In dieser Studie wird das am besten passende Strukturmodell für musikalische Fähigkeiten anhand einer Stichprobe aus 622 britischen Jugendlichen identifiziert. Anschließend wird geprüft, ob dieses Modell seine Gültigkeit für eine größere Stichprobe aus 1164 Kindern der 5. und 6. Klassen mehrerer Schulen in Deutschland behält.

Im Rahmen der Langzeitstudie LongGold wurden im Schuljahr 2018/19 in Großbritannien 622 und in Deutschland 1168 Jugendliche bezüglich ihrer musikalischen Fähigkeiten untersucht. Vier Schüler*innen aus Deutschland wurden wegen einer auditiven Wahrnehmungsstörung (n = 1) und dem Tragen von Hörgeräten (n = 3) aus der endgültigen Gesamtstichprobe ausgeschlossen, sodass die verbleibende Gruppe N = 1786 Kinder und Jugendliche umfasste. Sie waren zwischen acht und 18 Jahre alt (M = 11,78, SD = 1,68; GB: M = 13,47, SD = 1,63; DE: M = 10,87, SD = 0,78). Da eine der untersuchten, britischen Schulen eine reine Mädchenschule war, bestand die britische Stichprobe zum Großteil aus Mädchen (72,03% weiblich, 24,44% männlich sowie 3,54% andere oder „möchte ich nicht sagen”). In der Stichprobe aus Deutschland waren 48,11% Mädchen und 46,48% Jungen (5,41% andere oder „möchte ich nicht sagen”). Insgesamt folgt daraus ein Gesamtanteil von 56,44% Mädchen und 38,80% Jungen (4,76% andere oder „möchte ich nicht sagen“). In Großbritannien wurden die Daten an verschiedenen privaten weiterführenden Schulen und in Deutschland an verschiedenen staatlichen weiterführenden Schulen (Gymnasien, Gesamtschulen und eine Realschule) erhoben. An den britischen Schulen wurde der sozioökonomische Status in Anlehnung an Rose (2005) sowie Rose und Pevalin (2001) durch den Bildungsgrad der Eltern und die berufliche Tätigkeit des*der Haupteinkommensbezieher*in der Familie erfasst. Der Großteil der Eltern hatte als höchsten Bildungsabschluss einen (Fach-)Hochschulabschluss oder die (Fach-)Hochschulreife und arbeitete in Führungs-, Verwaltungs- und Fachberufen. In Großbritannien gaben die meisten Schüler*innen als Muttersprache Englisch (89,07%), Chinesisch (3,86%) oder Russisch (1,45%) an. In ihrer Freizeit oder in der Familie sprachen 13,83% eine weitere Sprache (außer Englisch). Als Staatsbürgerschaft wurden britisch (85,69%), chinesisch (3,86%) oder russisch (1,61%) genannt. In Deutschland wurde der sozioökonomische Status nicht erhoben. Hier war die Nationalität der Schüler*innen größtenteils deutsch (93,13%), gefolgt von türkisch (0,86%). Neben Deutsch (75,77%) waren die häufigsten Muttersprachen Türkisch (4,38%), Russisch (3,95%), Arabisch (1,89%), Polnisch (1,72%) und Serbisch (1,20%). Mehr als ein Viertel (27,66%) sprach außerhalb der Schule eine weitere Sprache neben Deutsch.

Den in dieser Studie verwendeten Musiktests liegt die Annahme zugrunde, dass musikalische Fähigkeiten durch das Abschneiden in den Aufgaben, welche die verschiedenen Aspekte der Musikwahrnehmung testen, messbar sind. Musikalität als latente Variable bzw. Konstrukt ist nicht direkt beobachtbar und wird daher durch die Leistungen in den vier performativen Musiktests operationalisiert (vgl. Werner et al., 2016, S. 949). Alle Tests basieren messtheoretisch auf der Item-Response-Theorie (IRT), die mit Ausnahme des Emotionsunterscheidungstests deren adaptive Verwendung ermöglicht. Das bedeutet, dass für jede Versuchsperson während der Testung ein eigenes Itemset dynamisch ausgewählt wird und sich die Schwierigkeit der Items somit individuell nach der Fähigkeit jeder einzelnen Person richtet (Frey, 2012, S. 275). Die Tests nutzen außerdem realistische und damit ökologisch valide Stimuli aus dem den Schüler*innen vertrauten Rock-Pop-Bereich (Müllensiefen & Hemming, 2018, S. 113). Für die Lösung der Testaufgaben werden nicht zwingend Fähigkeiten benötigt, die „an das Erlernen eines Instruments oder an formalen Musikunterricht gekoppelt sind” (Müllensiefen & Hemming, 2018, S. 93). Alle Hörtests – bis auf den Emotionsunterscheidungstest – beinhalteten Beispiele und eine Trainingsphase. Tabelle A1 im Anhang gibt einen Überblick über die vier verschiedenen Tests, deren Reliabilitätswerte, die Größe der Stichprobe dieser Studie und Referenzen zur Kalibrierungsstudie.

Im Folgenden werden mögliche Strukturmodelle, die für die Beschreibung der Struktur musikalischer Fähigkeiten in Frage kommen und sich in der Anzahl der Faktoren unterscheiden, beschrieben. Die Ergebnisse der vier Musikalitätstests bilden hierbei die vier manifesten Variablen. Analog zu Spearmans (1904b) Generalfaktormodell der Intelligenz und dem Generalfaktormodell der Musikalität, so wie es Wing (1961) seinem Musiktest zugrunde legte, ergibt sich als erstes potenzielles Modell, das 1×4-Modell, das schematisch in Abbildung 1 dargestellt ist. Es enthält einen Musikalitätsfaktor, der die vier verbundenen manifesten Variablen – gemessen durch die vier Musikalitätstests – beeinflusst. Mit zwei Freiheitsgraden ist es überidentifiziert. Seashore (1919b) hingegen favorisierte eine multifaktorielle Theorie mit mehreren voneinander unabhängigen musikalischen Fähigkeiten. Davon und von Gardners (2006) Konzept der multiplen Intelligenzen sind die Modelle 2a und 2b abgeleitet (siehe Abbildung 2): In diesen 4×1-Modellen bilden die vier Musikalitätstests vier einzelne Faktoren. In Modell 2a werden diese vier Faktoren als statistisch abhängig angenommen. Modell 2a und 1 sind hierarchisch geschachtelt. Weil in Modell 2a mit abhängigen Faktoren die Anzahl der zu schätzenden Parameter genauso groß ist wie die Anzahl der empirischen Informationen (df = 0), ist es genau identifiziert (Werner et al., 2016, S. 964). Betrachtet man ein 4×1-Modellen mit statistisch unabhängigen Faktoren, erhält man das überidentifizierte Modell 2b.

Insgesamt gibt es weitere sieben theoretisch denkbare Modelle von Musikalität mit zwei latenten Faktoren und einer unterschiedlichen Verteilung der manifesten Variablen auf diese Faktoren (2 + 2 oder 3 + 1). Rein kombinatorisch wären noch weitere sechs Modelle mit insgesamt drei Faktoren (jeweils zwei Faktoren mit einem Indikator und ein Faktor mit zwei Indikatoren) denkbar. Diese werden jedoch nicht berücksichtigt, weil sie unteridentifiziert sind. Das rührt daher, dass es mehr zu schätzende Parameter (in diesem Fall elf: ein Pfadkoeffizient, vier Messfehlervarianzen sowie die drei Varianzen und drei Kovarianzen der drei latenten Variablen) als nicht-redundante Informationen aus den Daten (in diesem Fall zehn: vier Varianzen und sechs Kovarianzen) gibt. Da die Intelligenzmodelle von Spearman (1904b) und Gardner (2006) sowie Wings (1961) und Seashores (1919b) Konstruktionen für Musikalitätstests ein einfaktorielles oder ein Modell mit vier Faktoren implizieren, bleiben diese weiteren Modelle hier unberücksichtigt und nur das 1×4-Modell und die 4×1-Modelle werden in Hinblick auf ihre Passung zu den Daten evaluiert.

In der Vergangenheit wurden musikalische Fähigkeiten oft durch Aufgaben gemessen, in denen Melodien voneinander unterschieden oder memoriert werden sollten (z. B. Michaelis, 1805, und Gordon, 1989). Daher misst der MDT im Vergleich zum BAT, EDT und MPT am ehesten das, was traditionellerweise in Musikalitätstests gemessen und unter dem Konstrukt Musikalität verstanden wurde. Aus diesem Grund wird bei allen Modellen die Testleistung des MDTs auf die erste manifeste Variable gesetzt (Werner et al., 2016, S. 955), die die Einheit der latenten Variable vorgibt und in Abbildung 1 mit einer gestrichelten Linie erscheint.

Tabelle 1 gibt die deskriptiven Statistiken der verwendeten Leistungstests sowie der Schulnoten und der selbst eingeschätzten musikalischen Expertise anhand des Gold-MSI wieder.

In der Interkorrelationsmatrix in Tabelle 2 lässt sich ablesen, wie stark je zwei der vier untersuchten Variablen miteinander korrelieren (unkorrigierte und korrigierte Pearson-Korrelationen unter- und oberhalb der Diagonale) und, wie reliabel die einzelnen Tests sind (Diagonale). Die Korrelationskoeffizienten zwischen den vier Variablen reichen von r = ,34 (Korrelation zwischen Beat-Wahrnehmungstest und Intonationswahrnehmungstest) bis r = ,42 (Melodieunterscheidungstest und Emotionsunterscheidungstest). Gemäß Ellis' (2010, S. 41) Benchmarks sprechen diese Ergebnisse für eine mittlere bis hohe Korrelation. Die anhand der Reliabilitäten der Kalibrierungsstudien korrigierten Korrelationen liegen zwischen r = ,51 und r = ,65. Watson (2017, S. 232) zufolge wird eine Interkorrelationsmatrix als für eine Faktorisierung geeignet erachtet, wenn die Mehrheit der Korrelationskoeffizienten zwischen ,20 und ,80 liegen. Dies ist der Fall.

Die Hypothesen aus der Literatur über ein einfaktorielles Modell oder ein Modell mit vier unverbundenen Faktoren motivieren einen Modellvergleich zwischen dem 1×4-Modell und den 4×1-Modellen. Weil gegebenenfalls Unterschiede bestehen könnten, erfolgt der Vergleich getrennt für beide Länder. Daher sei zunächst ausschließlich die Stichprobe aus Großbritannien betrachtet. Eine explorative Faktorenanalyse der Daten der britischen Stichprobe legt Modell 1 nahe (Ergebnisse siehe Anhang). Die folgende Betrachtung untersucht Modell 1, Modell 2a und 2b in einer konfirmatorischen Faktorenanalyse auf Grundlage der Daten der britischen Stichprobe mit n = 622 für die vier Musikalitätstests BAT, EDT, MDT und MPT mit Full-Information-Maximum-Likelihood-Verfahren (Beaujean, 2014, S. 119 und Rosseel, 2012, S. 30) und robuster Maximum-Likelihood-Schätzmethode (Werner, 2015, S. 9) und überprüft das Ergebnis der explorativen Faktorenanalyse. Die latenten Variablen wurden standardisiert.

Ein Chi-Quadrat-Test untersucht „globale […] Abweichungen zwischen Modell und Daten“ (Werner et al., 2016, S. 957) und beurteilt damit deren Passung. Das Ergebnis des Chi-Quadrat-Tests für das 1×4-Modell mit einem Musikalitätsfaktor und vier verbundenen manifesten Variablen (Modell 1) ist nicht signifikant (siehe Tabelle 3 zweite und dritte Spalte, p = ,391). Das bedeutet, dass die Nullhypothese beibehalten wird (Werner et al., 2016, S. 967), die Annahmen des Modells richtig sind (vgl. Werner et al., 2016, S. 958) und Modell 1 und Daten nicht signifikant voneinander abweichen (Werner et al., 2016, S. 959). Alle weiteren Gütekriterien (RMSEA, SRMR, GFI und CFI) befinden sich innerhalb der jeweils passenden Wertebereiche der Schwellenwerte (siehe Tabelle 3 letzte Zeile). Zusammen deutet dies auf einen sehr guten Modellfit für das 1×4-Modell hin.

Da Modell 2a keine Freiheitsgrade hat (df = 0), kann kein Chi-Quadrat-Test durchgeführt werden. Stattdessen wird als Nächstes durch einen χ2-Differenztest die Frage geklärt, ob Modell 1 oder 2a besser zu den Daten passt. Ein Vergleich ist hier möglich, weil Modell 1 und 2a geschachtelt sind. Modell 1 wird gegen das Referenzmodell Modell 2a getestet. Das Ergebnis ist in Tabelle 3 (fünfte Zeile) abzulesen und zeigt, dass der Unterschied zwischen Modell 1 und 2a (∆χ2 = 1,9) nicht signifikant ist (p = ,391). Das bedeutet, dass Modell 1 keinen signifikant schlechteren Chi-Quadrat-Wert hat als das komplexere, abhängige 4×1-Modell. Da es gleichzeitig einen besseren BIC (Bayes'sches Informationskriterium) hat und weniger komplex ist als Modell 2a, wird das einfaktorielle Modell 1 dem multifaktoriellen Modell mit vier abhängigen Faktoren (Modell 2a) vorgezogen.

Im Folgenden wird Modell 2b bestehend aus vier unabhängigen Faktoren mit jeweils einer Indikatorvariable untersucht. Hier ist der Chi-Quadrat-Test signifikant, was auf eine Abweichung zwischen Modell und Daten schließen lässt (vgl. Werner et al., 2016, S. 958). Die restlichen Gütekriterien mit Ausnahme des Goodness-of-Fit-Index liegen jenseits der empfohlenen Bereiche. Das Bayes'sches Informationskriterium (BIC) ist für das einfaktorielle Modell 1 kleiner als für die multifaktoriellen Modelle (siehe Tabelle 3 letzte Spalte). Aus diesen Gründen und der Tatsache, dass die Leistungen in den Musikalitätstests mäßig bis stark miteinander korrelieren, können die 4×1-Modelle und die Möglichkeit, dass die Testleistungen als vier Faktoren unverbunden sind, ausgeschlossen werden.

Angesichts der Gütekriterien kann davon ausgegangen werden, dass Modell 1 korrekt spezifiziert ist und damit die Ergebnisse der Parameterschätzung sinnvoll inhaltlich interpretiert werden können (vgl. Werner et al., 2016, S. 958): Diese zeigen standardisierte Ladungen zwischen 0,55 und 0,64 und liegen somit in einem Bereich, der in der Literatur generell akzeptiert wird (vgl. hierzu die Faktorladungen bei Wing, 1941, Tabelle 2, S. 34 und bei Carroll, 1993, Tabellen 9.5 und 9.6). Die Variablen MDT und MPT haben die höchsten Ladungen (,64 und ,61). Das heißt, dass sie am stärksten mit dem Konstrukt Musikalität zusammenhängen und es am besten abbilden (vgl. Werner et al., 2016, S. 951). Die Kommunalitäten der Faktorladungen sind niedrig (,30 bis ,41) bzw. die Uniqueness (standardisierte Messfehlervarianzanteile der einzelnen Tests) hoch (,59 bis ,70), was bedeutet, dass das latente Konstrukt Musikalität die Zusammenhänge zwischen den vier Musikalitätstests nicht vollständig erklärt. Da die beiden 4×1-Modelle verworfen wurden und das 1×4-Modell mit einem Faktor (siehe Abbildung 3) einen guten Modellfit hat, wird es im Anschluss favorisiert.

Insgesamt kann die Schlussfolgerung gezogen werden, dass eine Operationalisierung des Konstrukts Musikalität durch nur einen Generalfaktor – bestehend aus den Leistungen der vier Tests BAT, EDT, MDT und MPT – möglich ist und das Konstrukt Musikalität als latente Variable des einfaktoriellen Strukturgleichungsmodells aufgefasst werden kann. Das Generalfaktormodell passt gut auf die Daten, wobei der Generalfaktor die Zusammenhänge zwischen den vier Musikalitätstests nicht vollständig erklärt. Dies kommt daher, dass alle Tests verschiedene Aspekte musikalischer Wahrnehmungsfähigkeiten messen. Die Residualvarianzen der einzelnen Tests sind demnach unter anderem auf deren spezielle Zielkonstrukte zurückzuführen.

Im nächsten Schritt wird überprüft, ob das gefundene Ergebnis der Generalfaktorhypothese auf die in Deutschland erhobene Stichprobe übertragen werden kann und ob damit eine Generalisierung möglich ist. Eine konfirmatorische Faktorenanalyse überprüft, ob die Korrelationen zwischen den Ergebnissen der vier Musikalitätstests aus dem Einfluss eines zugrunde liegenden Generalfaktors resultieren wie im Falle der britischen Stichprobe. Dafür wird analog zur vorherigen Analyse Modell 1 (ein Faktor mit den vier Indikatorvariablen BAT, EDT, MDT und MPT) analysiert.

In Tabelle 3 (neunte Zeile) sind die Güte- bzw. Informationskriterien der Modellierung des latenten Variablenmodells anhand der deutschsprachigen Stichprobe berichtet. Die Tabelle zeigt, dass Modell 1 gut zu den Daten passt, da der Chi-Quadrat-Test nicht signifikant ist und alle anderen Gütekriterien (RMSEA, SRMR, GFI und CFI) ober- oder unterhalb des jeweiligen Schwellenwerts liegen. Die standardisierten Ladungen der Indikatorvariablen auf dem Generalfaktor g liegen zwischen ,49 und ,56. Die Variablen EDT und MDT sind am engsten mit der latenten Variable g verknüpft und zeigten auch in der britischen Stichprobe den stärksten Zusammenhang mit g. Die Residualvarianzen der einzelnen Tests sind relativ hoch (zwischen ,68 und ,76), was auf Messfehlereinflüsse schließen lässt. Die Kommunalitäten der manifesten Variablen – also der Anteil ihrer Varianz, der durch die latenten Variablen des Modells erklärt wird – sind teilweise niedriger als in der vorherigen Analyse. Das bedeutet, dass das latente Konstrukt Musikalität die Varianzen der Indikatorvariablen nicht vollständig erklärt und der Einfluss des gefundenen Generalfaktors nicht alle Zusammenhänge zwischen den vier Musikalitätstests vollständig begründen kann.

Aus den bisherigen Ergebnissen dieser Studie geht folgende Überlegung hervor: Bei Annahme eines Zusammenhangs zwischen den Leistungen in den unterschiedlichen Tests ist dieser durch den Einfluss eines und nicht mehrerer zugrunde liegender Faktoren begründet. Damit sprechen die Ergebnisse der Analysen beider Stichproben für die Generalfaktorhypothese.

Die Normierung eines Tests dient der Erstellung eines objektiven „Bezugssystems, mit dessen Hilfe die Ergebnisse einer Testperson im Vergleich zu den Merkmalsausprägungen anderer Personen eindeutig eingeordnet und interpretiert werden können” (Moosbrugger & Kelava, 2012, S. 19). Im vorliegenden Fall besteht die Zielpopulation aus Jugendlichen der Sekundarstufe I in Deutschland und Großbritannien, die einen ähnlichen sozioökonomischen Hintergrund wie die hier untersuchte und im Methodenteil beschriebene Stichprobe aufweisen.

Es wird angenommen, dass musikalische Entwicklung im Jugendalter – und damit die Entwicklung der getesteten Fähigkeiten – durch Alter, Geschlecht und musikalische Ausbildung beeinflusst wird (Hargreaves & Lamont, 2017; vgl. Abbildung 6). Um diese Vermutung empirisch zu untersuchen, wird musikalische Entwicklung durch das Modell einer nicht-parametrischen Regression beschrieben, wobei der jeweilige Testwert (z. B. BAT) die abhängige Variable und die Variablen Alter, Geschlecht und Musikalische Ausbildung (Faktor F3 des Gold-MSI) die unabhängigen Variablen bilden. Die Prüfung der Linearität zwischen den abhängigen Variablen und den unabhängigen Variablen Alter und Musikalische Ausbildung erfolgt graphisch in Lowess-Diagrammen (vgl. Abbildung 6). Da keine lineare Beziehung zwischen den Variablen herrscht, wird ein non-parametrisches Modell verwendet. Die Annahme des Modells ist hierbei, dass die Variable des jeweiligen Testscores abhängig von den Variablen Alter, Geschlecht und Musikalische Ausbildung ist. Dies wurde in einem Unabhängigkeitstest mit der Maximum-Statistik als Teststatistik untersucht (R-Paket coin, Funktion independence_test). Dessen Nullhypothese ist, dass zwei Gruppen von Variablen y₁, …, y_q und x₁, …, x_p, die auf beliebigen Skalen gemessen wurden, voneinander unabhängig sind (Hothorn et al., 2021, S. 25). Das Modell einer nicht-parametrischen Regression und ein Unabhängigkeitstest wurden einer multiplen linearen Regression oder einer Korrelation vorgezogen, da der Anstieg in der abhängigen Variable und in den Variablen Alter, Geschlecht und Musikalische Ausbildung nicht linear ist. Das Ergebnis zeigt, dass Unterschiede in allen unabhängigen Variablen zu Unterschieden in der abhängigen Variable (Testscores) führen (p < ,001). Man kann daher davon ausgehen, dass die Testleistungen in den Musikalitätstests tatsächlich mit dem Alter, dem Geschlecht und dem Ausmaß an musikalischer Ausbildung zusammenhängen. Aus diesem Grund wurden für alle Kombinationen der unabhängigen Variablen Alter, Geschlecht und Musikalische Ausbildung die Normen der Tests BAT, MDT und MPT entsprechend differenziert, wobei die ursprünglich metrische Variable Musikalische Ausbildung in eine ordinale Variable umgewandelt wurde.

Für die Auswahl der Referenzstichprobe des BATs, des MDTs und des MPTs wurden aus der deutschen und britischen Stichprobe (zusammen N = 1786) alle Fälle ausgeschlossen, die fehlende Werte für den Faktor Musikalische Ausbildung des Gold-MSI (n = 92) oder für die Variable Alter (n = 1) hatten oder die als Geschlecht nicht männlich oder weiblich angegeben hatten (n = 85), weil später Normen unter anderem nach Geschlechtern getrennt erstellt wurden. Diese zusätzlich nach Alter und musikalischer Ausbildung aufzuteilen, hätte sehr kleine Substichproben mit n < 50 ergeben. Die verbliebenen 1614 Fälle wurden als Nächstes in Subgruppen nach Geschlecht (weiblich und männlich) und Alter eingeteilt (z. B. alle zehnjährigen Mädchen; vgl. Tabelle A2). Daraufhin wurden alle Subgruppen ausgeschlossen, die kleiner als n = 50 waren. Dieser Grenzwert wurde gewählt, um sicherzustellen, dass eine Substichprobe aus mindestens zwei Schulklassen mit n ≈ 25 besteht, und um so einen Klassenbias zu vermeiden. Das Ergebnis war eine Referenzstichprobe aus n = 1443 Fällen unterteilt in neun Subgruppen (für die Einteilung der Subgruppen und deren Größen siehe Spalte eins bis drei in Tabelle A2). Waren diese Subgruppen größer oder gleich n_Subgruppe = 100, wurden sie anschließend in mehrere Substichproben anhand der Variable Musikalische Ausbildung geteilt, sodass jede Substichprobe mindestens 50 Fälle umfasste. Im Folgenden wird durch die Begriffe „Subgruppe“ und „Substichprobe“ zwischen den nur nach Alter und Geschlecht (Subgruppe) und den zusätzlich nach Musikalischer Ausbildung eingeteilten Stichproben (Substichproben) unterschieden. Wenn die Subgruppe größer oder gleich n = 100 ist, bilden mehrere Substichproben eine Subgruppe. Zur Festlegung eines Kriteriums für die Einteilung in k ungefähr gleich große, endgültige Substichproben, wurden die Ergebnisse der Variable Musikalische Ausbildung in k Leistungsstufen bzw. Level sortiert und so Quantile gebildet. Die Variablen, für welche die Normen erstellt wurden, sind in den jeweiligen Substichproben nicht normalverteilt.

Die Normwerte sind entsprechend der Subgruppen in Tabelle A2 in Form von Mittelwerten und Standardabweichungen aufgelistet. Sie erlauben eine näherungsweise Einschätzung des Leistungsniveaus eines Jugendlichen in Abhängigkeit zu Alter, Geschlecht und musikalischer Ausbildung. Wenn beispielsweise ein zehnjähriger Junge auf der Teilskala Musikalische Ausbildung zwei Punkte (Level 1) und im BAT einen Testscore von −0,70 erreicht, bedeutet dies, dass er, dafür, dass er keinerlei musikalische Ausbildung genießt, eine überdurchschnittliche Beat-Wahrnehmungsfähigkeit im Vergleich zur Referenzgruppe besitzt. Denn für zehnjährige Jungen ohne musikalisches Training (Level 1) ist der Normmittelwert −1,82 (Standardabweichung = 1,08) und der Wert −0,70 somit mehr als eine Standardabweichung vom Mittelwert entfernt. Die Normen für den EDT werden in dieser Arbeit nicht berichtet, da der EDT zum Zeitpunkt der Datenauswertung weiterentwickelt wurde (MacGregor, Ruth & Müllensiefen, 2021), sodass damit zu rechnen ist, dass in Zukunft ein neuer (adaptiver) Emotionsunterscheidungstest mit neuen Normwerten verfügbar sein wird.