KI-gestützte Selbstregulation als Schlüssel zu schulischer Teilhabe neurodivergenter Schüler - Ein theoretischer Artikel auf Basis empirischer Literatur

Das Anpassungsparadox des Schulsystems

Das Schulsystem der deutschsprachigen Länder ist formal inklusiv — und strukturell exklusiv. Seit Ratifizierung der UN-Behindertenrechtskonvention (2009) sind Schulen verpflichtet, alle Schülern zu unterrichten. Die Realität sieht anders aus: Neurodivergente Schüler — konservativ geschätzt 15–20 % aller Lernenden (Ronksley-Pavia et al., 2025) — bewegen sich täglich in Lernumgebungen, die ihre spezifischen Verarbeitungs- und Regulationsprofile ignorieren.

Forschung der letzten zwei Jahrzehnte zeigt konsistent: Neurodivergente Kinder scheitern nicht am Lernen als solchem, sondern an der Schnittstelle zwischen individuellem Lernprofil und institutionellen Anforderungen (Barkley, 2012; Rose & Meyer, 2002). Sie leisten täglich massive Kompensationsarbeit — emotionale, kognitive und soziale — bevor sie überhaupt mit dem Lernstoff in Kontakt treten. Diese Energie fehlt dann für Verstehen, Erinnern und Teilhabe.

Die DiklusionsGestalter setzen genau an dieser Schnittstelle an. Sie verstehen Verhaltensauffälligkeiten als Signale struktureller Überforderung, nicht als individuelle Charakterdefizite, und schlagen niedrigschwellige, digital gestützte Werkzeuge vor, die Selbstregulation ermöglichen, ohne das Kind zur Anpassung an ein unpassendes System zu zwingen. Der folgende Artikel entfaltet die theoretische und empirische Grundlage dieses Ansatzes.

Theoretischer Rahmen

Exekutive Funktionen als kritische Schnittstelle

Der Begriff der exekutiven Funktionen (EF) bezeichnet eine Gruppe höherer kognitiver Steuerungsprozesse, die zielgerichtetes Verhalten, Impulskontrolle, Arbeitsgedächtnis, kognitive Flexibilität und Selbstregulation umfassen (Barkley, 1997). Sie sind in besonderem Maß bei neurodivergenten Lernenden beeinträchtigt — nicht als feste Defizite, sondern als Entwicklungsverzögerungen, die durch geeignete Umgebungsbedingungen erheblich kompensiert werden können.

Barkley (2012) beschreibt ADHS fundamental als Störung der Selbstregulation, nicht der Aufmerksamkeit. Diese Neufassung ist therapeutisch und pädagogisch entscheidend: Wenn Regulation das Kernproblem ist, dann ist die Bereitstellung von Regulationsunterstützung — also externer Struktur, die die innere kompensiert — die logische Intervention. Digitale Werkzeuge, Checklisten, KI-gestützte Aufgabenstrukturierung und Zeitmanagement-Assistenz fungieren in diesem Modell als prostetische exekutive Funktionen (Barkley, 2012; Ldrfa.org, 2023).

Schulbasierte Interventionsstudien bestätigen die Plastizität dieser Funktionen: Tsermentseli et al. (2025) zeigten in einer randomisierten Studie mit 40 Schüler mit spezifischen Lernschwächen (Alter 8–10), dass ein strukturiertes, klassenraumbasiertes EF-Training über 6–9 Wochen nachweislich Arbeitsgedächtnis, Planungsfähigkeit, kognitive Flexibilität und emotionale Entscheidungsfähigkeit verbesserte. Entscheidend: EF-fokussierte, selbstregulationsbasierte Interventionen unterstützten auch das emotionale Verständnis und die sozial-kognitive Flexibilität in neurodivergenten Populationen (Tsermentseli et al., 2025).

Universal Design for Learning (UDL) als Systemrahmen

Rose und Meyer (2002) entwickelten mit dem Universal Design for Learning (UDL) ein Bildungsframework, das nicht das Kind an das System anpassen will, sondern das System variabel gestaltet, sodass es für alle Lernenden zugänglich wird. Drei Prinzipien strukturieren UDL:

(1) Vielfältige Darstellung: Inhalte werden in verschiedenen Formaten (Text, Audio, Bild, Video) bereitgestellt.

(2) Vielfältige Handlungs- und Ausdrucksweisen: Schüler:innen zeigen Wissen auf unterschiedliche Weisen.

(3) Vielfältige Formen des Engagements: Motivation und Beteiligung werden individuell gefördert.

UDL ist kein Sonderprogramm, sondern ein Designprinzip für alle Schüler. Rappolt-Schlichtmann et al. (2012) betonen, dass UDL besonders für Kinder aus vulnerablen oder benachteiligten Gruppen die stärksten kognitiven Zuwächse zeigt — was bedeutet, dass Inklusion im UDL-Sinn nicht nur gerecht, sondern auch effektiv ist.

KI als Demokratisierung von Lernunterstützung

Generative KI-Systeme wie ChatGPT, adaptive Lernsysteme und Text-to-Speech-Technologien stellen eine qualitative Erweiterung des UDL-Werkzeugkastens dar. Sie können auf individualem Niveau personalisieren, was bisher nur durch intensive, teure Einzelbetreuung möglich war. Ronksley-Pavia et al. (2025) identifizieren in ihrem Scoping Review (Literaturzeitraum 2020–2024) folgende Hauptanwendungsfelder von GenAI für neurodivergente K-12-Lernende:

– Personalisierung von Lernwegen und -materialien

– Erstellung individualisierter Förderpläne (IEPs)

– Administrative Entlastung von Lehrkräften

– Emotionale Unterstützung und soziale Ängste reduzieren (weniger Beurteilungsangst im KI-Gespräch vs. Klassenzimmer)

Paglialunga und Melogno (2025) belegen in einer Metaanalyse von 11 experimentellen Studien mit 3.033 Teilnehmenden, dass jede einbezogene Studie positive Lernergebnisse für Schüler mit Lernschwächen durch KI-gestützte Bildungsinterventionen berichtete. Die effektivsten Formate waren adaptive Lernplattformen und gamifizierte KI-Tools.

Kernhypothese: Das Systemproblem als gemeinsame Wurzel

Kernhypothese

Wenn inklusiver Unterricht durch niedrigschwellige digitale Werkzeuge, strukturelle Barriere-Absenkung und gezielte Fortbildung praktisch umsetzbar gemacht wird, dann reduzieren sich gleichzeitig die psychische Belastung der Schüler und die emotionale Erschöpfung der Lehrkräfte — weil beide Phänomene dieselbe Ursache haben: ein System, das auf Anpassung besteht, statt Passung herzustellen.

Diese Kernhypothese postuliert, dass schulischer Stress bei Schülern und Lehrkräfteerschöpfung keine getrennten Probleme sind, die nacheinander gelöst werden müssen. Sie sind Ko-Symptome desselben Systemfehlers. Ein Unterrichtssystem, das von allen Beteiligten Anpassung an eine fixe Struktur verlangt, überfordert alle — besonders jene, deren neurobiologisches Profil nicht dem impliziten Standard entspricht.

Die Evidenz für diese Systemsicht ist substanziell: Muriira et al. (2025) zeigen in einer bibliometrischen Analyse, dass Barrieren in Klassenzimmern und Tools selten die Zugänglichkeitsbedürfnisse neurodivergenter Schüler berücksichtigen — und dass dies sowohl Lernleistung als auch Wohlbefinden beeinträchtigt. Die SMART Technologies-Forschung (2024) in 6 australischen Schulen bestätigte: Digitale Tools sind essenziell für inklusive Umgebungen, die Engagement, Repräsentation, Handlung und Ausdruck für alle Lernenden ermöglichen.

Vier Hypothesen

H1 — Verhalten als Symptom, nicht als Ursache

Hypothese 1

Herausforderndes Verhalten im Klassenzimmer ist zu einem erheblichen Teil Ausdruck struktureller Überforderung neurodivergenter Schüler, nicht individueller Disziplinlosigkeit. Wird die Passung zwischen Lernumgebung und Lernvoraussetzung verbessert, verringert sich das als störend wahrgenommene Verhalten messbar.

Diese Hypothese ist in der Verhaltensforschung gut fundiert. Barkley (1997) machte deutlich, dass Kinder mit ADHS keine Willensschwäche zeigen, sondern eine neurobiologisch bedingte Beeinträchtigung der Selbstregulation und Inhibitionskontrolle. Das scheinbar störende Verhalten — Impulsivität, motorische Unruhe, emotionale Ausbrüche — ist die sichtbare Spitze eines tieferliegenden Regulationsdefizits, das durch die Schulsituation aktiviert wird.

Lim et al. (2020) belegten in einer Einzelfallstudie mit drei Kindern mit ADHS (Alter 9–10), dass die Cog-Fun-Intervention nicht nur exekutive Funktionen verbesserte, sondern auch das selbstgesteuerte Lernen — und dass diese Verbesserungen in der Nachfolgephase anhielten. Der Schluss liegt nahe: Wenn Kinder Werkzeuge zur Selbstregulation erhalten, reguliert sich das Verhalten selbst. Externe Disziplinierung wird weniger notwendig.

Rolan et al. (2024) zeigten in einer naturalistischen Pilotstudie mit 35 Schülern der 2.–5. Klasse, dass in den Schulalltag eingebettete Trainings auf Basis von Goal Management Training positive Effekte auf Arbeitsgedächtnis, Inhibition und kognitive Flexibilität zeigten — bei Kindern mit bestehenden Beschwerden. Verhalten ist demnach nicht das Problem, das behoben werden muss. Es ist der Hinweis auf das tatsächliche Problem: fehlende Passung zwischen Lernumgebung und Lernerprofil.

Für KI-gestützte Werkzeuge gilt: Neurodivergente Schüler berichteten weniger Bewertungsangst und soziale Angst beim Interagieren mit KI als in Klassenzimmer-Situationen (El Naggar et al., 2024, zit. n. Ronksley-Pavia et al., 2025). Wird ein Teil der regulativen Last durch ein KI-Tool übernommen — Aufgabenstrukturierung, Zeitmanagement, schrittweise Prompts — sinkt die Aktivierung des Stress-Regulationssystems, und das Kind kann lernen.

H2 — Lehrkraftentlastung als Folge, nicht als Voraussetzung

Hypothese 2

Lehrkräfte sind nicht erschöpft, weil inklusive Beschulung zu aufwändig ist, sondern weil sie inklusiv unterrichten wollen, aber keine geeigneten Werkzeuge haben. Wird der Aufwand durch geeignete Tools strukturell gesenkt, steigt die Selbstwirksamkeit und sinkt die emotionale Erschöpfung.

Der Lehrkraftmangel und die hohen Burnout-Raten in inklusiven Schulen werden häufig als Argument gegen inklusive Bildung verwendet. H2 dreht dieses Argument um: Die Erschöpfung ist nicht die Folge von Inklusion, sondern die Folge von Inklusion ohne adäquate Werkzeuge und Strukturen.

Ronksley-Pavia et al. (2025) identifizieren als einen der wichtigsten Anwendungsbereiche von GenAI im Schulkontext: administrative Entlastung für Lehrkräfte. KI kann individualisierte Förderpläne, differenzierte Unterrichtsmaterialien und Feedback für einzelne Schüler generieren — Aufgaben, die Lehrkräfte heute manuell erledigen und die erheblich Zeit binden.

Ayuso-del Puerto et al. (2026) belegen, dass adaptive KI-Systeme die Unterrichtsvorbereitung und individuelle Differenzierung substanziell vereinfachen können. Die Konsequenz: Lehrkräfte können ihre Energie für das verwenden, was keine KI ersetzt — Beziehungsarbeit, pädagogisches Urteil, emotionale Präsenz. Selbstwirksamkeit steigt, wenn Menschen Wirkung erleben, und das ist in inklusiven Settings mit adäquaten Werkzeugen möglich.

Kritisch ist hier anzumerken: KI birgt auch das Risiko der Über-Automatisierung (Ronksley-Pavia et al., 2025). Lehrkräfte, die durch KI-generierte Förderpläne entlastet werden, dürfen nicht in eine passive Rolle gedrängt werden. Die Entlastung muss zu mehr menschlicher Investition in die pädagogische Beziehung führen — nicht zu deren Ersatz.

H3 — Inklusion wirkt für alle

Hypothese 3

Maßnahmen, die für neurodivergente Schüler die Teilhabe erhöhen, verbessern nachweislich auch das Lernen neurotypischer Kinder. Inklusion im Sinne von UDL ist kein Nullsummenspiel, sondern ein Gewinn für das Gesamtsystem.

Das UDL-Prinzip ist kein Sonderprogramm, sondern ein Universaldesign. Rose und Meyer (2002) entwickelten es in der Tradition des barrierefreien Bauens: Eine abgesenkte Bordsteinkante hilft Rollstuhlfahrenden — aber auch Eltern mit Kinderwagen, Lieferanten mit Rollkoffern, älteren Menschen. Analoges gilt für Lerndesign.

Rappolt-Schlichtmann et al. (2012) fanden in ihrer Forschungsübersicht, dass kognitive Zuwächse durch UDL-Interventionen bei Kindern aus vulnerablen oder benachteiligten Gruppen am größten waren — aber auch neurotypische Kinder profitierten. Jauhiainen (2024) zeigte in einer Klassenstudie mit 110 Schülern der Klassen 4–6, dass KI-gestützte Personalisierung von Lernmaterialien (via ChatGPT-3.5 und -4) Lernleistung und Motivation für alle Schüler verbesserte — nicht nur für Kinder mit besonderen Bedürfnissen.

Der Mechanismus ist intuitiv: Mehr Darstellungsformate, mehr Flexibilität in der Aufgabenerfüllung, mehr Scaffolding — das sind Qualitätsmerkmale guten Unterrichts generell. Die Anpassung für neurodivergente Schüler ist der Proxyindikator für Unterrichtsqualität insgesamt.

H4 — Potential statt Kompensation: Vom Überleben zum Entfalten

Hypothese 4

Wenn neurodivergente Schüler durch KI-gestützte Selbstregulationswerkzeuge die strukturellen Barrieren im Schulsystem überwinden, dann können sie ihr individuelles Potenzial entfalten — weil nicht mehr die gesamte kognitive und emotionale Energie für Kompensationsleistungen aufgewendet werden muss, sondern für Lernen, Entwicklung und Selbstwirksamkeitserfahrungen zur Verfügung steht.

H4 ergänzt die vorangehenden Hypothesen um eine entwicklungspsychologische Perspektive. H1–H3 beschreiben, was abnimmt (Verhaltensprobleme, Lehrkrafterschöpfung, Ungleichheit). H4 beschreibt, was entsteht: echte Lernentwicklung, Selbstwirksamkeit und Potenzialentfaltung.

Liao et al. (2025) belegen in ihrer systematischen Review (21 Studien, 2022–2025), dass generative KI-Tools bei neurodivergenten Studierenden zu verbesserten Ergebnissen in Schreibfluss, Zeitmanagement, Selbstwirksamkeit und Engagement führten. Entscheidend ist der Begriff der Selbstwirksamkeit: Er beschreibt nicht nur Leistung, sondern das Erleben, dass eigenes Handeln Wirkung hat — die Grundbedingung für Motivation und Bildungserfolg.

Ronksley-Pavia et al. (2025) heben hervor, dass KI das Potenzial hat, neurodivergente Schüler zu aktiven Mitgestaltern ihrer eigenen Lernbiografie zu machen — statt passive Empfänger eines Systems zu sein, das für andere gebaut wurde. Die Anpassung von Inhalten über text-lastige Formate hinaus fördert eine individuellere, interaktivere Lernreise.

Goegan et al. (2025) zeigen, dass frühzeitige Psychoedukation über das individuelle Lernprofil — kombiniert mit einer Begründung für Nachteilsausgleich — Schülern mit Lernschwächen hilft, eine positive Wahrnehmung ihrer eigenen Stärken zu entwickeln, Stigmatisierung zu reduzieren und Assistenztechnologien aktiv zu nutzen. Das ist H4 in der Praxis: Das Kind lernt nicht trotz seiner Neurodivergenz — es lernt mit ihr, durch Werkzeuge, die zu seinem Profil passen.

Kritische Würdigung und offene Fragen

Die vorliegende theoretische Argumentation ist in wesentlichen Teilen durch empirische Literatur gestützt. Dennoch sind kritische Einschränkungen ehrlich zu benennen:

Forschungslücken im KI-Bereich für K-12

Ronksley-Pavia et al. (2025) identifizieren explizit: In ihrer Scoping Review zu GenAI für neurodivergente Schulkinder konnten von 21 eingeschlossenen Quellen nur 9 Primärstudien mit Originaldaten identifiziert werden. Die empirische Basis für den Einsatz generativer KI in Schulen — insbesondere für Klasse 5–8 — ist damit noch schmal. Die Hypothesen dieses Artikels sind daher als evidenzgestützte theoretische Rahmung, nicht als abgesicherter Wirkungsnachweis zu verstehen.

Risiken durch KI-Überautomatisierung

Nicht jede KI-Unterstützung ist hilfreich. Evmenova et al. (2024, zit. n. Ronksley-Pavia et al., 2025) zeigten, dass ChatGPT bei der Aufsatzbewertung häufig übermäßiges Feedback produzierte, das neurodivergente Schüler überfordern kann — und dass die Differenzierung nach Klassenstufe oft fehlschlug. Zu viel Unterstützung kann Selbstwirksamkeit untergraben statt stärken.

Digitale Ungleichheit

Der Zugang zu KI-Tools ist ungleich verteilt — nach Schulform, sozioökonomischem Status und regionalem Kontext. Muriira et al. (2025) weisen ausdrücklich auf die Notwendigkeit hin, breiteren Zugang zu KI-Tools zu schaffen und Lehrkräfte gezielt zu schulen, um digitale Ungleichheiten nicht zu verstärken. Die digitalen Angebote müssen als niedrigschwelliges, zugängliches Instrument konzipiert sein, nicht als Premium-Angebot.

Menschliche Beziehung als nicht-automatisierbarer Kern

KI kann Selbstregulation unterstützen, Struktur bereitstellen und Inhalte personalisieren. Sie kann nicht: echte pädagogische Beziehung herstellen, emotionale Sicherheit geben oder ein Kind in seiner Würde erleben lassen. Deshalb ist der Einsatz von KI-Assistenzsystemen am wirksamsten als Kombination digitaler Werkzeuge mit strukturierter Lehrkraftfortbildung und bewusster Beziehungsgestaltung.

Praktische Implikationen

Aus dem theoretischen Rahmen und den vier Hypothesen ergeben sich folgende Designprinzipien:

1. Werkzeuge vor Willensappelle: Strukturelle Unterstützung (digitale Checklisten, KI-Prompts, Zeitassistenz) schafft Selbstregulation effektiver als Disziplinierungsversuche.

2. Niedrigschwelligkeit: Werkzeuge müssen in den bestehenden Schulalltag integrierbar sein — ohne Zusatzbelastung für Lehrkräfte.

3. Früh beginnen: Jauhiainen (2024) und Goegan et al. (2025) belegen, dass frühe Einführung (Klasse 4–6) die Grundlage für nachhaltige Selbstwirksamkeit legt.

4. Fortbildung ist Systemveränderung: Lehrkräfte brauchen nicht nur neue Tools, sondern ein verändertes Verständnis von Verhalten als Systemsignal.

5. Co-Design mit Schüler:innen: Kalantari et al. (2025) zeigen: Assistenztechnologien sind wirksamer, wenn neurodivergente Nutzer:innen am Design beteiligt sind.

Fazit

Das Schulsystem kann Neurodiversität als Problem behandeln, das Individuen haben — oder als Hinweis auf ein systemisches Designproblem. Die zweite Lesart ist empirisch begründeter, menschlicher und letztlich effizienter: Sie öffnet Wege zur gleichzeitigen Entlastung von Schülern und Lehrkräften.

KI-gestützte Selbstregulationswerkzeuge sind dabei kein Allheilmittel. Sie sind Bausteine in einem größeren Design: eines Schulsystems, das Passung herstellt statt Anpassung zu fordern. Das Die DiklusionsGestalter verkörpern diese Haltung — und die vorliegenden Hypothesen H1 bis H4 liefern dafür eine empirisch fundierte, theoretisch konsistente Grundlage.

Wenn Kinder aufhören müssen, Energie für das Überleben im System aufzuwenden, bleibt Energie fürs Lernen. Das ist keine pädagogische Romantik — das ist Neurobiologie.

Literaturverzeichnis

Barkley, R. A. (1997). Behavioral inhibition, sustained attention, and executive functions: Constructing a unifying theory of ADHD. Psychological Bulletin, 121(1), 65–94. https://doi.org/10.1037/0033-2909.121.1.65

Barkley, R. A. (2012). Executive functions: What they are, how they work, and why they evolved. Guilford Press. https://www.guilford.com/books/Executive-Functions/Russell-Barkley/9781462505357

Goegan, L. D., Le, L., Riou, B. P., et al. (2025). Barriers and facilitators of assistive technology use among adolescent students with learning disabilities: A mixed methods comparison. Research in Developmental Disabilities.https://www.researchgate.net/publication/394531894_Barriers_and_facilitators_of_assistive_technology_use_among_adolescent_students_with_learning_disabilities_A_mixed_methods_comparison_of_daily_and_less_frequent_users

Jauhiainen, J. S. (2024). Generative AI and education: Dynamic personalization of pupils' school learning material with ChatGPT. Frontiers in Education, 9. https://doi.org/10.3389/feduc.2024.1288723

Kalantari, N., Bagale, A., & Motti, V. G. (2025). Designing assistive technologies for and with neurodivergent users: Considerations from research practice. Interacting with Computers. https://doi.org/10.1093/iwc/iwaf037

Liao, X., et al. (2025). The potential of generative AI in supporting neurodiversity in higher education: A systematic review. Proceedings of the Association for Information Science and Technology. https://doi.org/10.1002/pra2.1331

Lim, S. M., et al. (2020). Effects of a cognitive-functional intervention method on improving executive function and self-directed learning in school-aged children with ADHD. International Journal of Environmental Research and Public Health, 17(14), 5146. https://doi.org/10.3390/ijerph17145146

Mura, A., et al. (2025). Effects of a school-based intervention on executive functions and theory of mind in children with specific learning disorders. Brain Sciences, 16(1), 42. https://doi.org/10.3390/brainsci16010042

Muriira, G., et al. (2025). Technology-enhanced education for neurodiverse learners. EDUPIJ. https://eric.ed.gov/?id=EJ1485153

Paglialunga, A., & Melogno, S. (2025). The effectiveness of artificial intelligence-based interventions for students with learning disabilities: A systematic review. Brain Sciences, 15(8), 806. https://doi.org/10.3390/brainsci15080806

Rappolt-Schlichtmann, G., Daley, S. G., & Rose, L. T. (Hrsg.) (2012). A research reader in universal design for learning. Harvard Education Press. https://hep.gse.harvard.edu/9781612505015

Rolan, E., et al. (2024). A naturalistic intervention to promote executive functions in primary school children: A pilot study. Frontiers in Psychology. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10813490/

Ronksley-Pavia, M., Nguyen, L., Wheeley, E., Rose, J., Neumann, M. M., Bigum, C., & Neumann, D. L. (2025). A scoping literature review of generative artificial intelligence for supporting https://www.sciencedirect.com/science/article/pii/S2666920X25000773?via%3Dihub

Tsermentseli, S., Pavlidou, A., & Kouklari, E.-C. (2025). Effects of a school-based intervention on executive functions and theory of mind in children with specific learning disorders. Brain Sciences, 16(1), 42. https://doi.org/10.3390/brainsci16010042