Inklusives Lernen

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

Inklusives Lernen — das Design und die Durchführung von Bildungserfahrungen, die vielfältige Bedürfnisse der Lernenden aufnehmen, überspannend physische, kognitive, sensorische und situative Unterschiede. In der KI-Bildung untersucht Forschung zum inklusiven Lernen sowohl, wie KI-Werkzeuge Barrieren für behinderte und neurodivergente Lernende beseitigen können, als auch, wie KI-Systeme selbst gestaltet sein müssen, um keine neuen Zugänglichkeitslücken zu erzeugen.

Fragen zum Nachdenken

• Ein zugängliches Werkzeug garantiert keine inklusive Instruktion, und assistive Technologie garantiert keine bedeutungsvolle Handlungsfähigkeit. Was ist der Unterschied zwischen dem Beseitigen einer Barriere für ein Format und dem Gestalten von Bildung, damit alle bedeutungsvoll teilnehmen können?
• Die Seite unterscheidet inklusives Lernen, Zugänglichkeit, assistive Technologie, Sonderpädagogik und Universal Design. Wo sitzt KI in Ihrem eigenen Kontext — und welche Frage versuchen Sie tatsächlich zu beantworten?
• Eine Studie fand, dass KI-segmentierte Videos mit festen Pausen die Leistungslücke zwischen ADHS- und Nicht-ADHS-Lernenden beseitigten. Wie könnte das Gestalten für die Bedürfnisse einer Gruppe das Lernen für alle verbessern?
• KI-Systeme laufen Gefahr, neue Zugänglichkeitslücken zu erzeugen, selbst während sie alte beseitigen. Welche Art von Lernenden könnte ein textbasiertes, visuelles, stets online verfügbares KI-Werkzeug stillschweigend ausschließen?
• Forschung zum inklusiven Assessment legt eine Spannung zwischen Maßnahmen gegen Betrug und der Aufnahme von Lernenden mit Bedürfnissen der visuellen Verarbeitung offen. Wenn Sicherheit und Zugänglichkeit in Konflikt geraten, wie sollte der Trade-off entschieden werden — und von wem?
• Mehrere Werkzeuge kehren die Annahme um, dass Edtech visuell sein muss — z. B. sprachorientierte Begleiter für sehbehinderte Lernende. Welche Annahmen über die „Standard“-Lernende könnten Ihre eigenen Werkzeuge oder Materialien machen?

Einführung

Inklusives Lernen ist die Designverpflichtung, dass Bildung so gebaut sein sollte, dass alle Lernenden bedeutungsvoll teilnehmen können, statt nachträglich für jene angepasst, die kämpfen. Es fungiert hier als Dach über benachbarte, aber unterscheidende Konzepte — Barrierefreiheit (kann jeder das Format wahrnehmen und bedienen?), Assistive Technologien (welche Werkzeuge überbrücken die Zugangslücke einer Einzelperson?), Universelles Design für das Lernen (UDL) (wie sollte das Design Variabilität antizipieren?) — und es bringt Neurodiversität und Sonderpädagogik als Designkontexte ein statt als Ausnahmen. KI tritt sowohl als Versprechen ein (Personalisierung, Aufnahme, Übersetzung) als auch als neue Quelle des Ausschlusses (Kosten, Daten, Sprachabdeckung und die in Modelle eingebauten Annahmen).

Wie die verwandten Konzepte zusammenpassen

Inklusives Lernen ist das Dach-Konzept; die Seiten unten sitzen darin, jede beantwortet eine andere Frage. Sie überlappen, sind aber nicht austauschbar — zu wissen, zu welchem eine Behauptung gehört, hält die Wissensbasis präzise:

In der Praxis: UDL ist die Designphilosophie, die Barrieren verhindert; Zugänglichkeit ist die Eigenschaft, die Format-Barrieren beseitigt; assistive Technologie ist die Werkzeug-Schicht, die Einzelpersonen nutzen; Sonderpädagogik ist die instruktionale Domäne für diagnostizierte Behinderungen — und sie ist primär ein K-12-Begriff, während in der Hochschulbildung (und zunehmend auch in K-12) die üblichere Rahmung Universal Design for Learning ist. Inklusives Lernen ist das Dach, das sie alle um das gemeinsame Ziel gleichberechtigter Teilnahme zusammenhält. Ein zugängliches Werkzeug garantiert keine inklusive Instruktion, und assistive Technologie garantiert keine bedeutungsvolle Handlungsfähigkeit — daher muss das Dach alle überspannen.

Inklusives Lernen liegt an der Schnittstelle von Gerechtigkeit, Lerndesign und Sonderpädagogik, und wird getragen von der konkreten Werkzeugschicht der Assistive Technologien und der Designeigenschaft der Barrierefreiheit. Anders als enge Aufnahmen, die Zugang nachträglich auf bestehende Systeme aufsetzen, argumentiert die Perspektive inklusiven Lernens — geerdet in Universal Design for Learning —, dass Umgebungen von Anfang an für die volle Spanne menschlicher Vielfalt gestaltet sein sollten. Die Artikel dieser Wissensbasis erkunden, wie KI das ermöglichen kann durch automatisierte Inhaltstransformation, adaptive Assessment-Schnittstellen und Werkzeuge, die mit der gelebten Erfahrung neurodivergenter Nutzer als Ausgangspunkt gestaltet sind.

Zentrale Forschungsthemen

KI-gestützte Inhaltszugänglichkeit demonstriert, wie automatisierte Pipelines Barrieren senken können. Pimenova et al. zeigten, dass KI-segmentierte Instruktionsvideos mit festen Pausen die Leistungslücke zwischen ADHS- und Nicht-ADHS-Lernenden beseitigten — starke Evidenz für Universal Design for Learning über automatisierte Inhaltstransformation. Die Studie verbindet sich mit Forschung zu I can't read your mind": A Study of Neurodivergent Computing Students' Experiences with Collaborative Active Learning darüber, wie kollaborative Lernstrukturen den Komfort Neurodivergenter beeinflussen. Chen et al. gestalteten ein Große Sprachmodelle (LLMs)-gestütztes Fragenerzeugungssystem für gehörlose und schwerhörige Lernende und führten Visuelle und Emotions-Fragestrategien ein, die Momente visueller oder emotionaler Schwierigkeit im Video adressieren — und legten dabei das fortbestehende Missverhältnis zwischen textbasierten KI-Prompts und den zeichensprachbasierten Erstsprachen der DHH-Lernenden offen, was die Notwendigkeit sprach- und kulturbewussten KI-Designs unterstreicht. MuTSE nimmt eine komplementäre Barriere an — Leseniveau —, indem es LLM-basierte Textvereinfachung für Intelligentes Tutoring evaluiert und Inhaltskomplexität über ein Human-in-the-Loop-Evaluationsframework an das aktuelle Niveau jeder Lernenden anpasst, statt sich auf linguistische Kennzahlen zu verlassen, die pädagogische Qualität verpassen.

Gleichungsreiches Video kann zugänglich gemacht statt manuell transkribiert werden: Eine Gemini-plus-LuaLaTeX-Pipeline verwandelte 16 Instruktionsvideos zur Physik in PDFs, die die Validierung nach PDF/UA-2 und ISO 32005 bestanden, wobei nur ein Video einen zweiten Versuch brauchte (Looney & Duston (2026)).

Sensorische Zugänglichkeit: blinde, sehbehinderte und gehörlose Lernende. Mehrere Artikel kehren die Annahme um, dass Edtech visuell sein muss. Kutti AI macht gesprochenes Gespräch zur primären und hinreichenden Modalität für sehbehinderte Kinder — Erkennung von Schwierigkeiten in Echtzeit, mehrsprachiges Antwort-Matching und offline-first ASR auf dem Gerät beseitigen sowohl die visuelle Abhängigkeit als auch die Konnektivitätsanforderung. Obiuwevwi et al. bauten eine wiederverwendbare Pipeline, die taktile 3D-gedruckte statistische Diagramme für blinde/sehbehinderte Studierende in unter 250 ms erzeugt, mit optionaler LLM-basierter Diagrammextraktion aus Bildern. Bolla et al. erkundeten, ob der soziale Roboter Pepper verständliche italienische Gebärdensprache erzeugen kann, und gestalteten 52 Gebärden mit einem gehörlosen Studierenden und einer erfahrenen Dolmetscherin mit — und erweitern Roboter in der Bildung so um kommunikative Zugänglichkeit für gehörlose Lernende, während sie die Herausforderung markieren, die nicht-manuellen Komponenten (Gesichtsausdruck, Haltung) zu reproduzieren, die für Bedeutung entscheidend sind. Khlaif et al. (2026) erweitern diese Linie der Arbeit auf die Hochschulbildung und finden in einer qualitativen Fallstudie mit 21 sehbehinderten Studierenden des Grundstudiums in Palästina, dass GenAI Tempo, Inhalt und Durchführung an individuelle Profile anpasst und komplexe akademische Texte über Modalitäten hinweg konvertiert — wobei Lernende GenAI als Ergänzung statt als Ersatz der Lehrkräfte ansehen und menschliche Verbindung bewahren, während sie Teilhabe ermöglichen.

Design inklusiven Assessments ringt mit der Spannung zwischen Sicherheit und Zugänglichkeit. BAVD schlägt ein theoretisches Framework für adaptive visuelle Ablenkung vor, das sich der Bildschirmaufzeichnung als Betrug widersetzt und zugleich Lernende mit Bedürfnissen der visuellen Verarbeitung aufnimmt — und modelliert explizit den Trade-off zwischen Maßnahmen gegen Betrug und Prinzipien inklusiven Lernens. Das verbindet sich mit weiteren Sorgen um Akademische Integrität und Leistungsbeurteilung.

Erfahrungen neurodivergenter Lernender zentrieren die Stimmen behinderter und neurodivergenter Studierender. Zastudil et al. fanden, dass neurodivergente Informatikstudierende strukturierte Aufgaben, kleine beständige Teams und explizite Rollendefinitionen brauchen — Präferenzen, die KI-Tutoring und Kollaborationswerkzeuge aufnehmen müssen. DysLexLens analysierte Forumsdiskussionen von Lernenden mit Legasthenie und legte offen, dass sie KI für Unterstützung bei Schriftlichkeit zwar schätzen, aber erhebliche Zugänglichkeitsbarrieren durch inkonsistente Ausgabequalität und Mangel an gleichberechtigten Aufnahmen erleben. Beide verbinden sich mit Sonderpädagogik und Erleben der Studierenden.

Kognitives Auslagern und der Zugang-versus-Entwicklung-Trade-off. Seung & Basham (2026) zeigen, dass für Studierende mit Lernbehinderungen dieselbe GenAI, die Barrieren für Zugang zu Lesen und Schreiben senkt (Textnivellierung, Zusammenfassen, Entwurfsunterstützung), ungeschützt die Übung von Verständnis, Planung und Monitoring ersetzen kann, die diese Lernenden am meisten brauchen — eine Gerechtigkeitsspannung, die für inklusives Lernen zentral ist. Inklusives Design muss daher bedenken, nicht nur ob ein Werkzeug zugänglich ist, sondern ob es die Gelegenheit der Lernenden bewahrt, genau die Fähigkeiten zu entwickeln, die der Zugang ermöglichen soll.

KI für Legasthenie: Erkennung, Unterstützung und personalisiertes Lernen. Ein systematisches Review aus dem Jahr 2026 von mehreren Disziplinen (Dabaghi, D'Urso & Sciarrone, PRISMA-geleitet, 2018–2024, n=72) findet KI, die Studierende mit Legasthenie über Erkennung, assistive Unterstützung und personalisiertes Lernen unterstützt — aber mit diesen Strängen, die eher parallel laufen als integriert, getrieben mehr von technologischer Gelegenheit als von konsolidierter Bildungstheorie. ML-basierte Hilfe-Bildungs-Werkzeuge überspannen fünf Bereiche (spezifische Anwendungen, Engagement, Personalisierung, Empfehlung, generische Unterstützung), betonen aber technische Leistung und Klassifikationsgenauigkeit, während sie ökologische Validität und praktischen Einsatz im Klassenzimmer übersehen. Erkennungsforschung (EEG, Blickbewegungsmessung, ML-Modelle) zeigt diagnostisches Versprechen für frühe Intervention, erfordert aber oft spezialisierte Ausrüstung und kontrollierte Umgebungen, was Skalierbarkeit und Zugänglichkeit in typischen Schulumgebungen einschränkt. Offene Herausforderungen sind begrenzte experimentelle Validierung, Skalierbarkeit, Ethik/Datenschutzbedenken bei sensiblen Studierendendaten, begrenzte Lehrkraft-Unterstützung und -Training sowie Sprach-/Kulturbarrieren (die meiste Forschung zielt auf englischsprachige Populationen) — was unterstreicht, dass inklusives Lernen technische Fähigkeit mit validiertem, skalierbarem und ethisch geerdetem Einsatz paaren muss.

Behindertenzentrierte KI-Kritik untersucht, wie KI-Systeme marginalisieren statt einbeziehen können. Tali-Otmani argumentiert, generative KI-Systeme in der Hochschulbildung marginalisierten behindertenzentrierte Arten des Wissens aktiv aufgrund anglophoner, westlich-zentrierter Trainingsdaten — verbunden mit Sorgen um Gerechtigkeit in Bezug auf epistemische Gerechtigkeit.

Formale Diagnose als Torhüter schließt die Lernenden aus, die ein Werkzeug zu bedienen beansprucht. In Rempel et al.s (2026) Scoping-Review von 40 Studien digitaler assistiver Technologien für neurodivergente Studierende machten 28 eine formale Diagnose zur Bedingung der Teilnahme, und nur drei behandelten die Umgebung statt die Studentin.

Zugängliche Werkzeuge in der Praxis zeigt, wie KI Teilhabe erweitern kann. SuaCode demonstrierte, dass smartphone-basierte Programmierkurse Studierende in ressourcenarmen afrikanischen Kontexten erreichen, wo weniger als 1 % Programmierfähigkeiten haben. Pimenova et al. arbeiteten mit blinden und sehbehinderten Musizierenden, um nicht-visuelle Lernstrategien zu entwickeln, und zentrierten behindertengeführtes verkörpertes Design. LUDIA bietet einen kostenlosen, privaten, mehrsprachigen KI-Denkpartner, der Lehrende mit UDL-Prinzipien verbindet. Special-R1 erweitert bestärkendes Lernen, um kognitive und kommunikative Vielfalt über Behinderungsprofile hinweg zu modellieren.

Verbindungen zu verwandten Konzepten

Inklusives Lernen ist tief mit Gerechtigkeit verbunden — Zugänglichkeit ist nicht bloß ein technisches Anliegen, sondern eine Frage danach, wer an Lernen teilhaben darf. Es verbindet sich mit Barrierefreiheit als seiner konkreten Zugangsschicht und Assistive Technologien als der Werkzeugschicht, mit Universelles Design für das Lernen (UDL) als seinem theoretischen Fundament, mit Sonderpädagogik für behinderungsspezifische Ansätze, mit Lerndesign dafür, wie Kurse und Werkzeuge strukturiert sind, und mit Neurodiversität als der Linse, die Unterschied als Vielfalt statt als Defizit neu rahmt. Arbeit an Gebärdensprach-Robotern und taktilen Werkzeugen verbindet Zugänglichkeit mit Roboter in der Bildung und NLP in der Bildung, während Textvereinfachung sie mit Soziokulturelles Lernen und Adaptives Lernen verbindet. Die Verbindungen zu KI in der Bildung und Generative KI markieren sowohl das Versprechen (automatisierte Inhaltsanpassung) als auch das Risiko (KI-Systeme, die Ausschluss reproduzieren).

Implikationen für Lehrende, die inklusives Lernen gestalten

• Für die ausgeschlossene Modalität zuerst gestalten, nicht zuletzt. Von Anfang an für blinde/sehbehinderte Nutzer zu bauen (Kutti AI, taktile Diagramme) erzeugt Werkzeuge, die auch offline und in ressourcenarmen Settings funktionieren — Zugänglichkeit als Katalysator, nicht als Nachrüstung.
• Mit der Zielgemeinschaft mitgestalten. Gebärdensprach-Roboter und DHH-Fragenerzeugung zeigen, dass Beteiligung der Gemeinschaft Barrieren an die Oberfläche bringt (z. B. zeichensprachbasierte Erstsprachen), die Gestaltende nicht antizipieren können — Lernende und Gemeinschaften ins Design einbeziehen.
• Pädagogische Qualität evaluieren, nicht bloß linguistische Kennzahlen. MuTSE zeigt, dass Variabilität der LLM-Ausgabe Human-in-the-Loop-Evaluation erfordert, damit Vereinfachung hilft statt übervereinfacht.
• KI nutzen, um Leistungslücken zu schließen. KI-segmentierte Videos beseitigten die ADHS-Leistungslücke — adaptive KI dort einsetzen, wo Evidenz zeigt, dass sie Ergebnisse nivelliert.
• Den Sicherheits-/Zugänglichkeits-Trade-off explizit behandeln. BAVD modelliert, wie Maßnahmen gegen Betrug Lernende mit Bedürfnissen der visuellen Verarbeitung unbeabsichtigt ausschließen können — Integrität gegen Zugang abwägen.
• Zugang kann an der Formulierung hängen, nicht nur am Format. Bei festgehaltener zugrundeliegender Aufgabe stieg die Modellgenauigkeit von 82,4 % bei Formulierung für geringe Schriftlichkeit auf 83,4 % bei Expertenformulierung, also fügt das Verlangen, dass Studierende besser prompten, einen neuen Ausschluss hinzu; ein systemseitiger Umschreiber, der Anfragen normalisiert, beseitigte die signifikante Lücke, ohne den Inhalt zu verändern (Jin et al. (2026)).
• Dagegen wachen, dass KI Ausschluss reproduziert. Behindertenzentrierte Kritik warnt, dass anglophone, westlich-zentrierte Trainingsdaten behinderte Arten des Wissens marginalisieren — KI-Werkzeuge auf epistemische Gerechtigkeit prüfen neben Gerechtigkeit.

Verbundene Konzepte

• Unterschiedliche Effekte zwischen Gruppen von Lernenden
• Gerechtigkeit
• Barrierefreiheit — die konkrete Zugangsschicht (Untertitel, Alternativtext, Assistenztechnologie-Kompatibilität)
• Assistive Technologien — die Werkzeugschicht, die Studierende nutzen, um auf Inhalte zuzugreifen
• Sonderpädagogik
• Lerndesign
• Universelles Design für das Lernen (UDL)
• Neurodiversität
• Erleben der Studierenden
• KI-Kompetenz
• Hochschulbildung
• K-12 (Primar- und Sekundarstufe)
• Informatikbildung
• Leistungsbeurteilung
• Akademische Integrität
• Datenschutz
• Generative KI
• KI in der Bildung
• Roboter in der Bildung
• NLP in der Bildung
• Soziokulturelles Lernen
• Adaptives Lernen
• Sprach- und Stimmtechnologien

Verbundene Artikel

• Same Question, Different Answer? Measuring and Mitigating Prompt Privilege for Equitable AI Access — Prompt Privilege: Messen und Abmildern von Zugänglichkeitsdisparitäten im LLM-Zugang
• Leveling the Playing Field: Temporal Video Segmentation for Individuals with ADHD in Computing Education
• Exploring the Design of LLM-Powered Question Generation for Deaf and Hard of Hearing Learners — LLM-gestützte Fragenerzeugung für gehörlose und schwerhörige Lernende
• MuTSE: A Human-in-the-Loop Multi-use Text Simplification Evaluator — Textvereinfachung für intelligentes Tutoring
• Kutti AI: A Voice-First, Offline-Capable Learning Companion with Real-Time Struggle Detection for Visually-Impaired Children — Kutti AI: 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 unterstützt Gebärdensprach-Kommunikation
• Behaviorally Adaptive Visual Diversion for Inclusive and Resilient Digital Assessment Delivery
• DysLexLens: A Low-Resource LLM Framework for Analysing Dyslexic Learners Insights from Online Forums
• I can't read your mind": A Study of Neurodivergent Computing Students' Experiences with Collaborative Active Learning
• Generative artificial intelligence and the marginalization of minoritized knowledges in higher education
• Designing for What Cannot Be Seen: Supporting Embodied String Learning for Musicians with Blindness and Low-Vision
• Why SuaCode?": Understanding African Students' Motivations for Taking a Smartphone-Based Online Coding Course
• LUDIA: A Design and Evidence Statement
• Special-R1: Reinforcement Learning for Special Education — Aligning LLM Tutors to Diverse Learners through Disability-Adaptive Training
• Using Gemini and LuaLaTeX to transcribe physics videos into PDF/UA-2 and ISO 32005 math-accessible PDFs — Gemini+LuaLaTeX mathematikzugängliche Physik-Videotranskription
• Assistive Generative AI for Visually Impaired Learners: Personalization and Inclusion in Higher Education — Assistive GenAI 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 darüber hinaus: Ein Scoping-Review digitaler assistiver Technologien für neurodivergente Studierende in der Hochschulbildung