Name: Zerlegung der Varianz in Leseverständnis, die einzigartige und gemeinsame Effekte der Sprache zu offenbaren und Dekodierung (Video) | JoVE Journal
Uploaded: 2018-10-11T15:00:00.000+00:00
Duration: 6 min 33 s
Description: Erfahren Sie, wie man die Varianz im Leseverständnis zerlegt, um einzigartige und gemeinsame Effekte von Sprache und Dekodierung zu analysieren. Diese statistische Methode hilft Forschern, individuelle Unterschiede in der Lesentwicklung besser zu verstehen.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Die Forschung hier berichtet wurde vom Institut für Bildungswissenschaft, U.S. Department of Education, durch eine Subaward an der Florida State University von Grant R305F100005, Educational Testing Service im Rahmen der Lesung Verständnis unterstützt. Initiative. Die geäußerten Meinungen sind diejenigen der Autoren und repräsentieren nicht die Ansichten des Instituts, das US Department of Education, der Educational Testing Service oder Florida State University.

Hinweis: Die folgenden Schritte beschreiben verwesenden Gesamtvarianz in eine abhängige Variable (Y) in einzigartige Varianz, gemeinsame Varianzund unerklärte Varianz Komponenten basierend auf zwei ausgewählten unabhängigen Variablen (so genannte <img alt="Equation 1" src="/files/ftp_upload/58557/58557eq1.jpg"> und <img alt="Equation 2" src="/files/ftp_upload/58557/58557eq2.jpg"> in diesem Beispiel) mit der Software mit einer grafischen Benutzeroberfläche und Daten-Management-Software (siehe Tabelle der Materialien).
(1) Lesen von Daten in die Software mit einer grafischen Benutzeroberfläche
<ol><li>Klicken Sie auf Datei.
	<ol>
<li>Bewegen Sie die Maus über geöffnet.
</li>
		<li>Klicken Sie auf Daten.
</li>
	</ol>
</li>
	<li>Suchen Sie die relevanten Daten-Datei auf dem Computer.<ol>
<li>Wenn der Dateityp nicht konsistent mit der Software mit einer grafischen Benutzeroberfläche ist, klicken Sie auf Dateityp , und wählen Sie das entsprechende Dateiformat.</li>
	</ol>
</li>
	<li>Klicken Sie auf offen.
</li>
</ol>2. Schätzung der Varianz erklärt in die abhängige Variable (Y)
<ol><li>
Totale Varianz erklärt basiert auf zwei unabhängigen Variablen — R2. Hinweis: Ein R-2 -Wert ist der Bestimmungskoeffizient genannt und repräsentiert den Anteil der Varianz für eine abhängige Variable, die durch eine Reihe von unabhängigen Variablen erklärt wird.<ol>
<li>Klicken Sie auf analysieren und bewegen Sie den Mauszeiger über Regression und wählen Sie lineare.
</li>
		<li>Klicken Sie auf die abhängige Variable in der Variablenliste. Klicken Sie auf den Pfeil neben angewiesen.</li>
		<li>Klicken Sie auf die zwei unabhängigen Variablen (X1 und X2) in der Variablenliste. Klicken Sie auf den Pfeil neben dem Independent(s).</li>
		<li>Klicken Sie auf "OK".</li>
		<li>Klicken Sie auf das Viewer-Fenster der Software.<ol>
<li>Verwenden Sie die Maus, um im Abschnitt Modell Zusammenfassungzu blättern. Nehmen Sie den Wert in der Spalte R-Quadrat und beschriften Sie diese Wert R2.</li>
		</ol>
</li>
	</ol>
</li>
	<li>
Totale Varianz erklärt anhand<img alt="Equation 3" src="/files/ftp_upload/58557/58557eq3.jpg"><ol>
<li>Wiederholen Sie die Schritte 2.1.1 bis 2.1.4 nur mit <img alt="Equation 1" src="/files/ftp_upload/58557/58557eq1.jpg"> in der Liste der unabhängigen Variablen.</li>
		<li>Klicken Sie auf das Viewer-Fenster der Software.<ol>
<li>Verwenden Sie die Maus, um im Abschnitt Modell Zusammenfassungzu blättern. Nehmen Sie den Wert in der Spalte R-Quadrat und beschriften Sie diesen Wert <img alt="Equation 1" src="/files/ftp_upload/58557/58557eq1.jpg"> R2.</li>
		</ol>
</li>
	</ol>
</li>
	<li>
Totale Varianz erklärt anhand<img alt="Equation 4" src="/files/ftp_upload/58557/58557eq4.jpg"><ol>
<li>Wiederholen Sie die Schritte 2.1.1 bis 2.1.4 nur mit <img alt="Equation 2" src="/files/ftp_upload/58557/58557eq2.jpg"> in der Liste der unabhängigen Variablen.</li>
		<li>Klicken Sie auf das Viewer-Fenster der Software.<ol>
<li>Verwenden Sie die Maus, um im Abschnitt Modell Zusammenfassungzu blättern. Nehmen Sie den Wert in der Spalte R-Quadrat und beschriften Sie diesen Wert <img alt="Equation 2" src="/files/ftp_upload/58557/58557eq2.jpg"> R2.</li>
		</ol>
</li>
	</ol>
</li>
</ol>(3) computing die einzigartige, gemeinsame und unerklärliche Varianzkomponenten
<ol><li>Öffnen Sie die Data-Management-Software.</li>
	<li>Geben Sie die Bezeichnungen R2, <img alt="Equation 3" src="/files/ftp_upload/58557/58557eq3.jpg"> R2, und <img alt="Equation 4" src="/files/ftp_upload/58557/58557eq4.jpg"> R2 in Zellen A1, B1 und C1, beziehungsweise.</li>
	<li>Geben Sie den gesamten R2 Wert aus Schritt 2.1.5.1 in Zelle A2.</li>
	<li>Geben Sie die <img alt="Equation 1" src="/files/ftp_upload/58557/58557eq1.jpg"> R2 Wert aus Schritt 2.2.2.1 in Zelle B2.</li>
	<li>Geben Sie die <img alt="Equation 2" src="/files/ftp_upload/58557/58557eq2.jpg"> R2 Wert aus Schritt 2.3.2.1 in Zelle C2.</li>
	<li>Berechnen Sie die einzigartige Varianz der Variable 1 (U<img alt="Equation 1" src="/files/ftp_upload/58557/58557eq1.jpg">R2) in der Data-Management-Software.<ol>
<li>In Zelle D2 Typ: "= A2-C2" (d. h. insgesamt R2 minus <img alt="Equation 2" src="/files/ftp_upload/58557/58557eq2.jpg"> R2). In Zelle D1 kennzeichnen diesen Wert U<img alt="Equation 1" src="/files/ftp_upload/58557/58557eq1.jpg">R2.</li>
	</ol>
</li>
	<li>Berechnen Sie die einzigartige Varianz der Variable 2 (U<img alt="Equation 2" src="/files/ftp_upload/58557/58557eq2.jpg">R2) in der Data-Management-Software.<ol>
<li>In Zelle E2 Typ: "= A2-B2" (d. h. insgesamt R2 minus <img alt="Equation 1" src="/files/ftp_upload/58557/58557eq1.jpg"> R2). In Zelle E1 kennzeichnen diesen Wert U<img alt="Equation 2" src="/files/ftp_upload/58557/58557eq2.jpg">R2.</li>
	</ol>
</li>
	<li>Berechnen Sie die gemeinsame Varianz zwischen Variablen 1 und 2 (C<img alt="Equation 5" src="/files/ftp_upload/58557/58557eq5.jpg">R2) in der Data-Management-Software.<ol>
<li>In Zelle F2 Typ: "= A2-D2-E2" (d. h. insgesamt R2 minus U<img alt="Equation 1" src="/files/ftp_upload/58557/58557eq1.jpg">R2 minus U<img alt="Equation 2" src="/files/ftp_upload/58557/58557eq2.jpg">R2). In Zelle F1 kennzeichnen diesen Wert C<img alt="Equation 5" src="/files/ftp_upload/58557/58557eq5.jpg">R2.</li>
	</ol>
</li>
	<li>Berechnen Sie die unerklärte Varianz (e) in der Data-Management-Software.<ol>
<li>In Zelle G2 Typ: "= 1-A2" (d. h. 1-Total R2). Dieser Wert e. label in Zelle G1
</li>
	</ol>
</li>
</ol>(4) plot der UX1R2, UX2R2CX1X2R2und e -Werte
Hinweis: Werte in Zellen D2, E2, F2 und G2 werden dargestellt.
<ol><li>Klicken Sie und ziehen Sie die Maus über Zellen D2, E2, F2 und G2, um die Daten zu markieren.</li>
	<li>Klicken Sie auf Einfügen , auf der Multifunktionsleiste die Datenmanagement-Software.</li>
	<li>Klicken Sie auf Charts | Kreisdiagramm | 2-D-Kreisdiagramm.
</li>
</ol>

<ol><li>Gough, P., Tunmer, W. <a target="_blank" href="http://journals.sagepub.com/doi/abs/10.1177/074193258600700104">Decoding, reading, and reading disability.</a> Remedial and Special Education. 7, 6-10 (1986).</li>
<li>Quinn, J. M., Wagner, R. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Using+meta-analytic+structural+equation+modeling+to+study+developmental+change+in+relations+between+language+and+literacy%5BTitle%5D)+AND+%22Child+Development%22%5BJournal%5D)">Using meta-analytic structural equation modeling to study developmental change in relations between language and literacy.</a> Child Development. , in press (2018).</li>
<li>Chen, R. S., Vellutino, F. <a target="_blank" href="http://journals.sagepub.com/doi/pdf/10.1080/10862969709547947">Prediction of reading ability: A cross-validation study of the simple view of reading.</a> Journal of Literacy Research. 29 (1), 1-24 (1997).</li>
<li>Catts, H., Hogan, T., Adlof, S. Developmental changes in reading and reading disabilities. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aCatts%2C+H+%22Connections+between+language+and+reading+disabilities%22">Connections between language and reading disabilities</a>. Catts, H., Kamhi, A. , Erlbaum. Mahwah, NJ. (2005).</li>
<li>Gough, P., Hoover, W., Peterson, C. Some observations on the simple view of reading. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aGough%2C+P+%22Reading+comprehension+difficulties%22">Reading comprehension difficulties</a>. Cornoldi, C., Oakhill, J. , Erlbaum. Hillsdale, NH. (1996).</li>
<li>Dreyer, L., Katz, L. <a target="_blank" href="https://files.eric.ed.gov/fulltext/ED359575.pdf#page=171">An examination of "The Simple View of Reading.".</a> Haskins Laboratories Status Report on Speech Research. SR-111/112. , 161-166 (1992).</li>
<li>Neuhaus, G., Roldan, L., Boulware-Gooden, R., Swank, P. <a target="_blank" href="https://www.tandfonline.com/doi/abs/10.1080/02702710500468724">Parsimonious reading models: Identifying teachable subskills.</a> Reading Psychology. 27, 37-58 (2006).</li>
<li>Kershaw, S., Schatschneider, C. <a target="_blank" href="https://link.springer.com/article/10.1007/s11145-010-9278-3">A latent variable approach to the simple view of reading.</a> Reading and Writing. 25, 433-464 (2012).</li>
<li>Hoover, W., Gough, P. <a target="_blank" href="https://link.springer.com/article/10.1007/BF00401799">The simple view of reading.</a> Reading and Writing. 2, 127-160 (1990).</li>
<li>Adlof, S., Catts, H., Little, T. <a target="_blank" href="https://link.springer.com/article/10.1007/s11145-006-9024-z">Should the simple view of reading include a fluency component?</a> Reading & Writing. 19, 933-958 (2006).</li>
<li>Anthony, J., Davis, C., Williams, J., Anthony, T. <a target="_blank" href="https://www.sciencedirect.com/science/article/pii/S1041608014001423">Preschoolers' oral language abilities: A multilevel examination of dimensionality.</a> Learning and Individual Differences. 35, 56-61 (2014).</li>
<li>Bornstein, M., Hahn, C., Putnick, D., Suwalsky, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Stability+of+core+language+skill+from+early+childhood+to+adolescence%3A+A+latent+variable+approach%5BTitle%5D)+AND+%22Child+Development%22%5BJournal%5D)">Stability of core language skill from early childhood to adolescence: A latent variable approach.</a> Child Development. 85, 1346-1356 (2014).</li>
<li>Protopapas, A., Simos, P., Sideridis, G., Mouzaki, A. <a target="_blank" href="https://www.tandfonline.com/doi/abs/10.1080/02702711.2010.507626">The components of the simple view of reading: A confirmatory factor analysis.</a> Reading Psychology. 33, 217-240 (2012).</li>
<li>Tomblin, J. B., Zhang, X. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+dimensionality+of+language+ability+in+school-age+children%5BTitle%5D)+AND+%22Journal+of+Speech%2C+Language%2C+and+Hearing+Research%22%5BJournal%5D)">The dimensionality of language ability in school-age children.</a> Journal of Speech, Language, and Hearing Research. 49, 1193-1208 (2006).</li>
<li>Foorman, B., Herrera, S., Petscher, Y., Mitchell, A., Truckenmiller, A. <a target="_blank" href="https://link.springer.com/article/10.1007/s11145-015-9544-5">The Structure of Oral Language and Reading and Their Relation to Comprehension in grades kindergarten through grade 2.</a> Reading and Writing. 28 (5), 655-681 (2015).</li>
<li>Foorman, B., Koon, S., Petscher, Y., Mitchell, A., Truckenmiller, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Examining+General+and+Specific+Factors+in+the+Dimensionality+of+Oral+Language+and+Reading+in+4th-10th+Grades%5BTitle%5D)+AND+%22Journal+of+Educational+Psychology%22%5BJournal%5D)">Examining General and Specific Factors in the Dimensionality of Oral Language and Reading in 4th-10th Grades.</a> Journal of Educational Psychology. 107 (3), 884-899 (2015).</li>
<li>Kieffer, M., Petscher, Y., Proctor, C. P., Silverman, R. <a target="_blank" href="https://www.tandfonline.com/doi/abs/10.1080/10888438.2016.1214591">Is the whole greater than the sum of its parts? Modeling the contributions of language comprehension skills to reading comprehension in the upper elementary grades.</a> Scientific Studies of Reading. 20 (6), 436-454 (2016).</li>
<li>Kim, Y. S. G., Park, C., Park, Y. <a target="_blank" href="https://link.springer.com/article/10.1007/s11145-015-9542-7">Dimensions of discourse level oral language skills and their relation to reading comprehension and written composition: an exploratory study.</a> Reading and Writing. 28, 633-654 (2015).</li>
<li>Foorman, B., Petscher, Y., Herrera, S. <a target="_blank" href="https://www.sciencedirect.com/science/article/pii/S1041608018300414">Unique and common effects of decoding and language factors in predicting reading comprehension in grades 1-10.</a> Learning and Individual Differences. 63, 12-23 (2018).</li>
<li>Perfetti, C. <a target="_blank" href="https://www.tandfonline.com/doi/abs/10.1080/10888430701530730">Reading ability: Lexical quality to comprehension.</a> Scientific Studies of Reading. 11 (4), 357-383 (2007).</li>
<li>Perfetti, C., Stafura, J. <a target="_blank" href="https://www.tandfonline.com/doi/abs/10.1080/10888438.2013.827687">Word knowledge in a theory of reading comprehension.</a> Scientific Studies of Reading. 18 (4), 22-37 (2014).</li>
<li>Torgesen, J., Wagner, R., Rashotte, C. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aTorgesen%2C+J+%22Test+of+Word+Reading+Efficiency%22">Test of Word Reading Efficiency</a>. , 2nd ed, ProEd. Austin, TX. (2012).</li>
<li>Dunn, L., Dunn, D. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aDunn%2C+L+%22Peabody+Picture+Vocabulary+Test-4%22">Peabody Picture Vocabulary Test-4</a>. , Pearson. San Antonio, TX. (2007).</li>
<li>MacGinitie, W., MacGinitie, R., Maria, K., Dreyer, L. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aMacGinitie%2C+W+%22Gates-MacGinitie+Reading+Tests%22">Gates-MacGinitie Reading Tests</a>. , 4th ed, Riverside Publishing. Rolling Meadows, IL. (2000).</li>
<li>Wanzek, J., Wexler, J., Vaughn, S., Ciullo, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Reading+interventions+for+struggling+readers+in+the+upper+elementary+grades%3A+a+synthesis+of+20+years+of+research%5BTitle%5D)+AND+%22Reading+%26+Writing%22%5BJournal%5D)">Reading interventions for struggling readers in the upper elementary grades: a synthesis of 20 years of research.</a> Reading & Writing. 23, 889-912 (2010).</li>
<li>Foorman, B., Petscher, Y., Stanley, C., Herrera, S. <a target="_blank" href="https://www.tandfonline.com/doi/abs/10.1080/19345747.2016.1237597">Latent profiles of reading and language and their association with standardized reading outcomes in kindergarten through tenth grade.</a> Journal of Research on Educational Effectiveness. 10 (3), 619-645 (2017).</li>
<li>Lesaux, N. K., Kieffer, M. J., Kelley, J. G., Harris, J. <a target="_blank" href="http://journals.sagepub.com/doi/abs/10.3102/0002831214532165">Effects of academic vocabulary instruction for linguistically diverse adolescents: Evidence from a randomized field trial.</a> American Educational Research Journal. 51 (6), 1159-1194 (2014).</li>
<li>Lawrence, J., Crosson, A., Paré-Blagoev, E., Snow, C. <a target="_blank" href="http://journals.sagepub.com/doi/abs/10.3102/0002831215579485">Word generation randomized trial: Discussion mediates the impact of program treatment on academic word learning.</a> American Educational Research Journal. 52 (4), 750-786 (2015).</li>
</ol>

Die Autoren erklären, dass sie keine finanziellen Interessenkonflikte.

Es gibt drei wichtige Schritte im Protokoll für die Zerlegung der Varianz in R in einzigartige und gemeinsame Varianz durch L und D. Zuerst subtrahieren Sie R2 in der L-nur Modell aus dem vollständigen Modell zu der einzigartigen R2 für D. Zweitens: subtrahieren Sie R2 für die nur-D-Modell aus dem vollständigen Modell erhalten die einzigartige R2 für Dritte L., die gemeinsame Varianz erklärt sich durch L und D zu erhalten, ziehen Sie die Summe von zwei einzigartigen R2</su...

Die einfache Ansicht von Reading1 (SVR) weiterhin als ein populäres Modell des Lesens wegen seiner Einfachheit-Lesung (R) ist das Produkt der Decodierung (D) und Sprache (L)- und weil SVR neigt zu erklären, im Durchschnitt etwa 60 % der erklärte Varianz in Lesung Verständnis-2. SVR prognostiziert, dass die Korrelationen zwischen D und R im Laufe der Zeit sinken, Korrelationen zwischen L und R im Laufe der Zeit zunehmen. Studien unterstützen in der Regel diese Vorhersage3,4,5. Gibt es Meinungsverschiedenheiten, aber über die funktionale Form der SVR, mit Additiven Modellen (D + L = R) deutlich mehr Varianz im Leseverständnis als Produktmodelle zu erklären (D × L = R)6,7,8, und ein Kombination aus Summe und Produkt [R = D + L + (D × L) erklärt den größten Anteil der Varianz bei der Lektüre Verständnis3,9.
Vor kurzem hat das SVR-Modell über Regressionen anhand der beobachteten Variablen latente Variablen modellieren mit bestätigende Fabrik Analyse und Modellierung der strukturellen Gleichung erweitert. D wird in der Regel mit ohne Zeitangabe oder zeitgesteuerte Lesung der reale Wörter und/oder Nonwords vermessen und R bemisst sich in der Regel durch einen standardisierten Lesetest, die Alphabetisierung und informativen Passagen gefolgt von Multiple-Choice-Fragen enthält. L wird in der Regel durch Tests der expressiven und rezeptiven Wortschatz und vor allem in den primären Qualitäten durch Maßnahmen der expressiven und rezeptiven Syntax und Hörverstehen gemessen. Meisten longitudinale Studien berichten, dass L eindimensional10,11,12,13. Eine andere Längsschnittstudie14 meldet jedoch eine zwei-Faktor-Struktur für L in den primären Qualitäten und einer eindimensionalen Struktur in den Klassen 4 und 8. Cross-Sectional Studien berichten, dass ein Bifactor Modell am besten die Daten passt und R15,16,17,18 prognostiziert. Z.B. Foorman Et al. 16 eindimensional, drei-Faktor, vier-Faktoren und Bifactor Modelle der SVR Daten vom Schüler der Klassen 4 bis 10 verglichen und festgestellt, dass ein Bifactor-Modell am besten passt und 72 % bis 99 % der Varianz im R. erklärt Ein allgemeine L-Faktor erklärte Varianz in allen sieben Qualitäten und Wortschatz und Syntax eindeutig erklärte Varianz nur in einer Klasse. Obwohl der D-Anteil mäßig mit L und R in allen Klassen korreliert war (0,40-0,60 und 0,47-0,74, beziehungsweise), es war nicht eindeutig korreliert mit R in Anwesenheit der allgemeinen L-Faktor.
Auch wenn latente Variablen modellieren erweiterte SVR hat von Licht auf die Dimensionalität der L und die einzigartige Rolle L bei der Vorhersage des R über den primären Qualitäten, keine Studien der SVR bis auf eine durch Foorman Et al. 19 haben die Varianz im Leseverständnis in was eindeutig D und L soll und was gemeinsam ist partitioniert. Dies ist eine große Lücke in der Literatur. Begrifflich ist es sinnvoll, dass D und L Varianz bei der Vorhersage Schriftsprache, da Worterkennung die sprachlichen Fähigkeiten der Phonologie, Semantik und Diskurs bei den Satz und Text Ebenen20 umfasstteilen würde. Ebenso muss Sprachverständnis mit orthogonalen Darstellungen der Phoneme, Morpheme, Wörter, Sätze und Diskurs verbunden sein, wenn Text verstanden21sein soll. D l Multiplikation Ausbeute nicht von diesen Komponenten geteiltes Wissen. Nur Zerlegung der Varianz in was einzigartig ist und was von D und L in Vorhersage R geteilt wird wird das integrierte Wissen entscheidend für den Erfolg der pädagogische Interventionen zeigen.
Eine Studie von Foorman Et al. 19 , die die Varianz der Leseverständnis in was einzigartig ist und was von D und L gemeinsam ist zerlegt beschäftigt eine latente Variable Modellierung. Das folgende Protokoll demonstriert die Technik mit Daten der Schüler der Klassen 1, 7 und 10 basierend auf einzelnen beobachteten Variablen D (zeitgesteuerte Decodierung), L (rezeptiven Wortschatz) und R (standardisiert Verständnistest lesen) zu den Zersetzungsprozess leicht zu verstehen. Die Daten stellen eine Teilmenge der Daten aus Foorman Et al. 19.

<table><tbody><tr><td>IBM SPSS Statistik Software</td><td>IBM</td><td></td><td></td></tr><tr><td>Microsoft Office Excel</td><td>Microsoft</td><td></td><td></td></tr></tbody></table>

zerlegung der varianz in leseverständnis, die einzigartige und gemeinsame effekte der sprache zu offenbaren und dekodierung

Decomposing the Variance in Reading Comprehension to Reveal the Unique and Common Effects of Language and Decoding

Der einfache View of Reading ist ein beliebtes Modell des Lesens, die behauptet, lesen ist das Produkt der Dekodierung und Sprache bei jeder Komponente eindeutig Vorhersage Leseverständnis. Obwohl Forscher argumentiert haben, ob die Summe nicht auf das Produkt der Komponenten der bessere Prädiktor ist haben kein Forscher die Varianz erklärt um zu prüfen, inwieweit die Varianz bei der Vorhersage Lesung Komponenten teilen partitioniert. Um die Varianz zu zersetzen, subtrahieren wir die R-2 für die Sprache nur Modell aus dem vollständigen Modell, die einzigartige R2 für die Dekodierung zu erhalten. Zweitens, subtrahieren wir die R-2 für die Decodierung-nur Modell aus dem vollständigen Modell, die einzigartige R2 für Sprache zu erhalten. Drittens um die gemeinsame Varianz zu erhalten, erklärte durch Sprache und dekodieren, subtrahieren wir die Summe von zwei einzigartigen R2 R2 für das vollständige Modell. Die Methode zeigt sich in einen regressionsansatz mit Daten von Schüler der Klassen 1 (n = 372), 6 (n = 309), und 10 (n = 122) unter Verwendung eines beobachteten Maßes für Sprache (rezeptiven Wortschatz) und Decodierung (zeitgesteuerte Wort lesen) Leseverständnis (standardisierter Test). Die Ergebnisse zeigen eine relativ große Menge an Varianz im Leseverständnis in Klasse 1 erklärt durch die gemeinsame Varianz in der Decodierung und Sprache. Durch die 10. Klasse ist es die einzigartige Wirkung von Sprache und die gemeinsame Wirkung von Sprache und Decodierung, die die Mehrheit der Varianz im Leseverständnis erklärt. Ergebnisse werden im Rahmen einer erweiterten Version der einfachen Ansicht Lesung diskutiert, die einzigartige und geteilt Wirkung von Sprache und Decodierung bei der Vorhersage Leseverständnis hält.

Ziel dieser Studie war es zu untersuchen, die Beiträge der einzigartige und gemeinsame Varianz der Sprache (L) und Decodierung (D) zur Vorhersage Leseverständnis (R) in den Klassen 1, 7 und 10 in Florida, ein Staat dessen Demographie sind repräsentativ für die Nation als eine gesamte. Es gab zwei Hypothesen über Prognosen der Varianz erklärt im Leseverständnis. Zuerst nach der primären Qualitäten, ihren einzigartige Beitrag D verringert sich erheblich, und ihren einzigartige Beitrag L erh...

Hier präsentieren wir ein Protokoll für die Zerlegung der Varianz im Leseverständnis in die einzigartige und gemeinsame Effekte von Sprache und Decodierung.

Zerlegung der Varianz in Leseverständnis, die einzigartige und gemeinsame Effekte der Sprache zu offenbaren und Dekodierung

The Simple View of Reading is a popular model of reading that claims that reading is the product of decoding and language, with each component uniquely ...

Diese Methode kann helfen, schlüsselhafte Fragen im bereichder sozialwissenschaftlicher Frage zur Psychologie des Lesens und der Sprachentwicklung zu beantworten. Diese Technik veranschaulicht, wie individuelle Differenzeigenschaften nebeneinander variieren und wie ein einzigartiger Effekt im Vergleich zu einem Effekt, der mit anderen Merkmalen geteilt wird, in sausen kann. Die Implikationen dieser Technik erstrecken sich auf die Sozialwissenschaften im weiteren Sinne.Da es die Bilanzierung der Gemeinsamkeit von Prädiktoren ermöglicht, die uns helfen, überlappende Varianz zu verstehen. Um die Daten mit einer grafischen Benutzeroberfläche in die Software einzulesen, klicken Sie auf Datei und bewegen Sie den Mauszeiger über öffnen. Klicken Sie auf Daten, und suchen Sie die entsprechende Datendatei auf dem Computer.Wenn der Dateityp nicht mit der Software mit einer grafischen Benutzeroberfläche übereinstimmt, klicken Sie auf Dateien des Typs, und wählen Sie das entsprechende Dateiformat aus. Klicken Sie dann auf Öffnen. Um die Gesamtvarianz basierend auf zwei unabhängigen Variablen zu erklären, klicken Sie auf Analysieren und bewegen Sie den Mauszeiger über die Regression, um linear auszuwählen.Klicken Sie auf die abhängige Variable in der Variablenliste, gefolgt vom Pfeil neben dependent. Klicken Sie auf die beiden unabhängigen Variablen in der Variablenliste und klicken Sie auf den Pfeil neben der Unabhängigkeit. Klicken Sie auf okay und klicken Sie auf das Viewer-Fenster der Software.Verwenden Sie die Maus, um zum Modellzusammenfassungsabschnitt zu scrollen und den Wert unter R-Quadrat aufzuzeichnen. Beschriften Sie dann diesen Wert insgesamt R quadriert. Um die Gesamtvarianz basierend auf der unabhängigen Variablen 1 zu erklären, wiederholen Sie die Gesamtabweichungserklärung mit der unabhängigen Variablen 1 nur in der Liste der unabhängigen Variablen und klicken Sie auf das Viewer-Fenster der Software.Verwenden Sie dann die Maus, um zum Modellzusammenfassungsabschnitt zu scrollen, den Wert unter der quadratischen R-Spalte aufzuzeichnen und diesen Wert als unabhängige Variable ein R-Quadrat zu beschriften. Um die Gesamtvarianz basierend auf der unabhängigen Variable zwei zu erklären, wiederholen Sie die Gesamtabweichungserklärung mit der unabhängigen Variable zwei nur in der Liste der unabhängigen Variablen, und klicken Sie auf das Viewer-Fenster der Software. Verwenden Sie dann die Maus, um zum Modellzusammenfassungsabschnitt zu scrollen, den Wert unter der quadratischen R-Spalte aufzuzeichnen und diesen Wert als unabhängige Variable zwei R-Quadrate zu beschriften.Um die eindeutigen, gemeinsamen und unerklärlichen Varianzkomponenten zu berechnen, öffnen Sie die Datenverwaltungssoftware, und geben Sie die gesamte unabhängige Variable R einR-Quadrat und die unabhängige Variable zwei R-Quadrate in die Zellen A1, B1 und C1 respektvoll ein. Geben Sie den Gesamtwert des R-Quadrats in A2 ein. Die unabhängige Variable ein R-Quadratwert in B2 und die unabhängige Variable zwei R-Quadratwerte in C2. Um die eindeutige Varianz von Variable 1 zu berechnen, geben Sie die Formel in D2 ein, und beschriften Sie diesen Wert als eindeutige Varianz der Variablen 1 in D1. Um die eindeutige Varianz von Variable 2 zu berechnen, geben Sie die Formel in E2 ein, und beschriften Sie den Wert als eindeutige Varianz der Variablen 2 in E1. Um die gemeinsame Varianz zwischen den Variablen eins und zwei zu berechnen, geben Sie die Formel in F2 ein, und beschriften Sie diesen Wert als verschiedene verschiedene Zwischenvariablen eins und zwei in F1. Um die unerklärliche Varianz zu berechnen, geben Sie die Formel in G2 ein, und beschriften Sie diesen Wert in G1 als unerklärliche Varianz. Um die eindeutige Varianz von Variable eins, die eindeutige Varianz der Variablen zwei, die gemeinsame Varianz zwischen den Variablen eins und zwei und die unerklärliche Varianz darzustellen, klicken und ziehen Sie die Mauszellen über D2, E2, F2 und G2, um die Daten hervorzuheben, und klicken Sie auf Einfügen, klicken Sie dann auf Diagramme, Kreisdiagramm und 2D-Kreisdiagramm. In dieser repräsentativen Studie über einzigartige und häufige Varianzen von Sprache und Dekodierung zur Vorhersage des Leseverständnisses machte die Regressionsanalyse für Schüler der ersten Klasse 60 % der Gesamtvarianz im Leseverständnis aus.Wenn die Varianz in Grad eins in einzigartige und häufige Effekte zerlegt wurde, erklärte die Dekodierung eindeutig die 24% Varianz im Leseverständnis, und die Sprache erklärte eindeutig die 17% der Varianz. Die gemeinsame Varianz von Dekodierung und Sprache betrug 19%In Der siebten Klasse entfielen 53 % der Gesamtvarianz des Leseverständnisses auf die Regressionsanalyse. Mit Dekodierung eindeutig erklärt durch 7% der Varianz im Leseverständnis, und Sprache erklärt 28% der Varianz.Die gemeinsame Varianz von Dekodierung und Sprache bei der Erklärung der Varianz im Leseverständnis betrug 18%in Grad 10, die Regressionsanalyse machte 61% der Gesamtvarianz im Leseverständnis aus. Da die Dekodierung eindeutig 6 % der Varianz ausmacht und die Sprache 42 % der Varianz eindeutig ausmacht. Die gemeinsame Varianz von Dekodierung und Sprache bei der Erklärung der Varianz im Leseverständnis betrug 13%Beim Versuch dieses Verfahrens ist es wichtig, sich daran zu erinnern, dass sich der Zerlegungsprozess von typischen Regressionsansätzen unterscheidet, indem die eindeutige Varianz getrennt berechnet wird, die jede unabhängige Variable erklärt.Dieses Protokoll kann geändert werden, um zusätzliche Fragen darüber zu beantworten, ob sich die Anteile einzigartiger und gemeinsamer Varianzen je nach sozioökonomischem Status unterscheiden. Darüber hinaus können die beobachtbaren Variablen durch latente Variablen ersetzt werden, um Messfehler zu reduzieren. Die Menge der gemeinsamen Varianz, die Dekodierung und Sprache zusammen erklären, wenn man das Leseverständnis vorhersagt, insbesondere in den Elementarnoten, legt nahe, dass sich der Unterricht auf die Integration von Sprachkenntnissen auf Wortebene konzentrieren sollte.

decomposing-variance-reading-comprehension-to-reveal-unique-common

Research

Forschung

JoVE Journal

Behavior

Verhalten

Der vorliegende Artikel Bewertungen eine Eyetracking-Methodik für Studien über Sprachverständnis. Um verlässliche Daten zu erhalten, sind die wichtigsten Schritte des Protokolls einzuhalten. Dazu gehören die richtigen Aufbau des Eye Trackers (z.B., gute Qualität der Augen- und Kopfbewegungen Bilder) und genaue Kalibrierung.

Eyetracking während visuell liegt Sprachverständnis: Flexibilität und Einschränkungen bei der Aufdeckung visuellen Kontext Effekte

Die Methode wurde entwickelt, um die Rolle der Hemmung der Rückkehr (IOR) in regressive Augenbewegungen beim Lesen zu untersuchen. Der Schwerpunkt liegt auf der Unterscheidung zwischen Regressionen ausgelöst durch Verständnis Schwierigkeiten im Vergleich zu denen von okulomotorischen Fehler, einschließlich der Rolle des IOR auf zwei Arten von Regressionen ausgelöst.

Eye-Tracking, Verständnis und okulomotorischen-basierten Regressive Augenbewegungen beim Lesen zu unterscheiden

Wir präsentieren Ihnen ein Protokoll, um die Verwendung von morphologischen Hinweise während der Echtzeit-Satz Verständnis von Kindern mit Autismus untersuchen.

Mit Hilfe der visuellen Welt Paradigma Satz Verständnis in Mandarin-sprachigen Kindern mit Autismus zu studieren

Hier stellen wir ein Protokoll vor, das dual-modale Interferenzaufgaben verwendet, um die Online-Verarbeitung von gesprochen-chinesischen relativen Klauselsätzen zu untersuchen. Zwei Exemplarexperimente mit auditiver Verarbeitung mit intra- und übersprachlichen Interferenzen werden beschrieben. Das Paradigma bietet eine Methodik, um die Art des Arbeitsgedächtnisses und seine Auswirkungen auf die Satzverarbeitung zu adressieren.

Untersuchen der syntaktischen Online-Verarbeitung gesprochener komplexer Sätze auf Chinesisch mithilfe von Dual-Modal Interferenzaufgaben

Dieser Artikel beschreibt, wie man ein einfaches lexikalisches Entscheidungsexperiment implementiert, um die schriftliche Worterkennung bei neurologisch gesunden Teilnehmern und bei Personen mit Demenz und kognitivem Verfall zu bewerten. Wir bieten auch eine detaillierte Beschreibung der Reaktionszeitanalyse mit Hilfe der Hauptkomponentenanalyse (PCA) und der Modellierung gemischter Effekte.

Lexikalische Entscheidungsaufgabe zum Studium der schriftlichen Worterkennung bei Erwachsenen mit und ohne Demenz oder leichte kognitive Beeinträchtigung

Dieses Papier zeigt die Verwendung der Goldstandardmethode in der Verhaltensgenetik, der Cholesky-Zersetzungsmethode, um einzigartige, überlappende genetische und Umwelteinflüsse auf verschiedene Variablen zu schätzen, um längs motivierte Forschung zu beantworten. Fragen.

Verwenden von Cholesky-Zersetzung, um individuelle Unterschiede in den Längsbeziehungen zwischen Lesefähigkeiten zu erforschen

Diese Forschung enthält ein vorgeschlagenes Protokoll zur Identifizierung von Legasthenie. Das Protokoll basiert auf Diagnose und Reaktion auf Interventionsmodelle. Der Vorschlag sieht die Verwendung strukturierter Interviews und standardisierter Tests zur Beurteilung der Lese- und Schreibleistung und der bestimmenden Faktoren vor.

Beurteilung von Dyslexie im Alter von sechs Jahren

Hier wird ein Protokoll vorgestellt, das eine Reihe kinderfreundlicher statistischer Lernaufgaben einführt, die darauf ausgerichtet sind, das Lernen von zeitlichen statistischen Mustern von Kindern in verschiedenen Bereichen und sensorischen Modalitäten zu untersuchen. Die entwickelten Aufgaben sammeln Verhaltensdaten mithilfe der webbasierten Plattform und der aufgabenbasierten funktionellen Magnetresonanztomographie (fMRI) zur Untersuchung des neuronalen Engagements während des statistischen...

Messung des statistischen Lernens über Modalitäten und Domänen in Kindern im schulalterten Alter über eine Online-Plattform und Neuroimaging-Techniken

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.

Verbesserung der Legasthenie-Bewertung bei Kindern durch computergestützte Tests

Der vorliegende Artikel beschreibt, wie Man Eye-Tracking-Methoden verwenden, um die kognitiven Prozesse zu studieren, die am Textverständnis beteiligt sind. Beschreibungen von Eye-Tracking-Geräten, die Entwicklung experimenteller Reize und Verfahrensempfehlungen sind enthalten. Die dargestellten Informationen können auf die meisten Studien mit verbalen Reizen angewendet werden.

Verwenden von Augenbewegungen zur Bewertung der kognitiven Prozesse, die an der Textverständigung beteiligt sind

Erfahren Sie, wie man die Varianz im Leseverständnis zerlegt, um einzigartige und gemeinsame Effekte von Sprache und Dekodierung zu analysieren. Diese statistische Methode hilft Forschern, individuelle Unterschiede in der Lesentwicklung besser zu verstehen.

Zerlegung der Varianz in Leseverständnis, die einzigartige und gemeinsame Effekte der Sprache zu offenbaren und Dekodierung

Weitere Videos entdecken