Verbesserung der Legasthenie-Bewertung bei Kindern durch computergestützte Tests

Zusammenfassung

Die Multimedia-Batterie zur Bewertung allgemeiner und spezifischer Lesekompetenzen ist eine zuverlässige und valide Multimedia-Batterie, die zur Bewertung kognitiver und grundlegender Lesefähigkeiten entwickelt wurde. Es ermöglicht die Erstellung eines umfassenden kognitiven und Leseleistungsprofils, was besonders für Kinder mit Legasthenie von Vorteil ist.

Zusammenfassung

Der Erwerb von Lesefähigkeiten ist ein komplizierter Prozess, der die Kultivierung verschiedener domänenallgemeiner und domänenspezifischer Fähigkeiten erfordert. Folglich ist es nicht verwunderlich, dass viele Kinder mit der Aufrechterhaltung ihrer Fähigkeiten auf Klassenniveau zu kämpfen haben, insbesondere wenn sie mit Herausforderungen konfrontiert sind, die mehrere Fähigkeiten in beiden Bereichen umfassen, wie sie bei Personen mit Leseschwierigkeiten beobachtet werden. Obwohl Leseschwierigkeiten zu den häufigsten neurologischen Entwicklungsstörungen bei Kindern im schulpflichtigen Alter gehören, fehlt es den meisten verfügbaren Diagnoseinstrumenten an einem umfassenden Rahmen für die Bewertung des gesamten Spektrums der kognitiven Fähigkeiten im Zusammenhang mit Legasthenie, mit minimalen computergestützten Optionen. Insbesondere gibt es derzeit nur begrenzte Tools mit diesen Funktionen für spanischsprachige Kinder. Das Ziel dieser Studie war es, das Protokoll für die Diagnose von spanischsprachigen Kindern mit Leseschwierigkeiten mit der Sicole-R Multimedia-Batterie zu beschreiben. Dieses Tool für Grundschulklassen konzentriert sich auf die Bewertung kognitiver Fähigkeiten, die mit Legasthenie verbunden sind, wie in der wissenschaftlichen Literatur vorgeschrieben. Insbesondere konzentriert es sich auf die Bewertung einer Reihe von kognitiven Fähigkeiten, von denen Studien gezeigt haben, dass sie mit Legasthenie in Verbindung stehen. Dieser Fokus basiert auf der Beobachtung, dass Personen mit Legasthenie typischerweise Defizite in mehreren der kognitiven Bereiche aufweisen, die mit diesem digitalen Tool ausgewertet werden. Die robuste innere Konsistenz und der mehrdimensionale innere Aufbau der Batterie wurden demonstriert. Diese Multimedia-Batterie hat sich als geeignetes Instrument für die Diagnose von Kindern mit Leseschwierigkeiten in der Grundschule erwiesen und bietet ein umfassendes kognitives Profil, das nicht nur für diagnostische Zwecke, sondern auch für die Erstellung individueller Unterrichtspläne wertvoll ist.

Einleitung

Legasthenie ist eine neurologische Entwicklungsstörung, die durch Schwierigkeiten bei der genauen und/oder flüssigen Worterkennung und schlechte Rechtschreib- und Dekodierungsfähigkeiten gekennzeichnet ist und durch unerwartete und anhaltende Schwierigkeiten beim Erwerb effizienter Lesefähigkeiten trotz konventionellem Unterricht, angemessener Intelligenz und soziokultureller Möglichkeiten gekennzeichnet^{ist 1}. Diese neurobiologische Störung äußert sich häufig in Schwierigkeiten beim Lesen, Rechtschreiben und Schreiben, die vor allem auf phonologische Defizite zurückzuführen^{sind 2,3}. "Die Bedeutung der Früherkennung von Legasthenie kann nicht hoch genug eingeschätzt werden, da sie ein rechtzeitiges Eingreifen und Unterstützen ermöglicht ^4,5. Wenn ein Schüler in einem Response-to-Intervention-Modell nicht über Stufe 3 hinauskommt, ist es unerlässlich, eine umfassendere Bewertung sowohl der bereichsübergreifenden als auch der domänenspezifischen Fähigkeiten im Zusammenhang mit Legasthenie durchzuführen, wie in der wissenschaftlichen Literatur hervorgehoben wird. Die Entwicklung der hier vorgestellten Technik basiert auf der Notwendigkeit, gründliche Evaluierungen durchzuführen, um sicherzustellen, dass angemessene Interventionen und Unterstützung bereitgestellt werden. Darüber hinaus unterstreichen frühere Studien den Nutzen technologiebasierter Screening-Tools wie Webanwendungen und Computerspiele bei der Erleichterung effektiver Screening-Prozesse ^6,7. Diese Studien unterstreichen gemeinsam die Vielschichtigkeit von Legasthenie und betonen die Notwendigkeit umfassender Bewertungs- und Interventionsstrategien, um die unterschiedlichen kognitiven Profile von Personen mit Legasthenie zu berücksichtigen. Trotz der Prävalenz von Legasthenie bei Kindern im schulpflichtigen Alter fehlt den meisten verfügbaren Diagnoseinstrumenten ein Rahmen, der sowohl domänenübergreifende als auch domänenspezifische Fähigkeiten umfassend bewertet. Darüber hinaus gibt es nur minimale computergestützte Optionen, insbesondere für die spanischsprachige Bevölkerung. Diese Multimedia-Batterie schließt diese Lücken, indem sie Technologie nutzt, um eine detaillierte Bewertung der kognitiven Fähigkeiten im Zusammenhang mit Legasthenie zu ermöglichen.

Theoretische Perspektiven und kognitive Defizite bei Legasthenie
Verschiedene theoretische Modelle, darunter phonologische, schnelle auditive Verarbeitung, visuelle, magnozelluläre und zerebelläre Theorien, zielen darauf ab, die Ursachen von Legasthenie zu erklären und Interventionen zu informieren (siehe für eine Übersicht)⁸. Die phonologische Theorie führt Legasthenie auf Schwierigkeiten bei der Verarbeitung von Sprachlauten^{zurück 9}, während die Theorie der schnellen auditiven Verarbeitung Legasthenie mit Defiziten bei der Wahrnehmung schnell wechselnder Laute verbindet¹⁰. Die visuelle Theorie hebt die visuellen Aspekte von Leseschwierigkeiten hervor, und die magnozelluläre Theorie weist auf Beeinträchtigungen der visuellen und auditiven Verarbeitungswege^{hin 11}. Die Kleinhirntheorie geht davon aus, dass Legasthenie durch Kleinhirnbeeinträchtigungen entsteht, die die motorische Kontrolle und die kognitiven Funktionen beeinträchtigen¹². Das Delayed Neural Commitment (DNC)-Framework von Nicolson und Fawcett postuliert, dass ein langsamerer Erwerb von Fähigkeiten und die verzögerte Entwicklung neuronaler Netzwerke für Legasthenie von zentraler Bedeutung sind. Neuere Modelle, wie z. B. das Modell der multiplen Defizite, schlagen vor, dass Legasthenie eine komplexe Störung ist, die von genetischen, kognitiven und Umweltfaktoren beeinflusst wird 13,14,15. Zum Beispiel unterstützen Ring und Black¹⁴ das Modell der multiplen Defizite und zeigen, dass sowohl phonologische als auch kognitive Verarbeitungsdefizite zur Heterogenität der Legasthenie beitragen. Soriano-Ferrer et ^al.15 führten eine Studie mit spanischsprachigen Kindern mit Entwicklungslegasthenie (DD) durch und fanden signifikante Beeinträchtigungen der Benennungsgeschwindigkeit, des verbalen Arbeitsgedächtnisses und des phonologischen Bewusstseins (PA). In ähnlicher Weise unterstreichen Zygouris et ^al.16 und Rauschenberger et ^al.6 die Bedeutung kognitiver Screening-Tools bei der Identifizierung dieser Defizite, wobei Legastheniker durchweg schlechter abschneiden als typischerweise leistungsstarke Gleichaltrige.

Untersuchung technologischer Ansätze im Legasthenie-Screening: Erkenntnisse aus Forschungsstudien
Die Forschung zum Legasthenie-Screening hat sich mit drei Hauptansätzen entwickelt: Früherkennungsstrategien, facettenreiche Screening-Methoden, die verschiedene Bewertungen kombinieren, und die Integration von Technologie zur Effizienzsteigerung¹⁷. Die¹⁸ kürzlich durchgeführten systematischen Übersichtsarbeiten von Politi-Georgousi unterstreichen eine Verschiebung hin zu mehr Anwendungen für die Intervention bei Legasthenie-Symptomen anstelle von Screening-Prozessen, die mit der Technologieintegration in Einklang stehen, um die Lesefähigkeiten von legasthenen Schülern zu verbessern. Es gibt verschiedene Instrumente, wie z. B. den Dyslexia Early Screening Test (DEST) von Fawcett und Nicolson, der Geschwindigkeit, phonologische Fähigkeiten, motorische Fähigkeiten, Kleinhirnfunktion und Wissen bewertet¹⁹. "Computergestützte Tools haben sich weiterentwickelt, darunter eine Webanwendung zur Bewertung der Lese- und kognitiven Fähigkeiten griechischer Kinder²⁰ und Tools von Hautala et ^al.21 und Rauschenberg et ^al.6, die Spiele und maschinelles Lernen zur Früherkennung von Legasthenie nutzen. Ahmad et al. integrierten Spiele mit neuronalen Netzen und erreichten eine Genauigkeit von 95 % bei der Erkennung²². Studien über verschiedene Orthographien hinweg unterstreichen die Bedeutung des phonologischen Bewusstseins und der schnellen automatisierten Benennung bei der Legasthenieerkennung^23,24.

Einblicke in Legasthenie bei spanischsprachigen Kindern
Die Erforschung von Legasthenie bei spanischsprachigen Kindern wurde durch den Einsatz der Sicole-R-Technologie erheblich vorangetrieben. Jiménez et al. zeigten ihre Wirksamkeit bei der Beurteilung von Legasthenie in verschiedenen Altersgruppen, insbesondere bei der Unterscheidung zwischen Legasthenikern und typischerweise erfolgreichen Lesern auf der Grundlage phonologischer und syntaktischer Verarbeitung in den frühen Grundschuljahren²⁵. Guzmán et al. untersuchten Defizite bei der Benennungsgeschwindigkeit bei legasthenen Kindern mit phonologischen Herausforderungen und hoben die Wechselwirkungen zwischen Legasthenie und Benennungsgeschwindigkeit hervor, die durch Aufgaben wie Buchstaben-RAN und Zahlen-RAN^{gemessen wurden 26}. Weitere Studien von Jiménez et al. untersuchten phonologische Bewusstseinsdefizite über verschiedene Silbenstrukturen^{hinweg 27}, während Ortiz et al. Sprachwahrnehmungsdefizite bei spanischen Kindern mit Legasthenie untersuchten und Beeinträchtigungen in der Sprachwahrnehmungsentwicklung unabhängig vom phonetischen Kontrast oder der sprachlichen Einheit aufzeigten^28,29. Jiménez et al. untersuchten die Doppeldefizithypothese der Legasthenie³⁰, gefolgt von Analysen kognitiver Prozesse und geschlechtsspezifischer Disparitäten in der Legasthenieprävalenz^31,32. Rodrigo et al. untersuchten den lexikalischen Zugang bei spanischen legasthenen Kindern³³, und Jiménez et al. untersuchten syntaktische Verarbeitungsdefizite³⁴. Schließlich untersuchten Jiménez et al. phonologische und orthographische Prozesse bei legasthenen Subtypen und hoben Unterschiede in der orthographischen Routeneffizienz hervor³⁵. Diese Studien verbessern unser Verständnis der kognitiven und sprachlichen Herausforderungen von Legasthenie in spanischsprachigen Bevölkerungsgruppen.

Die durchgeführten Studien haben mehrere gemeinsame Merkmale in Bezug auf das Alter und den Hintergrund der teilnehmenden Kinder. Die Kinder, die in diese Studien einbezogen wurden, waren zwischen 7 und 14 Jahre alt. Die meisten Studien konzentrierten sich auf Grundschulkinder im Alter zwischen 7 und 12 Jahren, mit Ausnahme derjenigen, die Kinder bis 14 Jahre umfassten, und lieferten eine Stichprobe, die von den frühen Schuljahren bis zur Vorpubertät reicht^31,32. Die teilnehmenden Kinder kamen hauptsächlich von den Kanarischen Inseln in Spanien. Darüber hinaus umfassten einige Studien Proben aus anderen Regionen Spaniens und Guatemalas^31,32. Die Teilnehmer kamen sowohl aus öffentlichen als auch aus privaten Schulen, die aus städtischen und vorstädtischen Gebieten stammten. Die sozioökonomischen Schichten, die in diesen Studien vertreten sind, reichen von der unteren Mittelschicht bis zur Arbeiter- und Mittelschicht.

Zusammengenommen verbessern diese Untersuchungen unser Verständnis der Komplexität von Legasthenie erheblich und tragen zur Legasthenieforschung bei. Das Tool ist für den Einsatz in mehreren iberoamerikanischen Ländern, darunter Spanien, Guatemala, Chile und Mexiko, geeignet und erleichtert die Beurteilung der diagnostischen Genauigkeit und Präzision in einer vielfältigen spanischsprachigen Stichprobe für diese Studie.

Ziel dieser Studie war es, ein Protokoll für die Diagnose von spanischsprachigen Kindern mit Leseschwierigkeiten unter Verwendung einer speziellen Multimedia-Batterie zu entwickeln. Das Hauptziel ist es, ein umfassendes Bewertungsinstrument bereitzustellen, das sowohl domänenübergreifende als auch domänenspezifische Fähigkeiten im Zusammenhang mit Legasthenie bewertet.

Übersicht über den Versuchsaufbau
Die SICOLE-R wurde in der Java 2 Platform Standard Edition (J2SE) programmiert. Als Datenbank wird die HSQL-Datenbank-Engine verwendet. Die Software umfasst 6 Hauptmodule, die evaluiert werden sollen: 1) Wahrnehmungsverarbeitung, die die Aufgaben der Intonation, der Platzierung und der Art der Artikulation umfasst; 2) phonologische Verarbeitung, die Phonemisolation, Phonemlöschung, Phonemsegmentierung und Phonemmischung umfasst; 3) Benennungsgeschwindigkeit, die die Aufgaben der Benennungsgeschwindigkeit in Zahlen, Buchstaben, Farben und Bildern umfasst; 4) orthographische Verarbeitung, die Aufgaben des morphologischen Verständnisses von Lexemen und Suffixen sowie des homophonen Verständnisses umfasst; 5) syntaktische Verarbeitung, einschließlich Geschlecht, Zahl, Funktionswörter und grammatikalische Strukturaufgaben; und 6) semantische Verarbeitung, die Leseverständnisaufgaben durch informativen und narrativen Text beeinflusst. Die Anweisungen für jede Aufgabe, begleitet von ein oder zwei Versuchen (je nach Aufgabe) und einer Demonstration, werden von einem pädagogischen Agenten vor Beginn der Testphase gegeben. Das Anwendungsprotokoll für jede Aufgabe ist hier dargestellt.

Vor der Verabreichung der Multimedia-Batterie an die Studienstichprobe wurden für jedes Land (d. h. Mexiko, Guatemala, Ecuador und Chile) Anpassungen an der spanischen Sprachmodalität vorgenommen, einschließlich Anpassungen des Vokabulars, der Bilder und anderer relevanter Inhalte. Die Verwaltungsbedingungen waren in allen lateinamerikanischen Ländern gleich. Die Verwaltungsumgebung innerhalb der Schule musste ruhig und frei von Lärm, Ablenkungen und Unterbrechungen sein. Die Dauer der Verabreichung der Multimedia-Batterie reichte von 3-4 Sitzungen à 30 Minuten, abhängig von den Fähigkeiten und dem Alter des Schülers. Aufgrund seiner Datenbankkompatibilität mit den meisten Tabellenkalkulations- und statistischen Datenverarbeitungssystemen kann der Evaluator die Ergebnisse jedes untergeordneten Elements und jeder Aufgabe analysieren. Bei der Datenerhebung wurden zwei unterschiedliche Aufgabentypen verwendet: 1) Aufgaben, bei denen die Prüferin oder der Prüfer die mündliche Leistung der Studierenden erfasst und Erfolge und Fehler mit einer externen Maus notiert, und 2) Aufgaben, bei denen die Studierenden selbstständig Optionen auswählen müssen, indem sie darauf klicken.

Protokoll

Dieses Protokoll wurde in Übereinstimmung mit den Richtlinien des Comité de Ética de la Investigación y Bienestar Animal (Ausschuss für Forschungsethik und Tierschutz, CEIBA) an der Universidad de La Laguna (ULL) erstellt. Die Daten wurden je nach Lehrplan des jeweiligen Landes zu unterschiedlichen Zeitpunkten erhoben, wobei ausschließlich Informationen von Schülern erfasst wurden, deren Bildungsverwaltungen, Schulen und Eltern ihre Zustimmung gegeben haben. Die in dieser Studie verwendete Testbatterie ist als geistiges Eigentum registriert und kann über eine Übertragungsvereinbarung mit der ULL abgerufen werden. Für weitere Informationen zum Erhalt der Testbatterie können sich Interessierte an das Office of Knowledge Transfer (OTRI) an der ULL wenden.

1. SICOLE-R Installation und Vorbereitung

1. Verwenden Sie für die Anwendung dieses Tools folgendes Einschlusskriterium: Schülerinnen und Schüler der zweiten bis sechsten Klasse. Verwenden Sie folgendes Ausschlusskriterium: Schließen Sie Schülerinnen und Schüler mit sonderpädagogischem Förderbedarf nicht ein, d. h. solche, die unter anderem aufgrund von Sinnesbeeinträchtigungen oder erworbenen neurologischen Problemen Unterstützung und gezielte pädagogische Betreuung benötigten.
   HINWEIS: Die Bewertung wird mit den Schülern individuell in einem ruhigen Raum mit Zugang zu einem Computer und guter Beleuchtung durchgeführt. Kopfhörer mit einem angepassten Mikrofon sind erforderlich, um den Empfang von Aufgabenanweisungen zu erleichtern und die Leistung der Schüler zu steigern.
2. Um die Software auf einem Computer zu installieren, führen Sie die Datei als Administrator aus und klicken Sie auf das Symbol, um das Tool zu öffnen. Beim Öffnen der Anwendung erscheint eine erste Schnittstelle, in der verschiedene Betriebsoptionen angezeigt werden.
3. Geben Sie die Informationen der Studierenden ein, die die Aufgaben ausführen werden, bevor Sie mit der Bewertung beginnen. Sobald ihre Daten eingegeben wurden, erfassen Sie sie in einer Liste von Schülern, und ihre Informationen können später geändert werden.
4. Jedes Mal, wenn ein neuer Schüler hinzugefügt wird, wird ein Testbildschirm angezeigt, bevor mit den Aufgaben begonnen wird. Bitten Sie den Schüler auf diesem Bildschirm, auf den Stiefel zu tippen, der auf dem Bildschirm angezeigt wird.
   HINWEIS: Das Ziel dieses Minispiels ist es, eine Grundlage für die Bewertung der motorischen Kontrolle der Schüler zu schaffen. Es ermöglicht die Überwachung individueller Unterschiede in der Motordrehzahl, da die Software die Reaktionen durch Drücken von Tasten auf der Tastatur aufzeichnet. Dieses Minispiel kommt nur einmal vor.
5. Bevor Sie mit der Prüfung beginnen, bitten Sie den Prüfer, folgende Anweisungen zu geben: Nun betreten Sie eine virtuelle Zirkusumgebung mit verschiedenen Toren. Jedes Tor führt zu lustigen Aktivitäten, an denen Sie teilnehmen werden. Ein Clown führt Sie durch diese Tore und erklärt, was Sie bei jeder Aktivität tun müssen. Bitte setzen Sie sich neben die Prüferin oder den Prüfer und hören Sie sich die Anweisungen genau an. Stellen Sie sicher, dass Sie bei jeder Aufgabe Ihr Bestes geben. Viel Spaß beim Erkunden und Abschließen dieser Aktivitäten!
6. Beginnen Sie die Aufgaben, indem Sie den Teilnehmer auswählen, der für die Bewertung vorgesehen ist, und auf den Abschnitt Start klicken. Das Hauptmenü enthält 5 farbige Türen, die jeweils einem der zu bewertenden Module entsprechen.
7. Jede Aufgabe beginnt mit einer einführenden Anweisung, bitten Sie die Schüler, darauf zu achten. Die Schüler werden über die Art des Spiels informiert und in das Spiel eingewiesen, unterstützt von einem pädagogischen Agenten. Stellen Sie sicher, dass der Agent für jede Aufgabe mündliche Anweisungen gibt, indem er das Verfahren anhand eines Modells veranschaulicht und Beispiele präsentiert, die die Schüler nachahmen können.
8. Stellen Sie nach Fertigstellung der Beispiele sicher, dass der pädagogische Agent entsprechendes Feedback gibt, damit die Schüler das Beispiel wiederholen können, wenn es falsch ausgeführt wurde, und die Bewertung beginnt.
   HINWEIS: Der pädagogische Agent ist eine virtuelle Figur, die den Schüler durch die Aufgaben führen soll. Diese Rolle erfordert, dass der Agent über eine klare und verständliche Sprache verfügt und in der Lage ist, Unterrichtsanleitungen, Aufgabenmodellierung und Feedback basierend auf den Antworten der Schüler bereitzustellen. Der pädagogische Agent muss so programmiert werden, dass er konsistent und genau auf die Eingaben des Schülers während der Aufgaben reagiert.

2. SICOLE-R Aufgaben

1. Yellow Door: Wahrnehmungsverarbeitungsmodul mit einer Sprachwahrnehmungsaufgabe
   1. Öffnen Sie das Programm auf dem Computer. Navigieren Sie zur gelben Tür in der Programmoberfläche. Klicken Sie auf eine der verfügbaren Unteraufgaben , um die Aufgabe zu starten: (1) Intonation, (2) Art der Artikulation und (3) Platzierung.
   2. Erlauben Sie dem pädagogischen Agenten, dem Schüler Unterrichtsanleitungen und Aufgabenmodellierung zu geben. Der Agent sollte sagen: Jetzt werden wir Silbenpaare hören. Wenn die Silben identisch sind, drücken Sie die blaue Taste; Wenn sie unterschiedlich sind, drücken Sie die rote Taste. Schauen Sie sich an, wie ich das mache. Jetzt sind Sie mit diesen Beispielen an der Reihe.
   3. Präsentieren Sie dem Schüler zwei Beispiele für Elemente:/ba/-/pa/;/ja/-/ka/. Weisen Sie die Schülerinnen und Schüler erneut an, den blauen Kreis auszuwählen, wenn die Paare identisch sind, und den roten Knopf, wenn sie unterschiedlich sind.
   4. Sobald die Aufgabe erledigt ist, stellen Sie sicher, dass der pädagogische Agent auf der Grundlage der Antworten der Schüler in den Beispielen Feedback gibt. Sobald die Beispiele abgeschlossen sind, lassen Sie den Agenten den Schüler anweisen, die Aufgabe zu initiieren.
   5. Das Verfahren zum Auswählen von Kreisen (blau oder rot) bleibt während der gesamten Aufgabe konsistent und zeichnet Treffer und Fehlschläge auf. Wenn der Schüler das Silbenpaar noch einmal hören möchte, klicken Sie auf das Lautsprechersymbol , um es noch einmal abzuspielen. Beachten Sie, dass nur eine zusätzliche Wiedergabe pro Element zulässig ist.
2. Pink Door: Modul für phonologische Sensibilisierung
   1. Aufgabe zur Phonemsegmentierung
      1. Öffnen Sie das Programm auf dem Computer. Navigieren Sie zur rosa Tür in der Programmoberfläche. Wählen Sie Phonemsegmentierung aus, um die Aufgabe auszuwählen.
      2. Erlauben Sie dem pädagogischen Agenten, dem Schüler eine Anleitung zu geben. Der Agent sollte sagen: Jetzt konzentrieren wir uns auf die Phonemsegmentierung. Schauen Sie zu, wie ich demonstriere. Dann sehen Sie zwei Beispielelemente.
      3. Präsentieren Sie dem Schüler zwei Beispielaufgaben. Bitten Sie den Schüler, seine Antworten auf jedes Wort laut zu formulieren.
      4. Klicken Sie mit der externen Maus auf die blaue Schaltfläche für korrekte Antworten und die rote Schaltfläche für falsche Antworten. Stellen Sie sicher, dass der pädagogische Mitarbeiter Feedback gibt, das auf den Antworten der Schüler auf die Beispiele basiert.
      5. Stellen Sie nach den Beispielen sicher, dass der pädagogische Agent den Schüler anweist, mit der Aufgabe zu beginnen.
   2. Aufgabe zum Mischen von Phonemen
      1. Rufen Sie das Programm auf dem Computer auf. Navigieren Sie zur rosa Tür in der Programmoberfläche. Wählen Sie Phoneme Blending aus, um die Aufgabe auszuwählen.
      2. Erlauben Sie dem pädagogischen Agenten, dem Schüler eine Anleitung zu geben. Der Agent sagt: Jetzt konzentrieren wir uns auf die Phonemsynthese. Schauen Sie zu, wie ich demonstriere. Dann sehen Sie zwei Beispielelemente.
      3. Präsentieren Sie dem Schüler zwei Beispielaufgaben. Bitten Sie den Schüler, seine Antworten auf jedes Wort laut zu formulieren.
      4. Verwenden Sie die externe Maus, um auf die blaue Taste für genaue Antworten und die rote Taste für ungenaue Antworten zu klicken. Stellen Sie sicher, dass der pädagogische Mitarbeiter Feedback gibt, das auf den Antworten der Schüler auf die Beispiele basiert.
      5. Lassen Sie den pädagogischen Agenten nach den Beispielen den Schüler anleiten, die Aufgabe zu initiieren. Das Verfahren bleibt während der gesamten Aufgabenausführung konsistent und zeichnet sowohl genaue als auch ungenaue Antworten auf.
      6. Wenn der Schüler ein Wort noch einmal hören muss, klicken Sie auf das Papageien-Symbol , um eine Wiederholung zu erhalten. Beachten Sie, dass nur eine Wiederholung pro Element erlaubt ist.
   3. Aufgabe zur Phonem-Isolation
      1. Öffnen Sie das Programm auf dem Computer. Navigieren Sie zur rosa Tür in der Programmoberfläche. Klicken Sie auf Phoneme Isolation , um die Aufgabe auszuwählen.
      2. Erlauben Sie dem pädagogischen Agenten, dem Schüler Unterrichtsanleitungen und Aufgabenmodellierung zu geben. Der Agent sollte sagen: Jetzt konzentrieren wir uns auf die Isolierung von Phonemen. Schauen Sie zu, wie ich demonstriere. Dann sehen Sie zwei Beispielelemente. Ihre Aufgabe ist es, auf die Bilder zu klicken, deren Name mit dem gleichen Klang wie das Zielwort beginnt.
      3. Präsentieren Sie dem Schüler zwei Beispielaufgaben. Beobachten Sie, ob der Schüler auf die Bilder klickt, die mit dem gleichen Klang wie das Zielwort beginnen.
      4. Stellen Sie sicher, dass der pädagogische Mitarbeiter Feedback gibt, das auf den Antworten der Schüler auf die Beispiele basiert. Stellen Sie nach den Beispielen sicher, dass der Agent den Schüler anleitet, mit der Aufgabe zu beginnen.
      5. Das Verfahren bleibt während der gesamten Aufgabe einheitlich und dokumentiert sowohl Treffer als auch Fehlschüsse. Wenn der Schüler ein Wort zusätzlich hören möchte, klicken Sie auf das Lautsprechersymbol , um es wiederzugeben. Beachten Sie, dass nur eine Wiederholung pro Element erlaubt ist.
   4. Aufgabe zum Löschen von Phonemen
      1. Öffnen Sie das Programm auf dem Computer. Navigieren Sie zur rosa Tür in der Programmoberfläche. Wählen Sie Phonemlöschung , um die Aufgabe auszuwählen.
      2. Erlauben Sie dem pädagogischen Agenten, Unterrichtsanleitungen zu geben und dem Schüler die Aufgabe zu demonstrieren. Der Agent sollte sagen: Jetzt konzentrieren wir uns auf die Phonemlöschung. Schauen Sie zu, wie ich demonstriere. Dann sehen Sie zwei Beispielelemente.
      3. Präsentieren Sie dem Schüler zwei Beispielaufgaben. Bitten Sie den Schüler, seine Antwort für jedes Wort laut zu sagen.
      4. Klicken Sie mit der externen Maus auf die blaue Schaltfläche für richtige Antworten und auf die rote Schaltfläche für falsche Antworten. Stellen Sie sicher, dass der pädagogische Mitarbeiter Feedback gibt, das auf den Antworten der Schüler auf die Beispiele basiert.
      5. Stellen Sie nach den Beispielen sicher, dass der pädagogische Agent den Schüler anweist, die Aufgabe zu initiieren. Das Verfahren bleibt während der gesamten Aufgabenausführung konsistent und zeichnet sowohl richtige als auch falsche Antworten auf.
      6. Wenn der Schüler ein Wort noch einmal hören muss, klicken Sie auf das Lautsprechersymbol , um eine Wiederholung zu erhalten. Beachten Sie, dass nur eine Wiederholung pro Element erlaubt ist.
3. Orange Door: Benennung von Geschwindigkeit und orthographischen Modulen
   1. Schnelle automatisierte Benennung (RAN)
      1. Greifen Sie auf das Programm auf dem Computer zu. Gehen Sie zur orangefarbenen Klappe in der Programmoberfläche. Wählen Sie Naming Speed (Benennungsgeschwindigkeit ) aus, um die Aufgabe auszuwählen.
      2. Erlauben Sie dem pädagogischen Agenten, Anweisungen zu geben und die Aufgabe zu demonstrieren. Präsentieren Sie ein Beispiel für die Unteraufgabe letter RAN des Moduls naming speed.
      3. Bitten Sie die Schüler, ihre Antworten laut zu formulieren. Wenn die Antwort im Beispiel korrekt ist, wählen Sie die blaue Schaltfläche auf dem Bildschirm aus. Wenn falsch, klicken Sie auf die rote Schaltfläche.
      4. Stellen Sie sicher, dass der pädagogische Mitarbeiter auf der Grundlage der Antworten der Schüler Feedback gibt. Stellen Sie nach dem Beispiel sicher, dass der pädagogische Agent die Aufgabe initiiert.
      5. Starten Sie die Aufgabe, indem Sie mit der linken Maustaste klicken, um mit der Zeitmessung zu beginnen. Während der Aufgabe erscheint je nach Unteraufgabe eine Matrix von Elementen auf dem Bildschirm.
      6. Bitten Sie den Schüler, die Elemente der Matrix laut und in der richtigen Reihenfolge zu benennen. Dokumentieren Sie gleichzeitig alle Fehler, die der Schüler gemacht hat.
      7. Verwenden Sie für jeden Fehler die rechte Maustaste der externen Maus, um die Anzahl der Fehler zu registrieren. Wenn der Schüler mit der Benennung der Elemente fertig ist, drücken Sie erneut die linke Taste, um die Zeitplanung abzuschließen und die Aufgabe für diese Teilaufgabe zu erledigen. Nach Abschluss der ersten Unteraufgabe (Buchstabe RAN) wird automatisch die nächste Unteraufgabe (Nummer RAN) angezeigt, wobei das gleiche Verfahren ausgeführt wird. Dieser Prozess wird für die verbleibenden Teilaufgaben (Farb-RAN und Objekt-RAN) fortgesetzt.
   2. Aufgabe "Lexem und Suffixe"
      1. Greifen Sie auf das Programm auf dem Computer zu. Navigieren Sie zu der orangefarbenen Tür in der Plattformoberfläche und klicken Sie auf Lexeme und Suffixe , um die Aufgabe auszuwählen.
      2. Ermöglichen Sie es dem pädagogischen Agenten, dem Schüler Unterrichtsanleitungen und Aufgabenmodellierung anzubieten, einschließlich eines Beispielelements, bei dem der Schüler eine externe Maus verwendet, um ein Bild auszuwählen, das dem Zielwort entspricht.
      3. Stellen Sie sicher, dass der pädagogische Agent basierend auf der Reaktion des Schülers auf das Beispiel Feedback gibt und den Schüler dann anweist, mit der Aufgabe zu beginnen.
      4. Bewahren Sie die Verfahrenskonsistenz während der gesamten Aufgabenausführung, indem Sie den Schüler auffordern, ein Bild auszuwählen, das dem Zielwort für jedes präsentierte Element entspricht, und sowohl korrekte Treffer als auch verpasste Antworten aufzeichnen.
   3. Aufgabe des homophonen Verständnisses
      1. Greifen Sie auf das Programm auf dem Computer zu. Navigieren Sie zur orangefarbenen Tür in der Plattformoberfläche. Klicken Sie auf Homophone Verständlichkeit , um die Aufgabe auszuwählen.
      2. Ermöglichen Sie es dem pädagogischen Agenten, dem Schüler Unterrichtsanleitungen und Aufgabenmodellierung anzubieten. Präsentieren Sie ein Beispielelement und fordern Sie den Schüler auf, mit einer externen Maus ein Bild auszuwählen, das dem Zielwort entspricht.
      3. Stellen Sie sicher, dass der pädagogische Agent Feedback auf der Grundlage der Reaktion des Schülers auf das Beispiel gibt, und weisen Sie den Schüler an, die Aufgabe nach der Beispielpräsentation zu beginnen.
      4. Bewahren Sie die Konsistenz der Verfahrensschritte während der gesamten Aufgabenausführung. Fordern Sie die Schülerinnen und Schüler auf, für jedes präsentierte Element ein Bild auszuwählen, das dem Zielwort entspricht.
      5. Zeichnen Sie sowohl korrekte Treffer als auch verpasste Antworten während der Aufgabenausführung auf.
4. Green Door: Modul für die syntaktische Verarbeitung
   1. Gender-Aufgabe
      1. Öffnen Sie das Programm auf dem Computer. Navigieren Sie zur grünen Tür in der Programmoberfläche. Klicken Sie auf Geschlecht , um die Aufgabe auszuwählen.
      2. Erlauben Sie dem pädagogischen Agenten, dem Schüler Anweisungen und Aufgabenmodelle zu geben. Präsentieren Sie dem Schüler zwei Beispiele, die er ausfüllen soll, indem er mit einer externen Maus auf die entsprechenden Wörter in jedem Satz entsprechend seiner Geschlechtsübereinstimmung klickt.
      3. Stellen Sie sicher, dass der pädagogische Mitarbeiter Feedback gibt, das auf der Reaktion der Schüler auf die Beispiele basiert. Stellen Sie nach der Beispielpräsentation sicher, dass der pädagogische Mitarbeiter den Schüler anleitet, mit der Aufgabe zu beginnen.
      4. Achten Sie während der gesamten Aufgabenausführung auf Konsistenz im Verfahren. Fordern Sie den Schüler auf, auf die entsprechenden Wörter in jedem Satz entsprechend seiner Geschlechtsübereinstimmung zu klicken.
      5. Sammeln Sie während der Aufgabenausführung sowohl richtige als auch falsche Antworten.
         HINWEIS: Im Gegensatz zum Spanischen unterscheidet das Englische in seiner Grammatik nicht zwischen Geschlecht.
   2. Aufgabe "Nummerieren"
      1. Öffnen Sie das Programm auf dem Computer. Navigieren Sie zur grünen Tür in der Programmoberfläche. Klicken Sie auf Zahl , um die Aufgabe auszuwählen.
      2. Erlauben Sie dem pädagogischen Agenten, dem Schüler Anweisungen und Aufgabenmodelle zu geben. Präsentieren Sie dem Schüler zwei Beispiele, die er ausfüllen soll, und fordern Sie ihn auf, mit einer externen Maus auf die entsprechenden Wörter in jedem Satz entsprechend seiner Zahlenübereinstimmung zu klicken.
      3. Stellen Sie sicher, dass der pädagogische Mitarbeiter Feedback gibt, das auf der Reaktion der Schüler auf die Beispiele basiert. Stellen Sie nach der Beispielpräsentation sicher, dass der pädagogische Mitarbeiter den Schüler anleitet, mit der Aufgabe zu beginnen.
      4. Achten Sie während der gesamten Aufgabenausführung auf Konsistenz im Verfahren. Fordern Sie die Schülerinnen und Schüler auf, auf die entsprechenden Wörter in jedem Satz entsprechend ihrer Zahlenübereinstimmung zu klicken.
      5. Erfassen Sie sowohl Treffer als auch Fehlschläge während der Aufgabenausführung.
         HINWEIS: Im Gegensatz zum Spanischen unterscheidet das Englische in seiner Grammatik nicht zwischen Zahlen.
   3. Aufgabe für funktionale Wörter
      1. Öffnen Sie das Programm auf dem Computer. Navigieren Sie zur grünen Tür in der Programmoberfläche. Klicken Sie auf Funktionale Wörter , um die Aufgabe auszuwählen.
      2. Erlauben Sie dem pädagogischen Agenten, dem Schüler Anweisungen und Aufgabenmodelle zu geben. Präsentieren Sie den Schülerinnen und Schülern zwei Beispiele zum Ausfüllen, wobei sie mit einer externen Maus auf die entsprechenden Funktionswörter in jedem Satz entsprechend dem Kontext des Satzes klicken müssen.
      3. Stellen Sie sicher, dass der pädagogische Mitarbeiter Feedback gibt, das auf der Reaktion der Schüler auf die Beispiele basiert. Stellen Sie nach der Beispielpräsentation sicher, dass der pädagogische Mitarbeiter den Schüler anleitet, mit der Aufgabe zu beginnen.
      4. Achten Sie während der gesamten Aufgabenausführung auf Konsistenz im Verfahren. Fordern Sie den Schüler auf, auf die entsprechenden Funktionswörter in jedem Satz zu klicken, je nach Kontext des Satzes.
      5. Sammeln Sie während der Aufgabenausführung sowohl richtige als auch falsche Antworten.
   4. Grammatikalische Strukturaufgabe
      1. Öffnen Sie das Programm auf dem Computer. Navigieren Sie zur grünen Tür in der Programmoberfläche. Wählen Sie Grammatikalische Struktur aus, um die Aufgabe auszuwählen.
      2. Erlauben Sie dem pädagogischen Agenten, dem Schüler Anweisungen und Aufgabendemonstrationen zu geben. Präsentieren Sie den Schülerinnen und Schülern zwei Beispiele, die sie ausfüllen sollen, indem sie mit einer externen Maus auf den entsprechenden Satz für jedes Bild klicken.
      3. Stellen Sie sicher, dass der pädagogische Mitarbeiter Feedback gibt, das auf der Reaktion der Schüler auf die Beispiele basiert. Stellen Sie nach der Beispielpräsentation sicher, dass der pädagogische Agent den Schüler anleitet, mit der Aufgabe zu beginnen.
      4. Achten Sie während der gesamten Aufgabenausführung auf Konsistenz im Verfahren. Fordern Sie die Schülerinnen und Schüler auf, mit einer externen Maus für jedes Bild auf den entsprechenden Satz zu klicken.
      5. Erfassen Sie sowohl richtige als auch falsche Antworten während der Aufgabenausführung.
5. Blue Door: Semantisches Verarbeitungsmodul mit Leseverständnisaufgabe
   1. Öffnen Sie das Programm auf dem Computer. Gehen Sie zur blauen Tür in der Programmoberfläche. Wählen Sie entweder "The Fruits " für den informativen Text oder " Tino's Getaway " für den erzählenden Text.
   2. Erlauben Sie dem pädagogischen Agenten, dem Schüler Aufgabenanweisungen zu geben. Nachdem Sie die Textsorte ausgewählt haben, zeigen Sie den Text auf dem Bildschirm an.
   3. Der Schüler muss den Text lesen und sich die wichtigsten Informationen merken. Bitten Sie den Schüler nach Beendigung des Lesens, mit der externen Maus auf den Pfeil auf dem Bildschirm zu klicken, um den Abschluss des Lesevorgangs anzuzeigen, und mit dem nächsten Abschnitt fortzufahren.
   4. Lassen Sie den pädagogischen Agenten den Schüler anweisen, die Fragen zu lesen und die richtige Antwort mit der externen Maus auszuwählen. Der Schüler liest die Fragen und wählt entsprechend die richtige Antwort aus.

3. Datenanalyse

1. Um die Konstruktvalidität und Diagnosegenauigkeit der Multimedia-Batterie in einer spanischsprachigen Bevölkerung zu beurteilen, verwenden Sie die konfirmatorische Faktorenanalyse (CFA) und die ROC-Kurvenanalyse (Receiver Operating Characteristic).
2. Führen Sie CFA durch, um die zugrunde liegende Faktorstruktur der Multimediabatterie zu validieren. Diese Analyse ermöglicht es, die Hypothese zu testen, dass die Daten auf der Grundlage theoretischer Erwartungen in eine vordefinierte Struktur passen.
3. Bewerten Sie die Modellanpassung anhand mehrerer Anpassungsindizes, darunter der Comparative Fit Index (CFI), der Tucker-Lewis-Index (TLI), der Root Mean Square Error of Approximation (RMSEA) und der standardisierte Root Mean Square Residual (SRMR). Eine gute Modellanpassung wird durch CFI- und TLI-Werte von mehr als 0,90, RMSEA-Werte von weniger als 0,08 und SRMR-Werte von weniger als 0,08 angezeigt.
4. Um die Diagnosegenauigkeit der Multimedia-Batterie zu bestimmen, führen Sie eine ROC-Kurvenanalyse durch. Diese Methode ermöglicht es, die Fähigkeit des Tests zu bewerten, Personen mit und ohne Leseschwierigkeiten korrekt zu klassifizieren. Die Fläche unter der ROC-Kurve (AUC) ist ein Maß für die Gesamtgenauigkeit des Tests. Eine AUC von 0,5 deutet auf keine diagnostische Fähigkeit hin, während eine AUC von 1,0 auf eine perfekte diagnostische Fähigkeit hinweist.
5. Identifizieren Sie optimale Grenzwerte für die Batterie, indem Sie die Empfindlichkeit und Spezifität bei verschiedenen Schwellenwerten analysieren.
6. Durch den Einsatz von CFA- und ROC-Kurvenanalyse können Sie eine umfassende Bewertung der Multimedia-Batterie durchführen und ihre Konstruktvalidität und diagnostische Genauigkeit in einer spanischsprachigen Bevölkerung bestätigen.

Ergebnisse

Beispielstudie
Die Stichprobe umfasste 881 Teilnehmer aus Spanien (N = 325), Mexiko (N = 169), Guatemala (N = 227) und Chile (N = 160), die alle spanische Muttersprachler waren. Die Stichprobe wurde in zwei Gruppen eingeteilt: 451 in der Gruppe mit Lesebehinderung (RD) und 430 in der Gruppe der normal tätigen Leser (NAR). Kinder mit sonderpädagogischem Förderbedarf, d. h. solche, die aufgrund von sensorischen Beeinträchtigungen, neurologischen Problemen oder anderen Erkrankungen Unterstützung und besondere pädagogische Aufmerksamkeit benötigen, wurden ausgeschlossen, da diese Faktoren in der Regel als Ausschlusskriterien für Lernbehinderungen oder schwere Verhaltensstörungen herangezogen werden, entweder vorübergehend oder für die Dauer ihrer Schulzeit. Die Teilnehmer in der RD-Gruppe wurden auf der Grundlage von Kriterien wie einem IQ von 80 oder mehr, einem Perzentil zur Messung der Wortlesezeit über dem 75. Perzentil, einem Perzentil zur Messung der Pseudowortlesezeit über dem 75. Perzentil oder einem Perzentil zur Messung der Lesegenauigkeit von Pseudowörtern unter dem 25. Perzentil ausgewählt. In ähnlicher Weise wurde die NAR-Gruppe auf der Grundlage vergleichbarer Kriterien ausgewählt, wobei ein Perzentil der PROLEC^{36-Verständnisaufgabe} über dem 25. Perzentil hinzugefügt wurde. Alle Perzentile wurden entsprechend den Notstufen der Teilnehmer bestimmt. Die Einteilung der Teilnehmer in diese Gruppen stützte sich auf Aufgaben des Wortlesens und des Pseudowortlesens, die jeweils aus separaten Blöcken bestanden. In beiden Blöcken wurden die Teilnehmer angewiesen, die präsentierten verbalen Reize so schnell wie möglich laut vorzulesen. Der Wortleseblock umfasste 32 Stimuli, während der Pseudowortleseblock 48 Stimuli enthielt. Die Vertrautheit der Wörter wurde anhand von Kriterien kontrolliert, die von Guzmán und Jiménez³⁷ skizziert wurden. Es wurden Messungen von Treffern, Fehlern und Latenzzeiten aufgezeichnet, wobei die Latenzzeiten vom Erscheinen jedes Elements bis zum Beginn der Stimmwiedergabe des Schülers gemessen wurden. Der Wortleseblock zeigte eine hohe interne Konsistenz (α = 0,89), während der Pseudowort-Leseblock eine noch größere interne Konsistenz aufwies (α = 0,91). Die Verteilung der Schülerinnen und Schüler mit RD und NAR auf die verschiedenen Klassenstufen stellte sich wie folgt dar: In der zweiten Klasse gab es 30 NAR- und 27 RD-Schülerinnen und Schüler. Beim Übergang in die dritte Klasse wurden 100 NARs neben 88 RD-Schülern beobachtet. Die vierte Klasse umfasste 100 NAR- und 116 RD-Schüler. In der fünften Klasse gab es 100 NAR- und 116 RD-Schüler, während es in der sechsten Klasse 100 NAR- und 104 RD-Schüler waren. Um Altersunterschiede in der Gesamtstichprobe und innerhalb jeder Klassenstufe zu bewerten, wurden Einweg-ANOVA-Tests durchgeführt. Die Ergebnisse zeigten keine signifikanten Unterschiede, alle p-Werte lagen über 0,05. In ähnlicher Weise wurde die Verteilung der Variablen Geschlecht mit dem Chi-Quadrat-Test untersucht, wobei alle p-Werte ebenfalls über 0,05 lagen.

Deskriptive Statistik
Tabelle 1 zeigt die deskriptive Statistik (Mittelwert und Standardabweichung) für das Alter und die Bewertungsmaße. Die Daten sind nach Geschlecht kategorisiert, wobei zwischen normal erfolgreichen Lesern und Menschen mit Lesebehinderungen in verschiedenen Ländern unterschieden wird. Die Ergebnisse zeigten positive und statistisch signifikante Korrelationen zwischen einer Vielzahl von Assessment-Maßnahmen (siehe Tabelle 2). Die Tabelle zeigt Korrelationen zwischen den Kennzahlen, die von schwach bis stark reichen. Korrelationen von weniger als 0,3 gelten als schwach, während Korrelationen von mehr als 0,5 als stark eingestuft werden. Spezifische Korrelationswerte werden neben den jeweiligen Festigkeitsklassen bereitgestellt. Zu den schwachen Korrelationen (r < 0,3) gehörten beispielsweise die der Blending-Segmentierung (r = 0,354) und des Deletions-Homophon-Verständnisses (r = 0,270). Moderate Korrelationen (0,3 ≤ r < 0,5) wurden zwischen der grammatikalischen Struktur-Zahl (r = 0,463) und der funktionalen Wortgrammatikstruktur (r = 0,512) beobachtet. Starke Korrelationen (r ≥ 0,5) sind für Zahlen-Geschlecht (r = 0,642) und Bild-RAN-Color RAN (r = 0,442) offensichtlich.

Tabelle 1: Deskriptive Statistik der Maßnahmen. Diese Tabelle enthält den Mittelwert, die Standardabweichung und andere deskriptive Statistiken für die verschiedenen Messwerte, die im digitalen Tool enthalten sind. ALTER: Alter; NAR: Normalerweise Leser erreichen; RD: Lesebehinderung ; SEG: Segmentierung; BLN: Mischen; ISO: Phonem-Isolierung; DEL: Phonem-Löschung; HOM: Homophones Verständnis; R&S: Wurzel & Suffixe; GEN: Geschlecht; NUM: Nummer; FW: Funktionale Wörter; GRS: Grammatikalische Struktur; EXT: Expositivtext ; NAT: Erzählender Text ; VOC: Intonation der Artikulation; MOA: Art der Artikulation; POA= Ort der Artikulation; DIG: Digit RAN; LET: Buchstabe gelaufen; COL: Color RAN; PIC: Picture RAN Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Tabelle 2: Korrelationskoeffizienten der Messgrößen. Diese Tabelle zeigt die Korrelationskoeffizienten zwischen verschiedenen Kennzahlen des digitalen Tools und gibt die Stärke und Richtung der Beziehungen zwischen diesen Kennzahlen an. SEG: Segmentierung; BLN: Mischen; ISO: Phonem-Isolierung; DEL: Phonem-Löschung; HOM: Homophones Verständnis; R&S: Wurzel & Suffixe; GEN: Geschlecht; NUM: Nummer; GRS: Grammatikalische Struktur; FW: Funktionale Wörter; EXT: Expositivtext ; NAT: Erzählender Text ; VOC: Intonation der Artikulation; MOA: Art der Artikulation; POA= Ort der Artikulation; DIG: Digit RAN; LET: Buchstabe gelaufen; COL: Color RAN; PIC: Bild RAN. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Konfirmatorische Faktorenanalyse
Es wurde eine CFA durchgeführt, um die vorgeschlagene Faktorstruktur der Multimedia-Batterie zu bewerten. Das Modell umfasst einen Faktor zweiter Ordnung und sechs latente Variablen, die jeweils unterschiedliche Module der Multimedia-Batterie repräsentieren. Zu diesen Konstrukten gehören phonologisches Bewusstsein (einschließlich phonemischer Segmentierungs-, Isolations-, Misch- und Löschaufgaben), morpho-orthographisches Modul (mit Wurzel- und Suffixen und homophonen Verständnisaufgaben), Syntax (bestehend aus Geschlecht, Zahl, grammatikalischer Struktur und funktionalen Wortaufgaben), Sprachwahrnehmung (einschließlich Stimmgabe, Artikulationsart und Ort der Artikulationsaufgaben), Leseverständnis (einschließlich expositiver Text- und narrativer Textverständnisaufgaben) und schnelle Automatisierte Benennung (Aufgaben zu Buchstaben, Farben, Ziffern und Bildern aus der RAN-Aufgabe). Um die Konsistenz aller Aufgaben in der Multimedia-Batterie (von 0 bis 1) zu gewährleisten, haben wir die Schätzung des Anteils der maximalen Skalierung (POMS) verwendet. POMS-Scores wurden für die zeitbasierten Aufgaben (Wurzeln und Suffixe) ^berechnet38.

Statistische Analysen und grafische Darstellungen wurden mit der R-Version 4.3.1³⁹ unter Verwendung der Pakete lavaan⁴⁰, semTools⁴¹ und ggplot2⁴² durchgeführt. Die Modellanpassung wurde anhand verschiedener Goodness-of-Fit-Indizes bewertet. Obwohl die Chi-Quadrat-Güte der Anpassung signifikant war, χ²(df) = 632,01, p < 0,001, was auf eine Diskrepanz zwischen dem hypothetischen Modell und den beobachteten Daten hindeutet, ist es wichtig zu beachten, dass der Chi-Quadrat-Test empfindlich auf die Stichprobengröße⁴³ reagiert. Daher wurden zusätzliche Fit-Indizes berücksichtigt.

Der Comparative Fit Index (CFI) ergab einen Wert von 0,961 und lag damit über dem allgemein akzeptierten Schwellenwert von 0,95 und deutet auf eine gute Anpassung an die Daten hin. Der mittlere quadratische Approximationsfehler (RMSEA) betrug 0,038, was auf eine enge Anpassung des Modells an die Daten hinweist. Das standardisierte mittlere quadratische Residuum (SRMR) lag bei 0,034 und damit unter dem empfohlenen Wert von 0,05, was auf eine ideale Anpassung hindeutet. Die Faktorbelastungen für die Items reichten von 0,36 bis 0,81, was auf signifikante Belastungen, die auf ihre jeweiligen Faktoren hindeuten. Die gesamte durchschnittlich extrahierte Varianz (AVE) überstieg 0,50, was auf eine angemessene konvergente Validität hindeutet, und die Gesamtreliabilität (CR) lag über 0,80, was auf eine gute interne Konsistenzreliabilität hindeutet.

Zusammenfassend lässt sich sagen, dass die Ergebnisse des CFA die vorgeschlagene Faktorstruktur unterstützen und eine gute Modellanpassung, konvergente Validität und Zuverlässigkeit zeigen. Bitte beachten Sie die grafische Darstellung des Modells in Abbildung 1.

Abbildung 1: Konfirmatorische Faktorenanalyse. Diese Abbildung veranschaulicht die Ergebnisse der konfirmatorischen Faktorenanalyse, die mit dem digitalen Tool durchgeführt wurde, und hebt die Faktorbelastungen und die Beziehungen zwischen verschiedenen kognitiven Verarbeitungsmaßen hervor. Abkürzungen: SIC= Sicole-R; PA= Phonologisches Bewusstsein; SEG= Segmentierung; BLN= Mischen; ISO= Isolierung; DEL= Löschung; MO= Morphologische Verarbeitung; HOM= Homophones Verständnis; R&S= Wurzel und Suffixe; SYN= Syntaktische Verarbeitung; GEN= Geschlecht; NUM= Zahl; GRS= Grammatikalische Struktur; FW= Funktionale Wörter; RC= Leseverständnis; EXT= Expositiver Text; NAT= Erzählender Text; SP= Sprachwahrnehmung; VOC= Intonation der Artikulation; MOA= Art der Artikulation; POA= Ort der Artikulation; RAN = Schnelle automatisierte Benennung; NUM= Nummer RAN; LET= Buchstabe RAN; COL= Farbe RAN; PIC= Bild RAN. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Mit Hilfe von Messinvarianzanalysen wurde getestet, ob die Faktorenstruktur der Multimedia-Batterie geschlechterübergreifend stabil ist. Die Prüfung auf Messinvarianz besteht aus einer Reihe von Modellvergleichen, die immer strengere Gleichheitsbedingungen definieren⁴⁴. Wir führten die statistischen Analysen durch und folgten den gleichen Fit-Model-Kriterien wie beim vorherigen CFA. Wir haben sukzessive Parameter beschränkt, die die konfiguralen, metrischen (Belastungen), skalaren (Schnittpunkte) und strikten (Residuen) Strukturen^{darstellen 45}. Eine schlechte Anpassung in einem dieser Modelle deutet darauf hin, dass der Aspekt, der eingeschränkt wird, für die verschiedenen Gruppen nicht konsistent funktioniert. Der Grad der Invarianz wurde gemeinsam bestimmt, wenn χ²_D >0,05 und ΔCFI <0,01 betrug. Eine Zusammenfassung der Ergebnisse der Indizes der Modelle und der Unterschiede zwischen ihnen ist in Tabelle 3 dargestellt.

Tabelle 3: Invarianz-Modellanpassungsindizes. In dieser Tabelle sind die Fit-Indizes zum Testen der Geschlechtsinvarianz des Modells dargestellt und es wird bewertet, wie gut das digitale Tool die Konsistenz seiner Struktur und Messeigenschaften in männlichen und weiblichen Gruppen beibehält. Diese Indizes stellen die Zuverlässigkeit und Validität des Tools sicher, indem sie seine Fähigkeit bestätigen, kognitive Prozesse konsistent über verschiedene Geschlechtergruppen hinweg zu messen. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Das Konfigurationsmodell, das nur die relative Konfiguration der Variablen im Modell darauf beschränkte, in beiden Gruppen gleich zu sein, hatte eine angemessene Anpassung an die Daten: χ²(292) = 745,970, p<,001, CFI = 0,964, SRMR = 0,034, RMSEA = 0,036, 90% KI (0,033, 0,038). Das Modell der metrischen Invarianz schränkte die Konfiguration von Variablen und aller Faktorladungen so ein, dass sie gruppenübergreifend konstant sind. Die Fit-Indizes waren vergleichbar mit denen des konfigurativen Modells: χ²(310) = 768,56, p<,001, CFI = 0,963, SRMR = 0,037, RMSEA = 0,036, 90%-KI (0,033, 0,038). Die Invarianz der Faktorladungen wurde durch die nichtsignifikanten Differenzentests gestützt, die die Modellähnlichkeit bewerteten: χ²_D (18) = 26,30, p = 0,09; ΔCFI = 0,001. Im skalaren Invarianzmodell wurden die Konfiguration, die Faktorladungen und die Mittelwerte/Schnittpunkte des Indikators so eingeschränkt, dass sie für jede Gruppe gleich sind. Die Fit-Indizes waren nicht ideal: χ²(322) = 787,50, p<.001, CFI = .963, SRMS = .038, RMSEA = .035 (90% CI = .032, .038). Die Differenztests, die die Modellähnlichkeit bewerteten, deuteten darauf hin, dass es eine faktorielle Invarianz gab: χ²_D(12)=13,00, p = .369; ΔCFI = 0,001. Schließlich wurden im Modell der strikten Invarianz die Konfiguration, die Faktorladungen, die Mittelwerte/Schnittpunkte der Indikatoren und die Residuen so eingeschränkt, dass sie für jede Gruppe gleich sind. Die Fit-Indizes waren nicht ideal: χ²(341) = 798,20, p<,001, CFI = 0,961, SRMS = 0,039, RMSEA = 0,0035 (90% CI = 0,032, 0,038). Die strikte Invarianz wurde durch die nicht-signifikanten Differenzentests unterstützt, die die Modellähnlichkeit bewerteten: χ²_D(11) = 25,81, p<,001; ΔCFI = 0,002

Diagnostische Genauigkeit
Um die Genauigkeit und Unterscheidungsfähigkeit der Multimedia-Batterie zu bewerten, wurden ROC-Analysen (Receiver Operating Characteristic) durchgeführt. Die ROC-Analyse hilft bei der Bestimmung des optimalen Schwellenwerts (Cutoff-Wert) für einen kontinuierlichen Assessment-Test und balanciert Sensitivität (Fähigkeit, richtig positive Ergebnisse korrekt zu identifizieren) und Spezifität (Fähigkeit, richtig negative Ergebnisse korrekt zu identifizieren). Darüber hinaus wurde die ROC-Analyse verwendet, um die Fähigkeit des Tests zur Unterscheidung zwischen der RD- und der NAR-Gruppe zu bewerten. Um die Analyse durchzuführen, wurden für jede Aufgabe der Multimedia-Batterie Z-Werte pro Note berechnet. Der Omnibus-Score setzte sich aus der Summe der Zeta-Scores zusammen. Statistische Analysen und grafische Darstellungen wurden mit der R-Version 4.3.1⁴¹ durchgeführt. Es wurden die Pakete pROC⁴⁶ und ggplot2⁴² verwendet. In Bezug auf die diagnostische Genauigkeit wies die Multimedia-Batterie eine Fläche unter der Kurve (AUC) von 9439,8 [95%-KI: 93,31%-96,24% (DeLong)] und eine Sensitivität von 91,0 auf (Abbildung 2). Die ROC-Kurven nach Grad zeigten die folgenden Indizes: 2° Klasse, AUC= 96,195% [KI: 91,54%-100% (DeLong)], Se = 0,96, Sp=0,90; 3° Gehalt, AUC = 95,3, [95 % KI: 92,43 %-98,18 % (DeLong)], Se = 75,70, Sp = 72,34; 4° Klasse, AUC = 93,4 [95 % KI: 90,2 %-96,66 % (DeLong)], Se = 0,92, Sp = 0,84; 5° Grad, AUC = 95,9 [95 % KI: 93,11 %-98,75 % (DeLong)], Se = 0,90, Sp = 0,95; 6° Grad, AUC = 94,4 [95 % KI: 91,11 %-97,69 % (DeLong)], Se = 0,92, Sp = 0,91.

Abbildung 2: Kurven-ROC-Analyse. Diese Abbildung zeigt die ROC-Kurvenanalyse, die die diagnostische Genauigkeit des digitalen Tools zeigt, indem die Richtig-Positiv-Rate gegen die Falsch-Positiv-Rate bei verschiedenen Schwellenwerten aufgetragen wird. Die Einheiten für die x-Achse der ROC-Kurve sind die Spezifität und die Einheiten für die y-Achse sind die Sensitivität. Abkürzungen: ROC= Betriebskennlinie des Empfängers; AUC= Fläche unter der Kurve. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Diskussion

In dieser Studie wurde die konfirmatorische Faktorenanalyse (CFA) eingesetzt, um die Faktorenstruktur der Sicole-R-Batterie zu bewerten, die aus einem Faktor zweiter Ordnung und sechs latenten Variablen besteht, die verschiedene Module repräsentieren. Die Ergebnisse zeigten eine gute Modellanpassung, konvergente Validität und Zuverlässigkeit und bestätigten die Wirksamkeit der Batterie bei der Bewertung eines umfassenden Satzes von kognitiven und Lesefähigkeiten, die für Personen mit Legasthenie entscheidend sind. Wichtig ist, dass die konsistente Leistung des digitalen Tools in verschiedenen demografischen Gruppen in Spanien, Mexiko, Guatemala und Chile auf seinen potenziellen Nutzen im Bildungs- und klinischen Umfeld in verschiedenen spanischsprachigen Regionen hindeutet.

Diese Studie leistet einen Beitrag zur Literatur, indem sie zeigt, wie Multimedia-Batterien verwendet werden können, um spezifische kognitive Defizite im Zusammenhang mit Legasthenie effektiv zu identifizieren. Die Fähigkeit der Batterie, bestimmte Problembereiche wie phonologisches Bewusstsein, Sprachwahrnehmung, Benennungsgeschwindigkeit, orthographische Verarbeitung, syntaktische Verarbeitung und Leseverständnis zu lokalisieren, ermöglicht maßgeschneiderte Interventionen, um die individuellen Bedürfnisse der Schüler effektiv zu erfüllen. Darüber hinaus unterstreicht die nachgewiesene Konsistenz der Batterie über alle Geschlechter hinweg ihren Nutzen bei der Förderung gerechter Bewertungspraktiken und unterstützt damit integrative Bildungsinitiativen, die darauf abzielen, allen Schülerinnen und Schülern gleiche Chancen zu bieten.

Obwohl frühere Tools mit ähnlichen Merkmalen für den Einsatz in der englischen Sprache konzipiert wurden, wie z. B. der von Fawcett und Nicolson^{vorgeschlagene} Dyslexia Early Screening Test (DEST), der mehrere Bereiche bewertet, zeigte diese Studie die Anwendbarkeit und Wirksamkeit der Multimedia-Batterie in einem anderen sprachlichen Kontext. Während der gesamten Analyse wurden mehrere kritische Schritte innerhalb des Protokolls unternommen, um die Genauigkeit und Gültigkeit der Ergebnisse sicherzustellen. Diese Schritte umfassten die Datenvorverarbeitung, die Modellspezifikation und die Parameterschätzung, in Übereinstimmung mit Studien wie Hautala et ^al.19 , die die Zuverlässigkeit computergestützter Tools bei der Identifizierung von Schülern mit Leseschwierigkeiten gezeigt haben. Darüber hinaus haben andere Studien, wie die von Protopapas et ^al.20 und Pennington et ^al.12, die Implementierung von computergestützten Screening-Tools zur Identifizierung von Legasthenie untersucht, was die Bedeutung des Einsatzes von Technologie zur Verbesserung von Bewertungsstrategien unterstreicht. Darüber hinaus steht die aktuelle Studie im Einklang mit den jüngsten Fortschritten in der Legasthenieforschung und der psychometrischen Bewertung und unterstreicht die Relevanz der Batterie in zeitgenössischen Kontexten. Studien, die von Jiménez et ^al.23 und Guzmán et ^al.24 durchgeführt wurden, haben den dringenden Bedarf an robusten Bewertungsinstrumenten hervorgehoben, die auf unterschiedliche sprachliche Hintergründe zugeschnitten sind, und unterstreichen die Wirksamkeit von Sicole-R bei der Schließung dieser Lücke in der spanischsprachigen Bevölkerung. Darüber hinaus verstärkt die Integration digitaler Technologien in die Legasthenie-Bewertung, wie von Rauschenberg et ^al.6 diskutiert, die methodische Strenge, die sich im Ansatz dieser Studie zur Faktorenanalyse und -validierung zeigt.

Trotz der methodischen Strenge, die in dieser Studie angewandt wurde, ist es wichtig, gewisse Einschränkungen der Analyse anzuerkennen. Eine Einschränkung betrifft die Verallgemeinerbarkeit der Ergebnisse, da die Stichprobe aus einer bestimmten demografischen Gruppe bestand, was die Anwendbarkeit der Ergebnisse auf breitere Populationen möglicherweise einschränkt. Darüber hinaus wurden zwar Anstrengungen unternommen, um die Messinvarianz zwischen den Geschlechtern sicherzustellen, aber andere demografische Faktoren wie Alter oder sozioökonomischer Status wurden in der Analyse nicht explizit berücksichtigt, was die Ergebnisse beeinflusst haben könnte.

Zukünftige Forschungsrichtungen könnten die Anpassung an verschiedene spanische Dialekte und ihre Integration in breitere Bildungsrahmen untersuchen, um Identifikationsstrategien zu verbessern. In Zukunft sollte die zukünftige Forschung darauf abzielen, die in dieser Studie identifizierten Einschränkungen zu beheben, wie z. B. die Erforschung des Nutzens der Multimedia-Batterie in verschiedenen Populationen und die Untersuchung ihrer longitudinalen Validität und prädiktiven Validität bei der Vorhersage langfristiger Bildungsergebnisse. Darüber hinaus wurde in einer kürzlich erschienenen Übersichtsarbeit von Jin et ^al.47 eine vielversprechende zukünftige Forschungsrichtung hervorgehoben, die die Einbeziehung neurobiologischer Technologie nahelegt. Sie führten eine umfassende Überprüfung wissenschaftlicher Datenbanken durch und wählten Studien aus, die zwischen 2018 und 2023 veröffentlicht wurden. Ihre Ergebnisse deuten darauf hin, dass sich die neurobiologische Technikfolgenabschätzung als vielversprechender Trend zur Weiterentwicklung der Diagnose von Legasthenie abzeichnet.

Zusammenfassend lässt sich sagen, dass die Ergebnisse dieser Studie die Multimedia-Batterie als wertvolles Werkzeug für Pädagogen hervorheben, das letztendlich eine effektivere Unterstützung und bessere Ergebnisse für Schüler mit Legasthenie ermöglicht. Durch die Einbeziehung dieser zeitgenössischen Erkenntnisse tragen die Ergebnisse zum sich entwickelnden Diskurs über die Bewertung von Legasthenie bei und bieten Praktikern und Forschern aktualisierte Perspektiven auf effektive diagnostische Strategierahmen. Unseres Wissens ist diese Studie eine der ersten, die eine umfassende Multimedia-Batterie validiert hat, die speziell auf spanischsprachige Bevölkerungsgruppen zugeschnitten ist und damit eine kritische Lücke in den derzeit verfügbaren Diagnoseinstrumenten für Legasthenie schließt.

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
Sicole-R	Universidad de La Laguna	TF-263- 07