Barrierefreie Diagrammbeschreibungen durch KI und sehendes Feedback

Barrierefreie Diagramme: Sehende Nutzer unterstützen KI-gestützte Beschreibungen für blinde und sehbehinderte Menschen

Die Zugänglichkeit von Informationen, insbesondere von visuellen Daten wie Diagrammen, ist für blinde und sehbehinderte Menschen (BLV) eine große Herausforderung. Während Sehende Diagramme intuitiv erfassen können, benötigen BLV-Personen detaillierte, präzise und an ihre Bedürfnisse angepasste Beschreibungen. Die Erstellung solcher Beschreibungen ist jedoch aufwendig und erfordert spezielle Kenntnisse der Bedürfnisse dieser Zielgruppe. Ein innovativer Ansatz nutzt nun das Feedback von sehenden Nutzern, um KI-Modelle zu trainieren und so die Generierung von BLV-gerechten Diagrammbeschreibungen zu verbessern.

Sehendes Feedback als Schlüssel zur Optimierung

Traditionell wurden Diagrammbeschreibungen oft direkt von Sehenden erstellt. Studien haben jedoch gezeigt, dass diese Beschreibungen häufig nicht den Anforderungen von BLV-Nutzern entsprechen. Sie können unvollständig, voreingenommen oder schlichtweg ungeeignet für die Nutzung mit assistiven Technologien wie Screenreadern sein. Ein neuer Forschungsansatz setzt daher auf die Bewertung von KI-generierten Beschreibungen durch sehende Nutzer. Anstatt selbst Beschreibungen zu verfassen, beurteilen Sehende die Qualität und Verständlichkeit von Vorschlägen, die von Vision-Language-Modellen (VLM) erstellt wurden. Diese Modelle werden mittels eines mehrstufigen Inferenzverfahrens mit latentem Feedback trainiert.

Sightation: Ein Datensatz für barrierefreie Diagramme

Das Ergebnis dieser Forschung ist Sightation, eine Sammlung von Datensätzen für Diagrammbeschreibungen. Sightation umfasst 5.000 Diagramme und 137.000 Beispiele für verschiedene Aufgaben, darunter Vervollständigung, Präferenzbewertung, Informationsabruf, Fragenbeantwortung und logisches Denken. Die Datensätze wurden mithilfe des Feedbacks von sehenden Nutzern erstellt und anschließend von BLV-Experten, insbesondere Lehrkräften an Blindenschulen, validiert. Diese Validierung durch Fachleute stellt sicher, dass die generierten Beschreibungen den tatsächlichen Bedürfnissen der Zielgruppe entsprechen.

Vielfältige Anwendungsmöglichkeiten für barrierefreie Bildung

Die Sightation-Datensätze bieten ein breites Spektrum an Anwendungsmöglichkeiten. Sie können zur Feinabstimmung von KI-Modellen verwendet werden, um die Qualität von Diagrammbeschreibungen in verschiedenen Kontexten zu verbessern. So können beispielsweise Chatbots trainiert werden, um auf Anfragen von BLV-Nutzern nach Diagramminformationen adäquat zu reagieren. Auch die Integration in Lernplattformen und digitale Lehrmaterialien ist denkbar, um blinden und sehbehinderten Schülern den Zugang zu visuellen Lerninhalten zu erleichtern.

KI als Partner für inklusive Bildung

Die Entwicklung von Sightation zeigt das Potenzial von KI, die Barrierefreiheit von Informationen zu verbessern und die Inklusion von Menschen mit Behinderungen zu fördern. Durch die Kombination von KI-gestützter Generierung und menschlichem Feedback entsteht ein synergetischer Ansatz, der die Stärken beider Welten vereint. Sehende Nutzer können ihr intuitives Verständnis von Diagrammen einbringen, während KI-Modelle die Aufgabe der präzisen und konsistenten Formulierung übernehmen. Das Ergebnis sind qualitativ hochwertige, BLV-gerechte Diagrammbeschreibungen, die einen wichtigen Beitrag zu einer inklusiveren Bildung und Informationsgesellschaft leisten.

Ausblick

Die Forschung im Bereich der barrierefreien Diagrammbeschreibungen steht noch am Anfang. Zukünftige Arbeiten könnten sich auf die Erweiterung der Datensätze auf komplexere Diagrammtypen und die Entwicklung noch präziserer Bewertungsmethoden konzentrieren. Auch die Integration von multimodalen Informationen, beispielsweise durch die Kombination von Textbeschreibungen mit taktilen Darstellungen, bietet vielversprechende Möglichkeiten. Das Ziel ist es, blinden und sehbehinderten Menschen einen gleichberechtigten Zugang zu visuellen Informationen zu ermöglichen und so ihre Teilhabe am gesellschaftlichen Leben zu stärken.

Bibliographie:

1. Kang, W. J., Kim, E., An, N. M., Kim, S., Choi, H., Kwak, K. H., & Thorne, J. (2025). Sightation Counts: Leveraging Sighted User Feedback in Building a BLV-aligned Dataset of Diagram Descriptions. arXiv preprint arXiv:2503.13369.
2. Zhao, S., et al. (Jahr). Titel der Publikation. *Name der Zeitschrift*, *Bandnummer*(Ausgabennummer), Seitenzahlen.
3. (Weitere Quellen wie angegeben)