Bayesian Probability und Accessibility: Kann man Accessibility intelligenter messen?

Accessibility wird meist daran gemessen, ob eine Website oder App definierte Anforderungen erfüllt. Das ist sinnvoll und notwendig. Standards wie die WCAG schaffen Orientierung, Verbindlichkeit und eine gemeinsame Sprache für Entwicklung, Qualitätssicherung und Regulierung.

Trotzdem bleibt oft ein Restzweifel: Ist eine Anwendung wirklich gut zugänglich, nur weil sie die formalen Kriterien erfüllt?

Gerade Menschen, die mit Screenreadern arbeiten, erleben häufig etwas anderes. Eine Aufgabe ist vielleicht grundsätzlich lösbar, aber nur langsam, umständlich und mit unnötig vielen Navigationsschritten. Genau an diesem Punkt beginnt eine Diskussion, die in Zukunft wichtiger werden dürfte: Reicht es aus, Accessibility als Konformität zu betrachten, oder brauchen wir intelligentere Modelle, die auch Aufwand, Unsicherheit und tatsächliche Nutzungserfahrung abbilden?

Ohne WCAG gäbe es keine belastbaren Mindeststandards für accessibility. Die Richtlinien sind deshalb unverzichtbar. Sie definieren Anforderungen an Wahrnehmbarkeit, Bedienbarkeit, Verständlichkeit und Robustheit und bilden in vielen Ländern die Grundlage für gesetzliche und organisatorische Vorgaben.

In der Praxis zeigen sich jedoch Grenzen. Denn Konformität und gute Nutzungserfahrung sind nicht dasselbe. Eine Website kann formell weitgehend korrekt umgesetzt sein und sich trotzdem für bestimmte Nutzergruppen mühsam anfühlen.

Das gilt besonders dort, wo komplexe Interaktion gefragt ist: bei Formularen, mehrstufigen Prozessen, dynamischen Oberflächen oder schlecht strukturierten Seiten. Dann entsteht eine Situation, die viele Screenreader-Nutzer nur zu gut kennen: Alles ist irgendwie erreichbar, aber nichts ist wirklich effizient.

Eine der wichtigsten offenen Fragen im Accessibility-Bereich lautet nicht nur: "Kann eine Aufgabe gelöst werden"?

Mindestens ebenso wichtig ist: "Wie aufwendig ist es, diese Aufgabe zu lösen?"

Wer mit einem Screenreader eine Registrierung, eine Produktsuche oder einen Checkout durchführt, erlebt Accessibility nicht nur als Frage technischer Erreichbarkeit. Entscheidend ist

• wie viele Schritte notwendig sind,
• wie klar die Seitenstruktur ist,
• wie leicht sich relevante Informationen auffinden lassen,
• wie häufig Rücksprünge oder Fehlversuche auftreten,
• wie hoch die mentale Belastung während der Navigation ist.

Wenn zwei Nutzer dasselbe Ziel erreichen, der eine aber doppelt so viel Zeit braucht und deutlich mehr kognitive Energie investieren muss, dann ist die Accessibility zwar vielleicht formal gegeben, aber nicht optimal.

Genau hier liegt eine Schwäche klassischer Ja-Nein-Bewertungen.

Bayesian Probability beschreibt Wahrscheinlichkeit als begründete Einschätzung unter gegebenem Wissen. Neue Informationen werden nicht isoliert betrachtet, sondern mit bestehendem Vorwissen kombiniert.

Praktisch bedeutet das: Man beginnt mit einer Annahme und aktualisiert sie, sobald neue Evidenz hinzukommt.

In der Bayesianischen Statistik ist dieses Prinzip zentral. Es geht darum, aus unvollständigen und unsicheren Informationen schrittweise bessere Einschätzungen zu gewinnen. Das ist in vielen Wissenschaften längst üblich, etwa in der Physik, Astrophysik, Biologie oder Genomik.

Für Accessibility ist dieser Ansatz deshalb interessant, weil Zugänglichkeit keine direkt messbare Einzelgrösse ist. Sie zeigt sich nur über verschiedene Hinweise: Tool-Befunde, Audits, Task Success, Bearbeitungsdauer, Fehlerraten, Fokusprobleme, Abbrüche oder subjektive Rückmeldungen.

Keiner dieser Hinweise reicht allein aus. Zusammen können sie aber ein viel genaueres Bild ergeben.

Accessibility ist immer kontextabhängig. Ob eine Oberfläche zugänglich ist, hängt unter anderem davon ab,

• wer sie nutzt,
• mit welcher Assistiven Technologie sie genutzt wird,
• welche konkrete Aufgabe gelöst werden soll,
• wie die Oberfläche strukturiert ist,
• welche Vorerfahrung und Strategie die Person mitbringt.

Deshalb ist ein einziger, globaler Accessibility-Wert oft wenig aussagekräftig. Sinnvoller wäre es, Wahrscheinlichkeiten für konkrete Situationen zu schätzen.

Zum Beispiel:

Wie wahrscheinlich ist es, dass ein Screenreader-Nutzer den Checkout erfolgreich, in angemessener Zeit und ohne kritische Barrieren abschliesst?

Oder:

Wie hoch ist die Wahrscheinlichkeit, dass ein Formular zwar nutzbar, aber unnötig ineffizient ist?

Solche Fragen lassen sich mit Bayesianischen Modellen deutlich besser beschreiben als mit rein binären Bewertungen.

Ein intelligenteres Accessibility-Modell würde nicht nur den Erfolg einer Aufgabe berücksichtigen, sondern auch den Weg dorthin.

Es könnte zum Beispiel erfassen,

• wie lange eine Aufgabe voraussichtlich dauert,
• wie viele Navigationsschritte erforderlich sind,
• wie hoch das Risiko von Fokusverlusten oder Fehlbedienungen ist,
• wie stark eine Seite Orientierung und Gedächtnis belastet,
• wie unterschiedlich dieselbe Aufgabe für verschiedene Personas ausfällt.

Das Ergebnis wäre kein simples Urteil wie ``bestanden'' oder ``nicht bestanden'', sondern eine differenzierte Einschätzung:

Der Vorgang ist mit hoher Wahrscheinlichkeit lösbar, aber der erwartete Aufwand für Screenreader-Nutzer liegt deutlich über dem wünschenswerten Niveau.

Das wäre für Entwicklungsteams, Auditoren und Produktverantwortliche deutlich hilfreicher als ein einzelner Konformitätswert.

Ja, und genau darin liegt eine der spannendsten Perspektiven.

Ein Screenreader der nächsten Generation könnte nicht nur Inhalte ausgeben, sondern vorab und während der Nutzung abschätzen, wie schwierig eine bestimmte Aufgabe wahrscheinlich wird. Er könnte dabei Merkmale berücksichtigen wie:

• Überschriftenhierarchie,
• Landmarken-Struktur,
• Formularbeschriftungen,
• Fokusreihenfolge,
• bekannte Muster problematischer Interaktion,
• Hinweise aus früheren Nutzungssituationen.

Noch interessanter wäre ein dynamisches Verhalten: Während der Interaktion könnte das System laufend dazulernen. Wenn ein Nutzer mehrfach zurückspringt, ungewöhnlich viele Navigationsschritte benötigt oder an schlecht beschrifteten Elementen hängen bleibt, könnte der Screenreader seine Unterstützung anpassen.

Er könnte dann etwa

• vor problematischen Bereichen warnen,
• eine effizientere Navigationsstrategie vorschlagen,
• Seiteninhalte task-orientiert zusammenfassen,
• Formulare schrittweise begleiten,
• relevante Elemente priorisiert ankündigen.

Damit würde sich die Rolle des Screenreaders verändern: weg vom reinen Ausgabe- und Navigationswerkzeug, hin zu einem kontextsensitiven Assistenzsystem.

Die Idee, Bearbeitungszeit stärker in die Accessibility-Bewertung einzubeziehen, ist überzeugend. Sie sollte aber nicht isoliert verwendet werden. Denn Zeit hängt auch von Erfahrung, Routine, individueller Strategie und Tagesform ab.

Deshalb ist es sinnvoller, Zeit als Teil eines grösseren Modells zu betrachten. Gute Accessibility zeigt sich nicht nur darin, wie schnell etwas geht, sondern auch darin,

• wie stabil der Ablauf ist,
• wie wenig Fehlversuche nötig sind,
• wie gut die Orientierung gelingt,
• wie hoch die subjektive Belastung ist.

Zeit ist also ein wichtiger Indikator, aber erst im Zusammenspiel mit anderen Variablen wird daraus eine belastbare Bewertung.

Ein probabilistischer Zugang zu Accessibility hätte mehrere Vorteile.

Er würde erstens Probleme realistischer beschreiben. Statt nur festzustellen, dass ein Accessibility-Problem existiert, liesse sich auch zeigen, wie stark sie die Nutzung wahrscheinlich beeinträchtigt.

Er würde zweitens Priorisierung erleichtern. Teams könnten besser erkennen, welche Probleme nur formal relevant sind und welche in der realen Nutzung besonders grossen Aufwand verursachen.

Er würde drittens assistive Technologien intelligenter machen. Screenreader könnten nicht nur reagieren, sondern vorausschauend unterstützen.

Und er würde viertens helfen, Accessibility näher an die tatsächliche Erfahrung von Nutzerinnen und Nutzern zu bringen.