LONDON (IT BOLTWISE) – Eine EEG-Studie der Hebrew University of Jerusalem zeigt: Autistische Erwachsene haben bei Höraufgaben die gleiche Wahrgenauigkeit wie nicht-autistische. Der entscheidende Unterschied liegt in der Verarbeitung von Rückmeldungen: Das Feedbackbezogene FRN-Signal fällt bei Fehlern deutlich schwächer aus. Außerdem reagiert das Gehirn weniger auf die Schwierigkeit der Aufgabe und passt das eigene Verhalten nach verlässlichen Erfolgserlebnissen weniger stark an. Nach 1 bis 2 Jahren lässt sich das Muster erneut messen, und ein Modell kann Neurotypen mit rund 80% Genauigkeit unterscheiden.
Die Ergebnisse wirken auf den ersten Blick kontraintuitiv: Wenn Menschen Töne vergleichen und dabei nur die richtige Wahrnehmungsentscheidung zählen soll, sehen Autismus-Forschung und Alltagswahrnehmung oft unterschiedliche Fähigkeiten. Die nun vorliegende EEG-Studie, durchgeführt an der Hebrew University of Jerusalem unter Leitung von Prof. Merav Ahissar, findet jedoch bei der zentralen Wahrnehmungsaufgabe kaum Unterschiede. In einem psychoakustischen Pitch-Discrimination-Setting erreichten 33 autistische und 35 nicht-autistische Erwachsene jeweils etwa 70% Genauigkeit bei feiner Diskrimination von Tonhöhen. Für die Interpretation ist das wichtig, weil damit die Frage nach einer „kaputten Sensorik“ deutlich in den Hintergrund rückt: Die sensorische Signalaufnahme und der grundlegende Schwellenbereich für die Aufgabe sind offenbar vergleichbar.
Der technische Kern der Arbeit liegt in der Art, wie das Gehirn Feedback verarbeitet, nachdem eine Entscheidung gefallen ist. Die Teilnehmenden hörten nacheinander Tonpaare und entschieden, welcher Ton die höhere Tonhöhe hatte. Direkt im Anschluss erhielten sie visuelle Rückmeldungen, ob ihre Urteile korrekt oder fehlerhaft waren; parallel dazu zeichneten 64-Kanal-EEG-Systeme ereigniskorrelierte Potenziale (ERPs) auf. Besonders aufschlussreich war dabei das feedbackbezogene Feedback-Related Negativity (FRN): Bei nicht-autistischen Personen zeigte sich nach negativer Rückmeldung eine ausgeprägte negative Deflexion über frontozentralen Ableitungen, die typischerweise mit Fehlerverarbeitung und Signalen des anterioren cingulären Cortex in Verbindung gebracht wird. Bei autistischen Teilnehmenden war dieses Signal deutlich abgeschwächt. Praktisch heißt das: Schon wenn die Wahrnehmungsentscheidung „gleich gut“ ist, kann die interne Bewertung, ob ein Fehler passiert ist, anders ausfallen.
Damit allein ist es aber nicht getan. Die Studie identifiziert zwei weitere, klar getrennte Abweichungen, die jeweils unterschiedliche Teile der Feedback-Kette betreffen. Erstens zeigte sich eine reduzierte Empfindlichkeit gegenüber der Schwierigkeit der vorangegangenen Entscheidung: Nicht-autistische Probanden zeigten in den neuronalen Rückmeldesignalen eine dynamische Modulation, je nachdem, ob das Urteil inhaltlich „subtil“ oder „offensichtlich“ war. Bei autistischen Erwachsenen blieb die Feedback-Reaktion dagegen weitgehend uniform. Zweitens veränderte sich auch der behaviorale Lernmechanismus, der nach korrekten und zugleich einfachen Durchläufen greift: Nach besonders verlässlichen Erfolgserfahrungen passen nicht-autistische Menschen ihre nächsten Entscheidungen stärker an die gerade gewonnenen, als vertrauenswürdig eingestuften Evidenzen an. Autistische Teilnehmende zeigten hier hingegen deutlich weniger Nachsteuerung. Genau an dieser Stelle wird der Unterschied zwischen „Wahrnehmen“ und „Bewerten“ greifbar: Das Gehirn wirkt nicht weniger lernfähig, sondern es gewichtet neu gewonnenes Feedback und die damit verbundene Entscheidungszuverlässigkeit anders.
Um auszuschließen, dass diese EEG-Signaturen nur flüchtige Zustände abbilden, erfolgte eine Wiederholungsuntersuchung ein bis zwei Jahre später. Dafür wurden 51 der ursprünglichen Teilnehmenden erneut getestet; alle drei Marker replizierten sich dabei: das gebremste FRN, die geringere Modulation durch Entscheidungsschwierigkeit sowie die schwächere trial-by-trial Aktualisierung der Wahrnehmungs-Voreinstellung nach „high-confidence“ korrekten, einfachen Durchläufen. Außerdem fanden die Autorinnen und Autoren Hinweise darauf, dass diese Maße innerhalb der Person nicht stark miteinander korrelieren. Das ist methodisch bedeutsam, weil es gegen die einfache Erzählung spricht, es gebe „den einen“ kognitiven Defekt. Vielmehr deuten die Daten auf mehrere, parallel laufende neurokognitive Streams hin, die zusammen das Bild der prädiktiven Verarbeitung und der Bewertung von Belohnung bzw. Fehlern formen.
Die rechnerische Einordnung geht über deskriptive EEG-Analysen hinaus: In einem überwachten Machine-Learning-Ansatz kombinierten die Forschenden die drei unabhängigen Kennwerte. Ergebnis: Ein Klassifikationsmodell unterschied autistische von nicht-autistischen Teilnehmenden mit ungefähr 80% cross-validated Genauigkeit. Die Autorinnen und Autoren betonen zugleich, dass das Modell nicht als eigenständiges Diagnosetool gedacht ist, sondern als Werkzeug, um neurokognitive Variation zu kartieren. Für die Praxis in Forschung und Entwicklung ist gerade dieser Punkt entscheidend: Der Mehrwert entsteht weniger in „Diagnose durch Software“, sondern in der Möglichkeit, Muster zu identifizieren, die man später mit Trainingsformen, Umgebungsdesign oder Feedback-Mechaniken systematisch testen kann.
Inhaltlich ordnet die Studie die Ergebnisse in ein Bayesian-basiertes Predictive-Coding-Framework ein. Das zentrale Argument lautet: Es geht weniger um fehlende Genauigkeit in der sensorischen Aufnahme, sondern um eine andere Gewichtung von Evidenz und Fehlern. Wenn das Gehirn vergangene Erfahrungen weniger „vertrauensvoll“ in die nächsten Erwartungen einfließen lässt, kann die Anpassung an schnell wechselnde Kontexte langsamer wirken. Auch Prof. Merav Ahissar brachte den Kern dieser Interpretation im Originalkontext so auf den Punkt: „Our findings suggest that the differences associated with autism are not necessarily in the ability to perceive information accurately, but in how the brain evaluates experiences and uses them to guide future decisions, “ erklärte sie. „We identified several distinct processes that may help us understand why adapting to rapidly changing situations can be more challenging for autistic individuals.“
Für den Markt der pädagogischen und betrieblichen Unterstützungsangebote ergibt sich daraus ein anderer Hebel als in vielen bisherigen Konzepten, die primär sensorische Reizverarbeitung oder generelle Über-/Unterreaktivität diskutieren. Wenn Feedbacksignale wie das FRN abgeschwächt sind und außerdem die Bezugnahme auf „zuverlässige“ Erfolge geringer ausfällt, sollten Trainings- und Arbeitsumgebungen die Lernkurve nicht nur über Wiederholung, sondern über die Konsistenz und Aufbereitung von Rückmeldungen gestalten. Denkbar sind etwa adaptive Lernsysteme, die nicht jede Rückmeldung gleich stark gewichten, sondern expliziter die Entscheidungszuverlässigkeit kommunizieren und so die Aktualisierung der internen Modelle wahrscheinlicher machen. Ebenso kann die Entkopplung von Wahrnehmungsgenauigkeit und Feedbackbewertung dazu beitragen, neue Evaluationskriterien für Lern-Apps, Unterstützungssoftware oder Human-Training-Setups zu definieren.
Wer die Detailmethodik nachlesen will, findet die Studie als Open-Access-Publikation im Journal of Neuroscience (Original Research, 26. Oktober 2026) unter DOI: 10.1523/JNEUROSCI.0315-26.2026. Für die nächste Forschungsstufe liegt der Fokus nahe: Wie lassen sich diese EEG-Signaturen mit realen, stärker sozial und alltagsrelevanten Lern- und Feedbacksituationen verknüpfen, und welche Interventionen verändern wirklich die Gewichtung von Feedback statt nur die Leistung in einzelnen Aufgaben? Genau dort kann die Brücke zwischen Neurocomputing und umsetzbaren Lösungen schlagen.
🔥 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 "Autismus: Gehirn bewertet Feedback anders, trotz gleicher Wahrnehmung" 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 "Autismus: Gehirn bewertet Feedback anders, trotz gleicher Wahrnehmung" 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: »Autismus: Gehirn bewertet Feedback anders, trotz gleicher Wahrnehmung« bei Google Deutschland suchen, bei Bing oder Google News!