Learnya/ Blog
An einen Computer angeschlossene Braillezeile
Ralf Roletschek, Wikimedia Commons  · CC BY-SA 3.0

Barrierefreiheit ist wohl der Bereich, in dem KI ihre konkretesten Versprechen einlöst. Ein Bild für eine sehbehinderte Schülerin beschreiben, eine Unterrichtsstunde untertiteln, Gesprochenes transkribieren, in Echtzeit übersetzen, eine komplexe Aufgabenstellung umformulieren: lauter einst aufwendige Aufgaben, die KI im großen Maßstab machbar macht. Doch dieselbe Technologie kann die Unterschiede auch vergrößern, wenn man nicht achtgibt.

Greifbare Fortschritte bei der Barrierefreiheit

Für Lernende mit Behinderung ist KI (Bildbeschreibung, Spracherkennung, Untertitelung, Übersetzung) ein starker Hebel für Inklusion [1]. Eine Fallstudie mit sehbehinderten Studierenden beschreibt generative KI als Hilfsmittel, das den Zugang und die Teilhabe tatsächlich erhöht [2]. In mehrsprachigen Klassen senkt die Echtzeitübersetzung sprachliche Barrieren und personalisiert die Begleitung [3].

Dieser Ansatz deckt sich mit den Prinzipien des Universal Design for Learning (UDL): mehrere Formen der Darstellung, des Handelns und des Engagements anbieten. Die generativen Fähigkeiten der KI am UDL auszurichten, ermöglicht flexiblere und inklusivere Lernwege [4]. KI kann hochwertige Bildung auch auf Gemeinschaften ausdehnen, die ressourcenarme Sprachen sprechen und lange von der Technologie ignoriert wurden [5].

Die Kehrseite: Verzerrungen und Kluft

Die Kluft ist auch materieller Natur. Der AI-Index-Bericht 2025 erinnert daran, dass der Zugang zu Informatik und KI in der Schule zwar zunimmt, aber sehr ungleich bleibt – in vielen Ländern fehlt es an Infrastruktur, bis hin zum Strom, und weniger als die Hälfte der betroffenen Lehrkräfte fühlt sich dafür gerüstet, KI zu unterrichten [7]. Das Versprechen der Chancengerechtigkeit stößt an die Realität der Mittel.

  • Vorteile: sensorische Barrierefreiheit, Sprachen, Personalisierung, Entstigmatisierung.
  • Risiken: Datenverzerrungen, Abhängigkeit von der Infrastruktur, übermäßiges Vertrauen in fehlerhafte Ausgaben.
  • Voraussetzungen: Audit der Verzerrungen, Ko-Konzeption mit den Betroffenen, menschliche Überprüfung.

KI ist nur dann inklusiv, wenn Inklusion ein Gestaltungsziel ist und keine erhoffte Nebenwirkung.

Learnya-Synthese

Für die europäischen und schweizerischen Bildungssysteme besteht die Aufgabe darin, Barrierefreiheit und den Schutz der Daten schutzbedürftiger Zielgruppen zu verbinden – oft Minderjährige, die sensible Informationen tragen. Chancengerechtigkeit durch KI muss aufgebaut werden: Audits, Ko-Konzeption, Transparenz und eine Infrastrukturbasis, die niemanden zurücklässt.

Chancengerechtigkeit wird gestaltet, nicht einfach festgestellt

Es ist verlockend zu glauben, ein nützliches Werkzeug komme von selbst allen zugute. Die Geschichte der Bildungstechnologien sagt das Gegenteil: Ohne ausdrückliche Absicht kommt Innovation zuerst den Bestausgestatteten zugute und vergrößert die Kluft, statt sie zu schließen. Umfragen zeigen dieses Risiko bereits bei der KI, deren Verbreitung und Schulung in benachteiligten Milieus geringer ausfallen [7]. Chancengerechtigkeit ist kein automatisches Ergebnis; sie ist ein Ziel der Gestaltung und der öffentlichen Politik.

Die Ko-Konzeption mit den Betroffenen ist ein Schlüssel. Eine ohne die Lernenden mit Behinderung gedachte Barrierefreiheitslösung geht oft an deren tatsächlichen Bedürfnissen vorbei oder schadet ihnen sogar. Studien, die diesen Zielgruppen eine Stimme geben, zeigen, dass generative KI zu einer echten Stütze wird, wenn sie auf gemeinsam mit ihnen ermittelte Anwendungen antwortet [2]. Zuzuhören, bevor man ausrollt, ist kein schmückendes Beiwerk: Es ist eine Voraussetzung für Wirksamkeit.

Bleibt die Wachsamkeit gegenüber Verzerrungen. Ein auf nicht repräsentativen Daten trainiertes Modell kann bei ressourcenarmen Sprachen, Minderheitenakzenten oder untypischen Ausdrucksformen schlechter abschneiden [5][6]. Auditieren, an vielfältigen Populationen testen und fortlaufend korrigieren muss Teil des Lebenszyklus sein. KI kann historische Barrieren beim Zugang zum Wissen senken – sofern man Chancengerechtigkeit als vorrangige Anforderung behandelt und nicht als erhofften Nebeneffekt.

Ein reales Potenzial, aber an Bedingungen geknüpft

Von allen Einsatzformen der KI in der Bildung ist die Barrierefreiheit vielleicht jene, bei der der Nettonutzen am klarsten ist: Einem beeinträchtigten Schüler den Zugang zu einem bislang unerreichbaren Inhalt zu geben, verändert konkret einen Werdegang. Dieses Potenzial ist real und bereits dokumentiert. Doch es wird sich nur im großen Maßstab verwirklichen, wenn Chancengerechtigkeit als ausdrückliches, gemessenes und finanziertes Ziel behandelt wird.

Die kommenden Jahre werden zeigen, ob KI die Bildungskluft verringert oder verschärft. Die Antwort wird weniger von den Modellen abhängen als von kollektiven Entscheidungen: in die Infrastruktur zu investieren, wo sie fehlt, gemeinsam mit den betroffenen Zielgruppen zu konzipieren, Verzerrungen zu auditieren und zu gewährleisten, dass die Daten der Schutzbedürftigsten geschützt sind. Inklusion ist kein Nebenprodukt der Technologie; sie ist eine Entscheidung, die man trifft – oder verpasst.

Quellen

  1. 1. The Impact of AI in Advancing Accessibility for Learners with Disabilities , Gibson, R. , EDUCAUSE Review , 2024 https://er.educause.edu/articles/2024/9/the-impact-of-ai-in-advancing-accessibility-for-learners-with-disabilities
  2. 2. Reimagining Inclusive Education: The Assistive Power of Generative AI in Promoting Accessibility and Equity , Khlaif, Z. N., Alshakhshir, R., Hamamra, B., & Joma, A. , British Journal of Visual Impairment (SAGE) , 2025 https://journals.sagepub.com/doi/10.1177/02646196251382469
  3. 3. Inclusive Education with AI: Supporting Special Needs and Tackling Language Barriers , Fitas, R. , arXiv , 2025 https://arxiv.org/abs/2504.14120
  4. 4. Artificial Intelligence and Universal Design for Learning: Transforming Teaching and Learning , Mallary, K. , New Directions for Adult and Continuing Education (Wiley) , 2025 https://onlinelibrary.wiley.com/doi/10.1002/ace.70016
  5. 5. Foundation Models for Low-Resource Language Education (Vision Paper) , Ding, Z., Liu, Z., Jiang, H., Gao, Y., Zhai, X., Liu, T., & Liu, N. , arXiv , 2024 https://arxiv.org/abs/2412.04774
  6. 6. FairAIED: Navigating Fairness, Bias, and Ethics in Educational AI Applications , Yin, Z., Chinta, S. V., Wang, Z., Gonzalez, M., & Zhang, W. , arXiv , 2024 https://arxiv.org/abs/2407.18745
  7. 7. The 2025 AI Index Report — Education , Stanford Institute for Human-Centered AI (HAI) , Stanford HAI , 2025 https://hai.stanford.edu/ai-index/2025-ai-index-report
← Alle Artikel