GRAN CANARIA / LONDON (IT BOLTWISE) – Eine neue Verhaltensstudie zeigt, dass Menschen mit ausgeprägten ADHS-ähnlichen Merkmalen vom erwarteten „automatischen Lernvorteil“ bei versteckten Mustern offenbar nicht profitieren. Normalerweise wird statistisches Lernen leichter, wenn die bewusste Selbstkontrolle weniger stark eingreift. In der Untersuchung verschwindet diese Kompensation jedoch bei Personen am oberen Ende des ADHS-Merkmalsspektrums zunehmend. Damit rückt ein fein abgestimmtes Zusammenspiel von Inhibition und Vorhersageprozessen als zusätzlicher Erklärungsansatz in den Fokus.
Wer im Alltag routinierte Handgriffe lernt, verlässt sich nicht nur auf bewusste Entscheidungen. Kognitive Systeme balancieren vielmehr fortlaufend zwischen zielgerichteter Kontrolle und automatisiertem „Habit“-Lernen: Der eine Modus hilft, sich bewusst auf neue Situationen einzustellen; der andere ermöglicht schnelles Handeln ohne ständige Anstrengung. Genau in dieser alltäglichen Aushandlung setzt die neue Arbeit an und untersucht, was passiert, wenn die Selbstregulation bei Menschen mit erhöhten ADHS-ähnlichen Merkmalen anders funktioniert als in der typischen Annahme der Standardmodelle.
Die Studie verortet das Zusammenspiel dabei in zwei bekannten Neuroanatomie-Begriffen. Für die deliberative Kontrolle wird vor allem die präfrontale Hirnrinde herangezogen, während die Ausführung automatischer Routinen stärker mit tieferen Strukturen wie dem Striatum in Verbindung gebracht wird. Psychologische Theorien beschreiben häufig eine antagonistische Beziehung zwischen diesen Netzwerken: Wenn die bewusste „Regel“-Komponente zurückgedreht wird, hat das Gehirn mehr Kapazität, um Statistiken aus der Umgebung unbewusst zu absorbieren. Auf dieser Erwartungshaltung beruht auch die zentrale Frage der Untersuchung: Gilt dieser Vorteil beim statistischen Lernen auch dann, wenn ADHS-ähnliche Traits die Inhibition bereits im Grundzustand schwächen?
Um diese Mechanik zu messen, kombinierten die Forschenden mehrere Aufgaben in einem Online-Experiment. 226 Studierende bearbeiteten zunächst Fragebögen, die ADHS-ähnliche Symptome als kontinuierliches Merkmal im Spektrum erfassen sollten, statt nur eine klinische Diagnose zu prüfen. Anschließend folgten Reaktionsaufgaben mit visuellem Inhalt: Auf dem Bildschirm erschien jeweils ein Bild eines Hundes oder einer Katze in vier möglichen Positionen. Die Teilnehmenden sollten bei einem Zielbild schnell eine passende Taste drücken; gelegentlich ersetzte ein „Stop“-Signal das Ziel durch das alternative Tier. Dieser Stopp-Teil diente direkt als Maß für Response Inhibition – also die Fähigkeit, eine begonnene Handlungsimpuls-Kette zu unterbrechen und stattdessen abzuwarten.
Parallel dazu versteckte das Design eine weitere Ebene: In den Abfolgen der Bildpositionen steckte eine mathematische Sequenz. Einige Positionen wechselten systematisch mit zufälligen Ausweichpunkten, sodass bestimmte Bewegungsmuster statistisch häufiger waren, ohne dass die Teilnehmenden darüber informiert wurden. Während das Experiment lief, reagierten viele Teilnehmende erwartbar schneller auf die Elemente, die nach dem verborgenen Muster folgten. Dieses implizite Geschwindigkeitsplus wird in der Arbeit als statistisches Lernen verstanden – eine Form automatischer Gewohnheitsbildung, bei der das Gehirn Wahrscheinlichkeiten aus Erfahrung aufnimmt, ohne dass dafür bewusste Regelkenntnis erforderlich sein muss.
Die Ergebnisse zeigen zunächst genau den klassischen Trade-off: In der Gesamtgruppe korrelierte schwächere Response Inhibition auf den Stop-Trials mit schnellerem Lernen der versteckten Sequenzmuster. Wer schlechter darin war, im Stop-Teil die Taste zu unterdrücken, reagierte später deutlich schneller auf die statistisch relevanten Muster. Doch dieser Vorteil folgte nicht linear für alle. Personen, die im Fragebogen hohe ADHS-ähnliche Werte aufwiesen, zeigten zwar ebenfalls schwächere Inhibition im Stop-Teil – gleichzeitig nahm jedoch der erwartete Lernbonus durch statistisches Lernen mit zunehmenden Traits schrittweise ab. Anders gesagt: Selbst wenn die deliberative Kontrolle bei ihnen offenbar nicht effektiv „bremst“, entsteht nicht automatisch mehr Platz für automatisches Musterlernen, wie es die Standardlogik nahelegen würde.
Als Erklärung zieht das Team einen Ansatz aus der Tierverhaltensforschung heran, der zwischen zwei Lerntypen unterscheidet: Goal-Tracker und Sign-Trackers. Goal-Tracker richten ihre Aufmerksamkeit auf den Ort, an dem die Belohnung eintrifft; Sign-Tracker dagegen reagieren stark auf den Hinweisreiz selbst, etwa auf einen Hebel, der das Ereignis ankündigt. Übertragen auf das Experiment wird vermutet, dass bei Menschen mit hohen ADHS-ähnlichen Merkmalen das Stop-Signal als besonders „magnetischer“ Hinweisreiz wirkt. Dann dominiert möglicherweise die kognitiv-reaktive Anziehungskraft des Stimulus selbst einen eigentlich geplanten Takt im Verhalten, sodass die Verarbeitung der umgebenden Positionsstatistiken nicht mehr zuverlässig in das implizite Lernsystem einspeist. Zusätzlich könnte unkontrolliertes Abschweifen der Aufmerksamkeit eine Rolle spielen: Wenn die Aufmerksamkeit unwillkürlich vom Aufgabenstrom abkippt, wird die kontinuierliche Verarbeitung der Wahrscheinlichkeiten unterbrochen, bevor sie sich stabil genug zu einem Lernsignal aufbauen kann.
Wichtig ist auch die Einordnung der Grenzen der Evidenz. Das Design wurde mit einem überwiegend jungen und stark akademisch geprägten Stichprobenprofil umgesetzt; außerdem lag eine deutliche Geschlechterungleichheit vor, da über 80 Prozent der Teilnehmenden angaben, weiblich zu sein. Zudem lief die Aufgabe unbegleitet auf persönlichen Rechnern ohne direkte Aufsicht, was zwar den Realismus des Online-Settings erhöht, aber die Kontrolle über Störvariablen reduziert. Auch methodisch bleibt die ADHS-Einordnung zunächst dem Selbstbericht über Fragebögen verpflichtet; subjektive Verzerrungen sind damit nicht ausgeschlossen. Die Forschenden empfehlen deshalb, zukünftige Arbeiten stärker mit externen Einschätzungen aus dem Umfeld oder mit klinischeren Skalen abzusichern und die gleichen Muster unter stärker kontrollierten Laborbedingungen zu replizieren.
Unter dem Strich liefert die Studie einen konkreten Hinweis darauf, dass „ADHS-ähnliche Traits“ nicht nur mit schlechterer Inhibition verknüpft sind, sondern auch die erwartete Kopplung zwischen verringerter bewusster Kontrolle und verbessertem statistischen Lernen aufbrechen können. Für die Praxis der mentalen Gesundheitsversorgung ist daran vor allem interessant, dass ein Spektrum-Ansatz frühere Funktionsauffälligkeiten in den Blick nehmen könnte – also nicht erst dann, wenn ein Symptomprofil eine starre diagnostische Schwelle überschreitet. Wenn sich solche Mechanismen in weiteren Studien stabil zeigen, könnten künftige Interventionen stärker an der Dynamik zwischen aktiver Fokussierung und automatischem Probabilitätslernen ansetzen. Den experimentellen Befund ordnen die Autoren unter anderem unter diesem Titel ein: ADHD-Like Traits Reshape the Balance Between Inhibitory Control and Predictive Processes.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "ADHS-Merkmale stören statistisches Lernen: Vorteil beim Mustererkennen fällt weg" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "ADHS-Merkmale stören statistisches Lernen: Vorteil beim Mustererkennen fällt weg" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »ADHS-Merkmale stören statistisches Lernen: Vorteil beim Mustererkennen fällt weg« bei Google Deutschland suchen, bei Bing oder Google News!