Früherkennung von Legasthenie und spezifischen Lernschwierigkeiten

Lese- und Rechtschreibschwierigkeiten werden oft erst bemerkt, nachdem ein Kind jahrelang gescheitert ist. Kurze KI-gestützte Screenings (Eye-Tracking beim Lesen, spielerische Aufgaben, gesprochene phonologische Aufgaben) schätzen das Risiko für Legasthenie oder verwandte Schwierigkeiten in wenigen Minuten ein. So können Schulpsychologen und Sonderpädagogen Kinder für eine vollständige Diagnostik priorisieren und die Förderung früh beginnen. Das Ergebnis ist eine Entscheidungshilfe, niemals eine Diagnose.

Problem & Nutzen

• Heute: Das Screening stützt sich auf Beobachtungen der Lehrkraft, Papiertests (z. B. Checklisten zur phonologischen Bewusstheit, Rechtschreibtests) und lange klinische Diagnostik mit Wartelisten. Kinder mit Schwierigkeiten werden spät erkannt, oft erst nach emotionalen und schulischen Folgen.
• KI-Nutzen: standardisiertes, schnelles, wiederholbares Screening ganzer Klassen; objektive Signale (Augenbewegungen, Antwortzeiten), die Lehrkräfte nicht beobachten können; Priorisierung, damit knappe Fachkräfte zuerst die richtigen Kinder sehen.
• Evidenz: Veröffentlichte Forschung zeigt, dass Augenbewegungsmerkmale, die beim Lesen aufgezeichnet werden, in Studienstichproben legasthene von unauffälligen Lesern trennen können [1], und ein spielbasierter Online-Test mit maschinellem Lernen wurde für die Risikovorhersage evaluiert [2]. Die Ergebnisse stammen aus bestimmten Stichproben und Sprachen; die Genauigkeit im Praxisbetrieb muss in einer anderen Population vor Ort überprüft werden, und es sollten keine allgemeingültigen Zahlen angenommen werden.

Varianten

• Eye-Tracking-Lesescreening: Das Kind liest einen kurzen Text auf einem Bildschirm; das Leseverhalten wird analysiert (Lexplore, basierend auf Forschung des Karolinska Institutet, im Einsatz an schwedischen und britischen Schulen) [3].
• Spielbasierter Screener: Tablet- oder Webspiele, die sprachliche und Wahrnehmungsfähigkeiten messen und per ML klassifiziert werden (Dytective von Change Dyslexia, Spanien) [4].
• Gesprochene phonologische Aufgaben: Spracherkennung bewertet Reimen, Silbensegmentierung, Nichtwort-Nachsprechen und schnelles Benennen; Überschneidung mit EDU-012 (Leseflüssigkeit).
• Risikoscreening im Kindergarten / Vorschulalter: vor dem formalen Leseunterricht, anhand früher Vorläuferfähigkeiten des Lesens und Schreibens.
• Dyskalkulie und aufmerksamkeitsbezogene Schwierigkeiten: gleiche Pipeline mit anderen Aufgabenbatterien.
• Klinisch-diagnostische Version: Ein Werkzeug, das eine Diagnose oder Behandlung beansprucht, ist voraussichtlich ein Medizinprodukt nach MDR [5] und gehört in den Gesundheitsbereich (siehe HLTH-001).
• Private Nutzung: Eltern nutzen Verbraucher-Apps; gleiche Grenzen, aber keine schulische Fürsorgepflicht.

So funktioniert es

1. consent & set-up (guardian information, language, device calibration)
2. task delivery (reading on eye tracker | game on tablet | spoken prompts)
3. signal capture (gaze, taps/latencies, audio)
4. quality checks (calibration, noise, attention drop-outs)
5. feature extraction (fixations, regressions, error patterns, phoneme-level scores)
6. risk model (calibrated classifier, age/language-normed)
7. report with uncertainty and explanation
8. human review (school psychologist / special-education teacher)
9. referral for full assessment or support plan; parents informed

• Modelle: überwiegend klassisches ML (Gradient Boosting, SVM, kleine neuronale Netze) auf konstruierten Merkmalen und Zeitreihen; ASR für Sprachaufgaben. LLMs werden nur eingesetzt, um Berichte in verständlicher Sprache zu entwerfen.
• Normierung: Die Werte müssen mit alters- und sprachspezifischen Normen verglichen werden; zweisprachige Kinder und Dialektsprecher erfordern gesonderte Prüfungen.
• Mensch-in-der-Schleife (Human-in-the-Loop): Jedes Ergebnis mit erhöhtem Risiko wird von einer Fachkraft geprüft; die Diagnose (z. B. nach ICD-11 oder nationalen Leitlinien) bleibt bei qualifizierten Klinikern.

Datenaufbereitung

Anders als bei dokumentenbasierten Anwendungsfällen entstehen die Daten hier größtenteils neu durch das Screening selbst: Blickaufzeichnungen, Antipp- und Latenzprotokolle sowie Audioaufnahmen gesprochener Aufgaben. Was bereits vorhanden ist, liegt in der Schulverwaltungssoftware, in den Papierakten der Schulpsychologen, in Beobachtungsbögen der Lehrkräfte und in früheren Testergebnissen (oft Excel oder Papier) sowie in Klassenlisten mit Familiensprache und Angabe zur Zweisprachigkeit.

Typische Lücken: keine von Fachleuten bestätigten Ergebnis-Labels (das wichtigste Gut für jedes eigene Modell), verstreute und unstrukturierte Notizen der Lehrkräfte, uneinheitliche Angaben zu Sprache und Dialekt, schlechte Kalibrierung oder verrauschtes Audio, fehlende Einwilligungen der Erziehungsberechtigten und unklare Zugriffsrechte auf sensible Daten zu Lernschwierigkeiten.

Schritte der Aufbereitung: - Datenschema und vorherzusagendes Ergebnis festlegen (siehe PREP-019) und vorhandene Diagnostikergebnisse als Labels nutzen, wo dies rechtmäßig ist (PREP-020). - Papier-Testergebnisse und Beobachtungsbögen digitalisieren (PREP-006, PREP-008) und Tabellen bereinigen (PREP-011). - Mit Schulpsychologen einen lokalen Evaluationsdatensatz aufbauen (PREP-018). - Exporte pseudonymisieren (PREP-022), die Rechtsgrundlage prüfen (PREP-025) und den Zugriff streng beschränken (PREP-024).

Aufwandsanteil: mittel für Käufer (Einwilligungen, Geräteeinrichtung, Import der Klassendaten), hoch für eigene Modelle, bei denen Labeling und Folgedaten überwiegen. Siehe auch GUIDE-003 für einen Reifegrad-Check.

Umsetzungswege

Welcher Weg für wen

• Unternehmen (z. B. Schulträger, Bildungsanbieter): Weg A, weil validierte Screener mit Sprachnormen existieren und ein selbst gebautes Risikomodell zuerst klinisch validiert werden müsste.
• Öffentlicher Sektor (Schulen, Schulbehörden): Weg A mit einem in der EU gehosteten, validierten Produkt, weil Beschaffung, Fürsorgepflicht und sensible Kinderdaten für ein zertifiziertes, unterstütztes Werkzeug sprechen.
• Entwickler (Anbieter, Forschungsgruppen): Weg C, weil der Wert darin liegt, die Merkmalsmodelle und die Bewertung auf dem Gerät selbst zu besitzen (Whisper, scikit-learn auf Tablets), sodass die Rohdaten der Kinder lokal bleiben.

Weg A — Kaufen (Standardsoftware) (empfohlen)

• Eye-Tracking: Lexplore (Schweden, EU-Anbieter) [3].
• Spielbasiert: Dytective / Change Dyslexia (Spanien, EU-Anbieter) [4].
• Breitere Lese-Plattformen: nationale oder regionale Screening-Instrumente von Bildungsministerien und Verlagen; prüfen Sie, ob das Werkzeug für Ihre Sprache validiert ist.
• A wählen, wenn: eine Schulbehörde oder Schule ein validiertes, unterstütztes Werkzeug braucht. Verlangen Sie Validierungsstudien in Ihrer Sprache, Sensitivität/Spezifität mit Konfidenzintervallen, Normdaten, EU-Hosting und einen Auftragsverarbeitungsvertrag (AVV).

Weg B — Auf Cloud-KI-Diensten aufbauen

• Cloud-ASR in EU-Regionen (Azure AI Speech, Google Cloud Speech-to-Text, Mistral Voxtral) für phonologische Aufgaben; LLM nur für die Formulierung der Berichte, mit pseudonymisierten Daten.
• Kindersprache ist für generische ASR schwierig; nutzen Sie Funktionen zur Aussprachebewertung und testen Sie die Fehlerraten an Kindern der Zielaltersgruppe, bevor Sie sich darauf verlassen.
• Allein selten ausreichend: Das Risikomodell braucht klinisch gelabelte Daten.

Weg C — Selbst betreiben (Open Source)

• Sprache: Whisper (OpenAI, offene Gewichte) [6], Modelle im Stil von wav2vec 2.0 / HuBERT, auf Kindersprache feingetunt (Feintuning); Forced Alignment für die Bewertung auf Phonemebene.
• Blick: Handelsübliche Webcams liefern nur geringe Genauigkeit; spezielle Eye-Tracker (z. B. Tobii, EU) oder offene Bibliotheken wie WebGazer sind nur für die Forschung geeignet.
• ML: scikit-learn / XGBoost, Auswertung auf dem Gerät (Tablet), sodass die Rohdaten der Kinder lokal bleiben.
• Hardware: HW1 (CPU / Tablet) genügt für Merkmalsmodelle; HW2 nur für größere ASR.

Weg D — Eigenes Training

Lohnt sich für eine Forschungsgruppe, ein Ministerium oder einen Anbieter mit einer neuen Sprache. Erfordert Hunderte bis Tausende Kinder mit von Fachleuten bestätigten Ergebnissen, Längsschnitt-Nachverfolgung (früh screenen, später bestätigen) und eine ethische Genehmigung. Planen Sie eine stratifizierte Validierung über Sprachen, Dialekte, Geschlecht, sozioökonomischen Hintergrund und Geräte hinweg; berichten Sie die Kalibrierung, nicht nur die Genauigkeit.

Stand der Technik (2026)

• Eye-Tracking- und spielbasierte Screener sind in einigen nationalen Schulsystemen etabliert; begutachtete Studien berichten von guter Trennung der Gruppen in Forschungsstichproben [1][2], doch Stichprobengrößen, Sprachen und Studiendesigns unterscheiden sich, und die veröffentlichte Genauigkeit liegt oft höher als die prospektive Leistung in der Schule.
• Trend: multimodale Signale (Blick + Sprache + Handschrift/Tippen), Längsschnitt-Screening statt einmaliger Tests und Verarbeitung auf dem Gerät zum Schutz der Privatsphäre.
• Grenzen und Fehlerarten: Falsch-Positive verursachen Stigmatisierung und Ängste; Falsch-Negative wiegen in falscher Sicherheit; mangelhafte Normierung bei mehrsprachigen Kindern, Dialekten und Sprachen mit regelmäßiger Orthografie; Artefakte durch Geräte und Kalibrierung; Müdigkeit oder Aufmerksamkeitsprobleme täuschen ein Risiko vor; Begleiterkrankungen (ADHS, Hör- oder Sehprobleme) verfälschen die Ergebnisse; Automatisierungsverzerrung beim Personal.

Gemeinsame Bausteine & Kombinationen

• Gemeinsamer Stack: ASR und Aussprachebewertung mit EDU-012 und EDU-011; tabular-ml und time-series mit EDU-007; Laufzeit auf dem Gerät mit PERS-019.
• Nachgelagert: EDU-005 (adaptive Lernpfade) und EDU-009 (Differenzierung durch Lehrkräfte) können das Profil (mit Einwilligung) nutzen, um das Training zu personalisieren; EDU-003 für Rückmeldungen zu Rechtschreibaufgaben.
• Abgrenzung: HLTH-001 für klinische Diagnosewerkzeuge nach MDR.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis ein Schulhalbjahr; Lizenzen meist pro Schüler oder pro Screening, dazu Geräte (Eye-Tracker oder Tablets) und Schulung der Lehrkräfte.
• Weg B/C: 6-12 Monate einschließlich Validierung; Hauptkosten sind Datenerhebung und Labeling durch Fachleute.
• Weg D: Quartale bis Jahre, Größenordnung eines Forschungsprojekts.
• Kennzahlen: Sensitivität und Spezifität gegenüber dem klinischen Referenzstandard, positiver Vorhersagewert bei Ihrer Basisrate, Kalibrierung, Anteil der gescreenten Kinder, Zeit von der Auffälligkeit bis zur Förderung, Parität zwischen Untergruppen (Sprache, Geschlecht, Hintergrund), späterer Lesefortschritt, Akzeptanz bei Eltern und Lehrkräften.

Menschen & Veränderung

Beziehen Sie zuerst die Leitung und die Schulbehörde ein (Entscheidung, Budget, kein Screening ohne Förderangebot), dann die Schulpsychologen und Sonderpädagogen, die jede Auffälligkeit prüfen, und die IT für Geräte und Konten. Holen Sie die oder den Datenschutzbeauftragte(n) vor jedem Pilotprojekt hinzu: Blick- und Sprachdaten von Kindern sowie der daraus abgeleitete Status einer Lernschwierigkeit erfordern eine Datenschutz-Folgenabschätzung (DSFA), eine Rechtsgrundlage und einen AVV mit dem Anbieter (GUIDE-005). Bereiten Sie Informationen für die Erziehungsberechtigten und einen klaren Widerspruchsweg vor; die Eltern sind die betroffenen Interessengruppen.

Betriebsrat: abhängig vom Einzelfall. Das Werkzeug bewertet Schüler, nicht Beschäftigte, daher wird § 87 Abs. 1 Nr. 6 BetrVG meist nicht ausgelöst. Nutzungsprotokolle und der Umgang der Lehrkräfte können aber überwacht werden, sodass er greift, wenn das Werkzeug die Aktivität des Personals in einer betrieblich geführten Schule aufzeichnet. Informieren Sie den Betriebsrat früh nach § 90 Abs. 1 Nr. 3 BetrVG; an öffentlichen Schulen wird der Personalrat nach BPersVG oder Landesrecht beteiligt (GUIDE-004).

Fördern Sie die KI-Kompetenz der Lehrkräfte (AI Act Art. 4): was der Wert bedeutet, Falsch-Positive und Falsch-Negative, Automatisierungsverzerrung (GUIDE-006). Wählen Sie eine Klassenstufe und einige motivierte Lehrkräfte als Pilotgruppe, vergleichen Sie die Auffälligkeiten mit deren Einschätzung und kommunizieren Sie offen, dass das Ergebnis eine Entscheidungshilfe ist, niemals eine Diagnose (GUIDE-008). Typische Bedenken sind Stigmatisierung, Mehrarbeit und Etikettierung; begegnen Sie ihnen mit fachlicher Prüfung, kurzer Aufbewahrung und einer Förderplanung zu jeder Auffälligkeit.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act) [7]: Anhang III Nr. 3 erfasst KI, die eingesetzt wird, um den Zugang oder die Zulassung zu bestimmen, Personen Bildungseinrichtungen oder -programmen zuzuweisen, Lernergebnisse zu bewerten, das angemessene Bildungsniveau einzuschätzen und verbotenes Verhalten bei Prüfungen zu überwachen. Ein Screener, der nur für die Förderplanung dient, kann außerhalb liegen; entscheidet sein Ergebnis jedoch über die Platzierung (z. B. Förderschule oder Bildungsgang), behandeln Sie ihn als Hochrisiko: Risikomanagement, Data Governance, Bias-Tests, menschliche Aufsicht, Protokollierung, Transparenz gegenüber Betreibern und Betreiberpflichten (Art. 26, einschließlich Information der betroffenen Personen). Daher depends.
• Verbot nach Art. 5: Emotionserkennung in Bildungseinrichtungen ist verboten (Art. 5 Abs. 1 Buchst. f). Leiten Sie aus Blick- oder Gesichtsdaten keine Emotionen, Aufmerksamkeit oder Stress ab; beschränken Sie die Analyse auf Lesefähigkeiten. Die biometrische Kategorisierung sensibler Merkmale ist ebenfalls verboten.
• MDR [5]: Aussagen zu Diagnose oder medizinischem Zweck können die Software zum Medizinprodukt machen. Formulieren Sie die Zweckbestimmung sorgfältig („Screening-Unterstützung, keine Diagnose“) und holen Sie regulatorischen Rat ein.
• DSGVO [8]: Daten von Kindern, Blick- und Sprachaufnahmen sowie der abgeleitete Status einer Lernschwierigkeit (gesundheitsbezogen, Art. 9) brauchen eine klare Rechtsgrundlage (öffentliche Aufgabe oder ausdrückliche Einwilligung der Erziehungsberechtigten), eine DSFA, Datenminimierung, kurze Aufbewahrung, EU-Hosting, keine Nutzung von Kinderdaten für das Modelltraining des Anbieters ohne gesonderte Grundlage und Information der Eltern. Art. 22 begrenzt ausschließlich automatisierte Entscheidungen.
• Sektorregeln: nationales Schul- und Sonderpädagogikrecht (z. B. Regelungen der deutschen Länder zu Nachteilsausgleich und Foerderdiagnostik) bestimmt, wer screenen darf und was folgt.
• Gegenmaßnahmen: fachliche Prüfung, dokumentierte Grenzen, lokale Validierung, Überwachung der Untergruppen, Widerspruchsweg für Eltern, Löschung der Rohaufnahmen.

Erste Schritte

1. Die Entscheidung festlegen: wer auffällig wird, wer prüft, welche Förderung folgt (kein Screening ohne Förderung).
2. Kandidatenwerkzeuge auf Validierung in Ihrer Sprache, Normen, MDR-Status und Einordnung nach KI-Verordnung (AI Act) prüfen.
3. Eine DSFA durchführen und Informations- und Einwilligungsmaterial für Erziehungsberechtigte vorbereiten.
4. Pilot mit einer Klassenstufe, Auffälligkeiten mit der Einschätzung der Lehrkräfte und der späteren fachlichen Diagnostik vergleichen.
5. Fehlerraten der Untergruppen und Lesefortschritt überwachen; Schwellenwerte gemeinsam mit dem Schulpsychologen anpassen.

Quellen

1. Benfatto et al. 2016 — Screening for dyslexia using eye tracking during reading (PLOS ONE) — https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0165508
2. Rello et al. 2020 — Predicting risk of dyslexia with an online gamified test (PLOS ONE) — https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0241687
3. Lexplore — eye-tracking reading assessment — https://www.lexplore.com
4. Change Dyslexia / Dytective — https://dytective.com
5. Regulation (EU) 2017/745 (MDR) — https://eur-lex.europa.eu/eli/reg/2017/745/oj
6. OpenAI Whisper — https://github.com/openai/whisper
7. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
8. Regulation (EU) 2016/679 (GDPR) — https://eur-lex.europa.eu/eli/reg/2016/679/oj