Kurz gesagt
Bei MINT-Lehrmaterialien ist die entscheidende Frage selten nur: „Was ist auf dem Bild zu sehen?“ Häufig muss beantwortet werden: Welche Objekte gibt es, wie hängen sie zusammen, welche Werte und Einheiten sind relevant, welche Struktur trägt die fachliche Aussage und wie lässt sich diese Struktur in einer für die Lernaufgabe geeigneten Form zugänglich machen?
Genau deshalb reicht ein einzelner kurzer Alt-Text für viele technische Artefakte nicht aus.
Technische Diagramme sind strukturierte Fachmodelle
Ein UML-Klassendiagramm besteht nicht nur aus Rechtecken und Linien, sondern aus Klassen, Attributen, Methoden und typisierten Beziehungen. Ein Schaltplan beschreibt Bauteile, Knoten und elektrische Verbindungen. Ein KV-Diagramm kodiert Boolesche Struktur in einer räumlichen Anordnung.
Unsere 2025 veröffentlichte Arbeit zu technischen Informatik-Artefakten zeigt deshalb textbasierte Repräsentationen wie PlantUML, Netlists und strukturierte Markdown-Formen als Alternativen, die fachliche Beziehungen explizit machen und auch gemeinsame Bearbeitung ermöglichen können.
Die wichtige Idee ist dabei nicht „alles in Text verwandeln“, sondern fachliche Struktur so repräsentieren, dass sie nicht ausschließlich visuell verfügbar ist.
Unterschiedliche Aufgaben brauchen unterschiedliche Repräsentationen
Die 2026 erschienene Pattern Collection bündelt fünf wiederkehrende Lösungsrichtungen für barrierefreie MINT-Lehre:
- transformierbare text-first Kerninhalte,
- textuell modellierte Diagramme,
- taktile und haptische Workflows,
- Sonifikation quantitativer Daten,
- Human-in-the-loop-Erklärungen.
Diese Muster widersprechen sich nicht. Sie adressieren unterschiedliche Arten von Information.
Ein zeitlicher Verlauf kann sich beispielsweise gut sonifizieren lassen. Ein räumliches Modell kann taktil sinnvoller sein. Ein UML-Modell kann in einer textuellen DSL besonders präzise zugänglich werden. Eine komplexe Darstellung kann zusätzlich eine sprachliche Orientierung benötigen.
Mathematik zeigt, warum Struktur entscheidend ist
Auch mathematische Inhalte sind mehr als die optische Folge von Symbolen. MathML dient dazu, mathematische Notation strukturiert zu kodieren. Der 2026 neu gestartete W3C Math Working Group Charter nennt Accessibility ausdrücklich als Ziel und sieht unter anderem Arbeit an Accessibility-Annotationen sowie Open-Source-Beispielcode für MathML-to-speech und MathML-to-braille vor.
Für IncluLearn.AI müssen deshalb zwei Aufgaben getrennt betrachtet werden:
- mathematische Inhalte korrekt erkennen und rekonstruieren,
- diese Struktur für Screenreader, Braille und andere Zugänge sinnvoll nutzbar machen.
Von der Ersatzbeschreibung zur gemeinsamen semantischen Grundlage
Der langfristig interessantere Ansatz ist nicht, für jede Zielmodalität unabhängig eine neue Beschreibung zu generieren.
Stattdessen soll IncluLearn.AI prüfen, ob sich ein Artefakt zunächst in eine geprüfte semantische Zwischenrepräsentation überführen lässt. Aus dieser könnten anschließend unterschiedliche Darstellungen erzeugt werden – etwa strukturierter Text, Mathematikrepräsentationen, Audio, taktile Vorlagen oder eine visuelle Fassung.
Das hätte zwei Vorteile:
- fachliche Interpretation müsste nicht für jede Modalität vollständig wiederholt werden,
- Inkonsistenzen zwischen verschiedenen Ausgaben könnten leichter erkannt werden.
Barrierefreiheit ist damit eine fachliche Designfrage
Alt-Text bleibt für viele Webinhalte wichtig. Für komplexe MINT-Artefakte ist er aber oft nur ein Teil eines größeren Lösungsraums.
IncluLearn.AI setzt deshalb nicht auf ein einziges „Bestformat“, sondern auf die Frage: Welche semantische Information muss erhalten bleiben – und welche Repräsentation unterstützt die konkrete Lernaufgabe am besten?