This is an open access article distributed under the terms of the Die Erkennung und die Verarbeitung musikalischer Strukturen sind grundlegende menschliche kognitive Fähigkeiten und Fertigkeiten, die sowohl das musikalische Verstehen als auch die ästhetische Erfahrung beeinflussen können (Altenmüller, 2018). Musikalische Strukturen beruhen auf der Organisation von Elementen und ihren Relationen, wobei insbesondere bei Schüler:innen interindividuelle Unterschiede in der Wahrnehmung dieser Relationen anzunehmen sind. Solche interindividuellen Unterschiede könnten dabei zu den von Meyer (2024) beobachteten teils stark divergierenden Beschreibungen derselben Musik durch Schüler:innen beitragen.
Somit stellt sich gerade für die Gestaltung von Lehr- und Lernumgebungen die übergeordnete Frage, inwiefern die individuelle Wahrnehmung von Schüler:innen mit musiktheoretisch definierten Strukturen übereinstimmt. Während die Musiktheorie musikalische Relationen kategorial systematisiert und analytisch beschreibt, untersucht die Musikpsychologie die perzeptiven und kognitiven Prozesse, auf deren Grundlage musikalische Ereignisse als ähnlich oder verschieden wahrgenommen werden können (Frieler, 2018). Bislang ist jedoch nur unzureichend empirisch geklärt, wie Schüler:innen melodische Variantenarten wahrnehmungsbasiert organisieren, inwiefern sich dabei musiktheoretische Klassifikationen widerspiegeln und inwieweit sich diese Organisation über unterschiedliche Gruppen hinweg als vergleichbar erweist. Vor diesem Hintergrund untersuchte die vorliegende Studie mittels Multidimensionaler Skalierung die Dimensionen der Ähnlichkeitswahrnehmung melodischer Variantenarten und deren Vergleichbarkeit zwischen Gruppen von Schüler:innen mit unterschiedlicher musikalischer Expertise. Mittels einer Clusteranalyse wurde zudem untersucht, inwiefern sich die musiktheoretisch klassifizierten Variantenarten in der Wahrnehmung widerspiegeln.
Stand der Forschung
Die Analyse musikalischer Strukturen bildet die Grundlage sowohl musiktheoretischer Diskurse als auch musikpädagogischer Zielsetzungen. Struktur wird im Allgemeinen als ein aus Elementen nach Regeln gebautes Ordnungsgefüge verstanden (Struktur (allgemein), o. D.). Im musikalischen Kontext können diese Elemente beispielsweise Tonfolgen oder Pattern entsprechen, während das Ordnungsgefüge als Aspekt des Formbegriffs (etwa Lied, Periode oder Rondo) bezeichnet werden kann (Kühn, 2021). Konstitutiv für das in der Definition beschriebene Ordnungsgefüge ist das Prinzip der Wiederholung, durch das sich Motive manifestieren und größere Formzusammenhänge entstehen (Götte, 2020; Kühn, 2021; Tenzer, 2006). Für die menschliche Wahrnehmung ist dabei nicht nur die exakte Wiederholung entscheidend, sondern insbesondere das Erkennen partieller Gleichheit, also das Erkennen von Varianten (Ahlbäck, 2007; Deliège, 2001).
Musiktheoretisch wird die Variante als Abwandlung definiert, bei der einzelne Merkmale konstant bleiben, während andere verändert werden (Kühn, 2021). Daraus resultieren klassische Kategorisierungen, beispielsweise rhythmische, tonhöhenbasierte oder harmonische Variantenarten (Dress & von Fischer, 2016; Schönberg, 1979). Jedoch stellt sich die Frage, inwieweit diese musiktheoretisch begründeten Klassifikationen der Variantenarten auch mit der subjektiven Hörerfahrung korrespondieren. Ähnlichkeit ist keine inhärente, objektive Eigenschaft akustischer Signale, sondern emergiert erst durch mental-auditive Repräsentationen und kognitive Organisationsprozesse (Hahn, 2014; Harrison et al., 2016). Unter mental-auditiven Repräsentationen werden interne, neurokognitive Abbilder externer Schallereignisse verstanden, durch die beispielsweise die in der Definition musikalischer Strukturen beschriebenen musikalischen Elemente und ihre Relationen mental dargestellt werden können.
Zentral für die Entstehung dieser Repräsentationen ist das Wahrnehmungsencoding im auditorischen Kortex. Neurokognitive Studien zeigten dabei unterschiedliche Aktivierungsmuster bei tonhöhen- und zeitbasierten Inhalten (Lappe et al., 2013, 2016; Prince, 2014). Dementsprechend wird von einer Differenzierung ausgegangen, wonach tonhöhenbasierte und zeitliche Dimensionen unabhängig voneinander kognitiv verarbeitet werden.
Darüber hinaus unterliegt die Bildung mental-auditiver Repräsentationen einer Verarbeitungshierarchie, in der die Analyse elementarer Merkmale (Intensität, Tonhöhe) vor der Analyse komplexer Strukturen (wie Melodie, Harmonie oder Rhythmus) steht (Brattico et al., 2018; Jäncke, 2024; Koelsch & Schröger, 2018). Diese Hierarchie bietet eine plausible Erklärung dafür, dass in Ähnlichkeitsurteilen performativ-klangliche Oberflächenmerkmale wie Dynamik oder Artikulation vorrangig als Entscheidungsmerkmale herangezogen werden, wohingegen abstrakte Strukturparameter wie etwa Motivik oder Harmonik seltener berücksichtigt werden (Lamont & Dibben, 2001).
Zur Modellierung von Ähnlichkeitsurteilen lassen sich primär räumliche und merkmalsbasierte Ansätze unterscheiden. Räumliche Ansätze, die Ähnlichkeit als Distanz in einem psychologischen Raum konzeptualisieren (Shepard, 1962), wurden dahingehend kritisiert, dass ihre metrischen Annahmen kontextuelle Einflüsse, deren Bedeutung in zahlreichen Studien hervorgehoben wurde (Ahlbäck, 2007; Cambouropoulos, 2009; Taher et al., 2018), und asymmetrische Urteile häufig unzureichend berücksichtigen (Hahn, 2014). Dies führte zur Entwicklung merkmalsbasierter Ansätze wie dem Kontrastmodell (Tversky, 1977), das Ähnlichkeit als Funktion gewichteter gemeinsamer und unterscheidender Merkmale beschreibt. Die Relevanz räumlicher Ansätze wurde durch diese Kritik jedoch nicht grundsätzlich infrage gestellt: Krumhansl (1990) konnte zeigen, dass unter kontrollierten Bedingungen, etwa bei gleicher Tonalität und vergleichbarer Stimulilänge, die Ähnlichkeitsurteile annähernd symmetrisch sind und sich somit robust als Distanzen abbilden lassen. Vor diesem Hintergrund etablierte sich die Multidimensionale Skalierung (MDS) als eine geeignete Methode zur empirischen Rekonstruktion solcher Wahrnehmungsräume und ermöglichte die Identifikation zentraler Dimensionen wie Kontur und Ambitus (Eerola & Bregman, 2007) sowie Tempo, Genre und Timbre (Novello et al., 2011) bei der Modellierung von Ähnlichkeitswahrnehmung.
Da Ähnlichkeitsurteile maßgeblich von mental-auditiven Repräsentationen abhängen, kann musikalische Expertise (Hasselhorn & Knigge, 2026) den Urteilsprozess beeinflussen. Expertisierung erfolgt dabei in der Regel erfahrungsbasiert. In Bezug auf Leistungen im Bereich des praktischen instrumentalen bzw. vokalen Musizierens stellt eine kumulierte Übedauer eine gute Annäherung an dafür relevante Lebenserfahrung dar (Gruber & Lehmann, 2014; Platz et al., 2014). Für Stichproben im Altersbereich von Schüler:innen werden daher häufig die Teilnahme an außerschulischem Musikunterricht und das Alter als Indikatoren für akkumulierte musikbezogene Hör- und Lernerfahrungen herangezogen, um Unterschiede in der musikalischen Expertisierung bei der Wahrnehmung melodischer Varianten näherungsweise zu operationalisieren (Hasselhorn & Knigge, 2026). Dabei kann angenommen werden, dass sich ein möglicher Einfluss von außerschulischem Vokal- und Instrumentalunterricht in der Struktur von Ähnlichkeitsurteilen zeigt: Während der Urteilsprozess bei weniger expertisierten Hörer:innen tendenziell von Oberflächenmerkmalen wie Kontur, Tempo oder Timbre dominiert wird (Lamont & Dibben, 2001), sind stärker expertisierte Hörer:innen zunehmend in der Lage, auch abstrakte strukturelle Invarianten als primäre Bewertungsgrundlage heranzuziehen (Eitan & Granot, 2009).
Ein möglicher Erklärungsansatz für diese Diskrepanz besteht darin, dass musikalische Expertisierung zu einer differenzierteren Wahrnehmung regelbasierter Abweichungen beiträgt. Zwar verfügen alle Menschen aufgrund von Mechanismen des statistischen Lernens über ein implizites Wissen hinsichtlich musikalischer Regularitäten (Rohrmeier & Rebuschat, 2012), doch ist dieses bei musikalischen Expert:innen deutlich differenzierter ausgebildet, was sich in präziseren Erwartungshaltungen und einer effizienteren Informationsverarbeitung zeigt (Bonetti et al., 2022; Zhao et al., 2017). Dass Expert:innen strukturelle Invarianten im Ähnlichkeitsvergleich stärker gewichten, korrespondiert direkt mit ihren neuronal verankerten Fähigkeiten und Fertigkeiten, Abweichungen von solchen strukturellen Regelmäßigkeiten auch in komplexen musikalischen Zusammenhängen zu erkennen und für die Urteilsbildung nutzbar zu machen (Bonetti et al., 2022; van Zuijen et al., 2004, 2005).
Im schulischen Kontext spiegelt die curriculare Progression von der Identifikation isolierter Parameter (z.B. Klassenstufen 5/6) hin zur Analyse relationaler Strukturen (ab Klassenstufen 7/8; siehe hierzu Ministerium für Kultus, Jugend und Sport Baden-Württemberg, 2016) diese Entwicklung und korrespondiert mit der entwicklungsbedingten Zunahme der Arbeitsgedächtniskapazität und der Abstraktionsfähigkeit von Schüler:innen (Cowan, 2016; Jentschke & Koelsch, 2006). Dabei kann die Verarbeitung komplexerer musikalischer Zusammenhänge auf basalen perzeptiven Fähigkeiten wie der Wahrnehmung von Tonhöhen und Tonhöhenveränderungen aufbauen, die bereits vor Beginn der Sekundarstufe ein erwachsenenähnliches Niveau erreichen (Degé & Roden, 2018; Thompson, 2009). Inwiefern diese curriculare Progression auch mit einer entsprechenden Entwicklung der auditiven Strukturwahrnehmung einhergeht, ist jedoch offen. Empirisch-qualitative Befunde deuten darauf hin, dass Musiklehrkräfte musiktheoretische Inhalte oftmals rein terminologisch und ohne auditive Verankerung vermitteln (Ruf, 2024). Damit fehlt häufig eine unmittelbare Verknüpfung zwischen musiktheoretischem Begriff und auditiver Wahrnehmung.
Ziel der Studie
Für den schulischen Musikunterricht, in dem die Förderung des auditiven Strukturerkennens als zentrales Bildungsziel des Fachs Musik verankert ist (Altenmüller, 2018; Ministerium für Kultus, Jugend und Sport Baden-Württemberg, 2016), stellt sich die Frage, nach welchen Kriterien Schüler:innen melodische Varianten perzeptiv organisieren. Auf Grundlage des aktuellen Forschungsstandes wird angenommen, dass Prozesse der Ähnlichkeitswahrnehmung eine zentrale Voraussetzung für das Erkennen musikalischer Struktur bilden. Wie dargelegt, resultiert musikalische Ähnlichkeitswahrnehmung nicht ausschließlich aus objektiven Eigenschaften akustischer Ereignisse, sondern auch aus deren Verarbeitung vor dem Hintergrund individueller mentaler Repräsentationen und kognitiver Organisationsprozesse (Hahn, 2014; Harrison et al., 2016). Zwar existieren bereits zahlreiche Studien zur Wahrnehmung von Ähnlichkeit in den Bereichen Melodie (Eerola & Bregman, 2007), Tonalität (Krumhansl, 1979) und Rhythmus (Cao et al., 2014) sowie zur Ähnlichkeitswahrnehmung von Melodien unter Einbezug verschiedener musikalischer Merkmale (Müllensiefen & Frieler, 2007). Jedoch wurde bislang noch nicht empirisch untersucht, wie jene Variantenarten im Vergleich wahrnehmungsseitig organisiert werden, die explizit Gegenstand der schulischen Curricula sind. Es bleibt folglich offen, in welchem Verhältnis die musiktheoretischen Klassifikationen dieser Variantenarten zu den tatsächlichen perzeptiven Organisationsdimensionen stehen, entlang derer Schüler:innen Ähnlichkeit beurteilen.
Vor diesem Hintergrund untersuchte die vorliegende Studie die Wahrnehmung melodischer Variantenarten bei Schüler:innen anhand von Ähnlichkeitsurteilen zu systematisch erzeugten Varianten von Tonfolgen. Das Ziel war es, einen Wahrnehmungsraum melodischer Variantenarten zu identifizieren, dessen Struktur hinsichtlich ihrer Vergleichbarkeit zwischen Gruppen unterschiedlicher musikalischer Expertise zu prüfen und die resultierenden Gruppierungen hinsichtlich ihrer Übereinstimmung mit musiktheoretischen Kategorien zu untersuchen. Daraus ergaben sich folgende Forschungsfragen (FF):
FF1: Ergeben sich aus der Wahrnehmung von Variantenarten melodischer Tonfolgen von Schüler:innen – auch unter Berücksichtigung musikalischer Expertise – konsistente Dimensionen eines Wahrnehmungsraums?
FF2: Entsprechen die Gruppierungen (Cluster) der Variantenarten melodischer Tonfolgen im Wahrnehmungsraum musiktheoretischen Klassifikationen?
Methode
Stichprobe
Die Stichprobe umfasste 1.336 Schüler:innen der Klassenstufen 5 bis 11 an Gymnasien in Baden-Württemberg, die im Zeitraum von April bis Juni 2025 an der Studie teilnahmen, wobei 832 Schüler:innen der Unterstufe (Klassenstufen 5–7) und 504 der Mittel- bzw. Oberstufe (Klassen 8–11) angehörten (siehe Tabelle 1). Hinsichtlich des Geschlechts identifizierten sich 606 Schüler:innen als weiblich, 712 als männlich und 18 als divers.
Tabelle 1
Verteilung der Stichprobe nach Jahrgangsstufen und außerschulischem Instrumental- oder Vokalunterricht
| Klassenstufe | Außerschulischer Instrumental- oder Vokalunterricht | |
|---|---|---|
| ja | nein | |
| Unterstufe | ||
| 5 | 155 | 136 |
| 6 | 140 | 122 |
| 7 | 128 | 151 |
| Mittelstufe | ||
| 8 | 100 | 126 |
| 9 | 40 | 86 |
| 10 | 64 | 79 |
| 11 | 6 | 3 |
| Gesamt | 633 | 703 |
Anmerkung. Aufgrund der geringen Anzahl an Schüler:innen aus der Jahrgangsstufe 11 wurden diese der Mittelstufe zugeordnet.
Ablauf der Erhebung
Die Studie fand im schulischen Musikunterricht während der regulären Unterrichtszeit statt. Die Datenerhebung erfolgte mithilfe der Online-Plattform SoSci Survey (Version 3.5.02; Leiner, 2024). Der eingesetzte Fragebogen umfasste demografische Angaben sowie 15 selbst erstellte Aufgaben zur Erfassung von Ähnlichkeitsentscheidungen, die durch zehn optionale Bonusaufgaben ergänzt wurden. Die Schüler:innen bearbeiteten die Aufgaben einzeln an Tablets oder PCs und nutzten dabei Kopfhörer. Es wurde jeweils die an der Schule vorhandene technische Ausstattung verwendet, deren Funktionsfähigkeit vor Ort von der betreuenden Lehrkraft überprüft wurde. Die gesamte Erhebung, einschließlich des technischen Aufbaus, der Instruktion und der Durchführung, dauerte pro Klasse etwa 30 Minuten.
Stimulusmaterial
Als Stimulusmaterial dienten fünf viertönige Tonfolgen, die zufällig aus einer bestehenden Korpusstudie (Zarzalis et al., 2026) zu Tonfolgen im schulischen Musikunterricht ausgewählt wurden (Positionen 4, 7, 17, 28 und 39 im Korpus; Supplement A; https://osf.io/cfa83). Die Begrenzung auf Viertonfolgen erfolgte unter Berücksichtigung der Anforderungen an das Arbeitsgedächtnis (Cowan, 2001; Frieler, 2018; Miller, 1956) sowie auf Grundlage vorbereitender Erprobungen der im Rahmen dieser Studie verwendeten Triple-Vergleichsaufgaben. Für alle Tonfolgen galt ein einheitliches Grundtempo von Viertelnoten = 170 bpm.
Die Tonfolgen wurden mithilfe der Notationssoftware Capella (Version 10.0.6.0, Jungmann et al., 2024) als MIDI-Dateien realisiert und mit dem Klang „Konzertflügel“ wiedergegeben. Anschließend wurden die Stimuli als MP3-Dateien exportiert. Für jede der fünf ausgewählten Tonfolgen wurden zehn systematische Varianten (Abbildung 1) erstellt, die sich jeweils in einem musikalischen Parameter von der Originaltonfolge unterschieden. Die Varianten betrafen artikulatorische (Staccato), dynamische (Fortissimo, Crescendo), rhythmisch-zeitliche (Punktierung, irregulärer Rhythmus, Diminution) sowie tonhöhenbasierte Merkmale (Sequenz ↑, Sequenz ↓, Umkehrung, Intervalländerung). Art und Komplexität der Varianten orientierten sich an den im Bildungsplan Baden-Württemberg ausgewiesenen musikalischen Inhalten (Ministerium für Kultus, Jugend und Sport Baden-Württemberg, 2016). Diese musiktheoretisch definierten Merkmale dienten ausschließlich der systematischen Konstruktion des Stimulusmaterials und stellten keine vorgegebenen Wahrnehmungs- oder Bewertungsdimensionen für die Schüler:innen dar.
Abbildung 1
Übersicht über die zehn Varianten am Beispiel der Tonfolge 121 (Position 7 im Korpus)
Aufgabenstruktur
Die Beurteilungsaufgabe bestand aus einer Ähnlichkeitsentscheidung im Triple-Format (siehe Abbildung 2 und Supplement B; https://osf.io/cfa83). Den Schüler:innen wurden jeweils drei Varianten derselben Tonfolge präsentiert, aus denen sie per Klick die beiden Hörbeispiele auswählen sollten, die sie als am ähnlichsten wahrnahmen. Die Wiedergabe der Hörbeispiele innerhalb eines Triples war fremdgesteuert und erfolgte stets in derselben Präsentationsreihenfolge. Die Pausen zwischen den einzelnen Hörbeispielen wurden auf 1,5 Sekunden standardisiert, um vergleichbare Hörbedingungen zu gewährleisten.
Abbildung 2
Aufgabenstellung für die Ähnlichkeitsbeurteilung der Triple
Anmerkung. Für weitere Auszüge aus dem Fragebogen siehe Supplement B.
In der zentralen Beurteilungsphase bewerteten alle Schüler:innen insgesamt 15 Triples. Jede der fünf Tonfolgen erschien dabei dreimal, wobei die Zuordnung zu den Positionen 1 bis 15 randomisiert erfolgte. Nach Bearbeitung der 15 regulären Triples konnten die Schüler:innen freiwillig bis zu zwei weitere Blöcke mit jeweils fünf Triples bearbeiten. 727 Schüler:innen bearbeiteten mindestens den ersten, 380 auch den zweiten Bonusblock. Die Zuweisung der insgesamt 120 Triples pro Tonfolge erfolgte mithilfe der Urnen-Funktion von SoSci Survey (Version 3.5.02; Leiner, 2024), wobei für jede Tonfolge eine eigene Urne definiert wurde. Die Ziehung der Triples erfolgte ohne Zurücklegen über alle Schüler:innen hinweg, sodass eine möglichst gleichmäßige Verteilung der Triple-Konstellationen im Datensatz gewährleistet werden konnte. Sowohl die Auswahl der Tonfolge und des Triples als auch die Abfolge der Varianten innerhalb eines Triples wurden zufällig bestimmt, um Reihen- und Positionseffekte zu minimieren.
Datenanalyse
Datenaufbereitung und Bildung der Ähnlichkeitsmaße
Die Datenanalysen basierten auf Ähnlichkeitsurteilen zu musikalischen Varianten, die auf der Auswahl der beiden ähnlichsten Elemente aus jeweils vorgelegten Triples beruhten. In jedem Triple wurden drei Varianten einer Tonfolge präsentiert, aus denen die Schüler:innen die beiden einander ähnlichsten Varianten auswählten. Eine einzelne Entscheidung entsprach damit der Auswahl eines von drei möglichen Variantenpaaren. In die weitere Auswertung ging jeweils das gewählte Variantenpaar ein. Die nicht gewählten Paare wurden nicht berücksichtigt.
Da die Bonusaufgaben freiwillig bearbeitet wurden, wurde ihr möglicher Einfluss mittels Sensitivitätsanalyse geprüft. Dabei zeigten sich bei Ausschluss der Bonusaufgaben keine substanziellen Veränderungen der MDS-Konfiguration (Prokrustes-r = ,97; PROTEST-p < ,001), sodass die bearbeiteten Bonusaufgaben in die weiteren Analysen einbezogen wurden. Über die gesamte Stichprobe hinweg wurde jedes Triple im Mittel 41,84-mal (SD = 0,80) bewertet. Die Verteilung der bearbeiteten Triples auf die Subgruppen kann Tabelle 2 entnommen werden.
Tabelle 2
Mittlere Anzahl der Bewertungen pro Triple in der Gesamtstichprobe und den Subgruppen
| Stichprobe | M | SD |
|---|---|---|
| Gesamte Stichprobe | 41,84 | 0,80 |
| Unterstufe | 26,26 | 2,54 |
| Mittelstufe | 15,58 | 2,46 |
| Instrumentalist:innen | 19,87 | 3,23 |
| Nichtinstrumentalist:innen | 21,97 | 3,21 |
Zur Bildung der Proximitäten wurden die Ähnlichkeitswahlen für jedes Variantenpaar aggregiert. Da die kurzen, isolierten Tonfolgen unter kontrollierten Bedingungen und in randomisierter Reihenfolge innerhalb der Triples präsentiert wurden, wurde – gestützt durch Befunde annähernd symmetrischer Ähnlichkeitsurteile unter vergleichbaren Bedingungen (Krumhansl, 1990) – von einer annähernden Symmetrie der Urteile ausgegangen. Die Position der Varianten innerhalb eines Triples wurde deshalb bei der Aggregation nicht gesondert berücksichtigt. Für die weiteren Analysen wurden symmetrische Proximitätsmatrizen gebildet. Um Unterschiede in der Darbietungshäufigkeit der Paare, insbesondere zwischen den Subgruppen, zu berücksichtigen, wurden die Wahlhäufigkeiten normalisiert. Hierzu wurde die Anzahl der tatsächlichen Auswahl eines Paares durch die Anzahl der Situationen geteilt, in denen dieses Paar hätte gewählt werden können. Die resultierenden relativen Ähnlichkeitsmaße bildeten die Grundlage der nachfolgenden statistischen Analysen, die alle mit R (Version 4.5.2; R Core Team, 2025) durchgeführt wurden.
Prüfung der Vergleichbarkeit über die verschiedenen Tonfolgen
Um einen potenziellen Einfluss der fünf verschiedenen, eingesetzten Tonfolgen auf die Ähnlichkeitsbewertung ausschließen zu können, wurde zunächst deren tonfolgenübergreifende Vergleichbarkeit als Grundlage für die gemeinsame Modellierung geprüft. Hierzu wurden für jede Tonfolge zunächst separate ordinale Multidimensionale Skalierungen (MDS) auf Basis der vollständigen Stichprobe mit dem R-Paket smacof (Version 2.1.7; Borg et al., 2018; Mair et al., 2022) berechnet. Die Güte der tonfolgenspezifischen MDS-Lösungen wurde anhand der Stresswerte nach Kruskal (1964) beurteilt. Werte unter ,05 gelten in der Regel als exzellent, Werte unter ,10 als gut, wobei niedrigere Werte eine bessere Repräsentation der Disparitäten durch die Konfiguration anzeigen (Borg & Groenen, 2005; Kruskal, 1964).
Die Vergleichbarkeit der tonfolgenspezifischen Lösungen wurde anschließend auf zwei Ebenen untersucht. Die Übereinstimmung der Distanzrangordnungen der tonfolgenspezifischen Lösungen wurde anhand von Spearman-Rangkorrelationen (ρ) der Disparitätsmatrizen erfasst. Werte über ,50 weisen auf einen starken Zusammenhang hin (Cohen, 1988), wobei höhere positive Koeffizienten auf ähnlichere Distanzrangordnungen hinweisen.
Die Übereinstimmung der räumlichen Konfigurationen wurde mittels Prokrustes-Analyse mit dem R-Paket vegan (Version 2.7-2; Oksanen et al., 2025) untersucht. Dabei wurden die Konfigurationen durch Rotation, Skalierung und Spiegelung optimal aneinander ausgerichtet. Die Prokrustes-Korrelation (r) diente als Maß der globalen Übereinstimmung. Zur Interpretation wurde das Quadrat dieses Wertes (r2) als Anteil der erklärten Varianz der räumlichen Anordnung betrachtet (Hair et al., 2019; Legendre, 2012). Die statistische Absicherung erfolgte mittels permutationsbasierter Prokrustes-Tests (PROTEST; n = 999; Legendre, 2012). Ergänzend wurde der Root Mean Square Error (RMSE) zur Beschreibung verbleibender Abweichungen der Punktpositionen herangezogen, um die lokale Präzision ergänzend zur globalen Strukturgüte einzuschätzen.
Zur ergänzenden inferenzstatistischen Prüfung tonfolgenspezifischer Unterschiede in den Ähnlichkeitsentscheidungen wurden konditionale logistische Regressionsmodelle (McFadden, 1974; Train, 2009) mit dem R-Paket survival (Version 3.8-9; Therneau, 2026; Therneau & Grambsch, 2000) geschätzt. Jede Triple-Entscheidung wurde als Auswahlsituation mit drei möglichen Variantenpaaren modelliert, wobei das gewählte Paar mit 1 und die beiden nicht gewählten Paare mit 0 kodiert wurden. Die Abhängigkeit der drei Paaralternativen wurde durch die Stratifizierung nach Auswahlsituation berücksichtigt. Wiederholte Entscheidungen derselben Person wurden durch clusterrobuste Standardfehler auf Personenebene berücksichtigt. Ein erstes Modell berücksichtigte Unterschiede in den Wahlwahrscheinlichkeiten zwischen den Variantenpaaren, während ein zweites Modell zusätzlich berücksichtigte, inwiefern diese Unterschiede von der zugrunde liegenden Tonfolge abhingen (Variantenpaar × Tonfolge). Diese Interaktion wurde mittels eines globalen clusterrobusten Wald-Tests geprüft. Die Modellgüte wurde anhand von McFaddens ρ2 gegenüber einem Equal-Likelihood-Nullmodell mit einer Wahlwahrscheinlichkeit von 1/3 je Paar sowie der Veränderung zwischen beiden Modellen (Δρ2) beurteilt (McFadden, 1974).
Statistische Analysen
Zur Beantwortung von FF1 wurde auf Grundlage der aggregierten Ähnlichkeitsmaße mittels ordinaler Multidimensionaler Skalierung (MDS) untersucht, welche Dimensionen der Ähnlichkeitswahrnehmung der Variantenarten zugrunde lagen und inwiefern sich diese über Gruppen unterschiedlicher musikalischer Expertise hinweg vergleichbar darstellten. Die musiktheoretisch klassifizierten Variantenarten wurden dabei nicht als vorgegebene Dimensionen in die Modellierung einbezogen. Der Wahrnehmungsraum wurde ausschließlich auf Grundlage empirischer Ähnlichkeitsurteile rekonstruiert. Zur Bestimmung der Dimensionalität wurden für die Gesamtstichprobe ordinale MDS-Lösungen in Form gewichteter Individual Differences Scaling (INDSCAL-)Modelle mit zwei, drei und vier Dimensionen mit dem R-Paket smacof (Version 2.1.7; Mair et al., 2022) berechnet. Die Auswahl der Dimensionalität erfolgte anhand der Stresswerte sowie der relativen Stressreduktion zwischen den Lösungen. Die dimensionsspezifische Gewichtung berücksichtigte, dass Ähnlichkeitsurteile tonfolgeabhängig variieren können (Borg & Groenen, 2005; Carroll & Chang, 1970). Zur deskriptiven Charakterisierung des resultierenden Wahrnehmungsraums wurden die Streuung der Dimensionskoordinaten der Varianten sowie die normierten INDSCAL-Gewichte der Tonfolgen herangezogen.
Zur Untersuchung der Stabilität der Wahrnehmungsstruktur und ihrer Vergleichbarkeit zwischen den Subgruppen (siehe FF1) wurden separate MDS-Lösungen für die Subgruppen nach Schulstufe (Unter- vs. Mittel-/Oberstufe) sowie nach Instrumentalstatus (Schüler:innen mit vs. ohne außerschulischen Vokal- oder Instrumentalunterricht) berechnet. Die Modellpassung wurde zunächst anhand der Stresswerte beurteilt. Die globale Übereinstimmung der resultierenden Wahrnehmungsräume wurde nach Prokrustes-Ausrichtung anhand der Prokrustes-Korrelation beurteilt und mittels PROTEST (n = 999) geprüft (Legendre, 2012). Ergänzend wurde der RMSE herangezogen, um Abweichungen der Punktpositionen zu quantifizieren (Hair et al., 2019; Legendre, 2012). Zur näheren Lokalisierung möglicher Abweichungen wurden anschließend Spearman-Rangkorrelationen zwischen den korrespondierenden Dimensionskoordinaten berechnet. Unterschiede zwischen den dimensionsspezifischen Rangkorrelationen wurden mittels zweiseitiger Permutationstests (n = 10.000) geprüft, bei denen die Zuordnung der jeweils verglichenen Dimensionen innerhalb der korrespondierenden Varianten permutiert wurde. Schließlich wurden die normierten INDSCAL-Gewichte deskriptiv gegenübergestellt, um mögliche Unterschiede in der relativen Bedeutung der einzelnen Dimensionen zwischen den Subgruppen abzubilden (Borg & Groenen, 2005; Carroll & Chang, 1970).
Zur Beantwortung von FF2 wurde untersucht, ob sich die Varianten auf Grundlage ihrer Positionen im dreidimensionalen Wahrnehmungsraum zu Gruppen zusammenfassen ließen und inwiefern die resultierenden Gruppierungen mit den musiktheoretisch definierten Kategorien übereinstimmten. Hierzu wurden mit dem R-Paket cluster (Version 2.1.8.1; Maechler et al., 2025) hierarchische Clusteranalysen auf Basis der euklidischen Distanzen zwischen den MDS-Koordinaten durchgeführt. Die Clusterbildung erfolgte mittels Average Linkage, bei dem der Abstand zwischen zwei Clustern als Mittelwert der paarweisen Distanzen ihrer Elemente bestimmt wurde. Zur Beurteilung der resultierenden Clusterbildung wurden mehrere Gütemaße herangezogen. Der cophenetische Korrelationskoeffizient (CCC) diente zur Beurteilung der strukturellen Passung der Clusterlösung, wobei Werte > ,80 als Hinweis auf eine gute Repräsentation der Distanzstruktur interpretiert werden (Everitt et al., 2011; Romesburg, 2004). Die Trennschärfe unterschiedlicher Clusterlösungen wurde anhand des mittleren Silhouettenkoeffizienten beurteilt, wobei mittlere Silhouettenkoeffizienten von ≥ ,51 auf eine angemessene Clusterstruktur hinweisen (Kaufman & Rousseeuw, 1990). Ergänzend wurden mit dem R-Paket mclust (Version 6.1.2; Scrucca et al., 2023) Gaussian Mixture Models als modellbasierter Ansatz zur Identifikation möglicher Gruppierungen berechnet. Die Modellauswahl erfolgte anhand des Bayesian Information Criterion (BIC; Schwarz, 1978). Zur Quantifizierung der Übereinstimmung der Clusterzuordnungen zwischen Gesamtstichprobe und Subgruppen sowie zwischen den Subgruppen wurde der Adjusted Rand Index (ARI; Hubert & Arabie, 1985) herangezogen. Ein Wert von 1 entspricht einer vollständigen Übereinstimmung der Partitionen. Die resultierenden Gruppierungen wurden anschließend mit der musiktheoretischen Klassifikation der Varianten verglichen.
Ergebnisse
Prüfung der Vergleichbarkeit über die verschiedenen Tonfolgen
Die für jede Tonfolge auf Basis der vollständigen Stichprobe separat berechneten MDS-Konfigurationen wiesen durchweg sehr niedrige Stresswerte auf (3D-Stress: M = ,02; SD = ,01) und repräsentierten die Disparitäten exzellent (ausführliche Ergebnisse sind im Supplementmaterial auf OSF unter https://osf.io/cfa83 verfügbar). Auch die Korrelationen der Disparitätsmatrizen zeigten mit durchschnittlichen Spearman-ρ-Werten im hohen Bereich (ρM = ,86; SD = ,06) eine starke Übereinstimmung der Distanzrangordnungen zwischen den Tonfolgen. Die Prokrustes-Korrelationen fielen im Mittel hoch aus (rM = ,93; SD = ,05). Dies entsprach einer mittleren aufgeklärten Varianz von etwa 86% und wies auf eine ausgeprägte globale Übereinstimmung der Konfigurationen hin. Die permutationsbasierten PROTEST-Analysen ergaben für alle Vergleiche signifikante Übereinstimmungen (alle p ≤ ,003). Die RMSE-Werte lagen im Mittel bei 0,31 (SD = 0,05). Dies entsprach etwa 15% der gesamten Skalenbreite und wies damit trotz hoher globaler Übereinstimmung auf moderate lokale Abweichungen zwischen den Konfigurationen hin. Insgesamt wiesen die Ergebnisse somit auf eine hohe Übereinstimmung der relativen Anordnung der Varianten über die Tonfolgen hinweg hin, bei gleichzeitig vorhandenen tonfolgenspezifischen metrischen Unterschieden.
Auch die konditionalen logistischen Regressionsmodelle deuteten insgesamt auf eine weitgehende Vergleichbarkeit der Ähnlichkeitsentscheidungen hin (Supplement D; https://osf.io/cfa83). Unterschiede zwischen den Variantenpaaren trugen wesentlich zur Modellgüte bei (McFaddens ρ2 = ,16). Die zusätzliche Berücksichtigung tonfolgenspezifischer Unterschiede erhöhte die Modellgüte auf ρ2 = ,18 (Δρ2 = ,02). Die Interaktion zwischen Variantenpaar und Tonfolge war im globalen clusterrobusten Wald-Test signifikant (p < ,001). Ein vergleichbares Muster zeigte sich in allen Subgruppen. Damit zeigte sich trotz der weitgehenden geometrischen Übereinstimmung eine geringe, jedoch statistisch signifikante Tonfolgenspezifität der Ähnlichkeitsentscheidungen. Die gemeinsame Modellierung erfolgte daher mittels INDSCAL, wodurch ein gemeinsamer Wahrnehmungsraum bei gleichzeitiger tonfolgenspezifischer Gewichtung der Dimensionen modelliert wurde.
Dimensionen der Ähnlichkeitswahrnehmung und Vergleich über Subgruppen (FF1)
Dimensionalität und inhaltliche Charakterisierung
Im Hinblick auf FF1 zeigte der Vergleich von MDS-Lösungen mit zwei, drei und vier Dimensionen jeweils eine Verbesserung der Modellpassung mit zunehmender Dimensionenanzahl, insbesondere von zwei auf drei Dimensionen (mittlere Stressreduktion = ,05), während der zusätzliche Zugewinn durch eine vierte Dimension vergleichsweise geringer ausfiel (mittlere Stressreduktion = ,02). Dies deutete darauf hin, dass die Ähnlichkeitsurteile durch einen dreidimensionalen Wahrnehmungsraum angemessen abgebildet wurden. Für die weiteren Analysen wurde daher eine dreidimensionale Lösung gewählt, die für die Gesamtstichprobe eine gute Modellpassung aufwies (Stress = ,07).
Die Anordnung der Varianten im dreidimensionalen Wahrnehmungsraum deutete auf eine inhaltlich interpretierbare Differenzierung entlang der ersten beiden Dimensionen hin (Abbildung 3).
Abbildung 3
Zweidimensionale Projektionen der dreidimensionalen MDS-Lösung des aggregierten Wahrnehmungsraums der gesamten Stichprobe
Anmerkung. Dargestellt sind die Positionen der zehn Varianten. Panel A: Dimension 1 × Dimension 2. Panel B: Dimension 1 × Dimension 3.
Die erste Dimension bildete eine deutliche Gegenüberstellung zwischen zeitlich-rhythmischer und tonhöhenbasierter Organisation ab, während die zweite Dimension zwischen performativ-klanglichen und relational-strukturellen Transformationen differenzierte. Die dritte Dimension ließ sich demgegenüber inhaltlich weniger eindeutig charakterisieren.
Die stärkste Differenzierung der Varianten zeigte sich entlang der ersten Dimension (SD = 0,54), gefolgt von der zweiten (SD = 0,36) und dritten Dimension (SD = 0,26). Die Subgruppen wichen in diesen Kennwerten nicht substanziell von der Gesamtstichprobe ab.
Die INDSCAL-Gewichte zeigten zugleich deskriptive Unterschiede in der tonfolgenspezifischen Bedeutung der Dimensionen. Während Dimension 1 über die Tonfolgen hinweg vergleichsweise stabil gewichtet wurde (Mdn = ,36; IQR = ,06), zeigten die Gewichte der Dimensionen 2 (Mdn = ,22; IQR = ,15) und 3 (Mdn = ,34; IQR = ,13) deutlich stärkere tonfolgenspezifische Unterschiede. Dies deutete darauf hin, dass die relative Bedeutung von Dimension 1 über die Tonfolgen hinweg vergleichsweise stabil war, während die Bedeutung der Dimensionen 2 und 3 stärker tonfolgenspezifisch variierte.
Vergleichbarkeit der Subgruppen
Die dreidimensionalen MDS-Lösungen wiesen auch in den Subgruppen gute bis akzeptable Modellpassungen auf (Stress = ,08 – ,10). Im Vergleich zur Gesamtlösung zeigten sich hohe Prokrustes-Korrelationen (r = ,92 – ,99; alle PROTEST-p = ,001; Supplement E; https://osf.io/cfa83) bei RMSE-Werten zwischen 0,07 und 0,26. Insgesamt zeigte sich damit eine hohe globale Übereinstimmung der MDS-Konfigurationen über die Subgruppen hinweg.
Auch im direkten Vergleich der Subgruppen (siehe Abbildungen 4 und 5) zeigte sich eine hohe Übereinstimmung (Supplement E; https://osf.io/cfa83). Diese fiel zwischen Unter- und Mittelstufe höher aus (Prokrustes-r = ,95; RMSE = 0,19) als zwischen Instrumentalist:innen und Nichtinstrumentalist:innen (Prokrustes-r = ,88; RMSE = 0,29). Die dimensionsspezifischen Rangkorrelationen wurden ergänzend herangezogen, um die im globalen Vergleich beobachteten Abweichungen genauer zu lokalisieren (Supplement F; https://osf.io/cfa83). Dimensionsspezifisch zeigte sich für Unter- und Mittelstufe eine hohe Übereinstimmung. Zwischen Instrumentalist:innen und Nichtinstrumentalist:innen fiel die Übereinstimmung für die ersten beiden Dimensionen ebenfalls hoch aus (D1: Spearman-ρ = ,96; D2: ρ = ,88), während sie für die dritte Dimension deutlich geringer war (D3: ρ = ,26). Der Unterschied in der Übereinstimmung zwischen der dritten und ersten Dimension war statistisch signifikant (Δρ = −0,70; p = ,02), nicht jedoch zwischen der dritten und zweiten Dimension (Δρ = −0,62; p = ,18). Diese geringere Übereinstimmung der dritten Dimension ging bei den Instrumentalist:innen mit einer abweichenden Anordnung einzelner Varianten einher, die eine zusätzliche Differenzierung zwischen eher regelmäßig und eher irregulär wirkenden Varianten erkennen ließ.
Abbildung 4
Zweidimensionale Projektionen der dreidimensionalen MDS-Lösung des aggregierten Wahrnehmungsraums im Vergleich Unter- zu Mittelstufe
Anmerkung. Dargestellt sind die Positionen der zehn Varianten. Panel A: Dimension 1 × Dimension 2. Panel B: Dimension 1 × Dimension 3.
Abbildung 5
Zweidimensionale Projektionen der dreidimensionalen MDS-Lösung des aggregierten Wahrnehmungsraums im Vergleich Instrumentalist:innen zu Nichtinstrumentalist:innen
Anmerkung. Dargestellt sind die Positionen der zehn Varianten. Panel A: Dimension 1 × Dimension 2. Panel B: Dimension 1 × Dimension 3.
Die INDSCAL-Gewichte zeigten deskriptiv über die Subgruppen hinweg eine weitgehend vergleichbare Gewichtung der Dimensionen (Supplement G; https://osf.io/cfa83). Dimension 2 wies in allen Subgruppen die geringsten medianen Gewichte auf, während die Dimensionen 1 und 3 tendenziell stärker gewichtet wurden. Insgesamt sprachen die Ergebnisse für einen dreidimensionalen Wahrnehmungsraum, dessen globale Anordnung über Schulstufen und Instrumentalstatus hinweg weitgehend vergleichbar war. Unterschiede zeigten sich zwischen Instrumentalist:innen und Nichtinstrumentalist:innen in der dritten, inhaltlich weniger eindeutig bestimmbaren Dimension.
Gruppierung der Varianten (FF2)
Zur Identifikation möglicher Gruppierungen der Varianten ergaben hierarchische Clusteranalysen (Supplement H; https://osf.io/cfa83) über die Gesamtstichprobe und die Subgruppen hinweg hohe cophenetische Korrelationskoeffizienten (Gesamtstichprobe: r = ,88; Subgruppen: rM = ,89; SD = ,04). Die hohen Koeffizienten zeigten, dass die Dendrogramme die zugrunde liegenden Distanzen des dreidimensionalen Wahrnehmungsraums gut bewahrten. Die höchsten Silhouettenkoeffizienten ergaben sowohl für die Gesamtstichprobe als auch für alle Subgruppen eine konsistente Dreiclusterlösung (k = 3). Die Silhouettenwerte lagen zwischen ,47 und ,54 (M = ,51; SD = ,02). Während in allen Gruppen mit Ausnahme der Mittelstufe Werte bei mindestens = ,51 auf eine angemessene Clusterstruktur hinwiesen, deutete der Wert für die Mittelstufe mit = ,47 auf eine etwas schwächere, aber weiterhin vorhandene Dreiclusterstruktur hin. Die Gaussian Mixture Models stützten diese Struktur ebenfalls, da in sämtlichen Subgruppen die beste Modellanpassung für k = 3 erzielt wurde. Für die paarweisen Vergleiche der Clusterzuordnungen zwischen den Stichproben betrug der Adjusted Rand Index (ARI) bei k = 3 durchgängig 1,00. Damit stimmten die aus den hierarchischen Clusteranalysen hervorgegangenen Partitionen sowohl zwischen den Teilstichproben als auch im Vergleich zur Gesamtstichprobe vollständig überein, wobei die Varianten jeweils dieselbe Dreiclusterpartition bildeten. Die resultierende Dreiclusterlösung und die Zuordnung der Varianten sind in Tabelle 3 dargestellt. Die empirisch ermittelten Gruppierungen wurden anschließend mit der musiktheoretischen Klassifikation der Varianten verglichen. Dabei zeigte sich eine inhaltliche Entsprechung: Cluster 1 umfasste die oberflächenbezogenen Varianten, Cluster 2 die tonhöhenbasierten Varianten und Cluster 3 die zeitlich-rhythmischen Varianten. Die empirische Gruppierung spiegelte damit die musiktheoretische Klassifikation der Varianten wider.
Tabelle 3
Zuordnung der Varianten zu den identifizierten Clustern
| Cluster 1 | Cluster 2 | Cluster 3 |
|---|---|---|
| • Fortissimo • Crescendo • Staccato | • Sequenz ↑ • Sequenz ↓ • Umkehrung • Intervalländerung | • Diminution • Irregulärer Rhythmus • Punktierung |
Anmerkung. Die Tabelle zeigt die inhaltliche Zuordnung der musikalischen Varianten zu den drei identifizierten Clustern auf Grundlage der hierarchischen Clusteranalyse und der Gaussian Mixture Models.
Diskussion
Die vorliegende Studie zielte darauf ab, einen konsistenten Wahrnehmungsraum melodischer Variantenarten bei Schüler:innen zu identifizieren, dessen Vergleichbarkeit zwischen Gruppen unterschiedlicher musikalischer Expertise zu prüfen und die resultierenden Gruppierungen hinsichtlich ihrer Übereinstimmung mit musiktheoretischen Klassifikationen einzuordnen. Im Hinblick auf die Frage, ob sich auch unter Berücksichtigung von musikalischen Expertiseunterschieden ein konsistenter Wahrnehmungsraum finden lässt, sprechen die Befunde zunächst für einen stabilen dreidimensionalen Wahrnehmungsraum melodischer Variantenarten. Die erste und zugleich stabilste Dimensionsachse verweist dabei auf eine grundlegende Unterscheidung zwischen zeitlich-rhythmischer und tonhöhenbasierter Organisation melodischer Variantenarten. Damit scheint für die Wahrnehmung melodischer Ähnlichkeit insbesondere die Unterscheidung zwischen zeitlich-rhythmischen und tonhöhenbasierten Strukturmerkmalen zentral zu sein. Dieses Ergebnis steht im Einklang mit empirischen Befunden, nach denen zeitliche und tonhöhenbasierte Parameter zentrale und teilweise differenziert verarbeitete Organisationsdimensionen musikalischer Wahrnehmung darstellen (Lappe et al., 2013, 2016; Prince, 2014).
Entlang der zweiten Dimension zeigt sich insbesondere eine Gegenüberstellung dynamischer und artikulatorischer Veränderungen einerseits und stärker relational-struktureller Transformationen, etwa intervall- und sequenzbezogener Variantenarten, andererseits. Diese Anordnung könnte auf Unterschiede zwischen Veränderungen der klanglichen Realisierung und Eingriffen in relationale Strukturmerkmale hinweisen. Zudem sind diese Unterschiede anschlussfähig an Ansätze hierarchischer Musikverarbeitung, nach denen elementare akustische Eigenschaften früh verarbeitet, während komplexere strukturelle Relationen erst in späteren, aufmerksamkeitsabhängigen Stufen integriert werden (Brattico et al., 2018; Jäncke, 2024; Koelsch, 2011; Koelsch & Schröger, 2018).
Die dritte Dimension verweist demgegenüber weniger auf eine klar umrissene eigenständige Organisationslogik als vielmehr auf residuale und stärker tonfolgenabhängige perzeptive Einflüsse. Die vergleichsweise geringe Streuung der Varianten entlang dieser Achse könnte darauf hindeuten, dass sich die Ähnlichkeitsurteile hier weniger deutlich voneinander unterscheiden. Die zusätzliche Reduktion des Stresswertes beim Übergang zur vierdimensionalen Lösung könnte auch darauf hindeuten, dass über die ersten beiden dominanten Dimensionsachsen hinaus weitere, inhaltlich weniger eindeutig bündelbare Einflussfaktoren wirksam sind, die sich in der dritten Dimension überlagern. Zugleich weist die hohe Streuung der INDSCAL-Gewichte darauf hin, dass die relative Bedeutung dieser Dimension zwischen den Tonfolgen stärker variiert. Dies könnte auf tonfolgenspezifische Kontexteinflüsse zurückzuführen sein und steht im Einklang mit bisherigen Studien, die die Bedeutung des Kontexts für Ähnlichkeitsurteile hervorheben (Ahlbäck, 2007; Cambouropoulos, 2009; Taher et al., 2018). Hinsichtlich expertiseabhängiger Unterschiede zeigt sich die identifizierte Wahrnehmungsstruktur als weitgehend stabil. Sowohl zwischen Unter- und Mittelstufe als auch zwischen Instrumentalist:innen und Nichtinstrumentalist:innen blieben die ersten beiden Dimensionsachsen in ihrer grundlegenden Ausrichtung weitgehend erhalten.
Unterschiede in Abhängigkeit vom Expertisierungsgrad deuteten sich vor allem entlang der dritten Dimension an. Die ausbleibenden Unterschiede auf der zweiten Dimensionsachse sind dabei vor dem Hintergrund früherer Studien zu betrachten, die bei musikalisch expertisierteren Personen eine stärkere Sensitivität gegenüber komplexeren strukturellen Relationen nahelegen (Bonetti et al., 2022; Eitan & Granot, 2009). Eine mögliche Erklärung könnte darin liegen, dass auch Nichtinstrumentalist:innen bereits über grundlegende, durch implizites musikalisches Lernen erworbene Strukturierungsstrategien verfügen, die für die Verarbeitung vergleichsweise kurzer Tonfolgen weitgehend ausreichen. Zusätzliche, durch Instrumentalunterricht erworbene Differenzierungsvorteile würden unter diesen relativ einfachen Wahrnehmungsbedingungen daher nur begrenzt sichtbar.
Während sich bei den Nichtinstrumentalist:innen in dieser Dimension keine klar abgrenzbare inhaltliche Ordnung erkennen lässt, zeigen sich bei den Instrumentalist:innen Hinweise auf eine Differenzierung zwischen eher in sich regelhaft aufgebauten und eher unregelmäßigen Variantenarten. Diese Interpretation ist anschlussfähig an Befunde, wonach musikalische Expertise mit differenzierteren auditiven Erwartungsmodellen sowie einer erhöhten Sensitivität gegenüber Regelverletzungen einhergeht (Bonetti et al., 2022, 2024; van Zuijen et al., 2004, 2005; Zhao et al., 2017). In Bezug auf den Expertisierungsgrad deuten diese Befunde insgesamt darauf hin, dass unter den hier untersuchten Stimulusbedingungen außerunterrichtlicher Instrumental- oder Vokalunterricht weniger mit Unterschieden in den grundlegenden Dimensionsachsen melodischer Ähnlichkeitswahrnehmung als mit subtileren Unterschieden in der Gewichtung einzelner Varianten verbunden ist.
Zwischen Unter- und Mittelstufe zeigten sich auf allen drei Dimensionsachsen keine strukturellen Unterschiede. Besonders hervorzuheben ist dieser Befund vor dem Hintergrund entwicklungspsychologischer Ansätze, die eine altersbedingte Zunahme der Arbeitsgedächtniskapazität und des Abstraktionsvermögens nahelegen (Cowan, 2016; Jentschke & Koelsch, 2006), was die Integration größerer Informationsmengen sowie differenziertere strukturelle Analysen begünstigen kann. Auch der Musikunterricht im baden-württembergischen Bildungsplan ist spiralcurricular angelegt und sieht eine sukzessive Ausdifferenzierung musiktheoretischer Inhalte vor (Ministerium für Kultus, Jugend und Sport Baden-Württemberg, 2016). Das Ausbleiben entsprechender Unterschiede könnte darauf hindeuten, dass die für die vorliegenden Stimuli und die Aufgabenkomplexität relevanten Wahrnehmungs- und Organisationsprozesse bereits in der Unterstufe weitgehend ausgebildet sind (Degé & Roden, 2018; Thompson, 2009). Zugleich könnte dies darauf hindeuten, dass die im schulischen Verlauf zunehmende Auseinandersetzung mit musiktheoretischen Inhalten nicht unmittelbar mit Veränderungen in der Organisation von Ähnlichkeitsurteilen einhergeht. Eine mögliche Erklärung könnte darin liegen, dass explizites musiktheoretisches Wissen im schulischen Musikunterricht nur begrenzt mit mental-auditiven Repräsentationen verknüpft wird (Ruf, 2024) und sich eine zunehmende musiktheoretische Differenzierung daher nicht unmittelbar in der Organisation wahrgenommener Ähnlichkeit widerspiegelt.
Im Hinblick auf die Frage, ob sich aus dem gefundenen Wahrnehmungsraum musiktheoretisch begründete Cluster der Varianten bilden lassen, legt die über verschiedene Verfahren hinweg gestützte Dreiclusterlösung nahe, dass sich musiktheoretische Differenzierungen melodischer Variantenarten auch in der Wahrnehmung der Schüler:innen abbilden. Die identifizierten Cluster lassen sich oberflächenbezogenen, tonhöhenbasierten sowie rhythmisch-zeitlichen Variantenarten zuordnen. Die Ergebnisse weisen damit auf eine Übereinstimmung zwischen den empirisch ermittelten Gruppierungen und den musiktheoretischen Klassifikationen hin, wobei die Variantenarten zugleich innerhalb eines mehrdimensionalen Wahrnehmungsraums angeordnet sind.
Limitationen
Bei der Interpretation der Ergebnisse sind einige Limitationen zu berücksichtigen, die insbesondere die Gestaltung der Stimuli, die Auswertung der Ähnlichkeitsurteile sowie die Interpretation des resultierenden Wahrnehmungsraums betreffen.
Eine Einschränkung betrifft die Auswahl und Gestaltung der Stimuli. Die verwendeten Tonfolgen waren bewusst kurz und vergleichsweise einfach gehalten und deckten hinsichtlich des Tonmaterials sowie der Ausprägung der Varianten nur einen begrenzten Ausschnitt möglicher musikalischer Gestaltungen ab. Die Varianten wurden zwar systematisch für alle Tonfolgen erstellt, repräsentierten jedoch jeweils einzelne musikalische Merkmale. Kombinationen mehrerer Variantenarten wurden nicht untersucht. Der resultierende Wahrnehmungsraum ist daher zunächst auf diesen Stimulusbereich bezogen und bildet möglicherweise nicht die gesamte Differenziertheit ab, die sich bei einem breiteren oder komplexeren Stimulusmaterial ergeben könnte. Dies ist vermutlich insbesondere für die zweite und dritte Dimension relevant, entlang der die Varianten eine geringere Streuung aufweisen. Auch die ausbleibenden Unterschiede zwischen Unter- und Mittelstufe sind vor diesem Hintergrund vorsichtig zu interpretieren. Es ist nicht auszuschließen, dass die begrenzte Komplexität der Tonfolgen sowie die moderate Ausprägung und Spannbreite der Varianten feinere Differenzierungen des Wahrnehmungsraums und mögliche schulstufenbezogene Unterschiede weniger deutlich hervortreten ließen. Die Begrenzung der Stimuluskomplexität erfolgte bewusst mit Blick auf die Zielgruppe und die Durchführbarkeit des Tripleparadigmas. Die vorliegenden Ergebnisse sind daher als Ausgangspunkt für eine weiterführende Prüfung des Wahrnehmungsraums unter erweiterten Stimulusbedingungen zu verstehen. Zukünftige Studien sollten gezielt prüfen, ob sich die identifizierten Dimensionen bei längeren und komplexeren Tonfolgen sowie einer größeren Spannbreite und stärkeren Ausprägung der Varianten deutlicher differenzieren und inwiefern sich die Befunde unter diesen Bedingungen bestätigen.
Eine weitere Einschränkung betrifft die Aggregation der im Tripleparadigma erhobenen Ähnlichkeitsentscheidungen zu Proximitäten. Zwar wurde durch die ausgewogene Präsentation der Triple-Konstellationen sichergestellt, dass unterschiedliche Vergleichskontexte gleichgewichtet in die resultierenden Proximitäten eingingen. Durch die Aggregation bildet die MDS jedoch ausschließlich die über diese Kontexte hinweg resultierende globale Ähnlichkeitsstruktur ab. Sie erlaubt daher keine Aussage darüber, ob und inwiefern einzelne Paarentscheidungen von der jeweils dritten präsentierten Variante abhingen. Die vorliegenden Ergebnisse beziehen sich somit auf die über die Vergleichskontexte aggregierte Wahrnehmungsstruktur der Variantenarten. Zukünftige Untersuchungen sollten deshalb die Modellierung des Wahrnehmungsraums erweitern, indem die jeweils dritte Variante explizit berücksichtigt wird, um neben der globalen Ähnlichkeitsstruktur auch mögliche kontextabhängige Unterschiede in den Ähnlichkeitsurteilen und der relativen Salienz der Varianten abzubilden.
Eine weitere Einschränkung betrifft die inhaltliche Interpretation der Dimensionen des Wahrnehmungsraums. Die mittels MDS identifizierten Achsen sind nicht als musikalische Merkmalsdimensionen im musiktheoretischen Sinne zu verstehen, sondern ergeben sich aus der räumlichen Repräsentation der Ähnlichkeitsurteile. Entsprechend können sich entlang einer Achse Variantenarten gegenüberstehen, die musiktheoretisch unabhängige bzw. orthogonale Merkmale betreffen, wie etwa Rhythmus und Tonhöhe. Eine solche Gegenüberstellung ist daher nicht als musikalisches Kontinuum zwischen Rhythmus und Tonhöhe zu interpretieren, sondern als empirisch resultierende Trennung innerhalb der Ähnlichkeitsurteile der Schüler:innen. Der Erkenntniswert des dreidimensionalen Wahrnehmungsraums liegt dabei über der Differenzierung einzelner Variantenarten hinaus insbesondere in deren relationaler Einordnung zueinander. Die Untersuchung zielte entsprechend auf die Beschreibung der wahrnehmungsbezogenen Organisation unterschiedlicher Variantenarten und nicht auf die Rekonstruktion eines musiktheoretischen Merkmalsraums. Inwiefern sich innerhalb dieser empirischen Struktur musiktheoretisch interpretierbare Gruppierungen zeigten, wurde ergänzend anhand der Clusterstruktur untersucht. Gerade diese wahrnehmungsbezogene Perspektive erscheint für den schulischen Kontext relevant, da sie Hinweise darauf geben kann, wie Schüler:innen unterschiedliche Varianten wahrnehmungsseitig zueinander einordnen und an welchen Stellen weiterführende diagnostische oder förderbezogene Untersuchungen ansetzen könnten.
Schlussfolgerung
Die Befunde legen nahe, dass die Wahrnehmung melodischer Ähnlichkeit auf mehreren Dimensionen beruht, die sowohl stabile als auch tonfolgen- und expertiseabhängige Unterschiede aufweisen. Vor dem Hintergrund des hier untersuchten Alters, in dem insbesondere die Schule einen zentralen Rahmen für formales musikalisches Lernen darstellt, kommt diesem Befund besondere Bedeutung zu. Die Ergebnisse deuten darauf hin, dass musikalische Parameter, wie sie im schulischen Musikunterricht thematisiert werden, nicht losgelöst von ihrer wahrnehmungsbezogenen Organisation betrachtet werden sollten. Zugleich sprechen die Befunde dafür, dass sich zentrale musiktheoretische Differenzierungen in der wahrnehmungsbezogenen Organisation der untersuchten Schüler:innen widerspiegeln und innerhalb eines mehrdimensionalen Wahrnehmungsraums relational eingebettet sind. Eine stärkere Berücksichtigung impliziter Strukturwahrnehmung könnte dazu beitragen, theoretische Konzepte systematisch an bestehende perzeptive Organisationsformen im Kindes- und Jugendalter anzubinden. Für das Verständnis musikalischen Lernens in diesem Altersbereich ergibt sich daraus die Perspektive, gezielter zu erfassen, entlang welcher Organisationsdimensionen Kinder und Jugendliche melodische Varianten differenzieren und in welchen Bereichen sich individuelle Unterschiede zeigen.