BERLIN / LONDON (IT BOLTWISE) – Eine neue Studie zur sozialen Wahrnehmung legt nahe, dass Missverständnisse zwischen autistischen und nicht-autistischen Menschen weniger aus einem „Lernversagen“ entstehen. Stattdessen wird argumentiert, dass die sehr unterschiedliche Ausprägung von Vorlieben autistischen Individuen schwerer vorhersagbar macht – selbst wenn alle die gleiche Art von Lernstrategie nutzen. Die Experimente zeigen zudem, dass Feedback über die Zeit hinweg zu besseren Schätzungen führt. Damit verschiebt sich der Fokus von „defizitärer“ sozialer Kompetenz hin zu Variabilität und Kontext im sozialen Lernen.
Soziale Missverständnisse werden im Alltag oft schnell als Defizit in der „Lesefähigkeit“ sozialer Signale eingeordnet. Die aktuelle Veröffentlichung in Nature Mental Health dreht diesen Blickwinkel: Nicht ein fehlerhafter Lernmechanismus, sondern vor allem die unvorhersehbare Streuung von Vorlieben soll erklären, warum Erwartungen an das Verhalten anderer danebenliegen. Autistische und nicht-autistische Teilnehmende lernen demnach mit sehr ähnlichen Strategien über die Präferenzen anderer. Was sich unterscheidet, sind die Inhalte, auf denen diese Lernprozesse aufbauen: Autistische Vorlieben sind breiter gefächert und damit schwerer zu mitteln.
Im Kern geht es um eine grundlegende soziale Fähigkeit: Menschen müssen bei jeder Interaktion laufend aktualisieren, was andere „mögen“ und „nicht mögen“. Aus solchen Präferenzen lassen sich Erwartungen ableiten, etwa ob eine Person bestimmte Hobbys teilt, welche Kommunikationsrichtung wahrscheinlich gut ankommt oder wie vertrauenswürdig eine Verhaltensvorhersage ist. Die Studie knüpft dabei an psychologische Konzepte an, die soziale Brüche zwischen Gruppen erklären, darunter vor allem das „Double-Empathy“-Problem. Als konkurrierendes Erklärungsmodell steht in der Forschung häufig „Theory of Mind“ im Mittelpunkt, also die Annahme, dass es an der modellierenden Perspektivübernahme scheitert. Die neuen Daten sprechen dagegen, dass die Strategie des Lernens grundsätzlich unterschiedlich ist.
Technisch und methodisch interessant wird die Arbeit, weil sie Lernprozesse nicht nur als Ergebnis „richtig vs. falsch“ betrachtet, sondern über rechnerische Modelle abbildet. In mehreren Experimenten wird getestet, wie genau Teilnehmende die Vorlieben anderer Personen schätzen und wie sich ihre Fehler über die Zeit verändern. Dafür wird ein Feedback-Lernsetting genutzt: Teilnehmende raten zunächst, wie stark eine Zielperson ein konkretes Item mag, und erhalten anschließend die tatsächliche Bewertung. Der zentrale Messwert sind „prediction errors“, also die Abweichung zwischen Schätzung und wahrer Präferenz. Kleinere Fehler bedeuten bessere Vorhersagefähigkeit und damit auch bessere soziale Lernleistung.
Der erste Teil der Studie erfasst die persönliche Vorlieben-Landschaft über eine Online-Befragung mit 120 Lebensmitteln und Aktivitätsitems. Insgesamt nehmen 228 nicht-autistische Erwachsene, 125 nicht-autistische Jugendliche und 255 autistische Jugendliche teil. Die Bewertung erfolgt auf einer sechs-stufigen Skala mit Emoji-Gesichtern, wodurch die Teilnehmenden Items wie Sushi, Rollschuhe oder Süßigkeiten nach Sympathie bzw. Abneigung einordnen. Das Ergebnis ist bemerkenswert klar: Autistische Jugendliche zeigen eine deutlich größere Vielfalt an Präferenzen als beide nicht-autistischen Gruppen. Gleichzeitig zeichnen sich Muster ab, etwa höhere Bewertungen für bestimmte Kategorien (z. B. Schreib- und Kunstzubehör oder Süßigkeiten) und niedrigere für andere (z. B. Salate, Gemüse oder Fitnessausrüstung). Außerdem zeigen sich Hinweise auf „behavioral rigidity“, also eine stärkere Tendenz, Vorlieben kategorisch und konsistent zu clustern.
Im zweiten Experiment geht es dann um die Übertragung: 191 nicht-autistische Erwachsene lernen die Vorlieben von Jugendlichen. Die Gruppe teilt sich in 98 Personen, die die Präferenzen nicht-autistischer Jugendlicher schätzen, und 93 Personen, die die Vorlieben autistischer Jugendlicher schätzen. Entscheidend ist dabei, dass den Erwachsenen der Diagnosehintergrund der bewerteten Jugendlichen nicht bekannt ist. Während des Aufgabenablaufs werden Prognosen direkt durch Feedback korrigiert, wodurch sich die Lernkurve beobachten lässt. Die Erwachsenen machen zunächst größere Fehler, wenn es um autistische Jugendliche geht, verbessern sich aber über die Zeit. Computerbasierte Modelle deuten außerdem darauf hin, dass beide Lernbedingungen mit einer „fine-grained“-Strategie bearbeitet werden: Menschen aktualisieren ihre Erwartungen anhand der Ähnlichkeit einzelner Items, statt alles zu grob zu clustern.
Das dritte Experiment verlagert den Fokus auf autistische Jugendliche. Hier schätzen 83 autistische Teilnehmende die Vorlieben nicht-autistischer Gleichaltriger, während 119 autistische Jugendliche die Vorlieben anderer autistischer Jugendlicher bewerten. Die Annahme war zunächst genau andersherum: Wer einen ähnlichen diagnostischen Hintergrund teilt, könnte im Mittel besser „modellieren“, weil die eigenen Präferenzstrukturen als Startpunkt dienen. Die Daten liefern jedoch ein Gegenresultat: Autistische Jugendliche sind im Schnitt genauer, wenn sie nicht-autistische Gleichaltrige vorhersagen, nicht wenn sie Gleichdiagnostizierte schätzen. Auch hier nutzen sie aktiv das Feedback, um über Zeit ihre Schätzungen zu verbessern, und sie wenden wiederum dieselbe feingranulare Lernstrategie an. Das widerspricht älteren Vorstellungen, wonach autistische Jugendliche vor allem auf eigene Likes und Dislikes zurückgreifen würden.
Für die Interpretation wird „Variabilität“ zum Schlüsselbegriff: Wenn die Vorlieben innerhalb einer Gruppe stark streuen, verliert der Durchschnitt an Aussagekraft. Das bedeutet nicht, dass autistische Menschen soziale Signale „nicht lesen können“, sondern dass die Vorhersage aus einem ungenauen Gruppenmittel heraus schwieriger wird. Damit entsteht ein Brückenargument zwischen Laboraufgabe und Alltagsbeobachtung: Zwei Personen können beide autistisch sein, aber sehr unterschiedliche Vorlieben haben. Entsprechend kann eine Erwartung, die auf typischen Mustern basiert, bei einer konkreten Person systematisch danebenliegen. Zusätzlich zeigen Analysen innerhalb der autistischen Kohorte, dass Teilnehmende mit höheren Werten autistischer Traits Feedback langsamer integrieren. Wer stärker auf behavioral rigidity ausgeprägt ist, macht im Würfelspiel der Schätzungen insgesamt mehr Fehler.
Für die Praxis ist das eine relevante Verschiebung, weil es auch über den Forschungskontext hinaus Konsequenzen für Beratung, schulische Begleitung und Therapieplanung hat. Anwendungsseitig rückt die Frage in den Vordergrund, wie Trainings oder Kommunikationsformate gestaltet werden, wenn Lernstrategien an sich ähnlich funktionieren, aber die Inhalte variieren. Wie sich in der angewandten Diagnostik und bei Coaching-Ansätzen abzeichnet, sind deshalb individuellere „Preference Mapping“-Methoden plausibler als pauschale Erwartungsmodelle. Regulierung und Datenschutz spielen dabei ebenso eine Rolle: Wenn Präferenzen erfasst werden, müssen Einwilligung, Zweckbindung und Datensparsamkeit sauber umgesetzt werden, gerade im Jugendkontext. Für den weiteren Forschungsweg plant das Team, soziale Lernprozesse zusätzlich auf neuronaler Ebene zu betrachten und die gewonnenen demografischen sowie neuropsychologischen Daten mit funktionellen Mustern zu verknüpfen; damit könnte sich in Zukunft auch abschätzen lassen, wie stark Variabilität die beobachteten Lernkurven treibt. Ein praktischer Ausblick liegt nahe: Entwickler von Unterstützungswerkzeugen sollten Präferenzdaten nicht nur „klassifizieren“, sondern iterativ mit Feedback aktualisieren, ähnlich wie es das feingranulare Lernmodell im Experiment vorgibt.
💳 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 "Unvorhersehbare Vorlieben statt Lernfehler: So entstehen Missverständnisse bei Autismus" 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 "Unvorhersehbare Vorlieben statt Lernfehler: So entstehen Missverständnisse bei Autismus" 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: »Unvorhersehbare Vorlieben statt Lernfehler: So entstehen Missverständnisse bei Autismus« bei Google Deutschland suchen, bei Bing oder Google News!