Hur kan AI stötta studenter med funktionsnedsättning och neurodivergenta studenter i min kurs?

Automatisk maskinöversättning av denna engelska sida, ännu inte granskad av en modersmålstalare.

Anpassningsbrevet namner en student, en kurs och ett verktyg du aldrig har hört talas om. Eller så har en student frågat, med all rätt, om hen får fortsätta använda sitt tal-till-text-program på en tentamen med tidsgräns, och din kursregel för AI säger ingen AI av något slag. Eller så vill tillgänglighetskontoret ha svar senast fredag på om de ska licensiera ett läsverktyg, och leverantörens underlag är ett vittnesmål från ett annat campus.

Svaret som klarar alla tre: utgå från hindret som uppgiften skapar, använd de verktyg som faktiskt har mätts, och undervisa om det du inför. Två regler spelar större roll än något produktval. Namnge transkribering och OCR i din AI-policy som anpassningar i egen rätt, och ge uppgiften struktur i stället för att be studenterna sluta sig till den. Var klarögd om underlaget: den starkaste siffran på den här sidan kommer från specialpedagogiska miljöer inom PK-12, alltså förskoleklass till årskurs 12, med mestadels AI före den generativa vågen, och litteraturen om högre utbildning är en karta över vad som har prövats.

Kortversionen

1. Skriv det funktionella hindret i anpassningsbrevet före verktygets namn: läsning och skrivning, studiestrategi, uppmärksamhet eller social kommunikation.

2. Börja med strukturerad undervisningsprogramvara, som har den uppmätta effekten, och läs dess konfidensetikett innan du köper chatboten du blev såld på.

3. Avgör om detta är en designändring eller en personlig anpassning. När hindret är delat ska du ändra designen, för det tar bort steget där studenten måste avslöja sig.

4. Lär ut verktyget. En anpassning som ges utan undervisning är det misslyckande som rättspraxis straffar.

5. Namnge transkribering och OCR uttryckligen i AI-regeln, så att ett förbud skrivet mot generativ textproduktion inte drar tillbaka en students sätt att producera läsbart arbete.

6. Kör försöket mot hindret i stället för mot en nöjdhetsenkät, och säg i förväg vad du kommer att räkna som att det fungerar.

Börja med hindret som uppgiften skapar

Det mesta som går fel för studenter med funktionsnedsättning och neurodivergenta studenter händer på uppgiftsnivå: en text som förutsätter tryck, en video som förutsätter uthållig uppmärksamhet, ett grupparbete som förutsätter outtalade sociala regler. De hindren återkommer över diagnoser, så den användbara frågan är vilket funktionellt hinder ett verktyg tar bort, och en inköpsfråga bör formuleras på samma sätt.

Diagnoskategorier döljer detta. Scoping-översikten nedan finner att litteraturen domineras av individuella anpassningar och verktyg för en enskild neurotyp, ordnade kring formell diagnos, medan de funktionella skillnader de adresserar går tvärs över neurotyper. Studenter med dyslexi tenderar att vinna på minskat beroende av enbart skriftligt material. Autistiska studenter och studenter med ADHD kan båda uppleva täta svängningar i fokus, vilket gör prestationen känslig för konsekvent struktur och tillräcklig tid för att växla uppgift. Ett verktyg som är matchat mot en etikett kan missa det hinder som studenten i din grupp faktiskt har.

Samma försiktighet gäller gruppstatistik. Olika effekter mellan elevgrupper rapporterar en betydligt större effekt för studenter med specifika inlärningssvårigheter, intellektuella och utvecklingsrelaterade funktionsnedsättningar eller dövhet än för studenter med autism, och den skillnaden var inte statistiskt signifikant över effektstorlekarna.

Använd det som har mätts, och läs etiketten

Det starkaste kvantitativa resultatet på den här sidan är också det mest allmänna, och det kommer med gränser du bör bära med dig in i köpbeslutet.

Zhang, Carter, Liu och Peng (2024) sammanställde 29 (kvasi)experimentella studier av AI-baserade insatser för studenter med funktionsnedsättning: 239 effektstorlekar från 41 oberoende urval, en statistiskt signifikant medelstor sammantagen effekt på läranderesultat på Hedges g = 0,588 (95 % CI [0,349; 0,826], p < 0,01) och hög heterogenitet mellan studierna. Akademisk prestation var den största undergruppen av utfall (k = 80, g = 0,929) och socioemotionella färdigheter den minsta (k = 144, g = 0,382). Datorprogramvara, det vill säga taligenkänning, expertsystem och intelligenta handledarsystem, presterade starkt (k = 74, g = 0,959) och robotar måttligt (k = 144, g = 0,509), medan intelligent VR (g = 0,528) inte var signifikant. Publikationsbias förelåg (Eggers β = 2,837, p < 0,001); trim-and-fill sänkte skattningen till g = 0,269, fortfarande signifikant.

Varje studie gällde PK-12. 96,6 % använde stegbaserad undervisning i specialpedagogiska eller kliniska miljöer, och de flesta använde äldre regelbaserad AI snarare än generativ AI. Det stöder ett försiktigt införande av strukturerad undervisningsprogramvara. Det överförs inte till en allmän chatbot, och att behandla det som om det gjorde det är det dyraste misstaget som står till buds på den här sidan.

Tre mindre resultat visar vad ett enskilt verktyg kan göra när hindret är snävt. Var och en prövades på en handfull studenter, så behandla dem som billiga och reversibla experiment snarare än som infrastruktur.

För uppmärksamhet delade Pimenova, Begel och kollegor (2026) i efterhand upp undervisningsvideor i stycken med en enda instruktion och fasta pauser. Med 17 studenter med ADHD och 10 utan förbättrades alla, och deltagarna med ADHD fick sina fel och sin tvekan ned på samma nivå som de andra. Den utjämnande effekten kom från en lättviktig omformning av materialet.

För språklig tillgång lade Chen m.fl. (2026) till visuella frågor (tidsstämplar där visuell information sannolikt misstolkas) och känslofrågor (tidsstämplar där tidigare döva och hörselskadade studenter rapporterade frustration) till en LLM-baslinje, vilket gav 30 frågor, tio per strategi. Med 16 studenter låg self-efficacy i genomsnitt på 5,70 (SD = 1,12) på en sjugradig skala, och visuella frågor valdes oftare av döva än av hörselskadade deltagare.

För läsning och skrivning utvann Rezazadegan m.fl. (2026) mönster ur dyslektiska studenters egna forumdiskussioner. De studenterna värderade AI som stöd i läs- och skrivförmåga och rapporterade ojämn kvalitet på utdata och brist på rättvisa anpassningar. Inkonsekvensen är i sig ett hinder: ett verktyg som man inte kan lita på lägger till arbete i stället för att ta bort det.

Bilden från högre utbildning är den svagaste delen av underlaget och den del som ligger närmast ditt arbete. Rempel, Heimann och Prilop (2026) sållade 766 poster från fem databaser ned till 40 inkluderade studier publicerade mellan 2015 och 2025. Generativ AI förekom i 15 av de 40 och virtuell verklighet i 11. Täckningen av hinder var ojämn: läsning och skrivning (n = 13) och studiestrategi (n = 12) dominerade, uppmärksamhet (n = 4) och social kommunikation (n = 5) var eftersatta, och bara 6 studier tog upp mer än ett hinder. Översikten uteslöt K-12 och specialiserade institutionsmiljöer genom sin design, så den säger ingenting om yngre elever. Använd den för att se vilka hinder som har adresserats på din nivå, och vilka som knappt har berörts.

Avgör om du ändrar designen eller anpassningen

Universell design tar bort behovet för en student att identifiera sig som i behov av särskilda villkor. En anpassning kräver precis det, och stigmat är en del av kostnaden. Så när ett hinder visar sig vara delat är designändringen det bättre köpet: den når de studenter som aldrig avslöjar sig.

Segmenteringsresultatet är det tydligaste fallet. En video uppdelad i stycken med en enda instruktion och fasta pauser förbättrade alla studenter i studien, inte bara de med ADHD, och förde deltagarnas med ADHD fel och tvekan ned till samma nivå som de andras. Det är universell design som utfall, uppnått med en redigering i stället för en produkt.

Den ärliga gränsen: det är 17 studenter med ADHD och 10 utan, i en enda studie, och ingenting i den här litteraturen säger dig hur långt du kan generalisera från ett klassrumsresultat, eller när en students behov är så särpräglat att det kräver en individuell ordning. Den bedömningen stannar hos dig och tillgänglighetskontoret.

Lär ut verktyget, och sätt någons namn vid undervisningen

Det dokumenterade misslyckandet är en anpassning som ges utan undervisning. I W.A. v. Clarksville/Montgomery County School System (2024) tog en student som fått AI som anpassning examen utan att kunna läsa, och domstolen fann att en fri och ändamålsenlig offentlig utbildning inte hade getts.

Två saker gör det misslyckandet sannolikt, och båda är institutionella. Shin m.fl. (2026) använde LLM-baserad ämnesmodellering och två omgångar Delphi-enkäter med 17 experter över 12 amerikanska policydokument om AI i utbildning från 2015 till 2025. Lärarutbildning är ett av deras fem validerade teman, med 4 av 36 poster, och experterna rankade studentinflytande och AI-kompetens som mest väsentliga: dessa studenter ska lära sig att använda AI ansvarsfullt och självständigt, med skydd mot överberoende undervisat som en del av samma färdighet. LUDIA:s författare kallar hindret ”glappet mellan att veta och att göra”: vägledning finns i överflöd, är skriven i allmänna ordalag, och ett hinder är alltid bundet till just det här rummet, den här veckan.

Det sidan inte kan ge dig är ett utbildningsprotokoll. Det finns inga formella evidensbaserade riktlinjer för hur lärare eller familjer ska införa AI för dessa studenter, så mängden undervisning, dess ordning och vem som ger den är bedömningsfrågor. Rättspraxis sätter golvet snarare än standarden: studenten måste till slut kunna göra saken, och någon måste stå till svars för att hen kommer dit.

Skriv in transkribering och OCR i AI-regeln vid namn

Wright (2026) argumenterar för att regler som behandlar all ”AI-användning” likadant är för breda, eftersom de inte skiljer tal-till-text-transkribering och OCR från generativ textproduktion. Studenter med tillstånd som påverkar finmotorik, handstilsläsbarhet eller skrivprecision har förlitat sig på fristående tal-till-text-produkter som Dragon NaturallySpeaking och fristående OCR, varav flera har lagts ned eller försämrats, medan AI-driven transkribering fyller det funktionella gapet.

En regel skriven som ”ingen AI” kan därför dra tillbaka studentens främsta sätt att producera läsbart arbete. Ingen har ännu mätt hur stor den undanträngningen är, vilket är ett skäl att vara tydlig i stället för att vänta på siffran. Namnge transkribering och OCR som anpassningar i policyn, vid sidan av förbuden mot textproduktion, så att de två frågorna avgörs var för sig. Den exponering detta skapar för institutionen hör hemma hos juridiska frågor och risker.

Det är en enradig fix i de flesta dokument och den rad på sidan som har störst konsekvenser.

Ge struktur där uppgiften förutsätter den

Struktur är den billigaste insatsen här och den som oftast lämnas utanför planen. Zastudil m.fl. (2026) enkäterade 24 neurodivergenta datavetenskapsstudenter (autistiska och/eller med ADHD) och 20 neurotypiska kamrater, med fyra uppföljningsintervjuer. Den neurodivergenta gruppen var obekväm med ostrukturerade eller tvetydiga uppgifter och föredrog starkt mindre team som arbetar tillsammans konsekvent med uttryckligen definierade roller, och klarade sig genom att själva välja roller och avslöja strategiskt.

Det är preferensdata, inte en effektstudie, och det är också den designbrief studenterna skrev till sig själva. AI-medierat arbete bär en särskild version av risken, eftersom ett verktygs interaktionsmodell kan återskapa samma strukturella tvetydighet som uppgiften redan hade. Kontrollera vad verktyget ber studenten avgöra på egen hand innan du lägger det till en uppgift.

Kör försöket mot hindret, och skriv ned vad du räknade

Sammanlagda effekter ger dig en riktning. De säger inte om verktyget fungerar för studenten i din grupp nästa vecka, så varje försök behöver ett mått som valts innan det börjar.

Tre varningar bör forma det måttet. Den första är att ordningen mellan undergrupper är antydd snarare än fastställd: ingen moderator av något slag nådde signifikans i metaanalysen från 2024, så rangordningar som undervisningsbara agenter (g = 1,100) före socioemotionella coacher (g = 0,336), eller dyadisk interaktion före triadisk (g = 0,973 mot g = 0,385), bör inte behandlas som avgjorda. Effektens riktning stöds; storleken, designoptimumet och hållbarheten i varje vinst gör det inte.

Den andra är att den här korpusen beskriver införanden och uppfattningar mer än mätt lärande. Uppmärksamhet (n = 4) och social kommunikation (n = 5) är de minst studerade hindren, och bristen på (kvasi)experimentella och longitudinella designer är skälet till att arbetet om högre utbildning är en scoping-översikt i stället för en metaanalys. Täckningen lutar mot grundnivå och globala norr, sökningen gällde engelskspråkigt peer-reviewat arbete, och studenter på avancerad nivå är underrepresenterade. Engagemang och nöjdhet är svaga indikatorer.

Den tredje är att ett verktyg som åtgärdar ett hinder kan lämna ett annat. Kontrollera verktyget mot den specifika svårighet studenten beskriver, vare sig det är läsning och skrivning, studiestrategi, uppmärksamhet eller social kommunikation, och utvärdera mot den svårigheten i stället för mot hur studenten upplevde produkten. Fråga studenten vad som ska räknas. Zastudil m.fl.:s deltagare och Rezazadegan m.fl.:s forumskribenter beskriver båda sina behov mer exakt än de produkter som byggts för dem.

Det du inte hittar här är ett validerat instrument för att mäta ett hinder i en enskild kurs, eller underlag för hur länge ett försök bör pågå. Båda är luckor i litteraturen snarare än brister i din sökning, och de är värda att skriva ned i granskningsanteckningarna.

Köp för hindret, och avvisa det dyra standardvalet

Två upphandlingskrav kommer direkt ur översikten: ange universell design och deltagande utveckling som villkor, och bygg verktyg tillsammans med neurodivergenta studenter i stället för för dem. Översiktens eget urval visar hur sällsynt det är, med bara 3 av 40 studier som behandlade miljön eller neurotypiska kamrater som interventionens objekt.

Budgetera sedan ärligt. Assisterande teknik kräver enheter och uppkoppling, och verktyg som är gratis i en pilot hamnar rutinmässigt bakom en betalvägg. Virtuell verklighet är det mest resurskrävande alternativet i uppsättningen, och fältet är koncentrerat till globala norr, så dess mest immersiva verktyg är de minst skalbara. Shin m.fl. pekar direkt på den digitala klyftan: priset på avancerade AI-verktyg kan öka skillnaderna mellan rikare och fattigare skolor, vid sidan av algoritmisk bias och luckor i lärarutbildningen.

LUDIA är en genomarbetad version av det billiga alternativet, och författarna är ovanligt tydliga med vad de inte har visat. Det kopplar lärare till Universal Design for Learning medan ett designbeslut ännu är öppet, och tar bort åtkomsthinder genom arkitekturen: ingen kostnad, inga konton eller lagrade chattar, överensstämmelse med WCAG 2.2 nivå AA och 13 maskinöversatta språk, även om icke-engelska versioner kan bära med sig antagandena från engelskan de kom från. Det är en samtalspartner snarare än en lösningsmotor, och författarna uppger att de inte har något belägg för att det förbättrar lärandet. De namnger också en gräns som hör hemma i varje införandeplan: automationsbias innebär att den lärare som är mest benägen att acceptera ett dåligt förslag är den som litar på att verktyget kan Universal Design for Learning. Ingen har heller testat dess utdata för kulturell eller språklig bias.

Håll ett andra misslyckande i sikte. Överberoende av chatbotar och kognitiv överbelastning i immersiva miljöer är dokumenterade som inversionseffekter, där tillägget av tekniken sänker lärandet. Ett verktyg som bara återskapar befintlig undervisning i digital form bör förväntas ge begränsade lärandevinster.

Vad lärare missförstår om detta

En diagnos säger mig vilket verktyg jag ska köpa. Hindren går tvärs över diagnoser, och ett verktyg matchat mot en etikett kan missa hindret i rummet. Fråga vad uppgiften förutsätter: tryck, uthållig uppmärksamhet, outtalade sociala regler, ett särskilt sätt att producera text.

En anpassning är en personlig ordning, så lösningen tillhör studenten. Vissa är det, och de som är värda att generalisera är de du skulle ha designat in ändå. Segmentering hjälpte varje student i sin studie. Designändringar tar bort steget där studenten måste avslöja sig, och därmed stigmat.

Engagemang och nöjdhet visar att verktyget fungerade. De visar att studenten gillade det. Den här korpusen är mest införanden och uppfattningar, och bara 6 av 40 studier om högre utbildning tjänade mer än ett hinder, så en nöjd student är ännu inget belägg för att ett hinder försvann.

Verktyget bär stödet, och undervisning är ett tillägg. Rättspraxis behandlar ett verktyg utan undervisning som misslyckandet, och policyexperterna rankade studentinflytande och AI-kompetens som sitt mest väsentliga tema. Budgetera undervisningstiden tillsammans med licensen.

Vad som kommer att slå tillbaka mot dig

”Vi kan inte kräva ett verktyg för alla.” Där verktyget är en designfunktion är kravet själva poängen. Videosegmentering med fasta pauser förbättrade alla studenter och förde deltagarnas med ADHD fel och tvekan ned till samma nivå som de andras, vilket är det universella designutfallet som tar bort behovet av att avslöja sig. Tillgängliga standardval bär samma logik: uppläsning, OCR och textanpassning återkommer i Shin m.fl.:s validerade policyposter. Deras korpus visar också hur långt policyn har att vandra, eftersom bara 2 av de 12 dokumenten särskilt behandlar inlärningssvårigheter, medan 18 teman som finns i allmän AI-policy eller policy för andra funktionsnedsättningar, bland dem dataskydd, hantering av juridisk risk och etiska riktlinjer, saknas i policy för specifika inlärningssvårigheter.

”Textning och översättning är inte akademiskt stöd.” Textning är en början, inte hela den språkliga tillgången. Chen m.fl.:s visuella frågor och känslofrågor finns därför att enbart en transkription lämnar en döv student att rekonstruera sammanhang som videon aldrig uttalade. Policyexperternas rangordning motsäger också invändningen. Deras 36 validerade poster fördelar sig på fem teman, med inkluderande och personligt anpassat lärande störst på 11 (30,56 %) och etik, rättvisa och inkludering på 9 (25,00 %), och lärarutbildning på 4 (11,11 %), men experterna rankade studentinflytande och AI-kompetens som mest väsentliga av de fem, på 6 poster (16,67 %), i nivå med bedömning och forskning.

”Studenter måste vara självständiga.” Självständighet är vad undervisningen är till för, vilket är skälet till att verktyget utan undervisningen är misslyckandet. Shin m.fl.:s tema för lärarutbildning finns av samma skäl. Behovets omfattning är lätt att underskatta: ungefär 240 miljoner barn i världen lever med funktionsnedsättning, ungefär hälften av dem står utanför skolan i låg- och medelinkomstländer, och ungefär en tredjedel av lärarna i OECD-system uppger att de saknar kompetens att stötta elever med särskilda behov. I USA placerar Assistive Technology Act (2004) och IDEA (2004) bedömning av assisterande teknik inom varje individuell utbildningsplan och kräver en fri och ändamålsenlig offentlig utbildning, ändå finns inga formella evidensbaserade riktlinjer som hjälper lärare eller familjer att införa AI för dessa studenter. Självständighet byggd på ett verktyg utan undervisning är vad rättspraxis straffar.

”Vi har inte råd.” Avvisa då det dyra standardvalet. Virtuell verklighet är det mest resurskrävande alternativet i uppsättningen, och fältets mest immersiva verktyg är de minst skalbara. Ett gratis, integritetsbevarande verktyg som förbättrar designsamtalet, med författarnas förbehåll lästa först, är ett bättre första köp än ett headset.

”Underlaget är för tunt att agera på.” Tunt, och inte tomt. Metaanalysen från 2024 ger dig en riktning med ett brett intervall och en korrigering för publikationsbias som mer än halverar skattningen, de tre studierna av enskilda verktyg är små, och översikten om högre utbildning mäter täckning snarare än effekt. Det som stöds är det billiga och reversibla draget: en designändring, en namngiven anpassning, ett försök med ett mått som avtalats i förväg. Att skjuta upp beslutet är också ett beslut, och det lämnar studenten framför dig med det som standardordningen ger.

Vad du ska göra den här veckan

1. För varje anpassningsbegäran på ditt skrivbord, skriv det funktionella hindret bredvid verktygets namn, och kontrollera att verktyget adresserar det hindret snarare än diagnosen.

2. Fråga om hindret delas av hela klassen. Om det gör det, ändra designen: dela upp videon, skär bort tvetydigheten, slå på uppläsning och ge uppgiften den struktur den saknade.

3. Lägg till transkribering och OCR i AI-regeln vid namn, så att förbudet mot generativ textproduktion och anpassningen för att producera text avgörs var för sig.

4. Sätt ett namn och ett datum vid undervisningen: vem som visar studenten verktyget, när, och vem som kontrollerar att det fungerar.

5. Kom överens om måttet med studenten innan försöket börjar, och bokför resultatet i granskningsanteckningarna, även i det fall svaret är att det inte hjälpte.

Vart du går härnäst

Universell design för lärande täcker det designangreppssätt som förebygger hinder innan de uppstår, assisterande teknik det verktygslager en student använder, tillgänglighet huruvida ett format alls kan uppfattas och hanteras, och neurodiversitet det perspektiv som behandlar olikhet som mångfald snarare än brist, allt inom ramen för inkluderande lärande. Minska överberoende täcker de överberoende- och inversionseffekter som avgör om ett verktyg fortsätter att hjälpa, och att föra in rättvisa, tillgänglighet, integritet, etik och pedagogisk säkerhet i AIED-forskning täcker forskningssidans förpliktelser.