AIEd-WissensbasisAIEd KB
Auf dieser Seite

Diese Seite wurde maschinell ins Deutsche übersetzt; die Artikelseiten sind weiterhin auf Englisch verfasst. Diese Seite auf Englisch lesen

Konzepte

Neurodiversität

Erstellt 2026-08-12 · Aktualisiert 2026-10-10

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

Neurodiversität – die Rahmung, dass neurologische Unterschiede wie Autismus, ADHS, Legasthenie und Dyspraxie natürliche Variationen der menschlichen Kognition sind statt Defizite, die zu korrigieren sind. In der Bildung gestaltet ein neurodiversitätsbejahender Ansatz Lernumgebungen, die diese Unterschiede aufnehmen und nutzen, statt Konformität mit einer einzigen kognitiven Norm zu erzwingen.

Fragen zum Nachdenken

  • Die Seite rahmt Neurodiversität dahingehend, dass neurologische Unterschiede natürliche Variationen sind statt Defizite, die zu beheben sind. Wie verändert dieser Rahmungswechsel, wie das „Helfen“ für einen Lernenden mit Autismus, ADHS oder Legasthenie in Ihrem eigenen Setting aussehen sollte?
  • Stellen Sie sich ein generatives KI-Werkzeug vor, das lange, textlastige Antworten erzeugt. Welchen neurodivergenten Lernenden könnte es helfen, und welche könnte es benachteiligen –, und können Sie sich Designentscheidungen vorstellen, die das Gewicht in die eine oder andere Richtung verschieben würden?
  • KI, die kognitive Last reduziert, kann Lernende stützen, die mit exekutiven Funktionen oder sozialen Erwartungen ringen, doch KI, die Abhängigkeit fördert, kann sie untergraben. Wo ziehen Sie die Linie zwischen Unterstützung und übermäßiger Abhängigkeit für einen bestimmten Lernenden?
  • Die Seite warnt, dass KI-Werkzeuge, die einen dominanten Kommunikationsstil annehmen, Gerechtigkeitslücken wiederholen können. Können Sie sich an einen Moment erinnern, in dem ein „Einheitsgröße“-Werkzeug oder -Klassenzimmer annahm, alle lernten gleich, und was es übersah?
  • Wie könnte der Neurotyp eines Lernenden verändern, wie seine Verhaltenssignale in Learning Analytics interpretiert werden? Welches Risiko entsteht, wenn KI Engagement oder Kampf liest, ohne zu wissen, wie ein bestimmtes Gehirn funktioniert?
  • Die stärkste Evidenz auf dieser Seite gilt einer allgemeinen Designänderung, die allen half und eine Lücke schloss, nicht einem Werkzeug, das für eine Diagnose gebaut wurde. Warum könnten universelle Änderungen diagnoseabhängige übertreffen –, und was impliziert das dafür, wie Sie ein begrenztes Barrierefreiheitsbudget ausgeben würden?

Einführung

Das Neurodiversitätsparadigma verschiebt das Ziel der Arbeit zu Sonderpädagogik und Barrierefreiheit von „behebe den Lernenden“ zu „passe die Umgebung an“. Es überlappt sich mit Universal Design for Learning und inklusivem Lernen, betont aber bejahende Identität und stärkenbasiertes Design über Anpassung-als-Kompensation.

Im KI-Zeitalter wird diese Rahmung zu einem Designtest statt zu einem Slogan. Generative KI bietet echtes Versprechen für neurodivergente Lernende – alternative Mittel von Engagement, Repräsentation und Ausdruck, Unterstützung für exekutive Funktionen und reduzierte fremde Last – und echtes Risiko, da Werkzeuge, die einen dominanten Kommunikationsstil annehmen, Unterstützung hinter eine formale Diagnose stellen oder Abhängigkeit fördern, genau die Lernenden benachteiligen können, denen zu dienen sie beanspruchen. Diese Seite kartiert, was die Evidenz tatsächlich zeigt, Kategorie für Kategorie, und wo sie ausgeht.

Was die Forschung abdeckt

Zwei Reviews bestimmen die Form des Feldes, und beide beschreiben Fragmentierung statt Konsolidierung.

Ein PRISMA-ScR-Scoping-Review (Rempel et al., 2026) durchsuchte fünf Datenbanken und ein Jahrzehnt der Publikation (2015–2025) und screente 766 Datensätze auf 40 empirische Studien zu digitalen assistiven Technologien für neurodivergente Studierende in der Hochschulbildung herunter. Das Feld hat sich um generative KI reorganisiert – 15 der 40 Studien –, mit immersiven Formaten an zweiter Stelle bei 11. Seine zentrale Kritik ist eine Designkritik: Individuelle Anpassung und neurotypspezifische Werkzeuge, die um formale Diagnose organisiert sind, können funktionale Unterschiede nicht adressieren, die über Neurotypen hinweggehen, daher empfiehlt er universelles Design und partizipative Entwicklung. Er hält auch fest, dass die immersivsten Werkzeuge die am wenigsten skalierbaren sind.

Der interdisziplinäre Review zu KI bei Legasthenie (Dabaghi, D'Urso und Sciarrone, 2026) deckt 2018–2024 über 72 Studien hinweg ab und findet KI eingesetzt für Erkennung, assistive Unterstützung und Personalisierung, wobei diese Stränge sich parallel statt integriert entwickeln, und das Feld mehr von technologischer Gelegenheit getrieben wird als von konsolidierter Bildungstheorie. Seine Erkennungsforschung (EEG, Eyetracking, Machine-Learning-Modelle) zeigt diagnostisches Potenzial für frühe Intervention, braucht aber oft Spezialausstattung und kontrollierte Bedingungen, was den Einsatz in gewöhnlichen Klassenzimmern einschränkt. Das ist der praktische Test, an dem dieser ganze Strang dauerhaft scheitert: Unterstützung muss in den Kurs eingebettet sein, den ein Studierender tatsächlich belegt.

Autismus und ADHS im Klassenzimmer

Eine Befragung von 24 neurodivergenten Informatikstudierenden (autistisch und/oder ADHS) und 20 neurotypischen Peers, mit vier vertieften Interviews, fand bedeutsames Unbehagen mit Aufgaben, denen klare Struktur fehlt oder die mehrdeutige Erwartungen tragen –, wobei dieselben Strukturen, die neurotypischen Lernenden in kollaborativem aktivem Lernen passen, neurodivergente Peers ausschließen können. Die Autoren präsentieren sie als vorläufig und als eine der ersten Studien, die neurodivergente Stimmen in der Informatikbildung zentrieren, was auch ein Maß dafür ist, wie wenig Evidenz existiert.

Die Videosegmentierungsstudie (Pimenova, Begel und Kollegen, 2026) ist das stärkste einzelne Ergebnis auf dieser Seite. Unterrichtsvideos als nachträgliches Verarbeitungsproblem zu behandeln – sie in Einzelinstruktions-Chunks mit festen Pausen zu segmentieren, um fremde Last zu reduzieren – verbesserte die Leistung für alle in einem Within-Participants-Design (17 ADHS, 10 Nicht-ADHS), und die Fehler und Zögern der ADHS-Teilnehmenden fielen auf Parity mit ihren nicht-ADHS-Peers. Eine ausgleichende Veränderung, die keine Diagnose, keine Offenlegung und kein separates Werkzeug braucht, ist die sauberste verfügbare Demonstration von Universal Design for Learning durch automatisierte Inhaltstransformation.

Spezifische Lernbehinderungen, Legasthenie und kognitive Entlastung

Zhang et al. (2024) bündelten 29 (quasi-)experimentelle Studien zu KI-basierten Interventionen für Studierende mit Behinderungen und fanden einen mittleren positiven Gesamteffekt (Hedges' g = 0,588, 95%-KI [0,349, 0,826]) über 239 Effektstärken aus 41 unabhängigen Stichproben. Zwei Details zählen mehr als die Schlagzeile. Das erste ist, dass der Effekt nach Behinderungskategorie variiert: Studierende mit spezifischen Lernbehinderungen, intellektuellen und Entwicklungsbehinderungen oder Gehörlosigkeit zeigten einen größeren Effekt (g = 0,952) als Studierende mit Autismus-Spektrum-Störung (g = 0,368), wenngleich die Autoren den Unterschied als nicht statistisch signifikant berichten. Das zweite ist Publikationsbias: Eggers Test war signifikant (β = 2,837, p < 0,001), und Trim-and-Fill senkte die gepoolte Schätzung auf g = 0,2694, weiterhin positiv. „Neurodivergente Studierende“ ist nicht eine Population, und ein gepoolter Effekt über Kategorien ist keiner von ihnen ein Versprechen.

Die Risikoseite hat ihre eigene Literatur. Seung und Basham (2026) argumentieren, generative KI habe kognitive Entlastung von einer peripheren Lernhilfe in eine Delegation höherer kognitiver Prozesse verwandelt, mit besonders folgenreichen Implikationen für Studierende mit Lernbehinderungen – die Lernenden, denen am ehesten die Abkürzung angeboten wird und die am wenigsten von ihr profitieren, wenn der delegierte Prozess der Punkt der Aufgabe war.

Exekutive Funktionen und Abhängigkeit

Klarin, Hoff und Daukantaitė (2026) definieren Abhängigkeit eng – generative KI der eigenen Anstrengung oder der Lehrendenunterstützung vorzuziehen, plus Schwierigkeit, Schularbeit ohne sie zu beginnen – und testen sie in zwei schwedischen Gemeinschaftsstichproben von Jugendlichen (849 Schülerinnen und Schüler der unteren Sekundarstufe, analytisches n = 735, und 898 der oberen Sekundarstufe, analytisches n = 839). Schwierigkeiten mit exekutiven Funktionen liefen über wahrgenommene Nützlichkeit und gewohnheitsmäßige Nutzung zu Abhängigkeit in beiden Stichproben, mit kleinen indirekten Effekten (β = 0,10, 95%-KI [0,06, 0,14] in der unteren Sekundarstichprobe; β = 0,08, 95%-KI [0,04, 0,12] in der oberen Sekundarstichprobe). Die praktische Lesart: Die Studierenden, die am meisten Unterstützung beim Anfangen brauchen, sind die, für die ein bequemes Werkzeug am leichtesten zur Standardroute statt zu einer Option wird –, und die Effektstärken hier sind klein genug, dass dies ein Designanliegen ist, keine Diagnose.

Designwarnungen

  • Diagnoseabhängige Unterstützung schließt die Lernenden aus, die sie nicht benennt. Die Kritik des Scoping-Reviews gilt direkt dafür, wie KI-Merkmale eingesetzt werden: Wenn ein Merkmal durch ein Anpassungsschreiben freigeschaltet wird, sehen Lernende mit funktionalen Unterschieden, aber ohne Diagnose es nie.
  • Werkzeuge können epistemisch ausschließen, nicht nur schlecht. Tali-Otmani (2026) argumentiert, anglophone, westlich-zentrierte Trainingsdaten marginalisierten nicht-hegemoniale Weisen des Wissens, und stelle die Situation behinderter Lernender in das Zentrum jener Kritik –, eine Warnung, dass „inklusive“ KI dennoch kodieren kann, wessen Wissen zählt.
  • Verhaltenssignale werden von Systemen gelesen, die den Lernenden nicht kennen. Die Interpretation von Engagement, Kampf oder Aufmerksamkeit in Learning Analytics und Modellierung von Studierenden setzt ein normatives Antwortmuster voraus; siehe Unterschiedliche Effekte zwischen Gruppen von Lernenden für die Fairnessevidenz zu jener Annahme.
  • Abhängigkeit ist ein Designergebnis, kein Lernendenversagen. Angesichts des obigen Abhängigkeitspfades ist die Frage an jedes KI-Merkmal, ob es für den höheren Prozess einspringt, den die Aufgabe aufzubauen da ist – der Punkt, den Seung und Basham für Lernbehinderungen machen.

Wo die Evidenz dünn ist

  • Fast alles hier ist Einzelgruppe. Die Behinderungs-Metaanalyse hat keinen neurotypischen Komparator, daher etabliert sie, dass Interventionen halfen, nicht, dass sie dieser Gruppe anders halfen.
  • Die Stichproben sind klein. Vierundzwanzig Studierende und vier Interviews in der Informatikstudie; 17 und 10 in der ADHS-Videostudie; 72 Studien im Legasthenie-Review, wobei die Stränge weiterhin unverbunden sind.
  • Die Kategoriegrenzen unterscheiden sich zwischen Studien, daher ist der studienübergreifende Vergleich „desselben“ Neurotyps begrenzt –, und die Zwischen-Kategorie-Unterschiede in der Metaanalyse werden als nicht signifikant berichtet.
  • Die eigenen Reviewenden des Feldes beschreiben es als technologiegetrieben, was bedeutet, dass die Interventionsevidenz genau dort dünn ist, wo die Designanleitung am stärksten ist.

Verbindungen

Neurodiversität verbindet sich mit Sonderpädagogik, inklusivem Lernen, Universal Design for Learning und Gerechtigkeit in der KI-Bildung. Sie prägt sowohl, wie KI für das Erleben der Studierenden eingesetzt wird, als auch wie Assessments und Kompetenzprogramme gestaltet werden, um über kognitive Variabilität hinweg fair zu sein. Dafür, wie diese Befunde neben anderen Lernendengruppen sitzen – Sprache, Geschlecht, sozioökonomischer Status, Geografie –, siehe Unterschiedliche Effekte zwischen Gruppen von Lernenden.

Verbundene Konzepte

Verbundene Artikel

Verknüpfte FAQs

Metadaten

NiveauSpecial Education, Higher Ed, K 12
ZielgruppeLearners, Instructors, Instructional Designers
Gerechtigkeit, Ethik und verantwortungsvoller EinsatzGerechtigkeit, Inklusives Lernen, Neurodiversität
SourceHistoryEditChat

Diese Seite einbetten

Kopieren Sie den Code unten, um diese Seite in ein Lernmanagementsystem oder eine andere Website einzubetten. Die eingebettete Version zeigt nur den Seiteninhalt — Kopfzeile, Navigation und Fußzeile der Website werden ausgeblendet.