Prompting großer kommerzieller LMs (GPT-3.5 und GPT-4) ebenfalls zu synthetischen Fehlern führt, die positiv auf die Leistung von Fehlergenerierungsmodellen wirken.