Ein Frühwarnsystem für junge chinesische Lernende mit Risiko für Leseprobleme mittels fNIRS und Deep Learning

Warum frühe Erkennung von Leseproblemen wichtig ist

Lesen zu lernen gehört zu den wichtigsten Fertigkeiten, die Kinder in der Grundschule erwerben, doch viele tun sich so schwer, dass das in Klassenarbeiten allein kaum sichtbar wird. Wenn Leseprobleme offensichtlich werden, ist das beste Zeitfenster zur Unterstützung oft schon verstrichen. Diese Studie stellt einen neuen Ansatz vor, um zu erkennen, welche jungen chinesischen Lernenden ein erhöhtes Risiko für Leseprobleme haben, indem sie unaufdringlich beobachten, wie ihre Gehirne bei einfachen Aufgaben arbeiten, und fortgeschrittene Computer‑Modelle nutzen, um diese Muster zu interpretieren.

Ein genauerer Blick auf verdeckte Leseprobleme

Leseschwierigkeiten, oft als entwicklungsbedingte Dyslexie bezeichnet, betreffen weltweit einen beträchtlichen Anteil von Kindern. Diese Kinder haben anhaltende Probleme beim Erkennen von Wörtern, beim flüssigen Lesen und beim Textverständnis, obwohl sie eine normale Intelligenz und Schulbildung haben. Im Chinesischen, einer Sprache mit einem zeichengebundenen Schriftsystem, wird der Anteil klar diagnostizierter Dyslexie auf etwa 4–7 % geschätzt, doch Lehrkräfte berichten von deutlich mehr Kindern, die knapp unter den Jahrgangserwartungen liegen. Sie erfüllen vielleicht nicht die strenge medizinische Definition von Dyslexie, liegen jedoch beim Erkennen und Schreiben der für den Lehrplan erforderlichen Schriftzeichen zurück. Diese breitere „gefährdete“ Gruppe früh zu identifizieren, ist entscheidend, damit Unterstützung beginnen kann, bevor Frustration und Misserfolg sich verfestigen.

Das Gehirn ohne Operation belauschen

Die Forschenden nutzten funktionelle Nahinfrarotspektroskopie (fNIRS), ein nichtinvasives Verfahren, das Licht verwendet, um Änderungen der Blutoxygenierung im Gehirn zu verfolgen. Kinder tragen eine bequeme Kappe mit Lichtquellen und Detektoren, und das Gerät misst, wie aktiv verschiedene Regionen der Hirnrinde während der Aufgaben sind. In dieser Studie absolvierten 30 Zweitklässler (16 von Lehrkräften als mit marginalen Leseproblemen eingestuft und 14 mit typischem Lesen) zwei Arten von Aufgaben mit der Kappe. Eine war ein visueller Test, bei dem sie chinesische Zeichen und englische Wörter erkennen und die ähnlich aussehenden auswählen mussten. Die andere war ein auditiver Test, bei dem sie entscheiden sollten, ob sich Paare gesprochener Laute gleichen oder unterscheiden. Gleichzeitig absolvierten alle 150 Kinder der Klasse einen Papier‑und‑Stift‑Test zum Schreiben von Pinyin (lautbezogene Notation) zu chinesischen Zeichen, was bestätigte, dass die als gefährdet eingestuften Kinder tatsächlich schlechter in sprachlichen Grundlagen abschnitten.

Ein intelligentes Modell, das Gehirnmuster liest

Rohdaten aus fNIRS sind unordentlich: es handelt sich um lange Zeitreihen, die feine Änderungen der Blutoxygenierung an vielen Punkten am Kopf zeigen. Traditionelle statistische Methoden haben mit derart komplexen Signalen Schwierigkeiten. Das Team entwickelte ein neues Deep‑Learning‑Modell, genannt RD‑risk Classifier (RDr‑C), speziell zugeschnitten auf diese Datenart. Zuerst betrachtet ein graphbasiertes Modul, wie Signale benachbarter Sensoren räumlich zusammenhängen, wodurch die Netzwerkstruktur des Gehirns nachgeahmt wird. Anschließend verfolgt ein bidirektionales Zeitreihenmodul, wie sich die Aktivität über hunderte Zeitpunkte sowohl vorwärts als auch rückwärts entfaltet. Schließlich lernt ein Attention‑Modul, welche Momente im Signal die nützlichsten Hinweise tragen. Zusammengenommen bilden diese Bausteine eine Pipeline, die automatisch Muster entdeckt, die gefährdete Kinder von ihren Altersgenossen unterscheiden, ohne manuell erstellte Regeln.

Erstaunlich genaue Frühwarnsignale

Wurde das Modell wiederholt auf unterschiedlichen Datenaufteilungen trainiert und getestet, trennte es gefährdete und typische Kinder fast immer korrekt, mit Genauigkeiten von rund 99–100 % sowohl für die visuellen als auch die auditiven Aufgaben. Selbst bei einem härteren Test – Training an allen bis auf ein Kind und Vorhersage für das ausgelassene Kind – erreichte das Modell noch nahe 90 % Genauigkeit. Konkurrenzmodelle, einschließlich Standard‑Neuronaler Netze und zwei spezialisierter fNIRS‑Klassifikatoren, schnitten deutlich schlechter ab. Visualisierungen der vom Modell gelernten Merkmale zeigten zwei enge, gut getrennte Cluster für die beiden Gruppen, was darauf hindeutet, dass die Gehirnsignale gefährdeter Kinder tatsächlich eine charakteristische Signatur tragen, obwohl ihr Verhalten bei den Aufgaben sich nicht dramatisch von dem ihrer Klassenkameraden unterschied.

Was das Gehirn über subtile Lese‑Risiken verrät

Um zu untersuchen, was das Modell gelernt hatte, vertauschten die Forschenden systematisch Daten aus verschiedenen Hirnregionen und beobachteten, wie stark die Vorhersagen schlechter wurden. Das hob einen Bereich hervor, der mit feinen Fingerbewegungen in Verbindung steht, als besonders wichtig. Detaillierte Zeit‑Frequenz‑Analysen zeigten, dass typische Kinder während visuell anspruchsvoller Aufgaben in dieser Region geordnete, rhythmische Muster zeigten, konsistent mit flüssiger sensomotorischer Kontrolle beim Zeigen oder Drücken von Tasten. Im Gegensatz dazu zeigten gefährdete Kinder unregelmäßigere Aktivität, was auf ein kontextabhängiges Koordinationsproblem hindeutet und weniger auf ein generelles motorisches Defizit. Bemerkenswert war, dass dieser Unterschied in der auditiven Aufgabe deutlich schwächer war, was die Idee stützt, dass bestimmte Hirnkoordinationsprobleme hauptsächlich unter visuell starken, leserelevanten Anforderungen sichtbar werden.

Auf dem Weg zu gehirninformierter Unterstützung im Klassenzimmer

Einfach gesagt deutet diese Arbeit darauf hin, dass einige junge Kinder, die scheinbar nur leicht hinter dem Lesestand zurückbleiben, bereits klare, messbare Unterschiede darin zeigen können, wie ihre Gehirne beim Lesen vision, Bewegung und Aufmerksamkeit koordinieren. Durch die Kombination sicherer Gehirnbildgebung mit einem maßgeschneiderten Deep‑Learning‑Modell schufen die Forschenden ein hochgenaues Frühwarnwerkzeug, das Lehrkräften und Klinikerinnen künftig helfen könnte, gefährdete Schüler Jahre früher zu erkennen als mit aktuellen Methoden. Die Studie ist zwar noch klein und das System muss in größeren, vielfältigeren Gruppen getestet werden – und möglicherweise mit anderen Maßnahmen wie Handschriftanalyse oder Blickverfolgung kombiniert werden – doch sie weist in Richtung einer Zukunft, in der subtile Lernrisiken nicht nur anhand von Testergebnissen erkannt werden, sondern indem man das Gehirn bei der Arbeit leise abhört.

Zitation: Yang, P., Duan, Y., Wang, L. et al. An early detection framework for young Chinese learners at risk of reading difficulty using fNIRS and deep learning. Sci Rep 16, 14104 (2026). https://doi.org/10.1038/s41598-026-44379-7

Schlüsselwörter: Leseschwierigkeiten, Dyslexie, Gehirnbildgebung, Deep Learning, Kinderliteracy