Unter welchen Bedingungen ermöglichen GenAI Systeme neurodivergenten Personen, ihre Selbstwirksamkeit zu erhöhen – und wo reproduzieren sie neuronormative Barrieren, die Aversion erzeugen?

1. Theoretischer Rahmen

1.1 Selbstwirksamkeit und erfahrungsbasierte Kontrolle

Bandura definiert Selbstwirksamkeit als Überzeugung von der eigenen Fähigkeit, Handlungen zu organisieren und auszuführen, die erforderlich sind, um bestimmte Ziele zu erreichen. Zentrale Quelle solcher Überzeugungen sind „enaktive Meisterschaftserfahrungen“, also wiederholte selbst erlebte Erfolge im Umgang mit Aufgaben und Werkzeugen. Übertragen auf GenAI bedeutet dies: Jede erfolgreiche Nutzung – etwa beim Strukturieren eines Textes oder Planen eines Tages – kann tool‑spezifische Selbstwirksamkeit aufbauen, während Fehlfunktionen und unvorhersehbares Verhalten diese unterminieren.

1.2 Algorithmische Aversion versus Kosten‑Nutzen‑Abwägung

Dietvorst et al. (2015) zeigten, dass Menschen Algorithmen meiden, sobald sie deren Fehler beobachten, selbst wenn diese insgesamt genauer sind als menschliche Urteile. Neuere Studien finden jedoch wenig Evidenz für eine stabile, generelle „Algorithmic Aversion“ und betonen stattdessen die Rolle wahrgenommener Benefits (z. B. Genauigkeit, Effizienz) und Kontrolle (Agency) für die Akzeptanz automatisierter Entscheidungen. Nutzer akzeptieren algorithmische Systeme eher, wenn diese hohe Nutzenversprechen einlösen und sie Einfluss auf deren Einsatz behalten.

1.3 Neurodivergenz, GenAI und Heterogenität der Einstellungen

Neurodivergente Personen sind keine homogene Gruppe; sie unterscheiden sich hinsichtlich kognitiver Profile, sensorischer Sensitivität, Komorbiditäten und früherer Technologieerfahrungen. Eine große deutschsprachige Online‑Studie zeigt, dass diagnostizierte autistische Personen tendenziell positivere Einstellungen zu KI berichten als nicht‑autistische Teilnehmende, während selbstidentifizierte Autisten ohne Diagnose eher negativ eingestellt sind. Starke soziale Schwierigkeiten und sensorische Sensitivität sagen unabhängig vom Diagnose‑Status negativere KI‑Einstellungen vorher. Parallel dazu deuten Reviews zu KI‑gestützter Diagnostik und Intervention bei ADHS und auditiven Verarbeitungsstörungen auf ein erhebliches Potenzial für personalisierte Unterstützung, betonen aber auch die Notwendigkeit von Transparenz und Vertrauenswürdigkeit.

Diese Befunde legen nahe, dass GenAI‑Systeme unter bestimmten Bedingungen als Ressource erlebt werden, um Kontrolle über Lernen, Arbeiten und Alltag zurückzugewinnen, unter anderen Bedingungen aber als bedrohliche, neuronormative Instanzen, die Aversion auslösen.

2. Bedingungen, unter denen GenAI Selbstwirksamkeit neurodivergenter Personen erhöht

2.1 Hoher subjektiver Nutzen und Entlastung exekutiver Funktionen

Mehrere Quellen deuten darauf hin, dass neurodivergente Nutzer GenAI vor allem dann integrieren, wenn sie einen konkreten, erfahrbaren Nutzen wahrnehmen – insbesondere in Bereichen, in denen exekutive Funktionen oder Informationsverarbeitung herausgefordert sind.

Berichte aus ADHS‑Selbsthilfe‑Kontexten beschreiben, wie KI‑Werkzeuge helfen, überwältigende Aufgaben zu zerlegen, Termine zu organisieren, Prioritäten zu setzen und längere Texte zu strukturieren. Diese Tools reduzieren kognitive Last und ermöglichen es, Aufmerksamkeit und Energie auf inhaltlich bedeutsame Aspekte zu richten. Eine große Umfrage von EY unter 300 behinderten und neurodivergenten Beschäftigten zeigte, dass 88 % mit GenAI‑Assistenz (Microsoft Copilot) ihre Produktivität als erhöht wahrnahmen und 76 % angaben, sich beruflich gestärkt zu fühlen. 91 % sahen Copilot explizit als wertvolle Assistive Technologie, 85 % als Beitrag zu einem inklusiveren Arbeitsplatz. Diese Muster sind konsistent mit Banduras These, dass erfolgreich bewältigte Handlungsanforderungen Selbstwirksamkeit stärken.

Im Hochschulkontext berichten neurodivergente Studierende, dass sie GenAI nutzen, um komplexe Inhalte zu verstehen, Schreibaufgaben zu strukturieren, Ideen zu generieren und Code zu debuggen. In einer qualitativen Studie mit 19 neurodivergenten Studierenden beschreiben Jamshed et al. (2025) GenAI als Möglichkeit, „Zeit und Energie zurückzugewinnen“, etwa durch Unterstützung bei Brainstorming und Überarbeitung von Texten. Eine Umfrage an einer großen britischen Universität mit behinderten und neurodivergenten Studierenden identifiziert GenAI‑Chatbots als potenziell hilfreiche personalisierte Unterstützung, betont aber zugleich Sorgen bezüglich Zuverlässigkeit und Bedarf an menschlicher Begleitung.

Zwischenfazit: Dort, wo GenAI spürbar Barrieren reduziert – etwa Planungsaufwand, Schreibblockaden oder Informationsüberforderung –, entsteht ein Nährboden für erfahrungsbasierte Selbstwirksamkeit.

2.2 Kontrollierbarkeit und Anpassbarkeit der Systeme

Forschung zu algorithmischer Aversion zeigt konsistent, dass Akzeptanz algorithmischer Entscheidungen weniger vom „Agenten“ (Mensch vs. Maschine) als von Kontrolle und Nutzen abhängt. Studien, in denen Nutzer:innen Algorithmen leicht anpassen oder deren Empfehlungen übersteuern können, finden deutlich geringere Aversion.

Neurodivergente Nutzer:innen greifen dieses Bedürfnis nach Agency auf. Carik et al. (2025) analysierten Diskussionen in 61 neurodivergenten Online‑Communities (u. a. Autismus, ADHS, Dyslexie) zu LLM‑Nutzung. Viele nutzen LLMs als „kognitiven Peer“ für Planung, Erklärungen und Social Scripting, entwickeln aber gleichzeitig community‑getriebene Workarounds und Prompting‑Strategien, um die Interaktion an ihre Bedürfnisse anzupassen. GenAI wird dort akzeptiert, wo Nutzer:innen erleben, dass sie den Rahmen der Nutzung bestimmen – etwa indem sie GenAI bewusst auf enge Aufgaben (Korrekturlesen, Ideenliste) begrenzen oder Ausgaben kritisch nachrecherchieren.

Auch partizipative Designansätze – etwa Experimente von Ronksley‑Pavia et al. (2025), in denen zweimal‑ausgezeichnete neurodivergente Forscher gemeinsam mit LLMs personalisierte Lernprofile und Unterrichtsszenarien entwickeln – stärken Selbstwirksamkeit, indem sie neurodivergente Expertise explizit zur Gestaltung von GenAI‑gestützter Pädagogik nutzen.

2.3 Vorhersagbarkeit, Struktur und sensorische Entlastung

Assistive‑Technology‑Literatur zu Autismus betont, dass viele autistische Kinder und Jugendliche Technologien aufgrund ihrer Vorhersagbarkeit und reduzierten sozialen Anforderungen bevorzugen. KI‑gestützte Roboter, Apps und adaptives Lernmaterial können Kommunikation und soziale Interaktion strukturierter und kontrollierbarer machen, was in Studien häufig mit erhöhter Beteiligung und Lernzuwächsen einhergeht.

Für Personen mit auditiver Verarbeitungsstörung (APD) zeigen Scoping‑Reviews, dass Remote‑Mikrofon‑Systeme und andere Hörassistenz‑Technologien das Sprachverstehen im Lärm verbessern, Aufmerksamkeitsressourcen schonen und so Lern‑ und Alltagssituationen erleichtern. Ähnliche Potenziale bestehen für GenAI‑basierte Transkriptions‑ und Zusammenfassungstools, die auditive Last reduzieren und Informationen in lesbarer, kontrollierbarer Form bereitstellen.

Solche strukturierenden und sensorisch entlastenden Eigenschaften von GenAI können Selbstwirksamkeit steigern, weil sie den Zugang zu Inhalten und sozialen Situationen weniger von überfordernden Sinnesreizen und impliziten sozialen Codes abhängig machen.

2.4 Inklusive Co‑Design‑Prozesse und neurodiversitätssensible Inhalte

Schließlich erhöht sich die Chance auf selbstwirksamkeitserhöhende GenAI‑Nutzung, wenn neurodivergente Personen nicht nur als Zielgruppe, sondern als Co‑Designer:innen auftreten. Ronksley‑Pavia et al. (2025) zeigen, dass Experimente mit LLMs zur Entwicklung synthetischer Lernenden‑Profile und Unterrichtsszenarien, die von neurodivergenten Forschenden angeleitet werden, dazu beitragen können, hochgradig individualisierte, stärkenorientierte Lernpfade für „twice‑exceptional“ Schüler zu entwerfen. In einer Scoping‑Review zu GenAI in Schulen kommen die Autoren zum Schluss, dass zwar viele Anwendungsideen existieren, aber robuste empirische Evidenz und detaillierte Beschreibungen inklusiver Gestaltungsansätze noch weitgehend fehlen.

Partizipative Prozesse können sicherstellen, dass GenAI‑Systeme nicht implizit neuronormative Annahmen über „gute Lernende“ oder „produktive Mitarbeitende“ reproduzieren, sondern vielfältige kognitive Stile und zeitliche Rhythmen („crip time“) als legitim anerkennen.

3. Wo GenAI neuronormative Barrieren reproduziert und Aversion erzeugen kann

3.1 Verstärkung neuronormativer Produktivitätsnormen

Ein zentrales Risiko besteht darin, dass GenAI‑Systeme implizit neuronormative Vorstellungen von Produktivität verstärken – etwa permanente Erreichbarkeit, hohe Geschwindigkeit und fehlerfreie, „glatte“ Textproduktion. Jamshed et al. (2025) zeigen, dass neurodivergente Studierende GenAI zwar als entlastend erleben, gleichzeitig aber berichten, dass Tools Erwartungen an Output‑Menge und -Tempo anheben und so Stress und Überforderung verstärken können. Die Autoren argumentieren mit dem Konzept „crip time“, das flexible, nicht‑lineare Zeitlichkeit neurodivergenter Personen betont, und kritisieren, dass viele GenAI‑Tools diese Realität nicht abbilden.

In solchen Konstellationen kann GenAI das Gefühl verstärken, „nie genug zu leisten“, und so Selbstwirksamkeit untergraben, obwohl die Werkzeuge formal „helfen“. Aversion richtet sich dann weniger gegen den Algorithmus selbst als gegen das von ihm verkörperte Leistungsregime.

3.2 Stigmatisierung, Misstrauen und Angst vor Sanktionen

Neurodivergente Studierende berichten zudem Sorge, dass der Einsatz von GenAI existierende Stigmata – etwa Vorwürfe des „Cheatings“ oder Zweifel an eigener Kompetenz – verstärken könnte. Eine qualitative Studie zu neurodiversen Graduierten in MINT‑Fächern zeigt, dass ChatGPT zwar Schreibblockaden lösen kann, viele Teilnehmende aber fürchten, im Kontext ohnehin bestehender Leistungs‑ und Anpassungsanforderungen zusätzlich unter Generalverdacht zu geraten. Ähnliche Befunde findet eine scoping review zu GenAI im Schulkontext, in der u. a. auf Angst vor Fehlbewertung und Missbrauch hingewiesen wird.

Solche institutionellen und sozialen Risiken können zu pragmatischer Distanz oder offener Aversion gegenüber GenAI führen, selbst wenn die Tools funktional als hilfreich erlebt werden. Hier wirkt nicht primär algorithmische Fehlleistung, sondern der soziale Kontext als Barrieremechanismus.

3.3 Sensorische und kognitive Überlastung, Intransparenz

Mehrere Übersichtsarbeiten zu KI im Kontext von Autismus und ADHS betonen, dass die „Black‑Box‑Natur“ komplexer Modelle Vertrauen und Akzeptanz einschränkt. Papadopoulos (2024) argumentiert, dass LLM‑Ausgaben oft lang, redundant und inhaltlich ambivalent sind und damit autistische und andere neurodivergente Nutzer:innen kognitiv und sensorisch überfordern können. In einer Studie zu KI‑gestützter ADHD‑Therapie wird hervorgehoben, dass erklärbare KI (XAI) entscheidend ist, um Vertrauen bei Fachkräften und Betroffenen aufzubauen.

Für Personen mit erhöhter sensorischer Sensitivität oder begrenzten exekutiven Ressourcen kann die Interaktion mit intransparenten, textlastigen GenAI‑Systemen daher Belastung und Unsicherheit erhöhen, statt sie zu mindern. Dies kann sich in Ablehnung äußern, die phänomenologisch an algorithmische Aversion erinnert, aber stark in sensorischer und kognitiver Überforderung verwurzelt ist.

3.4 Fehlende Passung zu Identität und neurodiversen Narrativen

Papadopoulos (2024) zeigt in einer Analyse von LLM‑Antworten zu Autismus, dass viele Modelle stark am medizinischen Defizitmodell orientiert sind und neurodiversitätsbasierte Perspektiven marginalisieren. Dies kann bei autistischen und allgemein neurodivergenten Nutzern das Gefühl verstärken, dass ihre Identität pathologisiert und missverstanden wird. In der Studie von Hechler et al. zeigen stärkere soziale Schwierigkeiten und sensorische Sensitivität eine Beziehung zu negativeren KI‑Einstellungen – möglicherweise, weil solche Nutzer häufiger Erfahrungen machen, in denen KI ihre Lebensrealität verzerrt oder abwertet.

Wo GenAI also neuronormative Narrative reproduziert – etwa indem es „normale“ Kommunikationsweisen idealisiert und Abweichungen als Defizit framet – sind Ablehnung und Aversion möglicherweise Ausdruck eines gesunden Widerstands gegenüber epistemischer Gewalt, nicht bloß „Irrationalität“ gegenüber Technologie.

4. Synthese und Implikationen

Insgesamt sprechen die vorliegenden Befunde dafür, dass sich algorithmische Aversion und erfahrungsbasierte Selbstwirksamkeit bei neurodivergenten Personen nicht als Gegensätze verstehen lassen, sondern als Resultat situierter Kosten‑Nutzen‑ und Kontrollabwägungen, die in spezifischen Lebensrealitäten verankert sind. Unter Bedingungen, in denen GenAI

• konkreten, im Alltag spürbaren Nutzen bietet (z. B. Strukturierung, Entlastung exekutiver Funktionen, sensorische Reduktion),

• Kontrolle und Anpassbarkeit gewährleistet (z. B. Editierbarkeit von Ausgaben, begrenzte Einsatzdomänen, partizipative Gestaltung),

• vorhersagbar und strukturiert arbeitet und sensorische/kognitive Überlastung vermeidet,

• neurodiverse Identitätsnarrative respektiert und Menschen im Sinne des Prinzips „nothing about us without us“ einbezieht,

entsteht ein Kontext, in dem neurodivergente Nutzer GenAI als Ressource zur Erweiterung eigener Handlungsmöglichkeiten erleben. Wiederholte positive Erfahrungen in solchen Kontexten sind geeignet, Selbstwirksamkeitsüberzeugungen nachhaltig zu stärken.

Demgegenüber reproduzieren GenAI‑Systeme neuronormative Barrieren und erzeugen Aversion, wenn sie

• normative Vorstellungen von ständigem Mehr, Schneller und Glatter verstärken,

• in institutionelle Kontexte eingebettet sind, die Stigma, Misstrauen und Sanktionsängste verstärken,

• kognitiv und sensorisch überlasten und intransparent bleiben,

• defizitorientierte, medizinische Modelle von Neurodivergenz fortschreiben und damit Identität und Erfahrung delegitimieren.

Für Forschung und Praxis bedeutet dies, dass GenAI‑Systeme nicht nur technischer, sondern vor allem soziotechnischer Gestaltung bedürfen. Zukünftige Arbeiten sollten experimentell prüfen, wie Variation in Kontrollgrad, Output‑Format, Erklärbarkeitsgrad und zeitlicher Taktung („crip time“) Selbstwirksamkeit und Aversion bei unterschiedlichen neurodivergenten Profilen beeinflusst. Partizipative Entwicklungsprozesse mit neurodivergenten Co‑Designern sind dabei zentral, um neuronormative blinde Flecken frühzeitig sichtbar zu machen.

Literaturverzeichnis

Bandura, A. (1997). Self-efficacy: The exercise of control. W. H. Freeman. https://psycnet.apa.org/record/1997-08589-000

Bigras, J., Lagacé, J., El Mawazini, A., & Lessard-Dostie, H. (2024). Interventions for school-aged children with auditory processing disorder: A scoping review. Healthcare, 12(12), 1161. https://doi.org/10.3390/healthcare12121161

Carik, B., Ping, K., Ding, X., & Rho, E. H. (2024). Exploring large language models through a neurodivergent lens: Use, challenges, community-driven workarounds, and concerns. https://arxiv.org/pdf/2410.06336

CHADD. (2024). Harnessing artificial intelligence to live better with ADHD. Attention Magazine. Retrieved from https://chadd.org/attention-article/harnessing-artificial-intelligence-to-live-better-with-adhd/

Dietvorst, B. J., Simmons, J. P., & Massey, C. (2014). Algorithm aversion: People erroneously avoid algorithms after seeing them err. https://marketing.wharton.upenn.edu/wp-content/uploads/2016/10/Dietvorst-Simmons-Massey-2014.pdf

He, Y., Chen, E., & Fletcher, R. (2025). Exploring generative AI in learning: Neurodivergent and disabled students’ voices in higher education. In A. I. Cristea et al. (Eds.), Artificial intelligence in education (Lecture Notes in Computer Science, Vol. 15881, pp. 478–485). Springer. https://doi.org/10.1007/978-3-031-98462-4_60

Hechler, F. C., Tuomainen, O., & Caruana, N. (2025). Autistic traits, gender and age interact to influence attitudes towards artificial intelligence [Manuscript]. SSRN. https://doi.org/10.2139/ssrn.5375902

Jamshed, H., Naseem, M., Potluri, V., & Brewer, R. N. (2025). Rethinking productivity with GenAI: A neurodivergent students’ perspective. https://dl.acm.org/doi/10.1145/3663547.3746329.

Papadopoulos, C. (2024). Large language models for autistic and neurodivergent individuals: Concerns, benefits and the path forward. Advances in Autism. Advance online publication. https://doi.org/10.1177/27546330241301938

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 neurodivergent school students. Computers and Education: Artificial Intelligence, 9, 100437. https://doi.org/10.1016/j.caeai.2025.100437

Ronksley-Pavia, M., Ronksley-Pavia, S., & Bigum, C. (2025). Experimenting with generative AI to create personalized learning experiences for twice-exceptional and multi-exceptional neurodivergent students. Gifted Child Quarterly. Advance online publication. https://doi.org/10.1177/1932202X251346349

Schaap, G., Bosse, T., & Hendriks Vettehen, P. (2023). The ABC of algorithmic aversion: Not agent, but benefits and control determine the acceptance of automated decision-making. AI & Society, 39, 1947–1960. https://doi.org/10.1007/s00146-023-01649-6

Schaap, G., Bosse, T., & Hendriks Vettehen, P. (2025). Beyond algorithm aversion: How users trade off decisional agency and optimal outcomes when choosing between algorithms and human decision-makers. Cyberpsychology: Journal of Psychosocial Research on Cyberspace. Advance online publication. Retrieved from https://cyberpsychology.eu/article/view/38282

Schepman, A., & Rodway, P. (2020). Initial validation of the General Attitudes towards Artificial Intelligence Scale (GAAIS). Computers in Human Behavior, 108, 106313. https://www.sciencedirect.com/science/article/pii/S2451958820300142

UNLEASH / EY. (2024). 85% of neurodivergent employees think generative AI creates a more inclusive workplace. UNLEASH. https://www.unleash.ai/diversity-equity-inclusion/ey-85-of-neurodivergent-employees-think-generative-ai-creates-a-more-inclusive-workplace/