Name: Décomposition de la Variance dans la compréhension de la lecture pour révéler les effets uniques et communs de la langue et le décodage (Vidéo) | JoVE Journal
Uploaded: 2018-10-11T15:00:00.000+00:00
Duration: 6 min 33 s
Description: Découvrez la décomposition de la variance en compréhension de lecture pour analyser les effets uniques et communs du langage et du décodage. Cette méthode statistique révèle comment les prédicteurs co-varient et aide à comprendre les différences individuelles en psychologie de la lecture.

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

La recherche rapportée ici a été financée par l’Institut des Sciences de l’éducation, U.S. Department of Education, grâce à un subaward à Florida State University de Grant R305F100005 de l’Educational Testing Service, dans le cadre de la lecture pour la compréhension Initiative. Les opinions exprimées sont celles des auteurs et ne représentent pas les vues de l’Institut, le U.S. Department of Education, le Educational Testing Service ou Florida State University.

Remarque : Les étapes suivantes décrivent la variance totale en décomposition dans une variable dépendante (Y) en composantes de variance unique, variance communeet variance inexpliquée basés sur deux variables indépendantes choisies (appelés <img alt="Equation 1" src="/files/ftp_upload/58557/58557eq1.jpg"> et <img alt="Equation 2" src="/files/ftp_upload/58557/58557eq2.jpg"> pour cet exemple) en utilisant le logiciel avec une interface utilisateur graphique et logiciel de gestion de données (voir la Table des matières).
1. lecture des données dans le logiciel avec une Interface utilisateur graphique
<ol><li>Cliquez sur fichier.
	<ol>
<li>Survolez avec la souris ouverte.
</li>
		<li>Cliquez sur données.
</li>
	</ol>
</li>
	<li>Recherchez le fichier de données pertinentes sur l’ordinateur.<ol>
<li>Si le type de fichier n’est pas compatible avec le logiciel avec une interface utilisateur graphique, cliquez sur Types de fichiers et sélectionnez le format de fichier approprié.</li>
	</ol>
</li>
	<li>Cliquez sur ouvert.
</li>
</ol>2. estimer la Variance expliquée dans la Variable dépendante (Y)
<ol><li>
Total Variance expliqué basé sur deux Variables indépendantes — Total R2. Remarque : Une valeur de2 Rest connue comme le coefficient de détermination et représente la proportion de la variance d’une variable dépendante qui est expliquée par un ensemble de variables indépendantes.<ol>
<li>Cliquez sur Analyze et régression survolez avec la souris et sélectionnez linéaire.
</li>
		<li>Cliquez sur la variable dépendante dans la liste variable. Cliquez ensuite sur la flèche en regard de charge.</li>
		<li>Cliquez sur les deux variables indépendantes (X1 et X2) dans la liste variable. Ensuite cliquez sur la flèche à côté de Independent(s).</li>
		<li>Cliquez sur OK.</li>
		<li>Cliquez sur la fenêtre du visualiseur du logiciel.<ol>
<li>Utilisez la souris pour faire défiler jusqu'à la section intitulée Résumé du modèle. Enregistrez la valeur dans la colonne R carré et étiqueter cette valeur Total R2.</li>
		</ol>
</li>
	</ol>
</li>
	<li>
Total Variance expliqué basé sur<img alt="Equation 3" src="/files/ftp_upload/58557/58557eq3.jpg"><ol>
<li>Répétez les étapes 2.1.1 par 2.1.4 utilisant uniquement <img alt="Equation 1" src="/files/ftp_upload/58557/58557eq1.jpg"> dans la liste de variable indépendante.</li>
		<li>Cliquez sur la fenêtre du visualiseur du logiciel.<ol>
<li>Utilisez la souris pour faire défiler jusqu'à la section intitulée Résumé du modèle. Enregistrez la valeur dans la colonne R carré et étiqueter cette valeur <img alt="Equation 1" src="/files/ftp_upload/58557/58557eq1.jpg"> R2.</li>
		</ol>
</li>
	</ol>
</li>
	<li>
Total Variance expliqué basé sur<img alt="Equation 4" src="/files/ftp_upload/58557/58557eq4.jpg"><ol>
<li>Répétez les étapes 2.1.1 par 2.1.4 utilisant uniquement <img alt="Equation 2" src="/files/ftp_upload/58557/58557eq2.jpg"> dans la liste de variable indépendante.</li>
		<li>Cliquez sur la fenêtre du visualiseur du logiciel.<ol>
<li>Utilisez la souris pour faire défiler jusqu'à la section intitulée Résumé du modèle. Enregistrez la valeur dans la colonne R carré et étiqueter cette valeur <img alt="Equation 2" src="/files/ftp_upload/58557/58557eq2.jpg"> R2.</li>
		</ol>
</li>
	</ol>
</li>
</ol>3. calculer les composantes de la Variance inexpliquée, commun et Unique
<ol><li>Ouvrez le logiciel de gestion de données.</li>
	<li>Saisissez les étiquettes Total R2, <img alt="Equation 3" src="/files/ftp_upload/58557/58557eq3.jpg"> R2, et <img alt="Equation 4" src="/files/ftp_upload/58557/58557eq4.jpg"> R2 dans les cellules A1, B1 et C1, respectivement.</li>
	<li>Entrez la valeur de2 Total Rde l’étape 2.1.5.1 dans la cellule A2.</li>
	<li>Entrer dans le <img alt="Equation 1" src="/files/ftp_upload/58557/58557eq1.jpg"> R2 valeur de l’étape 2.2.2.1 dans la cellule B2.</li>
	<li>Entrer dans le <img alt="Equation 2" src="/files/ftp_upload/58557/58557eq2.jpg"> R2 valeur de l’étape 2.3.2.1 dans la cellule C2.</li>
	<li>Calculer la Variance Unique de 1 Variable (U<img alt="Equation 1" src="/files/ftp_upload/58557/58557eq1.jpg">R2) dans le logiciel de gestion de données.<ol>
<li>Dans la cellule D2 type : « = A2-C2 » (c.-à-d., Total R2 moins <img alt="Equation 2" src="/files/ftp_upload/58557/58557eq2.jpg"> R2). Cette valeur U du libellé dans la cellule D1<img alt="Equation 1" src="/files/ftp_upload/58557/58557eq1.jpg">R2.</li>
	</ol>
</li>
	<li>Calculer la Variance Unique de 2 Variable (U<img alt="Equation 2" src="/files/ftp_upload/58557/58557eq2.jpg">R2) dans le logiciel de gestion de données.<ol>
<li>Dans la cellule E2 type : « = A2-B2 » (c.-à-d., Total R2 moins <img alt="Equation 1" src="/files/ftp_upload/58557/58557eq1.jpg"> R2). Cette valeur U du libellé dans la cellule E1<img alt="Equation 2" src="/files/ftp_upload/58557/58557eq2.jpg">R2.</li>
	</ol>
</li>
	<li>Calculer la Variance commune entre les Variables 1 et 2 (C<img alt="Equation 5" src="/files/ftp_upload/58557/58557eq5.jpg">R2) dans le logiciel de gestion de données.<ol>
<li>Dans la cellule F2 type : « = A2-D2-E2 » (c'est-à-dire Total R2 moins U<img alt="Equation 1" src="/files/ftp_upload/58557/58557eq1.jpg">R2 moins U<img alt="Equation 2" src="/files/ftp_upload/58557/58557eq2.jpg">R2). Dans la cellule F1 étiqueter cette valeur C<img alt="Equation 5" src="/files/ftp_upload/58557/58557eq5.jpg">R2.</li>
	</ol>
</li>
	<li>Calculer la Variance inexpliquée (e) dans le logiciel de gestion de données.<ol>
<li>Dans type de cellule G2 : « = 1-A2 » (c.-à-d., 1-Total R2). Dans la cellule G1 étiqueter cette valeur e.
</li>
	</ol>
</li>
</ol>4. tracer la UX1R2UX2R2, CX1X2R2et les valeurs de e
Remarque : Les valeurs dans les cellules D2, E2, F2 et G2 sont tracés.
<ol><li>Cliquez et faites glisser la souris sur les cellules D2, E2, F2 et G2 pour mettre en surbrillance les données.</li>
	<li>Cliquez sur Insérer sur le ruban du logiciel de gestion de données.</li>
	<li>Cliquez sur Charts | Camembert | graphique en secteurs 2D.
</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>

Les auteurs déclarent qu’ils n’ont aucun intérêt financier concurrentes.

Il y a trois étapes essentielles dans le protocole de décomposition de la variance dans R en variance unique et commune en raison de L et D. Tout d’abord, soustraire le R2 dans le modèle L uniquement du modèle complet pour obtenir l’unique R2 pour D. En second lieu, soustraire le R2 pour le modèle D uniquement du modèle complet pour obtenir l’unique R2 pour le troisième L., pour obtenir la variance commune expliquée par L et D, de soustraire la somme de l’unique deux R2</s...

La Simple vue de lecture1 (SVR) continue comme un modèle de lecture en raison de sa simplicité-lecture (R) est le produit de décodage (D) et le langage (L)- et parce que le SVR a tendance à expliquer, en moyenne, environ 60 % des a expliqué variance en lecture compréhension2. SVR prédit que les corrélations entre D et R diminuera avec le temps et que les corrélations entre L et R augmentera au fil du temps. Les études confirment généralement cette prédiction3,4,5. Il existe cependant des désaccords, sur la forme fonctionnelle de SVR, avec des modèles additifs (D + L = R) expliquant la variance beaucoup plus dans la compréhension de texte que les modèles de produit (D × L = R)6,7,8et un combinaison de la somme et le produit [R = J + L + (D x L) expliquant la plus grande quantité de variance en lecture compréhension3,9.
Récemment, le modèle SVR a élargi au-delà des régressions fondées sur des variables observées à la modélisation de variables latente en utilisant l’analyse confirmatoire usine et modélisation par équation structurelle. D est généralement mesurée avec lecture non chronométrée ou chronométrée de mots réels ou nonwords, et R est généralement mesurée par un test de lecture normalisé qui comprend l’alphabétisation et des passages d’information suivies de questions à choix multiples. L est généralement mesurée par des tests de vocabulaire expressif et réceptif et, en particulier à l’école primaire, par des mesures de syntaxe expressive et réceptive et compréhension orale. La plupart des études longitudinales signalent que L est unidimensionnelle10,11,12,13. Cependant, une autre étude longitudinale14 rapports une structure de deux facteurs pour L dans l’école primaire et une structure unidimensionnelle de grade 4 et 8. Récentes études transversales rapportent qu’un modèle de bifactor meilleures concorde avec les données et prédit R15,16,17,18. Par exemple, ShadowSteps et al. 16 comparé unidimensionnelle, trois facteurs, quatre facteurs et bifactor modèles de SVR dans les données des élèves de 4-10 et constaté qu’un modèle bifactor conviennent le mieux et a expliqué 72 à 99 % de la variance dans R. Un facteur général de L a expliqué Cart dans tous les sept classes et vocabulaire et syntaxe unique explique variance que dans une nuance de chaque. Bien que le facteur D une corrélation modérée avec L et R dans toutes les catégories (0,40-0,60 et 0,47-0,74, respectivement), il n’est pas particulièrement bien corrélée avec R en présence du facteur général de L.
Même si la modélisation variable latente a SVR élargi de faire la lumière sur la dimensionnalité du L et le rôle unique que L joue dans la prédiction R au-delà de l’école primaire, aucune étude de SVR sauf un par ShadowSteps et al. 19 segmentent la variance dans la compréhension de la lecture dans ce qui est dû uniquement à D et L, et ce qui est partagé en commun. Il s’agit d’un gros oubli de la littérature. Sur le plan conceptuel, il est logique que D et L partageraient la variance dans la prédiction de langue écrite parce que la reconnaissance de la parole implique les compétences linguistiques phonologie, sémantique et discours à la phrase et du texte de niveaux20. De même, la compréhension linguistique doit être connectée à des représentations orthographiques de phonèmes, morphèmes, mots, phrases et discours si le texte doit être compris21. Multipliant D par L ne donne pas la connaissance partagée par ces composants. Seulement une décomposition de la variance dans ce qui est unique et ce qui est partagé par D et L en R prédire révélera la connaissance intégrée cruciale pour le succès des interventions éducatives.
L’étude de ShadowSteps et al. 19 qui se décompose de la variance de la compréhension de la lecture dans ce qui est unique et ce qui est partagé en commun par D et L emploi une variable latente, approche de modélisation. Le protocole suivant illustre la technique avec les données des étudiants dans les classes 1, 7 et 10 sur single chez variables D (décodage chronométré), L (vocabulaire réceptif) et R (standardisé selon le test de compréhension de lecture) pour rendre le processus de décomposition facile à comprendre. Les données représentent un sous-ensemble des données de ShadowSteps et al. 19.

<table><tbody><tr><td>Logiciel de statistiques IBM SPSS</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>

décomposition de la variance dans la compréhension de la lecture pour révéler les effets uniques et communs de la langue et le décodage

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

La Simple vue de lecture est un modèle populaire de lecture qui prétend que la lecture est le produit de décodage et de la langue, chaque composant unique prédire la compréhension en lecture. Bien que les chercheurs ont fait valoir que la somme plutôt que le produit des composants est le meilleur prédicteur, aucun chercheur ne segmentent la variance expliquée à examiner le degré auquel les composants partagent la variance dans la prédiction de lecture. Pour décomposer la variance, nous soustrayons le R2 pour le modèle de langue uniquement du modèle complet pour obtenir l’unique R2 pour le décodage. Deuxièmement, nous soustrayons le R2 pour le modèle de décodage uniquement du modèle complet pour obtenir l’unique R2 pour la langue. Troisièmement, pour obtenir la variance commune expliquée par langue et décodage, nous soustrayons la somme de l’unique deux R2 R2 pour le modèle complet. La méthode est illustrée dans une approche de régression avec les données des étudiants dans les classes 1 (n = 372), 6 (n = 309) et 10 (n = 122) à l’aide d’une mesure observée du langage (vocabulaire réceptif), décodage (lecture mot chronométrée) et la compréhension de texte (test standardisé). Résultats révèlent une quantité relativement grande de variance expliquée en grade 1 de compréhension en lecture par la variance commune dans le décodage et la langue. En 10e année, cependant, c’est l’effet unique de la langue et l’effet commun de la langue et de décodage qui expliquent la majorité de la variance dans la compréhension en lecture. Résultats sont discutés dans le cadre d’une version élargie de la Simple vue de lecture qui tient compte des effets unique et partagé du langage et décodage pour prédire la compréhension en lecture.

L’objectif de cette étude était d’enquêter sur les contributions de variance unique et commune de langue (L) et décodage (D) pour prédire la compréhension (R) de grade 1, 7 et 10 en Floride, un Etat dont la démographie sont représentatifs de la nation comme un ensemble. Il y a deux hypothèses concernant les prévisions de la variance expliquée dans la compréhension en lecture. Tout d’abord, après l’école primaire, la contribution unique de D diminuera considérablement, et augmentera la con...

Nous présentons ici un protocole de décomposition de la variance dans la compréhension de la lecture sur les effets uniques et communs de la langue et le décodage.

Décomposition de la Variance dans la compréhension de la lecture pour révéler les effets uniques et communs de la langue et le décodage

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 ...

Cette méthode peut aider à répondre à des questions clés dans le domaine des sciences sociales sur la psychologie de la lecture et le développement du langage. Cette technique illustre comment les caractéristiques de différence individuelle co-varient et comment un effet unique peut seau par rapport à un effet partagé avec d’autres caractéristiques. Les implications de cette technique s’étendent plus largement aux sciences sociales.Car il permet de rendre compte de la communité des prédicteurs qui nous aident à comprendre les écarts qui se chevauchent. Pour lire les données dans le logiciel avec une interface utilisateur graphique, cliquez sur le fichier et passez la souris au-dessus de l’ouverture. Cliquez sur les données et localisez le fichier de données pertinent sur l’ordinateur.Si le type de fichier n’est pas compatible avec un logiciel avec une interface utilisateur graphique, cliquez sur les fichiers de type et sélectionnez le format de fichier approprié. Ensuite, cliquez sur ouvrir. Pour expliquer la variance totale basée sur deux variables indépendantes, cliquez sur analyser et faire planer la souris sur la régression pour sélectionner linéaire.Cliquez sur la variable dépendante de la liste variable, suivie de la flèche à côté de la personne à charge. Cliquez sur les deux variables indépendantes de la liste variable et cliquez sur la flèche à côté de l’indépendance. Cliquez bien et cliquez sur la fenêtre de visionneuse du logiciel.Utilisez la souris pour faire défiler la section résumée du modèle et enregistrer la valeur sous le carré R. Étiquetez ensuite cette valeur totale R au carré. Pour expliquer la variance totale basée sur la variable indépendante, répétez l’explication de variance totale avec la variable indépendante une seule dans la liste variable indépendante et cliquez sur la fenêtre de visionneuse du logiciel.Ensuite, utilisez la souris pour faire défiler vers la section résumée du modèle, enregistrer la valeur sous la colonne carrée R, et étiqueter cette valeur variable indépendante un R au carré. Pour expliquer la variance totale basée sur la variable indépendante deux, répétez l’explication de variance totale avec la variable indépendante deux seulement dans la liste variable indépendante et cliquez sur la fenêtre de visionneuse du logiciel. Utilisez ensuite la souris pour faire défiler la section résumée du modèle, enregistrer la valeur sous la colonne carrée R et étiqueter cette valeur variable indépendante deux R au carré.Pour calculer les composants de variance uniques, communs et inexpliqués, ouvrez le logiciel de gestion des données et entrez respectueusement la variable indépendante au carré R totale un R au carré et une variable indépendante deux R au carré dans les cellules A1, B1 et C1. Entrez la valeur totale de R au carré dans A2. La variable indépendante une valeur au carré R en B2, et la variable indépendante deux R valeur au carré en C2. Pour calculer l’écart unique de la variable 1, entrez la formule en D2 et étiquetez cette valeur comme variance unique de la variable une en D1. Pour calculer l’écart unique de la variable deux, entrez la formule en E2 et étiquetez la valeur comme variance unique de la variable deux en E1. Pour calculer la variance commune entre les variables une et deux, entrez la formule en F2, et étiquetez cette valeur comme commune entre les variables une et deux en F1. Pour calculer la variance inexpliquée, entrez la formule dans G2 et étiquetez cette variation inexpliquée en G1. Pour tracer la variance unique de la variable une, la variance unique de la variable deux, la variance commune entre les variables une et deux, et la variance inexpliquée, cliquez et faites glisser les cellules de souris sur D2, E2, F2 et G2 pour mettre en évidence les données, et cliquez sur insérer, puis cliquez sur les graphiques, graphique à secteurs, et graphique à secteurs 2D. Dans cette étude représentative des écarts uniques et communs du langage et du décodage pour prédire la compréhension de la lecture, l’analyse de régression pour les élèves de première année représentait 60 % de l’écart total dans la compréhension de la lecture.Lorsque la variance de la première année a été décomposée en effets uniques et communs, le décodage expliquait de façon unique les 24 % de variance dans la compréhension de la lecture, et la langue expliquait de façon unique les 17 % de variance. L’écart commun entre le décodage et le langage était de 19 % En septième année, l’analyse de régression représentait 53 % de l’écart total dans la compréhension de la lecture. Avec le décodage uniquement expliqué par 7% de la variance dans la compréhension de la lecture, et la langue a expliqué 28% de la variance.La variance commune du décodage et du langage dans l’explication de la variance dans la compréhension de la lecture était de 18 % En 10e année, l’analyse de régression représentait 61 % de la variance totale dans la compréhension de la lecture. Avec un décodage qui représente 6% de la variance, et un langage qui représente 42% de la variance. La variance commune du décodage et du langage dans l’explication de la variance dans la compréhension de la lecture était de 13% Tout en essayant cette procédure, il est important de se rappeler que le processus de décomposition diffère des approches de régression typiques de calculer séparément la variance unique que chaque variable indépendante explique.Ce protocole peut être modifié pour répondre à d’autres questions quant à savoir si les proportions de variances uniques et communes diffèrent selon le statut socioéconomique. En outre, les variables observables peuvent être remplacées par des variables latentes pour réduire les erreurs de mesure. La quantité de variance commune que le décodage et le langage expliquent ensemble dans la prédiction de la compréhension de la lecture, en particulier dans les classes élémentaires suggèrent que l’enseignement devrait se concentrer sur l’intégration des connaissances linguistiques au niveau des mots.

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

Research

Recherche

JoVE Journal

Behavior

Comportement

Le présent article examine une méthodologie de suivi oculaire pour les études sur la compréhension de la langue. Pour obtenir des données fiables, des étapes clés du protocole doivent être respectées. Parmi ceux-ci figurent la mise en place correcte du Traqueur d’oeil (par exemple, assurer la bonne qualité des images oeil et tête) et un étalonnage précis.

Eye Tracking au cours de la compréhension du langage visuel situé : Flexibilité et Limitations en découvrant des effets de contexte visuel

La méthode a été conçue pour étudier le rôle de l’inhibition de retour (IOR) en mouvements oculaires régressif au cours de la lecture. L’accent est mis sur la différencier les régressions déclenchées à la suite de compréhension difficile par rapport à ceux déclenchés par erreur oculomoteur, y compris le rôle de IOR dans les deux types de régressions.

Eye-tracking pour distinguer les mouvements oculaires régressive axée sur la compréhension et axée sur les oculomoteur lors de lecture

Nous présentons un protocole afin d’examiner l’utilisation d’indices morphologiques au cours de la compréhension de la phrase en temps réel par les enfants atteints d’autisme.

En utilisant le paradigme de l’univers visuel d’étudier la compréhension de la phrase en langue mandarine enfants atteints d’autisme

Ici, nous présentons un protocole employant des tâches d'interférence bimodale pour examiner le traitement en ligne des phrases relatives parlées-chinoises de clause. Deux expériences exemplaires impliquant le traitement auditif avec des interférences intra- et extrasentiales sont décrites. Le paradigme fournit une méthodologie pour aborder la nature de la mémoire de travail et ses effets sur le traitement des phrases.

Examen du traitement syntaxique en ligne des phrases complexes parlées en chinois à l'aide de tâches d'interférence à double modal

Cet article décrit comment mettre en œuvre une expérience de décision lexicale simple pour évaluer la reconnaissance écrite de mot dans les participants neurologiquement sains et dans les individus avec la démence et le déclin cognitif. Nous fournissons également une description détaillée de l'analyse du temps de réaction à l'aide de l'analyse des principaux composants (APC) et de la modélisation des effets mixtes.

Tâche de décision lexicale pour l'étude de la reconnaissance de la parole écrite chez les adultes atteints ou non de démence ou d'une déficience cognitive légère

Cet article démontre l'utilisation de la méthode d'étalon-or en génétique comportementale, la méthode de décomposition de Cholesky, pour estimer les influences génétiques et environnementales uniques et qui se chevauchent sur différentes variables pour répondre à la recherche motivée par la longitudinale Questions.

Utilisation de la décomposition de Cholesky pour explorer les différences individuelles dans les relations longitudinales entre les compétences en lecture

Cette recherche présente un protocole proposé pour l’identification de la dyslexie. Le protocole est basé sur le diagnostic et la réponse aux modèles d’intervention. La proposition comprend l’utilisation d’entrevues structurées et de tests normalisés pour l’évaluation du rendement de lecture et de rédaction et des facteurs déterminants.

Évaluation de la dyslexie à l’âge de six ans

Présenté ici est un protocole introduisant un ensemble de tâches d’apprentissage statistique adaptées aux enfants visant à examiner l’apprentissage des modèles statistiques temporels par les enfants dans tous les domaines et les modalités sensorielles. Les tâches développées recueillent des données comportementales à l’aide de la plate-forme web et des données d’imagerie par résonance magnétique fonctionnelle (IRMf) basées sur les tâches pour examiner l’engagement neuronal pendant...

Mesurer l’apprentissage statistique dans toutes les modalités et domaines des enfants d’âge scolaire via une plate-forme en ligne et des techniques de neuroimagerie

La batterie multimédia pour l’évaluation des compétences du domaine général et du domaine spécifique en lecture est une batterie multimédia fiable et valide conçue pour évaluer les compétences cognitives et les compétences de base en lecture. Il permet de générer un profil complet de performances cognitives et de lecture, ce qui est particulièrement bénéfique pour les enfants dyslexiques.

Faire progresser l’évaluation de la dyslexie chez les enfants grâce aux tests informatisés

Le présent article décrit comment utiliser des méthodologies de suivi oculaire pour étudier les processus cognitifs impliqués dans la compréhension de texte. Des descriptions de l’équipement de suivi oculaire, comment développer des stimuli expérimentaux, et des recommandations procédurales sont incluses. Les informations présentées peuvent être appliquées à la plupart des études utilisant des stimuli verbaux.

Utilisation des mouvements oculaires pour évaluer les processus cognitifs impliqués dans la compréhension de texte

Découvrez la décomposition de la variance en compréhension de lecture pour analyser les effets uniques et communs du langage et du décodage. Cette méthode statistique révèle comment les prédicteurs co-varient et aide à comprendre les différences individuelles en psychologie de la lecture.

Décomposition de la Variance dans la compréhension de la lecture pour révéler les effets uniques et communs de la langue et le décodage (Vidéo) | JoVE Journal

Décomposition de la Variance dans la compréhension de la lecture pour révéler les effets uniques et communs de la langue et le décodage

Explorer plus de vidéos