コンピュータ化されたテストによる子供の失読症評価の進歩

Juan E. Jiménez; Eduardo García; Jennifer Balade

doi:10.3791/67031

方法論記事

コンピュータ化されたテストによる子供の失読症評価の進歩

DOI：

10.3791/67031

⸱

2024年8月16日

Juan E. Jiménez¹ , Eduardo García¹ , Jennifer Balade¹

¹The University Institute of Neuroscience (IUNE), Universidad de La Laguna

この記事について

サマリー

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Multimedia Battery for Assessment of General-Domain and Specific-Domain Skills in Readingは、認知能力と基本的な読解力を評価するために設計された、信頼性と有効性に優れたマルチメディア電池です。これにより、包括的な認知および読解力プロファイルの生成が可能になり、失読症の子供にとって特に有益です。

要約

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

読解力の習得は、さまざまなドメインジェネラルおよびドメイン固有の能力の育成を必要とする複雑なプロセスです。したがって、多くの子供たちが学年レベルで習熟度を維持することに取り組んでいることは驚くべきことではなく、特に、読解が困難な個人に見られるように、両方の領域にまたがる複数の能力にまたがる課題に直面した場合にそうです。驚くべきことに、読書障害は学齢期の子供に影響を与える最も一般的な神経発達障害の1つであるにもかかわらず、利用可能な診断ツールの大部分は、失読症に関連する認知スキルの全範囲を評価するための包括的なフレームワークを欠いており、コンピューター化されたオプションは最小限に抑えられています。特に、スペイン語を話す子供が利用できるこれらの機能を備えたツールは現在限られています。この研究の目的は、Sicole-Rマルチメディアバッテリーを使用して、スペイン語を話す読書困難児を診断するためのプロトコルを説明することでした。小学校向けのこのツールは、科学文献で規定されているように、失読症に関連する認知スキルの評価に焦点を当てています。具体的には、失読症に関連していることが研究で証明されているさまざまな認知能力の評価に焦点を当てています。この焦点は、失読症の個人が通常、このデジタルツールによって評価されたいくつかの認知領域に欠陥を示すという観察に基づいています。バッテリーの堅牢な内部一貫性と多次元内部構造が実証されました。このマルチメディアバッテリーは、初等教育で読解力が困難な子供を診断するための適切なツールであることが証明されており、診断目的だけでなく、個別の教育計画を調整するためにも価値のある包括的な認知プロファイルを提供します。

概要

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

失読症は、正確かつ/または流暢な単語認識の困難さ、およびスペルと解読能力の低さを特徴とする神経発達障害であり、従来の指導、適切な知性、および社会^{文化的機会にもかかわらず}、効率的な読解スキルを習得することが予想外で持続的に困難であることを特徴としています1。この神経生物学的障害は、主に音韻障害のために、読み書き、および書き込みの課題として現れることがよくあります^2,3。「失読症の早期発見の重要性は、いくら強調してもし過ぎることはありません。なぜなら、それはタイムリーな介入と支援を可能にするからです^4,5。学生が介入反応モデルでTier-3を超えて進行しない場合、科学文献で強調されているように、失読症に関連するドメイン一般能力とドメイン特異的能力の両方について、より包括的な評価を行うことが不可欠になります。ここで紹介する手法の開発は、適切な介入と支援が提供されていることを確認するために徹底的な評価を実施する必要性に基づいています。さらに、先行研究では、ウェブアプリケーションやコンピュータゲームなどの技術ベースのスクリーニングツールが、効果的なスクリーニングプロセスを促進する上での有用性を強調しています^6,7。これらの研究は、失読症の多面的な性質を総合的に強調し、失読症の個人の多様な認知プロファイルに対処するための包括的な評価と介入戦略の必要性を強調しています。学齢期の子供の間で失読症が蔓延しているにもかかわらず、利用可能なほとんどの診断ツールには、ドメイン一般スキルとドメイン固有のスキルの両方を包括的に評価するフレームワークがありません。さらに、特にスペイン語を話す人々にとって、コンピューター化されたオプションは最小限です。このマルチメディアバッテリーは、テクノロジーを活用して失読症に関連する認知スキルの詳細な評価を容易にすることで、これらのギャップを埋めます。

失読症における理論的視点と認知障害
音韻論、迅速な聴覚処理、視覚、大細胞、小脳の理論を含むさまざまな理論モデルは、失読症の原因を説明し、介入に情報を提供することを目的としています(レビューを参照)⁸。音韻論では、失読症は^{言語音の処理}の困難さに起因するとされ9、急速な聴覚処理理論では、失読症を急速に変化する音の知覚障害と関連付けています¹⁰。視覚理論は、読書困難の視覚的側面を強調し、マグノセルー理論は、視覚および聴覚処理経路の障害を指摘しています¹¹。小脳理論は、失読症が運動制御と認知機能に影響を与える小脳障害から生じることを示唆しています¹²。ニコルソンとフォーセットの遅延神経コミットメント(DNC)フレームワークは、スキル習得の遅れとニューラルネットワーク開発の遅延が失読症の中心であると仮定しています。多重欠損モデルなどの最近のモデルでは、失読症は遺伝的、認知的、および環境的要因の影響を受ける複雑な障害であると提案されています13,14,15。たとえば、RingとBlack¹⁴は多重欠損モデルをサポートしており、音韻学的および認知的処理の欠損の両方が失読症の不均一性に寄与していることを示しています。Soriano-Ferrerら¹⁵は、スペイン語を話す発達性失読症(DD)の子供を対象に研究を行い、命名速度、言語作業記憶、および音韻認識(PA)に重大な障害があることを発見しました。同様に、Zygouris et ^al.16 と Rauschenberger et ^al.6 は、これらの欠陥を特定するための認知スクリーニングツールの重要性を強調しており、失読症の個人は、通常達成している仲間よりも一貫して低いスコアを示しています。

失読症スクリーニングにおける技術的アプローチの検討:調査研究からの洞察
ディスレクシア・スクリーニングの研究は、早期発見戦略、各種評価を組み合わせた多面的なスクリーニング手法、効率向上のための技術統合という3つの主要なアプローチで進化してきた¹⁷。Politi-Georgousiの最近の¹⁸の系統的レビューは、ディスレクシアの症状に介入するためのスクリーニングプロセスではなく、より多くのアプリケーションへのシフトを強調しており、ディスレクシアの学生の読解スキルを向上させるためのテクノロジー統合と一致しています。FawcettとNicolsonによるDyslexia Early Screening Test(DEST)など、さまざまなツールが存在し、速度、音韻スキル、運動スキル、小脳機能、および知識^{を評価します19}。「コンピューターベースのツールは進歩しています。例えば、ギリシャの子供たちの読解力と認知スキルを評価するウェブアプリケーション²¹や、ゲームと機械学習を使用して失読症を早期に特定するHautalaら²¹とRauschenbergら⁶のツールなどがあります。Ahmadらは、ゲームをニューラルネットワークと統合し、検出精度95%を達成しました²²。さまざまな正書法にわたる研究は、失読症の識別における音韻認識と迅速な自動命名の重要性を強調しています^23,24。

スペイン語を話す子供たちの失読症への洞察
スペイン語を話す子供たちの失読症の研究は、Sicole-R技術の使用を通じて大幅に進歩しました。Jiménezらは、年齢層を超えた失読症の評価、特に小学校低学年の音韻的および構文的処理に基づいて失読症と典型的達成読者を区別することにおいて、その有効性を実証した²⁵。Guzmánらは、音韻学的課題を持つ失読症の子供における命名速度の不足を調査し、文字RANや数字RAN^などのタスクを通じて測定された命名速度と失読症との間の相互作用を強調しました。Jiménezらによるさらなる研究では、異なる音節構造にわたる音韻認識障害を調査し²⁷、Ortizらは、失読症のスペインの子供たちの音声知覚障害を調査し、音声コントラストや言語単位に関係なく、音声知覚発達の障害を明らかにした^28,29。Jiménezらは、失読症の二重欠損仮説を調査しました³⁰、続いて、失読症の有病率における認知プロセスと性別関連の格差の分析が行われました^31,32。Rodrigoらは、スペインの失読症の子供たちの語彙アクセスを調査し³³、Jiménezらは構文処理の欠陥を精査した³⁴。最後に、Jiménezらは、失読症のサブタイプにおける音韻論的および正書法のプロセスを研究し、正書法の経路効率の違いを強調した³⁵。これらの研究は、スペイン語を話す人々の失読症の認知的および言語的課題についての理解を総合的に高めます。

実施された研究は、参加した子供たちの年齢と背景の点でいくつかの共通の特徴を共有しています。これらの研究に含まれた子供の年齢は7歳から14歳までの範囲でした。ほとんどの研究は7歳から12歳までの小学生に焦点を当てていたが、14歳までの子供を含む研究は例外で、幼少期から思春期前までのサンプルを提供していた^31,32。参加した子どもたちは、主にスペインのカナリア諸島出身でした。さらに、一部の研究には、スペインとグアテマラの他の地域からのサンプルが含まれていました^31,32。参加者は、都市部と郊外地域を含む背景を持つ公立学校と私立学校の両方から募集されました。これらの研究で表される社会経済的レベルは、中低中産階級から労働者階級および中産階級までさまざまです。

これらの調査は、失読症の複雑さに対する理解を大幅に前進させ、失読症研究の分野に貢献しています。このツールは、スペイン、グアテマラ、チリ、メキシコなど、複数のイベロアメリカ諸国での使用に適応しており、この研究のための多様なスペイン語を話すサンプルの診断精度と精度の評価を容易にします。

この研究は、専門のマルチメディアバッテリーを使用して、スペイン語を話す読書障害のある子供を診断するためのプロトコルを説明することを目的としていました。主な目標は、失読症に関連するドメイン一般スキルとドメイン固有のスキルの両方を評価する包括的な評価ツールを提供することです。

実験セットアップの概要
SICOLE-Rは、Java 2 Platform Standard Edition(J2SE)でプログラムされました。HSQL データベースエンジンはデータベースとして使用されます。このソフトウェアには、評価される6つの主要なモジュールが含まれています:1)知覚処理、これには、発声、配置、およびアーティキュレーションの方法のタスクが含まれます。2)音素分離、音素削除、音素セグメンテーション、および音素ブレンディングタスクを含む音韻処理。3)数字、文字、色、写真の命名速度のタスクを含む命名速度。4)語彙素と接尾辞の形態学的理解と同音異義語の理解のタスクを含む正書法処理。5)性別、数、機能語、文法構造タスクなどの構文処理。6)意味処理は、情報量の多い物語的なテキストを通じて読解タスクに影響を与えます。各タスクの指示は、1回または2回の試行(タスクによって異なります)とデモンストレーションを伴い、テストフェーズの開始前に教育エージェントによって提供されます。各タスクのアプリケーションプロトコルを次に示します。

マルチメディアバッテリーを研究サンプルに投与する前に、語彙、画像、その他の関連コンテンツの調整など、各国(メキシコ、グアテマラ、エクアドル、チリ)のスペイン語モダリティに適応させました。政権の条件は、すべてのラテンアメリカ諸国で同じだった。管理環境は、学校内で静かで、騒音、気を散らすもの、中断がない必要がありました。マルチメディアバッテリーの管理期間は、学生の能力と年齢に応じて、それぞれ30分の3〜4セッションの範囲でした。ほとんどのスプレッドシートおよび統計データ処理システムとデータベースが互換性があるため、評価者は各子と各タスクの結果を分析できます。データ収集に関しては、2つの異なるタスクタイプが採用されました:1)試験官が外部マウスを使用して成功とエラーを記録し、学生の口頭パフォーマンスを記録するタスク、および2)学生がオプションをクリックして個別に選択する必要があるタスク。

プロトコル

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

この議定書は、ラ・ラグーナ大学(ULL)のComité de Ética de la Investigación y Bienestar Animal(研究倫理および動物福祉委員会、CEIBA)が提供するガイドラインに従って実施されました。データは、各国のカリキュラムに応じて異なる時期に収集され、教育行政、学校、保護者が同意した生徒からのみ情報を取得しました。この研究で使用されたテストバッテリーは知的財産として登録されており、ULLとの譲渡契約を通じてアクセスできます。テストバッテリーの入手方法の詳細については、ULLのOffice of Knowledge Transfer(OTRI)にお問い合わせください。

1. SICOLE-Rの設置と準備

このツールを適用するには、2 年生から 6 年生までの生徒という選択基準を使用してください。次の除外基準を使用してください:特別な教育的ニーズを持つ学生を含めないでください。他の要因の中でも特に、感覚障害や後天的な神経学的問題のためにサポートや的を絞った教育的注意を必要とした学生を指します。
注:評価は、コンピューターへのアクセスと良好な照明を備えた静かな空間で、学生と個別に行われます。適応したマイク付きのヘッドフォンは、タスクの指示の受信を容易にし、生徒のパフォーマンスを向上させるために必要になります。
ソフトウェアをコンピューターにインストールするには、管理者としてファイルを実行し、アイコンをクリックしてツールを開きます。アプリケーションを開くと、初期インターフェイスが表示され、さまざまな操作オプションが表示されます。
評価を開始する前に、タスクを実行する学生の情報を入力します。彼らのデータが入力されたら、学生のリストに記録し、後で彼らの情報を修正することができます。
新しい学生が追加されるたびに、タスクを開始する前にテスト画面が表示されます。この画面で、画面に表示されるブーツをタップするように生徒に依頼します。
注:このミニゲームの目的は、生徒の運動制御を評価するためのベースラインを確立することです。これにより、ソフトウェアがキーボードのキーを押すことで応答を記録するため、モーター速度の個人差を監視できます。このミニゲームは一度だけ登場します。
評価を開始する前に、審査官に次の指示を与えるように依頼してください:次に、さまざまなゲートを備えた仮想サーカス環境に入ります。各ゲートは、参加する楽しいアクティビティにつながっています。ピエロがこれらのゲートを案内し、各アクティビティで何をすべきかを説明します。試験官の隣に座り、指示をよく聞いてください。それぞれのタスクで最善を尽くすようにしてください。これらのアクティビティを探索して完了することを楽しんでください!
評価が予定されている学生を選択し、[ 開始 ]セクションをクリックしてタスクを開始します。メインメニューには5つの色付きのドアがあり、それぞれが評価対象のモジュールの1つに対応しています。
各タスクは導入指導から始まり、生徒にこれに注意を払うように依頼します。生徒たちはゲームの性質について知らされ、教育エージェントによって促進され、ゲームの遊び方について指導されます。エージェントが各タスクに対して口頭で指示を出し、モデルを通じて手順を例示し、生徒が見習うための例を提示するようにします。
例の完成後、教育エージェントが対応するフィードバックを提供し、誤って実行された例を学生がやり直せるようにし、評価が開始します。
注:教育エージェントは、生徒をタスクに導くように設計された仮想キャラクターです。この役割では、エージェントは明確で理解しやすいスピーチと、学生の応答に基づいて指導ガイダンス、タスクモデリング、およびフィードバックを提供する能力を持っている必要があります。教育エージェントは、タスク中の学生の入力に従って一貫して正確に応答するようにプログラムする必要があります。

2. SICOLE-Rのタスク

Yellow Door:音声認識タスクを用いた知覚処理モジュール
1. コンピューターでプログラムを開きます。プログラムインターフェース内の黄色のドアに移動します。 利用可能なサブタスクの1つ をクリックして、タスクを開始します:(1)ボイシング、(2)アーティキュレーションの方法、(3)配置。
2. 教育エージェントが生徒に指導指導とタスクモデリングを提供できるようにします。エージェントは言うべきです:今、私たちは音節のペアを聞きます。音節が同一の場合は、青いボタンを押します。異なる場合は、赤いボタンを押してください。私がどのようにやるかを見てください。今度はこれらの例であなたの番です。
3. 生徒に2つのアイテムの例を提示します:/ba/-/pa/;/ja/-/ka/。ペアが同一の場合は青い円を選択し、異なる場合は赤いボタンを選択するように、生徒に再度指示します。
4. タスクが完了したら、教育エージェントが例の学生の回答に基づいてフィードバックを提供していることを確認します。例が完成したら、エージェントが生徒にタスクを開始するように指示できるようにします。
5. 円(青または赤)を選択する手順は、タスク全体で一貫しており、ヒットとミスを記録します。生徒が音節のペアをもう一度聞く必要がある場合は、 スピーカーアイコンをクリックして もう一度再生します。アイテムごとに1回の追加再生のみが許可されていることに注意してください。
Pink Door:音韻認識モジュール
1. 音素セグメンテーションタスク
  1. コンピューターでプログラムを開きます。プログラムインターフェース内のピンクのドアに移動します。「 Phoneme Segmentation 」を選択して、タスクを選択します。
  2. 教育エージェントが学生に指導指導を提供できるようにします。エージェントは言うべきです:次に、音素のセグメンテーションに焦点を当てます。私が実演するのを見てください。次に、2 つのアイテムの例が表示されます。
  3. 生徒に2つの例題を提示します。生徒に、各単語について答えを声に出して表現してもらいます。
  4. 外部マウスを使用して、正しい応答の場合は青いボタン、間違った応答の場合は赤いボタンをクリックします。教育エージェントが、例に対する学生の反応に基づいてフィードバックを提供することを確認します。
  5. 例を挙げた後、教育エージェントが生徒にタスクを開始するように指示することを確認します。
2. 音素ブレンディングタスク
  1. コンピューターにプログラムを入力します。プログラムインターフェース内のピンクのドアに移動します。 「音素ブレンディング 」を選択してタスクを選択します。
  2. 教育エージェントが学生に指導指導を提供できるようにします。エージェントは言う:今、私たちは音素合成に焦点を当てます。私が実演するのを見てください。次に、2 つのアイテムの例が表示されます。
  3. 生徒に2つの例題を提示します。生徒に、各単語について自分の答えを声に出して明確に表現してもらいます。
  4. 外部マウスを使用して、正確な応答の場合は青いボタン、不正確な応答の場合は赤いボタンをクリックします。教育エージェントが、例に対する学生の反応に基づいてフィードバックを提供することを確認します。
  5. 例の後、教育エージェントが生徒にタスクを開始するように指示できるようにします。この手順は、タスクの実行全体を通じて一貫性を保ち、正確な応答と不正確な応答の両方を記録します。
  6. 生徒が単語をもう一度聞く必要がある場合は、 オウムのアイコンをクリックして 再生します。リプレイは1つのアイテムにつき1回のみ許可されることに注意してください。
3. 音素分離タスク
  1. コンピューターでプログラムを開きます。プログラムインターフェース内のピンクのドアに移動します。 「Phoneme Isolation 」をクリックしてタスクを選択します。
  2. 教育エージェントが生徒に指導指導とタスクモデリングを提供できるようにします。エージェントは言うべきです:次に、音素の分離に焦点を当てます。私が実演するのを見てください。次に、2 つのアイテムの例が表示されます。あなたの仕事は、名前がターゲットの単語と同じ音で始まる画像をクリックすることです。
  3. 生徒に2つの例題を提示します。生徒がターゲット単語と同じ音で始まる画像をクリックしたかどうかを観察します。
  4. 教育エージェントが、例に対する学生の反応に基づいてフィードバックを提供することを確認します。例を挙げた後、エージェントが生徒にタスクを開始するように案内していることを確認します。
  5. この手順はタスク全体を通して統一され、ヒットとミスの両方が文書化されます。生徒が単語をさらに聞く必要がある場合は、 スピーカーのアイコンをクリックして 再生します。リプレイは1つのアイテムにつき1回のみ許可されることに注意してください。
4. 音素削除タスク
  1. コンピューターでプログラムを開きます。プログラムインターフェース内のピンクのドアに移動します。 「音素の削除」 を選択して、タスクを選択します。
  2. 教育エージェントが指導的ガイダンスを提供し、生徒にタスクを実演できるようにします。エージェントは言うべきです:次に、音素の削除に焦点を当てます。私が実演するのを見てください。次に、2 つのアイテムの例が表示されます。
  3. 生徒に2つの例題を提示します。生徒に、各単語について声に出して答えを言ってもらいます。
  4. 正解の場合は青いボタン、不正解の場合は赤いボタンを外部マウスでクリックします。教育エージェントが、例に対する学生の反応に基づいてフィードバックを提供することを確認します。
  5. 例の後、教育エージェントが生徒にタスクを開始するように指示していることを確認します。この手順は、タスクの実行全体を通じて一貫性を保ち、正しい応答と誤った応答の両方を記録します。
  6. 生徒が単語をもう一度聞く必要がある場合は、 スピーカーのアイコンをクリックして 再生します。リプレイは1つのアイテムにつき1回のみ許可されることに注意してください。
Orange Door:命名速度と正書法モジュール
1. 迅速な自動命名(RAN)タスク
  1. コンピュータ上のプログラムにアクセスします。プログラムインターフェース内のオレンジ色のドアに進みます。 [命名速度 ] を選択して、タスクを選択します。
  2. 教育エージェントが指導的ガイダンスを提供し、タスクをデモンストレーションすることを許可します。命名速度モジュールの文字RANサブタスクの例を提示します。
  3. 生徒に自分の答えを声に出して明確に表現してもらいます。例の応答が正しければ、画面上の青いボタンを選択します。間違っている場合は、赤いボタンをクリックしてください。
  4. 教育エージェントが学生の回答に基づいてフィードバックを提供していることを確認します。例の後、教育エージェントがタスクを開始することを確認します。
  5. タスクを開始するには、マウスの左ボタンをクリックしてタイミングを開始します。タスク中、サブタスクに応じて、要素のマトリックスが画面に表示されます。
  6. 生徒に声に出して名前を挙げてもらい、マトリックスの要素を順番に挙げてもらいます。同時に、学生が犯したエラーを文書化します。
  7. エラーごとに、外部マウスの右ボタンを使用してエラーの数を登録します。生徒が要素に名前を付け終えたら、もう一度左ボタンを押してタイミングを終了し、そのサブタスクのタスクを完了します。最初のサブタスク (文字 RAN) が完了すると、同じ手順に従って次のサブタスク (番号 RAN) が自動的に表示されます。このプロセスは、残りのサブタスク (カラー RAN とオブジェクト RAN) に対して続行されます。
2. 語彙素と接尾辞タスク
  1. コンピュータ上のプログラムにアクセスします。プラットフォームインターフェース内のオレンジ色のドアに移動し、 語彙素と接尾辞 をクリックしてタスクを選択します。
  2. 教育エージェントが、生徒が外部マウスを使用してターゲット単語に対応する画像を選択する例の項目など、生徒に指導ガイダンスとタスクモデリングを提供できるようにします。
  3. 教育エージェントが、例に対する学生の反応に基づいてフィードバックを提供し、タスクを開始するように学生に指示することを確認します。
  4. タスクの実行全体を通して手続きの一貫性を保ち、提示された各項目のターゲット単語に対応する画像を選択するように生徒に促し、正しいヒットと見逃した応答の両方を記録します。
3. 同音異義語理解課題
  1. コンピュータ上のプログラムにアクセスします。プラットフォームインターフェイス内のオレンジ色のドアに移動します。 同音異義語理解 をクリックして、タスクを選択します。
  2. 教育エージェントが学生に指導的ガイダンスとタスクモデリングを提供できるようにします。例のアイテムを提示し、生徒に外部マウスを使用してターゲット単語に対応する画像を選択するように促します。
  3. 教育エージェントが例に対する学生の反応に基づいてフィードバックを提供することを確認し、例のプレゼンテーションに従ってタスクを開始するように学生に指示します。
  4. タスクの実行全体を通じて、手続き手順の一貫性を維持します。提示された各項目のターゲットワードに対応する画像を選択するように生徒に促します。
  5. タスクの実行中に正しいヒットと見逃した応答の両方を記録します。
Green Door:構文処理モジュール
1. ジェンダー課題
  1. コンピューターでプログラムを開きます。プログラムインターフェース内の緑色のドアに移動します。 「性別 」をクリックしてタスクを選択します。
  2. 教育エージェントが生徒に指示とタスクモデリングを提供できるようにします。生徒が完成させる2つの例を提示し、外部マウスを使用して性別の一致に従って各文の対応する単語をクリックするように要求します。
  3. 教育エージェントが、例に対する学生の反応に基づいてフィードバックを提供することを確認します。例のプレゼンテーションに従って、教育エージェントが生徒がタスクを開始するようにガイドしていることを確認します。
  4. タスクの実行全体を通じて、プロシージャの一貫性を維持します。生徒に、性別の一致に従って各文の対応する単語をクリックするように促します。
  5. タスクの実行中に正しい応答と正しくない応答の両方を収集します。
    注:スペイン語とは異なり、英語は文法で性別を区別しません。
2. 番号タスク
  1. コンピューターでプログラムを開きます。プログラムインターフェース内の緑色のドアに移動します。 「番号 」をクリックしてタスクを選択します。
  2. 教育エージェントが生徒に指示とタスクモデリングを提供できるようにします。生徒が完成させる2つの例を提示し、各文の対応する単語を外部マウスを使用して、数字の一致に従ってクリックするように要求します。
  3. 教育エージェントが、例に対する学生の反応に基づいてフィードバックを提供することを確認します。例のプレゼンテーションに従って、教育エージェントが生徒がタスクを開始するようにガイドしていることを確認します。
  4. タスクの実行全体を通じて、プロシージャの一貫性を維持します。生徒に、各文の対応する単語を数字の一致に従ってクリックするように促します。
  5. タスクの実行中にヒットとミスの両方を収集します。
    注:スペイン語とは異なり、英語は文法で数字を区別しません。
3. 機能語タスク
  1. コンピューターでプログラムを開きます。プログラムインターフェース内の緑色のドアに移動します。 「Functional Words 」をクリックしてタスクを選択します。
  2. 教育エージェントが生徒に指示とタスクモデリングを提供できるようにします。生徒が完成させる2つの例を提示し、外部マウスを使用して、文の文脈に応じて各文の対応する機能語をクリックするように要求します。
  3. 教育エージェントが、例に対する学生の反応に基づいてフィードバックを提供することを確認します。例のプレゼンテーションに従って、教育エージェントが生徒がタスクを開始するようにガイドしていることを確認します。
  4. タスクの実行全体を通じて、プロシージャの一貫性を維持します。生徒に、文の文脈に応じて、各文の対応する機能単語をクリックするように促します。
  5. タスクの実行中に正しい応答と正しくない応答の両方を収集します。
4. 文法構造課題
  1. コンピューターでプログラムを開きます。プログラムインターフェース内の緑色のドアに移動します。 「文法構造 」を選択してタスクを選択します。
  2. 教育エージェントが生徒に指示とタスクのデモンストレーションを提供できるようにします。生徒が完成させる2つの例を提示し、外付けマウスを使用して各写真の適切な文をクリックするように要求します。
  3. 教育エージェントが、例に対する学生の反応に基づいてフィードバックを提供することを確認します。例のプレゼンテーションに従って、教育エージェントが生徒がタスクを開始するように指導していることを確認します。
  4. タスクの実行全体を通じて、プロシージャの一貫性を維持します。外付けマウスを使用して、各写真の適切な文をクリックするように生徒に促します。
  5. タスクの実行中に正しい応答と誤った応答の両方をキャプチャします。
Blue Door:読解タスクを用いた意味処理モジュール
1. コンピューターでプログラムを開きます。プログラムインターフェース内の青いドアに進みます。情報テキストには 「The Fruits 」を、ナラティブテキストには 「Tino's Getaway 」を選択します。
2. 教育エージェントが生徒にタスクの指示を提供できるようにします。テキストの種類を選択したら、画面にテキストを表示します。
3. 生徒はテキストを読み、最も関連性の高い情報を暗記する必要があります。読み終わったら、外部マウスを使用して画面上の矢印をクリックして読書の完了を示し、次のセクションに進むように生徒に依頼します。
4. 教育エージェントが生徒に質問を読み、外部マウスを使用して正しい答えを選択するように指示できるようにします。生徒は問題を読み、それに応じて正しい答えを選択します。

3. データ分析

スペイン語を話す人口におけるマルチメディアバッテリーの構成概念の有効性と診断精度を評価するには、確認因子分析 (CFA) と受信者動作特性 (ROC) 曲線分析を使用します。
CFAを実行して、マルチメディアバッテリーの基礎となる因子構造を検証します。この分析により、データが理論的な期待に基づいて事前定義された構造に適合するという仮説を検定できます。
比較適合指数 (CFI)、タッカー・ルイス指数 (TLI)、近似の二乗平均平方根誤差 (RMSEA)、標準化二乗平均平方根残差 (SRMR) など、いくつかの適合指数を使用してモデルの適合を評価します。良好なモデル適合は、CFIおよびTLIの値が0.90より大きいこと、RMSEAの値が0.08未満、SRMRの値が0.08未満であることで示されます。
マルチメディア・バッテリの診断精度を判断するには、ROC曲線解析を実行します。この方法により、読解困難の有無にかかわらず個人を正しく分類するテストの能力を評価することができます。ROC曲線下面積(AUC)は、試験の全体的な精度の尺度を提供します。AUC が 0.5 の場合は診断能力がないことを示し、AUC が 1.0 の場合は完全な診断能力を示します。
さまざまなしきい値レベルでの感度と特異性を分析することにより、バッテリーの最適なカットオフポイントを特定します。
CFA曲線分析とROC曲線分析の両方を使用して、マルチメディアバッテリーの包括的な評価を行い、スペイン語を話す人口におけるその構成概念の有効性と診断精度を確認します。

結果

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

サンプル研究
サンプルには、スペイン(N = 325)、メキシコ(N = 169)、グアテマラ(N = 227)、チリ(N = 160)からの881人の参加者が含まれ、全員がスペイン語を母国語としていました。サンプルは、読解障害(RD)グループの451人と、正常達成リーダー(NAR)グループの430人の2つのグループに分けられました。特別な教育的ニーズを持つ子ども(感覚障害、神経学的問題、またはその他の状態のために支援および特定の教育的注意を必要とする子ども)は、これらの要因が通常、一時的または学校教育期間中、学習障害または重度の行動障害の除外基準として使用されるため、除外されました。RDグループの参加者は、IQが80以上、単語の読解時間測定パーセンタイルが75パーセンタイルを超える、疑似単語の読解時間測定パーセンタイルが75パーセンタイルを超える、疑似単語の読解精度測定パーセンタイルが25パーセンタイルを下回るなどの基準に基づいて選択されました。同様に、NARグループは、25パーセンタイルより上のPROLEC³⁶理解タスクパーセンタイルを追加して、同等の基準に基づいて選択されました。すべてのパーセンタイルは、参加者の学年レベルに応じて決定されました。これらのグループへの参加者の分類は、単語の読み取りと疑似単語の読み取りのタスクに依存しており、それぞれが別々のブロックで構成されています。どちらのブロックでも、参加者は提示された言語刺激をできるだけ早く声に出して読むように指示されました。単語読み取りブロックには32個の刺激が含まれ、疑似単語読み取りブロックには48個の刺激が含まれていました。単語の親しみやすさは、GuzmanとJiménez37によって概説された基準を使用して制御されました。ヒット、エラー、およびレイテンシ時間の測定値が記録され、各アイテムの出現から学生の発声応答の開始までのレイテンシ時間が測定されました。単語読み取りブロックは高い内部一貫性(α = 0.89)を示し、疑似単語読み取りブロックはさらに高い内部一貫性(α = 0.91)を示しました。RDとNARの生徒の異なる学年間の分布は次の通りでした:2年生では、NARの生徒は30人、RDの生徒は27人でした。3年生に移行すると、100人のNARと88人のRDの生徒が観察されました。4年生には、100人のNARと116人のRDの生徒が含まれていました。5年生には100人のNARと116人のRDの生徒がいましたが、6年生には100人のNARと104人のRDの生徒がいました。総サンプルおよび各学年レベル内の年齢差を評価するために、一元配置分散分析テストが実施されました。その結果、有意差は認められず、すべてのp値が0.05を超えました。同様に、性別変数の分布はカイ二乗検定を使用して調べられ、すべてのp値も0.05を超えました。

記述統計
表1 は、年齢の記述統計量(平均と標準偏差)と評価尺度を示しています。データは性別によって分類され、さまざまな国で通常達成している読者と読書障害のある人々を区別しています。その結果、多数の評価指標間で正の相関関係と統計的に有意な相関関係が示されました( 表2を参照のこと)。この表には、弱いものから強いものまで、メジャー間の相関関係が表示されます。0.3未満の相関は弱いと見なされ、0.5より大きいものは強いと分類されます。特定の相関値は、それぞれの強度分類とともに提供されます。例えば、弱い相関(r < 0.3)には、ブレンディングセグメンテーション(r = 0.354)と削除同音異義語理解(r = 0.270)の相関が含まれていた。文法構造-数(r = 0.463)と機能語-文法構造(r = 0.512)との間には、中程度の相関(0.3 ≤ r < 0.5)が観察された。強い相関(r ≥ 0.5)は、数-性別(r = 0.642)と画像のRANカラーRAN(r = 0.442)で明らかです。

表 1: メジャーの記述統計。 この表は、デジタルツールに含まれるさまざまなメジャーの平均、標準偏差、およびその他の記述統計を提供します。AGE:年齢;NAR:通常は達成的な読者。RD:読書障害;SEG:セグメンテーション;BLN:ブレンディング;ISO:音素分離;DEL:音素の削除;HOM:同音異義語の理解;R&S: Root & Suffixes;GEN:性別;NUM: 数値;FW:機能的な言葉。GRS:文法構造;EXT: expositive Text ;NAT: ナラティブテキスト ;VOC:アーティキュレーションのボイシング。MOA:アーティキュレーションの方法;POA=関節の場所;DIG:数字RAN;LET:手紙は蘭;COL:カラーRAN;PIC:画像RAN この表をダウンロードするには、ここをクリックしてください。

表 2: メジャーの相関係数。 この表は、デジタルツールの異なるメジャー間の相関係数を示しており、これらのメジャー間の関係の強さと方向を示しています。SEG:セグメンテーション;BLN:ブレンディング;ISO:音素分離;DEL:音素の削除;HOM:同音異義語の理解;R&S: Root & Suffixes;GEN:性別;NUM: 数値;GRS:文法構造;FW:機能的な言葉;EXT: expositive Text ;NAT: ナラティブテキスト ;VOC:アーティキュレーションのボイシング。MOA:アーティキュレーションの方法;POA=関節の場所;DIG:数字RAN;LET:手紙は蘭;COL:カラーRAN;写真:写真はRANです。この表をダウンロードするには、ここをクリックしてください。

確認的因子分析
CFAは、マルチメディアバッテリーの提案された要素構造を評価するために実施されました。このモデルには、1つの2次因子と6つの潜在変数が含まれており、それぞれがマルチメディアバッテリーの異なるモジュールを表しています。これらの構成概念には、音韻認識(音素セグメンテーション、分離、ブレンディング、および削除タスクを含む)、形態正書法モジュール(語根と接尾辞、同音異義語理解タスクを含む)、構文(性別、数、文法構造、および機能的な単語タスクを含む)、音声知覚(発声、分節の方法、および分節の場所タスクを含む)、読解(expositive textおよびnarrative text理解タスクを含む)、および迅速自動命名(RANタスクの文字、色、数字、画像タスク)。マルチメディアバッテリー内のすべてのタスク (0 から 1 の範囲) で一貫性を確保するために、最大スケーリングの割合 (POMS) 推定を使用しました。POMSスコアは、時間ベースのタスク(ルートとサフィックス)³⁸について計算されました。

統計分析とグラフィカルな表示は、lavaan⁴⁰、semTools⁴¹、および ggplot2⁴² パッケージを使用して、R バージョン 4.3.1³⁹ を使用して実行されました。モデルの適合度は、さまざまな適合度指標を使用して評価されました。カイ二乗適合度は有意であり、χ²(df) = 632.01, p < .001 であり、仮説モデルと観測データとの間の不一致を示唆していますが、カイ二乗検定はサンプルサイズ⁴³ に敏感であることに注意することが重要です。したがって、追加の適合指数が考慮されました。

比較適合指数 (CFI) は .961 という値をもたらし、一般に受け入れられているしきい値の .95 を超え、データへの適合度が良好であることを示しています。近似の二乗平均平方根誤差(RMSEA)は.038で、モデルがデータに密接に適合していることを示しています。標準化二乗平均平方根残差(SRMR)は0.034で、推奨値の0.05を下回っており、理想的な適合を示唆しています。項目の因子負荷は.36から.81の範囲であり、それぞれの因子に対する有意な負荷を示しています。抽出された合計平均分散(AVE)は.50を超えており、適切な収束妥当性を示唆しており、総複合信頼性(CR)は.80を超えており、良好な内部一貫性信頼性を示しています。

結論として、CFAの結果は提案された因子構造を支持し、良好なモデル適合度、収束妥当性、および信頼性を実証しました。 図 1 のモデルのグラフィック表現を参照してください。

figure-results-1
図1:確認的因子分析。この図は、デジタルツールで実行された確認因子分析の結果を示しており、因子負荷量とさまざまな認知処理尺度間の関係を強調しています。略語:SIC = Sicole-R;PA=音韻認識;SEG =セグメンテーション;BLN =ブレンディング;ISO=アイソレーション;DEL= 削除;MO=形態素処理;HOM =同音異義語の理解;R&S =ルートと接尾辞。SYN= 構文処理;GEN=性別;NUM= 数値;GRS=文法構造;FW= 機能語;RC=読解力;EXT= 肯定テキスト;NAT= ナラティブテキスト;SP=音声知覚;VOC=アーティキュレーションの発声;MOA =アーティキュレーションの方法。POA=関節の場所;RAN=迅速な自動命名。NUM= 数値 RAN;LET=文字RAN;COL=カラーRAN;PIC= 画像 RAN です。この図の拡大版を表示するには、ここをクリックしてください。

測定不変性分析を使用して、マルチメディアバッテリーの因子構造が性別を超えて安定しているかどうかをテストしました。測定不変性の試験は、ますます厳しくなる等式制約⁴⁴を定義する一連のモデル比較から成る。統計分析を実施し、以前のCFAと同じ適合モデル基準に従いました。我々は、コンフィグレーション、メトリック(負荷)、スカラー(切片)、および厳密(残差)構造⁴⁵を表すパラメータを連続的に制約した。これらのモデルのいずれかに適合度が低い場合は、制約されている側面が異なるグループに対して一貫して機能していないことを示しています。不変性の次数は、χ²_Dが >0.05 で ΔCFI が <0.01 のときに共同で決定されました。モデルのインデックスの結果とモデル間の違いの概要を 表3に示します。

表3:不変性モデルの適合指数。 この表は、モデルの性別不変性を検定するための適合指標を示しており、デジタルツールが男性グループと女性グループ間でその構造と測定特性の一貫性をどの程度維持しているかを評価します。これらの指標は、多様な性別グループ間で一貫して認知プロセスを測定する能力を確認することにより、ツールの信頼性と妥当性を確保します。この表をダウンロードするには、ここをクリックしてください。

モデル内の変数の相対的な構成のみを両方のグループで同じになるように制約した構成モデルは、データに適切に適合していました:χ²(292) = 745.970, p<.001, CFI = .964, SRMR = 0.034, RMSEA = 0.036, 90% CI (.033, 0.038)。指標不変性モデルでは、変数の構成とすべての因子負荷量がグループ間で一定になるように制約されていました。適合指数は、構成モデルと同等でした:χ²(310) = 768.56、p<.001、CFI = 0.963、SRMR = 0.037、RMSEA = 0.036、90% CI (0.033, 0.038)。因子負荷量の不変性は、モデルの類似性を評価した有意でない差分検定によって支持されました: χ²_D(18) = 26.30, p =.09;ΔCFI = 0.001 です。スカラー不変性モデルでは、コンフィギュレーション、因子負荷量、および指標の平均/切片が各グループで同じになるように制約されました。適合指数は理想的とは言えませんでした:χ²(322) = 787,50, p<.001, CFI = 0.963, SRMS = 0.038, RMSEA = 0.035 (90% CI = 0.032, 0.038)モデルの類似性を評価した差分検定では、要因不変性があることが示唆されました: χ²_D(12)=13.00, p = .369;ΔCFI = 0.001 です。最後に、厳密不変性モデルでは、コンフィギュレーション、因子負荷量、指標の平均/切片、および残差が各グループで同じになるように制約されました。適合指数は理想的とは言えませんでした:χ²(341) = 798.20, p<.001, CFI = 0.961, SRMS = 0.039, RMSEA = 0.0035 (90% CI = 0.032, 0.038)。厳密な不変性は、モデルの類似性を評価した非有意差検定によって支持されました: χ²_D(11) = 25.81, p<.001;ΔCFI =.002

診断精度
マルチメディアバッテリーの精度と識別容量を評価するために、レシーバー動作特性(ROC)分析が行われました。ROC分析は、感度(真陽性を正しく識別する能力)と特異度(真陰性を正しく識別する能力)のバランスを取りながら、連続スケールの評価テストに最適なしきい値(カットオフ値)を決定するのに役立ちます。さらに、ROC分析を使用して、RDグループとNARグループを区別するテストの能力を評価しました。分析を実行するために、マルチメディアバッテリーの各タスクのグレードごとにZスコアが計算されました。オムニバススコアは、ゼータスコアの合計で構成されていました。統計分析とグラフィカルなプレゼンテーションは、Rバージョン4.3.1⁴¹を使用して実行されました。pROC⁴⁶ と ggplot2⁴² パッケージを使用しました。診断精度に関しては、マルチメディアバッテリーの曲線下面積(AUC)は9439.8[95%CI:93.31%-96.24%(DeLong)]、感度は91.0でした(図2)。グレード別のROC曲線は、次の指標を示しました:2°グレード、AUC = 96.195% [CI:91.54%-100%(DeLong)]、Se = .96、Sp = .90;3°グレード、AUC = 95.3、[95%CI:92.43%-98.18%(DeLong)]、Se = 75.70、SP = 72.34;4°グレード、AUC = 93.4 [95%CI:90.2%-96.66%(DeLong)]、Se = .92、Sp = .84;5°グレード、AUC = 95.9 [95%CI:93.11%-98.75%(DeLong)]、Se = .90、Sp = .95;6°グレード、AUC = 94.4 [95%CI:91.11%-97.69%(DeLong)]、Se = .92、Sp = .91。

figure-results-2
図2:曲線ROC解析。この図はROC曲線解析を示しており、さまざまなしきい値設定での偽陽性率に対する真陽性率をプロットすることにより、デジタルツールの診断精度を示しています。ROC曲線のx軸の単位は特異度で、y軸の単位は感度です。略語:ROC =受信機の動作特性曲線。AUC =曲線の下の面積。この図の拡大版を表示するには、ここをクリックしてください。

ディスカッション

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

この研究では、確認因子分析(CFA)を使用して、1つの2次因子と異なるモジュールを表す6つの潜在変数で構成されるSicole-Rバッテリーの因子構造を評価しました。その結果、モデルの適合度、収束性、信頼性が良好であることが示され、失読症の個人にとって重要な認知スキルと読解スキルの包括的なセットを評価する際のバッテリーの有効性が確認されました。重要なのは、スペイン、メキシコ、グアテマラ、チリの多様な人口統計グループでデジタルツールが一貫してパフォーマンスを発揮していることは、スペイン語圏のさまざまな地域の教育および臨床現場での潜在的な有用性を示唆していることです。

この研究は、マルチメディアバッテリーを使用して失読症に関連する特定の認知障害を効果的に特定する方法を示すことにより、文献に貢献します。このバッテリーは、音韻認識、音声認識、命名速度、正書法処理、構文処理、読解力など、特定の困難領域を特定する能力を備えているため、個々の生徒のニーズに効果的に対応するためのカスタマイズされた介入が可能になります。さらに、性別を超えたバッテリーの一貫性が実証されていることは、公平な評価の実践を促進する上でのその有用性を強調しており、それによってすべての生徒に平等な機会を提供することを目的としたインクルーシブ教育イニシアチブを支援しています。

FawcettとNicolson¹⁷が提案したDyslexia Early Screening Test(DEST)のように、複数のドメインを評価するDyslexia Early Screening Test(DEST)など、同様の特性を持つ以前のツールは英語で使用するように設計されていましたが、この研究では、異なる言語文脈でのマルチメディアバッテリーの適用性と有効性が実証されました。分析全体を通じて、結果の精度と妥当性を確保するために、プロトコル内でいくつかの重要なステップが実施されました。これらのステップには、データの前処理、モデル仕様、パラメータ推定が含まれ、読解困難の学生を特定するためのコンピュータベースのツールの信頼性を実証したHautalaら¹⁹ などの研究と一致しています。さらに、Protopapas et ^al.20 や Pennington et ^al.12 などの他の研究では、ディスレクシアの特定のためのコンピューターベースのスクリーニングツールの実装が検討されており、評価戦略を強化するためのテクノロジーを活用することの重要性が強調されています。さらに、現在の研究は、失読症の研究と心理測定評価の最近の進歩と一致しており、現代の状況におけるバッテリーの関連性を強調しています。Jiménez et ^al.23 と Guzmán et ^al.24 が実施した研究では、多様な言語的背景に合わせた堅牢な評価ツールが決定的に必要であることが強調されており、スペイン語を話す人々のこのギャップを埋める Sicole-R の有効性が強調されています。さらに、Rauschenberg et ^al.6 が議論したように、失読症の評価におけるデジタル技術の統合は、この研究の因子分析と検証へのアプローチで示された方法論の厳密さを強化します。

この研究で採用された方法論の厳密さにもかかわらず、分析に固有の特定の制限を認識することが重要です。1つの制限は、サンプルが特定の人口統計グループで構成されていたため、結果の適用範囲をより広範な集団に制限する可能性があるため、調査結果の一般化可能性に関するものです。さらに、性別による測定の不変性を確保するための努力が払われた一方で、年齢や社会経済的地位などの他の人口統計学的要因は分析では明示的に考慮されておらず、それが結果に影響を与えた可能性があります。

将来の研究の方向性は、さまざまなスペイン語の方言への適応と、識別戦略を強化するためのより広範な教育フレームワークへの統合を探求する可能性があります。今後は、多様な集団におけるマルチメディア電池の有用性を探り、長期的な教育成果を予測する際のその縦断的妥当性と予測的妥当性を調査するなど、この研究で特定された限界に対処することを目指すべきである。さらに、Jinら^{による最近のレビュー47}では、有望な将来の研究ラインが強調されており、神経生物学的技術の組み込みが示唆されています。彼らは、2018年から2023年の間に発表された研究を選択して、科学データベースの包括的なレビューを実施しました。彼らの発見は、神経生物学的技術の評価が失読症の診断を進める上で有望な傾向として浮上していることを示唆しています。

結論として、この研究の結果は、マルチメディアバッテリーが教育者にとって貴重なツールであることを強調しており、最終的には失読症の生徒にとってより効果的なサポートと改善された結果を促進します。これらの現代的な洞察を取り入れることにより、調査結果は失読症の評価に関する進化する言説に貢献し、開業医や研究者に効果的な診断戦略フレームワークに関する最新の視点を提供します。私たちの知る限り、この研究は、スペイン語を話す人々向けに特別に調整された包括的なマルチメディアバッテリーを検証した最初の研究の1つであり、失読症に利用可能な現在の診断ツールの重要なギャップを埋めます。

開示事項

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

上記の著者は、本研究に関して金銭的利益またはその他の利益相反がないことを証明します。

謝辞

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

私たちは、プロジェクトEvaluación de procesos cognitivos en la lectura mediante ayuda asistida a través de ordenador en población escolar de educación primaria(Assessment of Cognitive Processes in Reading through)を通じて、技術ツールSicole-R-Primariaをイベロアメリカ空間内のさまざまな国のスペイン語バリアントに適応させることを可能にする、Programa de la Agencia Española de Cooperación con Iberoamérica(AECI)が提供した支援に感謝しますグアテマラ(文献:A/3877/05)、エクアドル(文献:C/030692/10)、メキシコ(文献:A/013941/07)、チリ(文献:A/7548/07)の小学生集団におけるコンピュータ支援援助。また、米州開発銀行(IDB)がパナマ教育省(MEDUCA)に対して財政支援を行い、イベロアメリカ教育科学文化機構(OEI)が仲介役を務めていることに、心から感謝の意を表します。この資金調達により、Sicole-Rをコンピューターとタブレットの両方に適応させることができました。また、プログラムPN-L1143の枠組みの中で提供されたサポートにも感謝しています。4357/OC-PN、特にファシリテーターのトレーニングと教育リソースのレビューのための技術サポート。さらに、読み書きや数学に困難を感じる可能性のあるパナマの学生の発見、特定、早期介入を促進するための専門的なトレーニングを提供することを目的とした外部製品・サービス契約(PEC)に感謝の意を表します。上記のすべてのプロジェクトについて、筆頭著者が主任研究者を務めました。

材料

この記事で使用された材料の一覧
名前	会社	カタログ番号	コメント
シコール-R	ラグーナ大学	TF-263-07

参考文献

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

World Federation of Neurology. Report of research group on Dyslexia and world illiteracy. , Dallas. (1968).
Diamanti, V., Goulandris, N., Campbell, R., Protopapas, A. Dyslexia profiles across orthographies differing in transparency: An evaluation of theoretical predictions contrasting English and Greek. Sci Stud Reading. 22 (1), 55-69 (2018).
Shaywitz, S. Overcoming dyslexia: A new and complete science-based program for reading problems at any level. , Alfred A. Knopf. (2003).
Heikki Lyytinen, H., Ronimus, H., Alanko, A., Poikkeus, N. M., Taanila, M. Early identification of dyslexia and the use of computer game-based practice to support reading acquisition. Nordic Psychol. 59 (2), 109-126 (2007).
Tobia, V., Marzocchi, G. M. Cognitive profiles of Italian children with developmental dyslexia. Reading Res Quart. 49 (4), 437-452 (2014).
Rauschenberger, M., Baeza-Yates, R., Rello, L. A universal screening tool for dyslexia by a web-game and machine learning. Front Comput Sci. 3, 628634(2022).
Ekhsan, H. M., Ahmad, S. Z., Halim, S. A., Hamid, J. N., Mansor, N. H. The implementation of interactive multimedia in early screening of dyslexia. Int Conf Innov Mgmt Tech Res. , 566-569 (2012).
Jiménez, J. E. Dyslexia in Spanish. Prevalence and cognitive, cultural, family and biological indicators. , Ediciones Pirámide. Madrid. (2012).
Hatcher, J., Snowling, M. J. The phonological representations hypothesis of dyslexia: From theory to practice. Dyslexia and Literacy, Theory and Practice. , Chichester, John Wiley & Sons. (2002).
Goswami, U. A temporal sampling framework for developmental dyslexia. Trends Cogn Sci. 15 (1), 3-10 (2011).
Stein, J. F. The magnocellular theory of developmental dyslexia. Dyslexia. 7 (1), 12-36 (2001).
Nicolson, R. I., Fawcett, A. J. Development of Dyslexia: The delayed neural commitment framework. Front Behav Neurosci. 21 (13), 112(2001).
Pennington, B. F., et al. Individual prediction of dyslexia by single versus multiple deficit models. J Abnorm Psychol. 121 (1), 212-224 (2012).
Ring, J., Black, J. L. The multiple deficit model of dyslexia: what does it mean for identification and intervention. Ann Dyslexia. 68 (2), 104-125 (2018).
Soriano-Ferrer, M., Nievas-Cazorla, F., Sánchez-López, P., Félix-Mateo, V., González-Torre, J. A. Reading-related cognitive deficits in Spanish developmental Dyslexia. Procedia - Social Behav Sci. 132, 3-9 (2014).
The implementation of a web application for screening children with Dyslexia. Zygouris, N. C., et al. International Conference on Interactive Collaborative Learning, , (2016).
Snowling, M. J., Hulme, C. The Science of Reading: A Handbook. , Wiley-Blackwell. (2021).
Politi-Georgousi, S., Drigas, A. Mobile applications, an emerging powerful tool for Dyslexia screening and intervention: A systematic literature review. Int J Interact Mobile Technol. 14 (18), 4-17 (2020).
Fawcett, A. J., Nicolson, R. I. The Dyslexia early screening test. Irish J Psychol. 16 (3), 248-259 (1995).
Zygouris, N. C., et al. The implementation of a web application for screening children with dyslexia Interactive Collaborative Learning. , Advances in Intelligent Systems and Computing. Cham. (2017).
Hautala, J., et al. Identification of reading difficulties by a digital game-based assessment technology. J Edu Comput Res. 58 (5), 1003-1028 (2020).
Ahmad, N., Rehman, M. B., El Hassan, H. M., Ahmad, I., Rashid, M. An efficient machine learning-based feature optimization model for the detection of dyslexia. Comput Intell Neurosci. 9, 8491753(2022).
Rello, L., Baeza-Yates, R., Ali, A., Bigham, J. P., Serra, M. Predicting risk of dyslexia with an online gamified test. PLoS One. 15 (12), e0241687(2020).
Dębska, A., et al. The cognitive basis of dyslexia in school-aged children: A multiple case study in a transparent orthography. Dev Sci. 25 (2), e13173(2022).
Jiménez, J. E., et al. Discriminant validity of the Sicole-R-Primaria Multimedia Battery for the evaluation of cognitive processes associated with dyslexia. Revista de Investigación Educativa. 27 (1), 49-71 (2009).
Guzmán, R., et al. Assessment of naming speed in reading learning difficulties. Psicothema. 16 (3), 442-447 (2004).
Jiménez, J. E., et al. Is the deficit in phonological awareness better explained in terms of task differences or effects of syllable structure. Appl Psycholinguist. 26 (2), 267-283 (2005).
Ortiz, R., et al. Locus and nature of perceptual phonological deficit in Spanish children with reading disabilities. J Learn Disabil. 40 (1), 80-92 (2007).
Ortiz, R., et al. Development of speech perception in children with dyslexia. Psicothema. 20 (4), 678-683 (2008).
Jiménez, J. E., et al. The Double-deficit hypothesis in Spanish developmental dyslexia. Topics Lang Disorders. 28 (1), 46-60 (2008).
Jiménez, J. E., García de la Cadena, C. Learning disabilities in Guatemala and Spain: A cross-national study of the prevalence and cognitive processes associated with reading and spelling disabilities. Learning Disabilities Res Pract. 22, 161-169 (2007).
Jiménez, J. E., de la Cadena, C. G., Siegel, L. S., O'Shanahan, I., García, E. Gender ratio and cognitive profiles in dyslexia: a cross-national study. Read Writ. 24, 729-747 (2011).
Rodrigo, M., et al. Assessment of orthographic processing in Spanish children with dyslexia: the role of lexical and sublexical units. Revista Electrónica de Investigación Psicoeducativa y Psicopedagógica. 2 (2), 105-126 (2004).
Jiménez, J. E., et al. Evaluation of syntactic-semantic processing in developmental dyslexia. Elect J Res Edu Psychol. 2 (2), 127-142 (2004).
Jiménez, J. E., Rodríguez, C., Ramírez, G. Spanish developmental dyslexia: prevalence, cognitive profile, and home literacy experiences. J Exp Child Psychol. 103 (2), 167-185 (2009).
PROLEC-R. Primary Reading Processes Assessment Battery - Revised. Cuetos, F., Rodríguez, B., Ruano, R., Arribas, A. D. , TEA Ediciones. (2005).
Guzmán, R., Jiménez, J. E. Normative study on psycholinguistic parameters in children aged 6 to 8 years: Subjective familiarity. Cognitiva. 2, 153-191 (2001).
Cohen, P., Cohen, J., Aiken, L., West, S. G. The problem of units and the circumstance for POMP. Multivariate Behav Res. 34, 315-346 (1999).
R Core Team. R: A Language and Environment for Statistical Computing_. R Foundation for Statistical Computing. , Vienna, Austria. (2023).
Rosseel, Y. lavaan: An R package for structural equation modeling. J Stat Software. 48 (2), 1-36 (2012).
Jorgensen, T. D., Pornprasertmanit, S., Schoemann, A. M., Rosseel, Y. semTools: Useful tools for structural equation modeling. , R package version 0.5-6. (2022).
Wickham, H. ggplot2: Elegant graphics for data analysis. , Springer-Verlag. New York. (2016).
Byrne, B. M. Structural equation modeling with AMOS: Basic concepts, applications, and programming. , Third Edition, Taylor & Francis Group. (2016).
Vandenberg, R. J., Lance, C. E. A review and synthesis of the measurement invariance literature: Suggestions, practices, and recommendations for organizational research. Org Res Methods. 3 (1), 4-70 (2000).
Hirschfeld, G., von Brachel, R. Multiple-Group confirmatory factor analysis in R - A tutorial in measurement invariance with continuous and ordinal indicators. Pract Assess Res Eval. 19 (7), 1-12 (2014).
Sachs, M. C. plotROC: A Tool for Plotting ROC Curves. J Stat Softw. 79, 2(2017).
Jing, W., Yu, E. L. X., Motevalli, S. A comparison between cognitive assessment and neurobiology technology assessment of dyslexia: A literature review. Int J Acad Res Busi Soc Sci. 13 (4), 976-986 (2023).

再版と許可

このJoVE記事のテキストまたは図の再利用許可をリクエスト

許可をリクエスト

コンピュータ化されたテストによる子供の失読症評価の進歩

この記事について

サマリー

要約

概要

プロトコル

結果

ディスカッション

開示事項

謝辞

材料

参考文献

再版と許可

タグ

関連記事