Kurz gesagt

Die erste Anforderungsanalyse von IncluLearn.AI beginnt nicht mit einer Funktionsliste, sondern mit beobachtbaren Arbeitsabläufen: Wie werden Schulbücher, Prüfungen, Grafiken und andere Materialien heute aufbereitet? Wo entstehen Zeitaufwand, Doppelarbeit und besondere Qualitätsrisiken?

Aus öffentlichen Quellen lassen sich bereits konkrete Hinweise ableiten. Diese Hinweise sind für uns jedoch Ausgangspunkt für Hypothesen, nicht der Ersatz für Interviews, Nutzertests und fachliche Validierung.

Was die öffentliche Recherche bereits zeigt

Mehrere Einrichtungen beschreiben einen hohen manuellen und fachlichen Aufwand. Das Landesmedienzentrum Baden-Württemberg nennt für den Textservice je nach Fach und Material 20 Minuten bis zu einer Stunde pro Schulbuchseite. Das Medienzentrum Friedberg nennt vier bis acht Wochen Vorlauf und beschreibt zusätzliche Engpässe in der Prüfungsphase. Mediablis empfiehlt für zentral gestellte Prüfungen eine Anmeldung mindestens drei Monate vor dem ersten Prüfungstermin.

Diese Zahlen sind keine allgemeingültigen Produktivitätswerte für alle Einrichtungen. Sie zeigen aber, dass Aufbereitung nicht auf OCR oder einen einzelnen Export reduziert werden kann.

Von Beobachtungen zu Bedarfshypothesen

Die Recherche wurde deshalb in eine nachvollziehbare Kette überführt:

Quelle/Evidenz → Zielgruppe → Bedarf → Use Case → Anforderung → Akzeptanzkriterium → Implementierung → Evaluation

Aktuell sind zwölf Bedarfshypothesen dokumentiert. Sie reichen von semantischer Dokumentvorbereitung und MINT-Diagrammverständnis über Expert Review, Multiformat-Ausgabe und Wiederverwendung bis zu Prüfungsworkflows, Provenienz und individuellen Ausgabeprofilen.

Entscheidend ist der Status: Diese Bedarfe sind noch nicht durch eigene Interviews validiert. Eine plausible Ableitung aus öffentlich dokumentierten Prozessen ist noch keine bestätigte Nutzeranforderung.

Wie die Validierung geplant ist

Für Gespräche mit Medienzentren wurde ein Interviewleitfaden vorbereitet, der zunächst offen nach realen Abläufen fragt: Welche Materialien kommen an? Wo entstehen Medienbrüche? Welche Schritte sind besonders aufwendig? Wie wird Qualität geprüft? Welche Fehler wären in MINT und Prüfungen besonders problematisch?

Erst danach sollen konkrete IncluLearn.AI-Ideen wie semantische Voranalyse, Diagramm-Interpreter, Expert Review oder Auflagenvergleich bewertet werden. Dadurch soll vermieden werden, Gesprächspartnern unsere eigene Lösungsidee als vermeintlichen Bedarf vorzulegen.

Zusätzlich werden Anforderungen mit späteren Akzeptanzkriterien, Implementierung und Evaluation verknüpft. Frühe formative Tests mit blinden und sehbehinderten Lernenden sollen konkrete Barrieren und Präferenzen sichtbar machen, ohne daraus vorschnell Aussagen über die gesamte Zielgruppe abzuleiten.

Warum das für Beirat und Praxispartner wichtig ist

Gerade bei der Anforderungsanalyse ist Widerspruch wertvoll. Wenn eine öffentlich abgeleitete Hypothese in der Praxis nicht trägt, ist das kein Scheitern der Analyse, sondern ein wichtiges Ergebnis.

Für Medienzentren und weitere Partner bedeutet das: Wir möchten nicht nur fragen, ob eine vorgeschlagene Funktion „interessant“ klingt. Entscheidend ist, ob sie in reale Arbeitsabläufe passt, relevante Zeit oder Qualitätsrisiken adressiert und an der richtigen Stelle menschliche Fachentscheidung erhält.

Nächster Schritt

Die öffentliche Recherche wird deshalb in drei vertiefenden Beiträgen aufbereitet: beobachtete Engpässe, die zwölf daraus abgeleiteten Bedarfshypothesen und die erste Priorisierung möglicher IncluLearn.AI-Dienste. Diese drei Ebenen – Befund, Bedarfshypothese und Lösungshypothese – sollen auch künftig sichtbar getrennt bleiben.