Ausgangspunkt: gemeinsame Lehrveranstaltungen statt separater Sonderwege

Die Arbeit entstand aus einer konkreten Herausforderung an der THM: In Veranstaltungen zu Programmierung, Software Engineering und Technischer Informatik werden visuelle Artefakte wie UML-Klassendiagramme, elektronische Schaltungen und Karnaugh-Veitch-Diagramme selbstverständlich eingesetzt.

Mit blinden Studierenden wurde sichtbar, dass nicht nur der Zugang zum fertigen Diagramm problematisch ist. Auch Erstellen, Ändern und gemeinsames Diskutieren müssen ohne rein visuelle Werkzeuge möglich sein.

Die 2025 auf der SMART ACCESSIBILITY veröffentlichte Arbeit untersucht deshalb textbasierte Repräsentationen für mehrere typische Artefaktklassen.

UML: Struktur textuell modellieren und visuell rendern

Bei UML-Klassendiagrammen ist die räumliche Zeichnung nur eine Darstellung eines strukturierten Modells.

Werkzeuge wie PlantUML erlauben, Klassen, Attribute, Methoden und Beziehungen in einer textuellen Sprache zu formulieren. Aus demselben Text kann anschließend wieder ein visuelles Diagramm erzeugt werden.

Für inklusive Zusammenarbeit ist das besonders interessant: Blinde und sehende Studierende können am selben fachlichen Modell arbeiten, auch wenn sie unterschiedliche Darstellungen davon verwenden.

Elektronische Schaltungen: Netlists als fachliche Repräsentation

Bei Schaltungen beschreiben Netlists Bauteile und ihre elektrischen Verbindungen textuell. Damit wird ein Teil der fachlichen Struktur unabhängig von der gezeichneten Position im Schaltplan zugänglich.

Die Publikation zeigt, dass vereinfachte textuelle Repräsentationen in der Lehre eine Alternative oder Ergänzung zum rein grafischen Schaltplan sein können.

Für IncluLearn.AI folgt daraus eine wichtige Forschungsfrage: Ein Modell müsste aus einem visuellen Schaltplan nicht nur Bauteile erkennen, sondern die korrekten elektrischen Beziehungen rekonstruieren.

KV-Diagramme und digitale Logik

Auch KV-Diagramme und Logikschaltungen enthalten Struktur, die in geeigneten textuellen oder tabellarischen Formen ausdrückbar ist.

Solche Repräsentationen können den Fokus von visueller Anordnung auf die fachlich relevante Boolesche Struktur verschieben. Gleichzeitig bleibt zu prüfen, welche räumlichen Informationen für Verständnis und Aufgabenbearbeitung zusätzlich benötigt werden.

Warum das für Semantic first wichtig ist

Die Beispiele zeigen ein Grundprinzip, das heute im Zentrum von IncluLearn.AI steht:

Eine zugängliche Repräsentation muss nicht bloß eine Beschreibung des Bildes sein. Sie kann eine alternative Darstellung desselben fachlichen Modells sein.

Das ist ein stärkerer Anspruch. Er verlangt, dass Entitäten, Relationen, Werte und Regeln korrekt erfasst werden.

Grenzen textbasierter Ansätze

Textuelle Modellierung löst nicht jedes Accessibility-Problem.

Für freie Grafiken, räumliche Modelle oder quantitative Verläufe können taktile, haptische oder auditive Darstellungen besser geeignet sein. Außerdem müssen textuelle Fachsprachen selbst verständlich, lernbar und mit Assistenztechnologien gut nutzbar sein.

Die Vorarbeit liefert deshalb kein Argument für „alles als Text“, sondern für mehrere äquivalente Darstellungen auf Basis derselben fachlichen Struktur.