Barrierefreiheit

Dies ist eine automatische Übersetzung der englischen Seite; sie wurde noch nicht von einer muttersprachlichen Person geprüft.

Barrierefreiheit — die Gestaltung von Bildungstechnologie, Inhalten und Schnittstellen so, dass sie von Menschen mit Behinderungen und unterschiedlichen Bedarfen wahrgenommen, bedient und verstanden werden können. In der KI in der Bildung umfasst Barrierefreiheit konkrete, umsetzbare Barrieren des Mediums Lernens: Untertitel für Videos, Alternativtexte, Transkripte, Kompatibilität mit Screenreadern und Tastatursteuerung, Farbkontraste, Textvereinfachung, taktile Ausgabe, Gebärdensprach-Unterstützung und Kompatibilität mit assistiven Technologien.

Fragen zum Nachdenken

• Als Sie das letzte Mal ein digitales Lernwerkzeug ausgewählt oder entworfen haben: Haben Sie geprüft, ob Untertitel, Alternativtexte, Tastaturnavigation und Farbkontraste funktionieren, bevor Sie seine Pädagogik betrachtet haben? Warum könnte diese Reihenfolge von Bedeutung sein?
• Ein Video mit korrekten Untertiteln ist „barrierefrei“, während ein Kurs, der die Diskussion an den Kommunikationsbedarfen einer gehörlosen lernenden Person ausrichtet, „diese Person unterstützt“. Wo würden Sie die Grenze ziehen zwischen dem Beseitigen einer technischen Barriere und dem sinnvollen Dienen einer studierenden Person?
• Forschung zeigt, dass KI-segmentierte Lehrvideos mit festen Pausen die Leistungslücke zwischen ADHS und Nicht-ADHS-Lernenden beseitigten. Können Sie sich an eine „auf eine lernende Person zugeschnittene Lösung“ erinnern, die am Ende allen in einer Klasse zugutekam?
• Manche argumentieren, Barrierefreiheit sei notwendig, aber nicht hinreichend — ein barrierefreies Werkzeug ist nicht automatisch ein inklusives oder behindertengerechtes. Was ist der Unterschied zwischen der Fähigkeit, ein Werkzeug zu nutzen, und dem sinnvoll von ihm Bedient-Werden?
• Viele KI-Werkzeuge wurden überwiegend mit englischsprachigen, westlich-zentrierten Daten trainiert. Wie könnte das einschränken, wie gut sie Lernenden dienen, deren Erstsprache eine Gebärdensprache ist oder deren Erkenntnisweisen von der gesellschaftlichen Mehrheit abweichen?
• KI kann Barrierefreiheit im großen Maßstab automatisieren — Untertitel erzeugen, Texte vereinfachen, taktile Ausgaben produzieren. Was würden Sie von Hand überprüfen wollen, bevor Sie dieser automatisierten Barrierefreiheit vertrauen, und warum?

Einführung

Barrierefreiheit unterscheidet sich von drei benachbarten Konzepten dieser Wissensbasis, steht ihnen aber nahe. Inklusives Lernen ist der weitere Dachbegriff für die Gestaltung von Bildung für alle Unterschiede zwischen Lernenden (physisch, kognitiv, sensorisch, situativ). Sonderpädagogik ist der Unterrichtsbereich für Lernende mit diagnostizierten Behinderungen, einschließlich individueller Nachteilsausgleiche. Universal Design for Learning ist das vorausschauende Designrahmenwerk (mehrere Mittel des Engagements, der Repräsentation, des Handelns/des Ausdrucks). Barrierefreiheit sitzt innerhalb dieser Konstellation als die technische und verfahrensmäßige Schicht: Barrieren für das Wahrnehmen und Bedienen des Formats beseitigen, statt die Pädagogik neu zu entwerfen. Beide lassen sich an einem Spektrum trennen — Barrierefreiheit fragt „Kann jeder diesen Inhalt und dieses Werkzeug nutzen?“, während die Unterstützung studierender Personen mit Behinderungen fragt „Dient der Unterricht jeder lernenden Person sinnvoll, einschließlich Nachteilsausgleichen und behinderungsspezifischer Unterstützung?“ Beides ist wichtig, und KI durchdringt beides.

Warum der Unterschied zählt

Ein Video mit korrekten Untertiteln und einem ordnungsgemäß ausgezeichneten Transkript ist barrierefrei; ein Kurs, der die Diskussion so strukturiert, dass die Kommunikationspräferenzen einer gehörlosen lernenden Person einbezogen werden, unterstützt diese Person. Sie überlappen — barrierefreie Medien sind eine Voraussetzung für inklusiven Unterricht —, aber sie verlangen unterschiedliche Designentscheidungen und stützen sich auf unterschiedliche Evidenz. Barrierefreiheit ist in Standards und Gesetz verankert (WCAG, der US-amerikanische Assistive Technology Act und IDEA), während barrierefreies Lernen und Sonderpädagogik in Pädagogik und Lernerfahrung verankert sind.

Zentrale Forschungsthemen

Formatzugang: Untertitel, Transkripte und Text. KI-segmentierte Lehrvideos mit festen Pausen beseitigten die Leistungslücke zwischen ADHS- und Nicht-ADHS-Lernenden — Barrierefreiheit als Katalysator, der allen zugutekommt. MuTSE bewertet LLM-basierte Textvereinfachung, um die Komplexität der Inhalte an das Leseniveau jeder lernenden Person anzupassen, eine Human-in-the-loop-Schicht der Barrierefreiheit. Chen et al. entwickeln LLM-Fragengenerierung für gehörlose und schwerhörige Lernende und stellen sich der Diskrepanz zwischen textbasierten KI-Prompts und gebärdensprachlichen Erstsprachen.

Sensorischer Zugang: nicht-visuelle und taktile Ausgabe. Kutti AI macht gesprochene Konversation zur primären Modalität für sehbehinderte Kinder und beseitigt die visuelle Abhängigkeit. Taktile 3D-gedruckte Diagramme verwandeln visuelle statistische Daten in berührbare Ausgaben für blinde und sehbehinderte Studierende. Gebärdensprach-Roboter erweitern Bildungsrobotik um kommunikative Barrierefreiheit für gehörlose Lernende.

Audiodeskription, die für Film geschrieben wurde, überträgt sich nicht auf Vorlesungsaufzeichnungen. Folienbasierte Vorlesungen referenzieren Diagramme, Gleichungen und Zeigegesten, und ihre Pausen betragen im Median nur 0,5 s; daher bauten Psychias & Gao (2026) ein vorlesungsspezifisches Benchmark und eine regel-diagnostizierbare Metrik auf; ein Nachtraining auf maschinell beurteilten geordneten Paaren verbesserte die Konformität nicht gleichmäßig.

Generative KI für sehbehinderte Lernende. Khlaif et al. (2026) — eine qualitative Fallstudie mit 21 sehbehinderten Studierenden im Grundstudium an drei palästinensischen Universitäten — fanden, dass generative KI Tempo, Inhalte und Vermittlung an individuelle Lernprofile anpasst und komplexe akademische Texte vereinfacht, während sie Inhalte über Modalitäten hinweg konvertiert (Text, Audio, visuell) und damit Materialien nutzbar macht, die zuvor unzugänglich waren. Lernende rahmten Unmittelbarkeit als grundlegende Anforderung der Barrierefreiheit und nicht als Annehmlichkeit, und sechs voneinander abhängige technologische Merkmale — Interaktivität, Nutzungsfreundlichkeit, Erschwinglichkeit, Multimodalität, Integration und Skalierbarkeit — bestimmten, ob generative KI in einem ressourcenarmen Kontext tatsächlich barrierefrei war, wobei Usability, Erschwinglichkeit und Barrierefreiheit einander verstärkten statt getrennte Designgesichtspunkte zu sein.

Politik und Nachteilsausgleiche für Studierende mit Behinderungen. Shin et al. analysieren US-amerikanische KI-Richtliniendokumente und legen eine Lücke in der Orientierung für Studierende mit spezifischen Lernbehinderungen offen; sie schlagen Nachteilsausgleiche und Empfehlungen zur Bildungspolitik vor, die im Assistive Technology Act und in IDEA begründet sind. Zhang et al. meta-analysieren 29 Studien zu KI-basierten Interventionen für Studierende mit Behinderungen und finden einen mittleren positiven Effekt auf Lernergebnisse (g = 0.588) — und argumentieren, KI müsse mehr tun als Barrierefreiheit sichern: sie müsse agentische Teilhabe ermöglichen.

Übermäßig weit gefasste KI-Verbote und assistive Transkription. Wright (2026) argumentiert, pauschale Verbote der „KI-Nutzung“ seien übermäßig weit gefasst, weil sie Sprach-zu-Text-Transkription und OCR nicht von generativem Verfassen unterscheiden: Erkennungstechnologien konvertieren das Format von Inhalten, die die studierende Person bereits selbst verfasst hat, statt neue Inhalte zu erzeugen; dennoch erfasst eine Richtlinie, die um die Identität der Plattform herum geschrieben ist, beides gleichermaßen. Studierende mit Beeinträchtigungen der Feinmotorik, der Lesbarkeit der Handschrift oder der Tippgenauigkeit — darunter Autismus-Spektrum-Bedingungen, Dyspraxie, Zerebralparese und repetitive Belastungsverletzungen — haben auf eigenständige Sprach-zu-Text-Werkzeuge und OCR vertraut, und Berichte deuten darauf hin, dass mehrere eigenständige Sprach-zu-Text-Produkte eingestellt oder verschlechtert wurden, sodass KI-gestützte Transkription die Funktionslücke füllt. Diese Substitution als Fehlverhalten zu behandeln wirft Fairnessbedenken auf im Hinblick auf die Pflicht zu angemessenen Anpassungen im britischen Equality Act 2010, die antizipatorische Public Sector Equality Duty, den US-amerikanischen Americans with Disabilities Act und das australische Disability Discrimination Act 1992, obwohl das Paper nicht behauptet, diese Charakterisierung sei vor einem Gericht geprüft worden. Es hält fest, dass die Schnittmenge von Behinderung, assistiver Technologie und KI-Fehlverhaltensrichtlinie wenig erforscht ist, dass das Ausmaß dieser Verdrängung nicht gemessen ist und dass dieselbe Ungenauigkeit ein unterschiedliches Risiko falsch positiver Detektionen erzeugt, da Detektoren den Text nicht-muttersprachlich englisch schreibender Personen mit geringer Perplexität als maschinelle Autorschaft lesen. Die rechtliche Exposition, die diese Überinklusion erzeugt, ist auf Rechtliche Fragen und Risiken abgebildet.

Maschinelle Resistenz geht mit einer Lesbarkeitskosteneinher. Streifen-Overlays degradierten die Extraktion am stärksten (+35,9 % Zeichenfehler, +38,3 % Wortfehler), dennoch beurteilten vier Typografie- und Design-Expertinnen und -Experten vertikale Streifen als lesbar, während diagonale Streifen die Buchstabenformen brachen und als unlesbar beurteilt wurden, und extreme Opazitätsvariation half nur bei Intensitäten, die auch die menschliche Lesbarkeit beeinträchtigten (Salaun et al. (2026)).

KI bei Legasthenie: Detektion, Unterstützung und personalisiertes Lernen. Ein systematischer Review aus dem Jahr 2026, interdisziplinär angelegt (Dabaghi, D'Urso & Sciarrone, PRISMA-gestützt, 2018–2024, n=72), findet KI, die Studierende mit Legasthenie in den Bereichen Detektion, assistive Unterstützung und personalisiertes Lernen unterstützt — allerdings entwickeln sich diese Stränge eher parallel als integriert, getrieben eher von technologischen Möglichkeiten als von konsolidierter Bildungstheorie. ML-basierte Hilfswerkzeuge für die Bildung umfassen fünf Bereiche (spezifische Anwendungen, Engagement, Personalisierung, Empfehlung, allgemeine Unterstützung), betonen aber technische Leistungsfähigkeit und Klassifikationsgenauigkeit und übersehen dabei ökologische Validität und praktischen Einsatz im Klassenzimmer. Die Detektionsforschung (EEG, Blickbewegungsmessung, ML-Modelle) zeigt diagnostisches Potenzial für frühe Intervention, erfordert aber oft Spezialausrüstung und kontrollierte Umgebungen, was Skalierbarkeit und Barrierefreiheit in typischen Schulumgebungen einschränkt. Offene Herausforderungen sind begrenzte experimentelle Validierung, Skalierbarkeit, ethische/datenschutzrechtliche Bedenken bei sensiblen Daten Studierender, begrenzte Unterstützung und Schulung für Lehrkräfte sowie Sprach- und Kulturbarrieren (die meiste Forschung zielt auf englischsprachige Populationen) — was bekräftigt, dass Barrierefreiheit validiert, skalierbar und ethisch fundiert sein muss, nicht bloß technisch demonstriert.

Die Grenzen der Barrierefreiheit allein. Kritische Arbeiten warnen, KI, die auf anglophonen, westlich-zentrierten Daten trainiert ist, könne behindertenzentrierte Erkenntnisweisen marginalisieren. Barrierefreie Formate garantieren keinen inklusiven oder gerechten Unterricht — was bekräftigt, dass Barrierefreiheit notwendig, aber nicht hinreichend ist und sich mit Gerechtigkeit in der KI-Bildung verbinden muss.

Werkzeuge mit Fokus auf Nachteilsausgleich und diagnosegebundenem Zugang dominieren. Ein Scoping Review von 40 Studien zu digitalen assistiven Technologien für neurodivergente Studierende fand, dass 28 eine formale Diagnose zur Bedingung der Teilnahme machten und nur drei an neurotypischen Kommilitoninnen und Kommilitonen statt an der studierenden Person selbst arbeiteten, während sie Umkehreffekte berichteten — kognitive Überlastung, Erschöpfung, Ablenkung und übermäßige Abhängigkeit von generativer KI (Rempel et al. (2026)).

Implikationen für die Praxis

• Die Formatbarriere zuerst priorisieren. Untertitel, Transkripte, Alternativtexte, Kontraste und Tastaturbedienbarkeit sind die maßgebliche Schicht — ohne sie ist alles andere für Lernende, die sie brauchen, bedeutungslos.

• KI nutzen, um Barrierefreiheit im großen Maßstab zu automatisieren. KI kann Untertitel erzeugen, Texte vereinfachen, taktile/auditive Alternativen herstellen und die Darstellung anpassen — aber die Ausgabequalität mit Human-in-the-loop-Prüfungen bewerten.

• Barrierefreiheit als notwendig, aber nicht hinreichend behandeln. Ein barrierefreies Werkzeug ist nicht automatisch ein inklusives oder behindertengerechtes Werkzeug; Barrierefreiheit mit Design für inklusives Lernen und Unterstützung im Sinne der Sonderpädagogik verbinden.

• Nachteilsausgleiche in Gesetz und Politik verankern. Auf Standards (WCAG) und Gesetze (Assistive Technology Act, IDEA) Bezug nehmen, wenn KI-Werkzeuge gestaltet oder beschafft werden.

• Der Einsatz von KI überholt die KI-Barrierefreiheitspolitik auf institutioneller Ebene. Chan (2026) kodierte alle 100 Universitäten des Times Higher Education Rankings 2026 und fand 0 %, die eine eigenständige Richtlinie zur Barrierefreiheit von KI veröffentlichen, während 93 % KI-gestützte Campusdienste einsetzen (Chatbots für Einschreibung, Wohnen, IT). Die wohlwollende Lesart des Beitrags ist, dass Barrierefreiheitsverpflichtungen innerhalb allgemeiner Richtlinien der Behindertendienste liegen; wie gemessen erscheinen Anforderungen an KI-Werkzeuge jedoch nirgends im öffentlichen institutionellen Protokoll. Eine kurze institutionelle Erklärung, dass KI-Werkzeuge in Lehre und Verwaltung für Studierende mit Behinderungen barrierefrei sein müssen, würde dem gesamten gemessenen Feld voraus sein.

• Mathematisch barrierefreie Transkription von Physikvideos (2026): Ein KI-Arbeitsablauf mit Gemini (Audio + 1-Bild-pro-Sekunde-Videoabtastung) und LuaLaTeX übersetzt Physik-Lehrvideos in mathematisch barrierefreie PDFs nach PDF/UA-2 und ISO 32005, die regelmäßig die Barrierefreiheitsvalidierung bestehen — ein praktischer, kostenloser Weg, um videobasierte Inhalte mit vielen Gleichungen für blinde und sehbehinderte Studierende screenreader-lesbar zu machen (Using Gemini and LuaLaTeX to transcribe physics videos into PDF/UA-2 and ISO 32005 math-accessible PDFs).

Verbundene Konzepte

• Unterschiedliche Effekte zwischen Gruppen von Lernenden
• Inklusives Lernen — weiterer Dachbegriff für die Gestaltung von Bildung über alle Unterschiede zwischen Lernenden hinweg
• Sonderpädagogik — Unterrichtsbereich für Lernende mit diagnostizierten Behinderungen
• Universelles Design für das Lernen (UDL) — vorausschauendes Designrahmenwerk
• Gerechtigkeit
• Bildungspolitik zu KI
• Neurodiversität
• Assistive Technologien
• Lerndesign
• Generative KI
• Roboter in der Bildung
• Intelligentes Tutoring
• Adaptives Lernen
• Handlungsfähigkeit der Lernenden
• Virtual und Augmented Reality — Headsets, Bewegungskrankheit und Gerätezugang entscheiden, wer es nutzen kann
• Sprach- und Stimmtechnologien
• Rechtliche Fragen und Risiken — die Überblicksseite für übermäßig weite Regeln, mangelhafte Evidenz und angemessene Anpassungen
• Bildung in Kunst, Design und Medien

Verbundene Artikel

• How colleges and universities are adopting AI in higher education: a global comparative analysis — Chan (2026): 0% of 100 elite universities publish an AI accessibility policy while 93% deploy AI campus services
• Addressing the Void of AI Policies in Education for Students With Specific Learning Disabilities — KI-Richtlinien und Nachteilsausgleiche für Studierende mit spezifischen Lernbehinderungen
• Let's CHAT About Artificial Intelligence for Students With Disabilities: A Systematic Literature Review — Meta-Analyse von KI-Interventionen für Studierende mit Behinderungen
• Leveling the Playing Field: Temporal Video Segmentation for Individuals with ADHD in Computing Education — KI-segmentierte Videos mit festen Pausen
• MuTSE: A Human-in-the-Loop Multi-use Text Simplification Evaluator — LLM-basierte Textvereinfachung für intelligentes Tutoring
• Exploring the Design of LLM-Powered Question Generation for Deaf and Hard of Hearing Learners — LLM-Fragengenerierung für gehörlose/schwerhörige Lernende
• Kutti AI: A Voice-First, Offline-Capable Learning Companion with Real-Time Struggle Detection for Visually-Impaired Children — Sprachorientierter Begleiter für sehbehinderte Kinder
• Touching and Feeling the Data: A Reusable Software Pipeline for Tactile Statistical Graphs in Accessible Education — Taktile 3D-gedruckte statistische Diagramme
• Using the Pepper Robot to Support Sign Language Communication — Pepper-Roboter mit Gebärdensprachunterstützung
• Generative artificial intelligence and the marginalization of minoritized knowledges in higher education — Kritische Perspektive auf KI und behindertenzentriertes Wissen
• Using Gemini and LuaLaTeX to transcribe physics videos into PDF/UA-2 and ISO 32005 math-accessible PDFs — Mathematisch barrierefreie Physikvideo-Transkription mit Gemini+LuaLaTeX
• Assistive Generative AI for Visually Impaired Learners: Personalization and Inclusion in Higher Education — Assistive generative KI für sehbehinderte Lernende
• Generative AI, virtual reality, and beyond: A scoping review of digital assistive technologies for neurodivergent students in higher education — Generative KI, virtuelle Realität und mehr: ein Scoping Review digitaler assistiver Technologien für neurodivergente Studierende in der Hochschulbildung
• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — Transkription ist nicht Generierung: übermäßig weit gefasste KI-Verbote und die assistiven Werkzeuge, die sie erfassen
• AD4EDU: Benchmarking University Lecture Audio Description across Accessibility Standards, Metrics, and Learner Preferences — AD4EDU: Benchmarking University Lecture Audio Description across Accessibility Standards, Metrics, and Learner Preferences
• AIRRI: Towards a Human-Readable, Machine-Resistant Reading Interface — AIRRI: Towards a Human-Readable, Machine-Resistant Reading Interface