컴퓨터 테스트를 통한 아동의 난독증 평가 발전

요약

읽기의 일반 영역 및 특정 도메인 기술 평가를 위한 멀티미디어 배터리는 인지 및 기본 읽기 기술을 평가하도록 설계된 신뢰할 수 있고 유효한 멀티미디어 배터리입니다. 이를 통해 포괄적인 인지 및 읽기 수행 프로필을 생성할 수 있으며, 이는 난독증이 있는 어린이에게 특히 유용합니다.

초록

읽기 능력을 습득하는 것은 다양한 영역-일반 및 영역별 능력의 배양을 요구하는 복잡한 과정입니다. 결과적으로, 많은 아이들이 학년 수준에서 능력을 유지하는 데 어려움을 겪는 것은 놀라운 일이 아니며, 특히 읽기 장애가 있는 개인에서 관찰되는 것처럼 두 영역에 걸쳐 여러 능력에 걸친 문제에 직면했을 때 그렇습니다. 놀랍게도, 읽기 장애는 학령기 아동에게 영향을 미치는 가장 흔한 신경 발달 장애 중 하나임에도 불구하고, 사용 가능한 대부분의 진단 도구에는 난독증과 관련된 인지 능력의 전체 스펙트럼을 평가하기 위한 포괄적인 프레임워크가 부족하며 최소한의 컴퓨터 옵션도 있습니다. 특히 현재 스페인어를 사용하는 어린이가 사용할 수 있는 이러한 기능이 있는 도구가 제한되어 있습니다. 이 연구의 목적은 Sicole-R 멀티미디어 배터리를 사용하여 읽기에 어려움이 있는 스페인어 사용 아동을 진단하기 위한 프로토콜을 설명하는 것이었습니다. 초등학생을 위한 이 도구는 과학 문헌에서 규정한 대로 난독증과 관련된 인지 능력을 평가하는 데 중점을 둡니다. 특히, 연구에서 난독증과 관련이 있는 것으로 입증된 다양한 인지 능력을 평가하는 데 중점을 둡니다. 이 초점은 난독증이 있는 개인이 일반적으로 이 디지털 도구로 평가된 여러 인지 영역에서 결함을 보인다는 관찰을 기반으로 합니다. 배터리의 견고한 내부 일관성과 다차원적 내부 구조가 입증되었습니다. 이 멀티미디어 배터리는 초등 교육에서 읽기 장애가 있는 아동을 진단하는 데 적합한 도구임이 입증되었으며, 진단 목적뿐만 아니라 개별화된 교육 계획을 맞춤화하는 데에도 유용한 포괄적인 인지 프로필을 제공합니다.

서론

난독증은 정확하고 유창한 단어 인식의 어려움과 잘못된 철자 및 해독 능력을 특징으로 하는 신경 발달 장애로, 기존의 교육, 적절한 지능 및 사회 문화적 기회에도 불구하고 효율적인 읽기 기술을 습득하는 데 예상치 못한 지속적인 어려움을 특징으로 합니다¹. 이 신경생물학적 장애는 주로 음운론적 결함으로 인해 읽기, 철자법, 쓰기에 어려움으로 나타나는 경우가 많습니다 ^2,3. "난독증의 조기 식별의 중요성은 시기적절한 개입과 지원을 가능하게 하기 때문에 아무리 강조해도 지나치지 않습니다 ^4,5. 학생이 개입에 대한 반응 모델에서 Tier-3 이상으로 진행하지 않으면 과학 문헌에서 강조한 바와 같이 난독증과 관련된 영역 일반 능력과 영역별 능력에 대한 보다 포괄적인 평가를 수행하는 것이 필수적입니다. 여기에 제시된 기술의 개발은 적절한 개입과 지원이 제공되도록 철저한 평가를 수행해야 할 필요성에 기반을 두고 있습니다. 또한, 선행 연구들은 웹 애플리케이션 및 컴퓨터 게임과 같은 기술 기반 스크리닝 도구가 효과적인 스크리닝 프로세스를 촉진하는 데 유용하다는 점을 강조하고^{있다 6,7}. 이러한 연구는 난독증의 다면적인 특성을 총체적으로 강조하고 난독증이 있는 개인의 다양한 인지 프로필을 다루기 위한 포괄적인 평가 및 개입 전략의 필요성을 강조합니다. 학령기 아동 사이에서 난독증이 만연해 있음에도 불구하고 사용 가능한 대부분의 진단 도구에는 도메인 일반 기술과 도메인 특정 기술을 종합적으로 평가하는 프레임워크가 없습니다. 더욱이, 특히 스페인어를 사용하는 인구를 위해 최소한의 컴퓨터 옵션이 있습니다. 이 멀티미디어 배터리는 난독증과 관련된 인지 능력에 대한 자세한 평가를 용이하게 하는 기술을 활용하여 이러한 격차를 해결합니다.

난독증의 이론적 관점과 인지적 결핍
음운론, 빠른 청각 처리, 시각, 목세포 및 소뇌 이론을 포함한 다양한 이론적 모델은 난독증의 원인을 설명하고 중재를 알리는 것을 목표로 합니다(검토 참조)⁸. 음운론 이론은 난독증이 언어 소리 처리의 어려움 때문이라고 보는 반면⁹, 빠른 청각 처리 이론은 난독증을 빠르게 변화하는 소리를 지각하는 데 있어서의 결함과 연관시킨다¹⁰. 시각 이론은 읽기 어려움의 시각적 측면을 강조하고, 마그노셀루라 이론은 시각 및 청각 처리 경로의 장애를 지적한다¹¹. 소뇌 이론에 따르면 난독증은 운동 제어 및 인지 기능에 영향을 미치는 소뇌 손상으로 인해 발생한다고 합니다¹². 니콜슨(Nicolson)과 포싯(Fawcett)의 DNC(Delayed Neural Commitment) 프레임워크는 느린 기술 습득과 지연된 신경망 발달이 난독증의 핵심이라고 가정합니다. 다중 결핍 모델(multiple deficit model)과 같은 최근의 모델에서는 난독증이 유전적, 인지적, 환경적 요인에 의해 영향을 받는 복잡한 장애라고 제안한다 13,14,15. 예를 들어, Ring과 Black¹⁴는 음운론적 및인지 처리 결함이 난독증의 이질성에 기여한다는 것을 보여주는 다중 결핍 모델을지지합니다. Soriano-Ferrer 등^[15]은 발달 난독증(DD)이 있는 스페인어 사용 아동을 대상으로 연구를 수행한 결과, 명명 속도, 언어 작업 기억 및 음운 인식(PA)에서 심각한 장애가 있음을 발견했습니다. 마찬가지로, Zygouris et ^al.16 및 Rauschenberger et ^al.6은 난독증이 있는 개인이 일반적으로 성취도가 높은 동료보다 지속적으로 낮은 점수를 받으면서 이러한 결함을 식별하는 데 있어 인지 선별 도구의 중요성을 강조합니다.

난독증 검사의 기술적 접근 방식 검토: 연구 연구의 통찰력
난독증 선별검사에 대한 연구는 조기 발견 전략, 다양한 평가를 결합한 다면적 선별 방법, 효율성 향상을 위한 기술 통합의 세 가지 주요 접근 방식으로 발전해 왔습니다¹⁷. 폴리티-게오르구시(Politi-Georgousi)의 최근 18개 체계적 문헌고찰(^systematic review)은 난독증 학생의 읽기 능력을 향상시키기 위한 기술 통합과 연계하여 난독증 증상 선별 과정보다는 난독증 증상에 개입하기 위한 더 많은 응용 프로그램으로의 전환을 강조합니다. 포싯(Fawcett)과 니콜슨(Nicolson)이 공동으로 작성한 난독증 조기 선별 검사(Dyslexia Early Screening Test, DEST)는 속도, 음운 기술, 운동 능력, 소뇌 기능 및 지식을 평가하는 다양한 도구가 존재한다¹⁹. "그리스 어린이²⁰의 읽기 및 인지 능력을 평가하는 웹 애플리케이션과 Hautala et ^al.21 및 Rauschenberg et ^al.6의 도구를 포함하여 난독증을 조기에 식별하기 위해 게임과 기계 학습을 사용하는 컴퓨터 기반 도구가 발전했습니다. Ahmad et al.은 게임을 신경망과 통합하여 탐지에서 95%의 정확도를 달성했습니다²². 다양한 철자법에 걸친 연구는 난독증 식별에서 음운 인식과 빠른 자동 명명의 중요성을 강조합니다^23,24.

스페인어를 사용하는 어린이의 난독증에 대한 통찰력
스페인어를 사용하는 어린이의 난독증 연구는 Sicole-R 기술을 사용하여 크게 발전했습니다. Jiménez et al.은 연령 그룹 전반에 걸쳐 난독증을 평가하는 데 효과적이며, 특히 초등 저학년 동안 음운 및 통사론적 처리를 기반으로 난독증과 일반적으로 성취 독자를 구별하는 데 효과적임을 입증했습니다²⁵. Guzmán et al.은 음운론적 문제가 있는 난독증 아동의 명명 속도 결핍을 조사하여 난독증과 letter-RAN 및 number-RAN²⁶과 같은 작업을 통해 측정된 명명 속도 간의 상호 작용을 강조했습니다. Jiménez et al.의 추가 연구는 다양한 음절 구조²⁷에 걸친 음운 인식 결핍을 탐구했으며, Ortiz et al.은 난독증이 있는 스페인 아동의 언어 지각 결핍을 조사하여 음성 대조 또는 언어 단위^28,29에 관계없이 언어 인식 발달의 장애를 밝혔습니다. Jiménez et al.은 난독증³⁰의 이중 결핍 가설을 조사한 후 난독증 유병률의 인지 과정과 성별 관련 격차를 분석했습니다^31,32. Rodrigo 등은 스페인 난독증 아동의 어휘 접근성을 조사하였고³³ Jiménez 등은 구문 처리 결함을 면밀히 조사하였다³⁴. 마지막으로, Jiménez et al.은 난독증 하위 유형에서 음운 및 직교 과정을 연구하여 직교 경로 효율성의 차이를 강조했습니다³⁵. 이러한 연구는 스페인어를 사용하는 인구에서 난독증의 인지 및 언어적 문제에 대한 우리의 이해를 총체적으로 향상시킵니다.

수행된 연구는 참여 아동의 연령과 배경 측면에서 몇 가지 공통된 특성을 공유합니다. 이 연구에 포함된 어린이들의 연령은 7세에서 14세 사이였다. 대부분의 연구는 7세에서 12세 사이의 초등학생에 초점을 맞췄으며, 14세까지의 아동을 포함한 연구는 예외였으며, 학령기 초반부터 청소년기 이전까지의 표본을 제공했다^31,32. 참가한 어린이들은 주로 스페인의 카나리아 제도 출신이었다. 또한 일부 연구에는 스페인과 과테말라의 다른 지역에서 채취한 샘플이 포함되었습니다 ^31,32. 참가자들은 도시와 교외 지역을 배경으로 하는 공립학교와 사립학교에서 모집되었습니다. 이 연구에서 대표되는 사회 경제적 수준은 중하층에서 노동 및 중산층에 이르기까지 다양합니다.

이러한 질문은 함께 난독증의 복잡성에 대한 이해를 크게 발전시켜 난독증 연구 분야에 기여합니다. 스페인, 과테말라, 칠레 및 멕시코를 포함한 여러 이베로아메리카 국가에서 사용하도록 조정된 이 도구는 이 연구를 위해 다양한 스페인어 사용 샘플에서 진단 정확도와 정밀도를 쉽게 평가할 수 있습니다.

이 연구는 특수 멀티미디어 배터리를 사용하여 읽기 어려움이 있는 스페인어 사용 아동을 진단하기 위한 프로토콜을 설명하는 것을 목표로 했습니다. 주요 목표는 난독증과 관련된 도메인 일반 기술과 도메인별 기술을 모두 평가하는 포괄적인 평가 도구를 제공하는 것입니다.

실험 설정 개요
SICOLE-R은 J2SE(Java 2 Platform Standard Edition)에서 프로그래밍되었습니다. HSQL 데이터베이스 엔진은 데이터베이스로 사용됩니다. 이 소프트웨어에는 평가할 6 가지 주요 모듈이 포함되어 있습니다 : 1) 보이싱, 배치 및 조음 방식 작업을 포함하는 지각 처리; 2) 음소 분리, 음소 삭제, 음소 세분화 및 음소 혼합 작업을 포함하는 음운 처리; 3) 숫자, 문자, 색상 및 그림의 명명 속도 작업을 포함하는 명명 속도; 4) 어휘소와 접미사의 형태론적 이해와 동음이의어 이해 작업을 포함하는 직교 처리; 5) 성별, 숫자, 기능 단어 및 문법 구조 작업을 포함한 구문 처리; 6) 의미론적 처리(semantic processing)는 유익하고 서술적인 텍스트를 통해 독해 작업에 영향을 미칩니다. 각 과제에 대한 지침은 하나 또는 두 개의 시도(과제에 따라 다름) 및 시연과 함께 테스트 단계가 시작되기 전에 교육자에 의해 전달됩니다. 각 작업에 대한 응용 프로그램 프로토콜이 여기에 설명되어 있습니다.

연구 샘플에 멀티미디어 배터리를 투여하기 전에 어휘, 이미지 및 기타 관련 콘텐츠에 대한 조정을 포함하여 각 국가(예: 멕시코, 과테말라, 에콰도르 및 칠레)의 스페인어 양식에 대한 조정이 이루어졌습니다. 관리 조건은 모든 라틴 아메리카 국가에서 동일했습니다. 행정 환경은 학교 내에서 조용해야 했고 소음, 방해 요소 및 방해가 없어야 했습니다. 멀티미디어 배터리 관리 시간은 학생의 능력과 연령에 따라 각각 30분씩 3-4세션 사이였습니다. 대부분의 스프레드시트 및 통계 데이터 처리 시스템과의 데이터베이스 호환성으로 인해 평가자는 각 하위 및 각 작업의 결과를 분석할 수 있습니다. 데이터 수집과 관련하여, 두 가지 뚜렷한 작업 유형이 사용되었는데, 1) 검사관이 외부 마우스를 사용하여 성공과 오류를 기록하고 학생의 말하기 수행을 기록하는 작업과 2) 학생들이 옵션을 클릭하여 독립적으로 선택하도록 요구하는 작업.

프로토콜

이 프로토콜은 Universidad de La Laguna (ULL)의 Comité de Ética de la Investigación y Bienestar Animal (Research Ethics and Animal Welfare Committee, CEIBA)에서 제공 한 지침에 따라 수행되었습니다. 데이터는 각 국가의 커리큘럼에 따라 서로 다른 시간에 수집되었으며, 교육 행정, 학교 및 학부모가 동의한 학생으로부터만 정보를 수집했습니다. 이 연구에 사용된 테스트 배터리는 지적 재산으로 등록되어 있으며 ULL과의 이전 계약을 통해 액세스할 수 있습니다. 테스트 배터리를 얻는 방법에 대한 자세한 내용은 관심 있는 사람이 ULL의 OTRI(Office of Knowledge Transfer)에 문의할 수 있습니다.

1. SICOLE-R 설치 및 준비

1. 이 도구를 적용하기 위해 다음 포함 기준을 사용하십시오: 2학년에서 6학년까지의 학생. 다음 제외 기준을 사용하십시오: 감각 장애 또는 후천적 신경학적 문제로 인해 지원 및 표적 교육적 관심이 필요한 학생을 지칭하는 특별한 교육적 도움이 필요한 학생을 포함하지 마십시오.
   참고: 평가는 컴퓨터와 좋은 조명이 있는 조용한 공간에서 학생들과 개별적으로 진행됩니다. 작업 지침을 쉽게 수신하고 학생 성적을 향상시키기 위해 조정된 마이크가 있는 헤드폰이 필요합니다.
2. 컴퓨터에 소프트웨어를 설치하려면 관리자 권한으로 파일을 실행하고 아이콘을 클릭하여 도구를 엽니다. 응용 프로그램을 열면 초기 인터페이스가 나타나 다양한 작동 옵션을 표시합니다.
3. 평가를 시작하기 전에 과제를 수행할 학생 정보를 입력합니다. 데이터가 입력되면 학생 목록에 기록하고 나중에 정보를 수정할 수 있습니다.
4. 새로운 학생이 추가될 때마다 작업을 시작하기 전에 테스트 화면이 나타납니다. 이 화면에서 학생에게 화면에 나타날 부팅을 탭하도록 요청합니다.
   참고: 이 미니 게임의 목표는 학생들의 운동 제어를 평가하기 위한 기준선을 설정하는 것입니다. 이를 통해 소프트웨어가 키보드의 키를 눌러 응답을 기록하기 때문에 모터 속도의 개별 차이를 모니터링 할 수 있습니다. 이 미니 게임은 한 번만 나타납니다.
5. 평가를 시작하기 전에 검사관에게 다음 지침을 제공하도록 요청하십시오. 이제 다양한 게이트가 있는 가상 서커스 환경에 들어가게 됩니다. 각 게이트는 당신이 참여할 재미있는 활동으로 이어집니다. 광대가 이 문을 통해 안내하고 각 활동에서 해야 할 일을 설명할 것입니다. 검사관 옆에 앉아서 지시를 주의 깊게 들어주십시오. 각 작업에서 최선을 다해야 합니다. 이 활동을 탐색하고 완료하는 것을 즐기십시오!
6. 평가가 예정된 학생을 선택하고 시작 섹션을 클릭하여 작업을 시작합니다. 메인 메뉴에는 5가지 색상의 문이 포함되어 있으며, 각 문은 평가할 모듈 중 하나에 해당합니다.
7. 각 과제는 입문 교육으로 시작하며 학생들에게 이것에 주의를 기울이도록 요청합니다. 학생들은 게임의 본질에 대해 알고 교육 에이전트의 진행하에 게임을 하는 방법에 대해 교육을 받습니다. 에이전트가 각 작업에 대한 구두 지침을 전달하고, 모델을 통해 절차를 예시하고, 학생들이 모방할 수 있는 예를 제시하도록 합니다.
8. 예제를 완료한 후 교육 에이전트가 해당 피드백을 제공하여 학생들이 예제가 잘못 실행된 경우 예제를 다시 수행할 수 있도록 하고 평가를 시작하도록 합니다.
   참고: 교육 에이전트는 과제를 통해 학생을 안내하도록 설계된 가상 캐릭터입니다. 이 역할을 수행하려면 에이전트가 명확하고 이해할 수 있는 말투와 교육 지침, 작업 모델링 및 학생 응답을 기반으로 피드백을 제공할 수 있는 능력이 있어야 합니다. 교육 에이전트는 과제 중 학생의 입력에 따라 일관되고 정확하게 응답하도록 프로그래밍되어야 합니다.

2. SICOLE-R 작업

1. Yellow Door: 음성 인식 작업을 사용하는 지각 처리 모듈
   1. 컴퓨터에서 프로그램을 엽니다. 프로그램 인터페이스 내의 노란색 문으로 이동합니다. 사용 가능한 하위 작업 중 하나를 클릭하여 (1) 보이싱, (2) 조음 방식, (3) 배치 작업을 시작합니다.
   2. 교육 대리인이 학생에게 교육 지도 및 작업 모델링을 제공할 수 있도록 합니다. 에이전트는 다음과 같이 말해야 합니다: 이제 우리는 음절 쌍을 들을 것입니다. 음절이 같으면 파란색 버튼을 누르십시오. 다른 경우 빨간색 버튼을 누릅니다. 내가 어떻게 하는지 보세요. 이제 이러한 예제를 사용할 차례입니다.
   3. 학생에게 두 가지 항목 예를 제시하십시오: /ba/-/pa/;/ja/-/ka/. 학생들에게 쌍이 동일하면 파란색 원을 선택하고, 뚜렷하면 빨간색 버튼을 선택하라고 다시 지시합니다.
   4. 과제가 완료되면 교육자가 예시에서 학생의 답변을 기반으로 피드백을 제공하는지 확인하십시오. 예제가 완료되면 에이전트가 학생에게 작업을 시작하도록 지시할 수 있습니다.
   5. 원(파란색 또는 빨간색)을 선택하는 절차는 작업 전반에 걸쳐 일관되게 유지되어 적중과 실패를 기록합니다. 학생이 한 쌍의 음절을 다시 들어야 하는 경우 스피커 아이콘을 클릭하여 한 번 더 재생합니다. 항목당 한 번만 추가 재생할 수 있습니다.
2. Pink Door: 음운 인식 모듈
   1. 음소 세분화 작업
      1. 컴퓨터에서 프로그램을 엽니다. 프로그램 인터페이스 내에서 분홍색 문으로 이동합니다. [Phoneme Segmentation ]을 선택하여 작업을 선택합니다.
      2. 교육자가 학생에게 교육 지도를 제공할 수 있도록 합니다. 에이전트는 다음과 같이 말해야 합니다: 이제 음소 세분화에 초점을 맞추겠습니다. 제가 시연하는 것을 보십시오. 그러면 두 개의 예제 항목이 표시됩니다.
      3. 학생에게 두 가지 예시 항목을 제시합니다. 그 학생에게 각 단어에 대해 대답을 소리 내어 표현해 보라고 한다.
      4. 외부 마우스를 사용하여 파란색 버튼을 클릭하면 정답이 표시되고 빨간색 버튼이 오답으로 표시됩니다. 교육 대리인이 예제에 대한 학생의 응답을 기반으로 피드백을 제공하는지 확인하십시오.
      5. 예제를 수행한 후에는 교육자 대리인이 학생에게 과제를 시작하도록 지시하는지 확인하십시오.
   2. 음소 혼합 작업
      1. 컴퓨터에 프로그램을 입력합니다. 프로그램 인터페이스 내에서 분홍색 문으로 이동합니다. 음소 블렌딩 을 선택하여 작업을 선택합니다.
      2. 교육자가 학생에게 교육 지도를 제공할 수 있도록 합니다. 에이전트는 다음과 같이 말합니다: 이제 우리는 음소 합성에 집중할 것입니다. 제가 시연하는 것을 보십시오. 그러면 두 개의 예제 항목이 표시됩니다.
      3. 학생에게 두 가지 예시 항목을 제시합니다. 학생에게 각 단어에 대해 자신의 대답을 소리 내어 말해 보라고 한다.
      4. 외부 마우스를 사용하여 파란색 버튼을 클릭하면 정확한 응답을 얻을 수 있고 빨간색 버튼을 클릭하면 부정확한 응답을 얻을 수 있습니다. 교육 대리인이 예시에 대한 학생의 응답을 기반으로 피드백을 제공하는지 확인하십시오.
      5. 예를 든 후에는 교육자가 학생에게 과제를 시작하도록 지시할 수 있도록 합니다. 이 절차는 작업 실행 전반에 걸쳐 일관되게 유지되어 정확한 응답과 부정확한 응답을 모두 기록합니다.
      6. 학생이 단어를 다시 들어야 하는 경우 앵무새 아이콘을 클릭하여 다시 재생하십시오. 항목당 하나의 재생만 허용됩니다.
   3. 음소 격리 작업
      1. 컴퓨터에서 프로그램을 엽니다. 프로그램 인터페이스 내에서 분홍색 문으로 이동합니다. Phoneme Isolation 을 클릭하여 작업을 선택합니다.
      2. 교육 대리인이 학생에게 교육 지도 및 작업 모델링을 제공할 수 있도록 합니다. 에이전트는 다음과 같이 말해야 합니다: 이제 우리는 음소를 분리하는 데 집중할 것입니다. 제가 시연하는 것을 보십시오. 그러면 두 개의 예제 항목이 표시됩니다. 당신의 임무는 대상 단어와 같은 소리로 시작하는 이름을 가진 이미지를 클릭하는 것입니다.
      3. 학생에게 두 가지 예시 항목을 제시합니다. 학습자가 대상 단어와 동일한 소리로 시작하는 이미지를 클릭하는지 관찰한다.
      4. 교육 대리인이 예제에 대한 학생의 응답을 기반으로 피드백을 제공하는지 확인하십시오. 예제를 살펴본 후에는 에이전트가 학생에게 과제를 시작하도록 안내하는지 확인합니다.
      5. 이 절차는 작업 전반에 걸쳐 균일하게 유지되어 적중과 실패를 모두 문서화합니다. 학생이 단어를 추가로 들어야 하는 경우 화자 아이콘을 클릭하여 재생합니다. 항목당 하나의 재생만 허용됩니다.
   4. 음소 삭제 작업
      1. 컴퓨터에서 프로그램을 엽니다. 프로그램 인터페이스 내에서 분홍색 문으로 이동합니다. 음소 삭제 를 선택하여 작업을 선택합니다.
      2. 교육자가 교육 지도를 제공하고 학생에게 과제를 시연할 수 있도록 합니다. 에이전트는 다음과 같이 말해야 합니다: 이제 음소 삭제에 초점을 맞추겠습니다. 제가 시연하는 것을 보십시오. 그러면 두 개의 예제 항목이 표시됩니다.
      3. 학생에게 두 가지 예시 항목을 제시합니다. 그 학생에게 각 단어에 대해 대답을 소리 내어 말해 보라고 한다.
      4. 외부 마우스로 파란색 버튼을 클릭하면 정답이 나오고 빨간색 버튼을 클릭하면 오답이 나옵니다. 교육 대리인이 예시에 대한 학생의 응답을 기반으로 피드백을 제공하는지 확인하십시오.
      5. 예제를 수행한 후에는 교육자가 학생에게 작업을 시작하도록 지시하는지 확인하십시오. 이 절차는 작업 실행 전반에 걸쳐 일관되게 유지되어 올바른 응답과 잘못된 응답을 모두 기록합니다.
      6. 학생이 단어를 다시 들어야 하는 경우 스피커 아이콘을 클릭하여 다시 재생합니다. 항목당 하나의 재생만 허용됩니다.
3. Orange Door: 이름 지정 속도 및 직교 모듈
   1. RAN(Rapid Automatized Naming) 작업
      1. 컴퓨터에서 프로그램에 액세스합니다. 프로그램 인터페이스 내의 주황색 문으로 이동합니다. 명명 속도를 선택하여 작업을 선택합니다.
      2. 교육자가 교육 지침을 제공하고 작업을 시연할 수 있도록 허용합니다. 네이밍 속도 모듈의 문자 RAN 하위 작업의 예를 제시합니다.
      3. 학생들에게 자신의 대답을 소리 내어 말해 보라고 한다. 예제의 응답이 정확하면 화면에서 파란색 단추를 선택합니다. 잘못된 경우 빨간색 버튼을 클릭하십시오.
      4. 교육 대리인이 학생의 응답에 따라 피드백을 제공하는지 확인합니다. 예제를 수행한 후에는 교육 에이전트가 작업을 시작하는지 확인합니다.
      5. 마우스 왼쪽 버튼을 클릭하여 타이밍을 시작하여 작업을 시작합니다. 작업 중에는 하위 작업에 따라 요소 매트릭스가 화면에 나타납니다.
      6. 학생에게 행렬의 요소를 순서대로 큰 소리로 말하게 합니다. 동시에 학생이 저지른 모든 오류를 문서화하십시오.
      7. 각 오류에 대해 외부 마우스의 오른쪽 버튼을 사용하여 오류 수를 등록합니다. 학생이 요소의 이름을 지정하면 왼쪽 버튼을 다시 눌러 타이밍을 종료하고 해당 하위 작업에 대한 작업을 완료합니다. 첫 번째 하위 작업(문자 RAN)이 완료되면 동일한 절차에 따라 다음 하위 작업(숫자 RAN)이 자동으로 나타납니다. 이 프로세스는 나머지 하위 작업(색상 RAN 및 개체 RAN)에 대해 계속됩니다.
   2. 어휘소 및 접미사 작업
      1. 컴퓨터에서 프로그램에 액세스합니다. 플랫폼 인터페이스 내의 주황색 문으로 이동하고 Lexemes 및 Suffixes 를 클릭하여 작업을 선택합니다.
      2. 교육 에이전트가 학생이 외부 마우스를 사용하여 대상 단어에 해당하는 이미지를 선택하는 예제 항목을 포함하여 학생에게 교육 지도 및 작업 모델링을 제공할 수 있도록 합니다.
      3. 교육 에이전트가 예제에 대한 학생의 응답을 기반으로 피드백을 제공한 다음 학생에게 작업을 시작하도록 지시하는지 확인합니다.
      4. 과제 실행 전반에 걸쳐 절차적 일관성을 유지하여 학생이 제시된 각 항목에 대해 대상 단어에 해당하는 이미지를 선택하도록 요청하고 올바른 적중 및 누락된 응답을 모두 기록합니다.
   3. 동음이의어 이해 과제
      1. 컴퓨터에서 프로그램에 액세스합니다. 플랫폼 인터페이스 내의 주황색 문으로 이동합니다. Homophone Comprehension 을 클릭하여 Task를 선택합니다.
      2. 교육 에이전트가 학생에게 교육 지도 및 작업 모델링을 제공할 수 있도록 합니다. 예시 항목을 제시하고, 학생에게 외부 마우스를 사용하여 대상 단어에 해당하는 이미지를 선택하도록 지시합니다.
      3. 교육자가 예시에 대한 학생의 반응을 기반으로 피드백을 제공하고 학생에게 예시 프레젠테이션에 따라 작업을 시작하도록 지시하도록 합니다.
      4. 작업 실행 전반에 걸쳐 절차 단계에서 일관성을 유지합니다. 제시된 각 항목에 대해 대상 단어에 해당하는 이미지를 선택하도록 학생에게 요청합니다.
      5. 작업 실행 중 올바른 적중 응답과 누락된 응답을 모두 기록합니다.
4. Green Door: 구문 처리 모듈
   1. 성별 작업
      1. 컴퓨터에서 프로그램을 엽니다. 프로그램 인터페이스 내의 녹색 문으로 이동합니다. 성별 을 클릭하여 작업을 선택합니다.
      2. 교육자가 학생에게 지침과 작업 모델링을 제공할 수 있도록 합니다. 학생이 완료할 수 있는 두 가지 예를 제시하고 외부 마우스를 사용하여 성별 계약에 따라 각 문장에서 해당 단어를 클릭하도록 요구합니다.
      3. 교육 대리인이 예시에 대한 학생의 응답을 기반으로 피드백을 제공하는지 확인하십시오. 예제 프레젠테이션에 따라 교육자가 학생이 작업을 시작하도록 안내하는지 확인하십시오.
      4. 작업 실행 전반에 걸쳐 절차의 일관성을 유지합니다. 학생에게 성별 합의에 따라 각 문장에서 해당 단어를 클릭하도록 요청합니다.
      5. 작업 실행 중에 올바른 응답과 잘못된 응답을 모두 수집합니다.
         참고: 스페인어와 달리 영어는 문법에서 성별을 구분하지 않습니다.
   2. 번호 작업
      1. 컴퓨터에서 프로그램을 엽니다. 프로그램 인터페이스 내의 녹색 문으로 이동합니다. 숫자를 클릭하여 작업을 선택합니다.
      2. 교육자가 학생에게 지침과 작업 모델링을 제공할 수 있도록 합니다. 학생이 완료할 수 있는 두 가지 예를 제시하고 외부 마우스를 사용하여 숫자 일치에 따라 각 문장에서 해당 단어를 클릭하도록 요구합니다.
      3. 교육 대리인이 예시에 대한 학생의 응답을 기반으로 피드백을 제공하는지 확인하십시오. 예제 프레젠테이션에 따라 교육자가 학생이 작업을 시작하도록 안내하는지 확인하십시오.
      4. 작업 실행 전반에 걸쳐 절차의 일관성을 유지합니다. 학생에게 번호 일치에 따라 각 문장에서 해당 단어를 클릭하도록 요청합니다.
      5. 작업 실행 중 적중과 실패를 모두 수집합니다.
         참고: 스페인어와 달리 영어는 문법에서 숫자를 구분하지 않습니다.
   3. 기능어 작업
      1. 컴퓨터에서 프로그램을 엽니다. 프로그램 인터페이스 내의 녹색 문으로 이동합니다. Functional Words(기능어 )를 클릭하여 작업을 선택합니다.
      2. 교육자가 학생에게 지침과 작업 모델링을 제공할 수 있도록 합니다. 학생이 완료할 수 있는 두 가지 예를 제시하고, 외부 마우스를 사용하여 문장의 문맥에 따라 각 문장에서 해당 기능 단어를 클릭하도록 합니다.
      3. 교육 대리인이 예시에 대한 학생의 응답을 기반으로 피드백을 제공하는지 확인하십시오. 예제 프레젠테이션에 따라 교육자가 학생이 작업을 시작하도록 안내하는지 확인하십시오.
      4. 작업 실행 전반에 걸쳐 절차의 일관성을 유지합니다. 학생에게 문장의 문맥에 따라 각 문장에서 해당 기능 단어를 클릭하도록 유도합니다.
      5. 작업 실행 중에 올바른 응답과 잘못된 응답을 모두 수집합니다.
   4. 문법 구조 작업
      1. 컴퓨터에서 프로그램을 엽니다. 프로그램 인터페이스 내의 녹색 문으로 이동합니다. Grammatical Structure(문법 구조 )를 선택하여 작업을 선택합니다.
      2. 교육자가 학생에게 지침과 과제 시연을 제공할 수 있도록 합니다. 학생이 완료할 수 있는 두 가지 예를 제시하고 외부 마우스를 사용하여 각 그림에 적합한 문장을 클릭하도록 합니다.
      3. 교육 대리인이 예시에 대한 학생의 응답을 기반으로 피드백을 제공하는지 확인하십시오. 예제 프레젠테이션에 따라 교육 에이전트가 학생이 과제를 시작하도록 안내하는지 확인하십시오.
      4. 작업 실행 전반에 걸쳐 절차의 일관성을 유지합니다. 학생에게 외부 마우스를 사용하여 각 그림에 적합한 문장을 클릭하도록 유도합니다.
      5. 작업 실행 중에 올바른 응답과 잘못된 응답을 모두 캡처합니다.
5. Blue Door: 독해 작업을 이용한 의미처리 모듈
   1. 컴퓨터에서 프로그램을 엽니다. 프로그램 인터페이스 내의 파란색 문으로 이동합니다. 정보 텍스트로 The Fruits 를 선택하거나 내러티브 텍스트로 Tino's Getaway 를 선택합니다.
   2. 교육자가 학생에게 작업 지침을 제공할 수 있도록 합니다. 텍스트 유형이 선택되면 화면에 텍스트를 표시합니다.
   3. 학생은 텍스트를 읽고 가장 관련성이 높은 정보를 암기해야 합니다. 읽기를 마친 후 학생에게 외부 마우스를 사용하여 화면의 화살표를 클릭하여 읽기 완료를 나타내고 다음 섹션으로 진행하도록 요청합니다.
   4. 교육 에이전트가 학생에게 질문을 읽고 외부 마우스를 사용하여 정답을 선택하도록 지시할 수 있습니다. 학생은 질문을 읽고 그에 따라 정답을 선택합니다.

3. 데이터 분석

1. 스페인어 사용 인구에서 멀티미디어 배터리의 구성 유효성 및 진단 정확도를 평가하려면 CFA(Confirmatory Factor Analysis) 및 ROC(Receiver Operating Characteristic) 곡선 분석을 사용합니다.
2. CFA를 수행하여 멀티미디어 배터리의 기본 요인 구조를 검증합니다. 이 분석을 통해 데이터가 이론적 기대치를 기반으로 사전 정의된 구조에 적합하다는 가설을 테스트할 수 있습니다.
3. CFI(Comparative Fit Index), TLI(Tucker-Lewis Index), RMSEA(Root Mean Square Error of Approximation) 및 SRMR(Standardized Mean Square Square Residual)을 비롯한 여러 피팅 인덱스를 사용하여 모델 피팅을 평가합니다. 양호한 모형 적합도는 0.90보다 큰 CFI 및 TLI 값, 0.08보다 작은 RMSEA 값, 0.08보다 작은 SRMR 값으로 표시됩니다.
4. 멀티미디어 배터리의 진단 정확도를 확인하려면 ROC 곡선 분석을 수행합니다. 이 방법을 사용하면 읽기 어려움이 있는 개인과 그렇지 않은 개인을 올바르게 분류하는 테스트의 능력을 평가할 수 있습니다. ROC 곡선 아래 영역(AUC)은 테스트의 전반적인 정확도를 측정하는 척도를 제공합니다. AUC 0.5는 진단 능력이 없음을 나타내고, AUC 1.0은 진단 능력이 완벽함을 나타냅니다.
5. 다양한 임계값 수준에서 민감도와 특이성을 분석하여 배터리에 대한 최적의 차단 지점을 식별합니다.
6. CFA 및 ROC 곡선 분석을 모두 사용하여 멀티미디어 배터리에 대한 포괄적인 평가를 수행하여 스페인어 사용 인구에서 구성 타당성과 진단 정확도를 확인합니다.

결과

샘플 연구
표본에는 스페인(N = 325), 멕시코(N = 169), 과테말라(N = 227) 및 칠레(N = 160)에서 온 881명의 참가자가 포함되었으며, 모두 스페인어 원어민이었습니다. 표본은 두 그룹으로 나뉘었는데, 읽기 장애(RD) 그룹에서 451명, 정상 성취 독자(NAR) 그룹에서 430명이었습니다. 감각 장애, 신경학적 문제 또는 기타 상태로 인해 지원과 특정 교육적 관심이 필요한 특수 교육적 도움이 필요한 아동은 이러한 요인이 일반적으로 일시적 또는 학교 교육 기간 동안 학습 장애 또는 심각한 행동 장애에 대한 배제 기준으로 사용되기 때문에 제외되었습니다. RD 그룹의 참가자는 IQ가 80 이상, 75번째 백분위수 이상의 단어 읽기 시간 측정 백분위수, 75번째 백분위수 이상의 의사 단어 읽기 시간 측정 백분위수 또는 25번째 백분위수 미만의 의사 단어 읽기 정확도 측정 백분위수와 같은 기준에 따라 선택되었습니다. 마찬가지로, NAR 그룹은 25번째 백분위수 위에 PROLEC³⁶ 이해 작업 백분위수를 추가하여 비교 가능한 기준에 따라 선택되었습니다. 모든 백분위수는 참가자의 학년 수준에 따라 결정되었습니다. 참가자를 이러한 그룹으로 분류하는 것은 단어 읽기와 의사 단어 읽기 작업에 의존했으며, 각 작업은 별도의 블록으로 구성되었습니다. 두 블록 모두에서 참가자들은 제시된 언어 자극을 가능한 한 빨리 소리 내어 읽도록 지시받았습니다. 단어 읽기 블록에는 32개의 자극이 포함되어 있는 반면, 유사 단어 읽기 블록에는 48개의 자극이 포함되어 있습니다. 단어의 친숙도는 Guzman과 Jiménez³⁷에 의해 설명 된 기준을 사용하여 제어되었습니다. 적중, 오류 및 대기 시간에 대한 측정이 기록되었으며, 각 항목의 출현부터 학생의 음성 응답 시작까지의 대기 시간이 측정되었습니다. 단어 읽기 블록은 높은 내부 일관성(α = .89)을 보인 반면, 유사 단어 읽기 블록은 훨씬 더 큰 내부 일관성(α = .91)을 보여주었습니다. 학년별 RD 및 NAR을 가진 학생의 분포는 다음과 같습니다: 2학년에는 30명의 NAR 학생과 27명의 RD 학생이 있었습니다. 3학년으로 넘어가면서 88명의 RD 학생들과 함께 100개의 NAR이 관찰되었습니다. 4학년에는 100명의 NAR 학생과 116명의 RD 학생이 포함되었습니다. 5학년에는 100명의 NAR과 116명의 RD 학생이 있었고 6학년에는 100명의 NAR과 104명의 RD 학생이 있었습니다. 전체 표본과 각 학년 수준 내의 연령 차이를 평가하기 위해 일원 분산 분석(oneway anova) 검정을 실시했습니다. 그 결과 모든 p-값이 0.05를 초과하여 유의한 차이가 나타나지 않았습니다. 마찬가지로, 성별 변수의 분포는 카이제곱 검정을 사용하여 검사되었으며 모든 p 값도 0.05를 초과했습니다.

기술 통계량
표 1 은 연령에 대한 기술 통계량(평균 및 표준 편차)과 평가 척도를 제시합니다. 이 데이터는 성별에 따라 분류되어 여러 국가에서 일반적으로 독서 성취도를 보이는 독자와 읽기 장애가 있는 독자를 구분합니다. 그 결과, 다수의 평가 척도 간에 긍정적이고 통계적으로 유의한 상관관계가 나타났다( 표 2 참조). 이 표에는 약한 것부터 강한 것까지 측정값 간의 상관 관계가 표시됩니다. 상관 관계가 0.3 미만이면 약한 것으로 간주되고 0.5보다 큰 상관 관계는 강한 상관 계수로 분류됩니다. 특정 상관 관계 값은 각각의 강도 분류와 함께 제공됩니다. 예를 들어, 약한 상관관계(r < 0.3)에는 혼합-분할(r=0.354)과 삭제-동음이의어 이해(r=0.270)가 포함되었습니다. 문법 구조-수(r = 0.463)와 기능어-문법 구조(r = 0.512) 사이에는 중간 정도의 상관관계(0.3 ≤ r < 0.5)가 관찰되었다. 숫자-성별(r=0.642) 및 그림 RAN-Color RAN(r=0.442)에서 강한 상관관계(r ≥ 0.5)가 분명합니다.

표 1: 측정값의 설명 통계량. 이 표는 디지털 도구에 포함된 다양한 측정값에 대한 평균, 표준 편차 및 기타 설명 통계를 제공합니다. 나이: 나이; NAR: 일반적으로 독자를 달성합니다. RD : 읽기 장애; SEG: 세분화; BLN: 블렌딩; ISO: 음소 격리; DEL: 음소 삭제; HOM: 동음이의어 이해; R&S: 뿌리 & 접미사; GEN: 성별; NUM: 숫자; FW: 기능어; GRS: 문법 구조; EXT: Expositive 텍스트 ; NAT : 내러티브 텍스트 ; VOC: 조음의 보이싱; MOA: 아티큘레이션 방식; POA = 조음 장소; DIG: 숫자 RAN; LET : 편지가 실행되었습니다. COL: 색상 RAN; 그림: 그림 RAN 이 표를 다운로드하려면 여기를 클릭하십시오.

표 2: 측정값의 상관 계수. 이 표는 디지털 도구의 서로 다른 측정값 간의 상관 계수를 보여주며, 이러한 측정값 간의 관계의 강도와 방향을 나타냅니다. SEG: 세분화; BLN: 블렌딩; ISO: 음소 격리; DEL: 음소 삭제; HOM: 동음이의어 이해; R&S: 뿌리 & 접미사; GEN: 성별; NUM: 숫자; GRS: 문법 구조; FW: 기능어; EXT: Expositive 텍스트 ; NAT : 내러티브 텍스트 ; VOC: 조음의 보이싱; MOA: 아티큘레이션 방식; POA = 조음 장소; DIG: 숫자 RAN; LET : 편지가 실행되었습니다. COL: 색상 RAN; 사진: 사진 RAN. 이 표를 다운로드하려면 여기를 클릭하십시오.

확증적 요인 분석
CFA는 멀티미디어 배터리의 제안된 요인 구조를 평가하기 위해 수행되었습니다. 이 모델에는 1개의 2차 요인과 6개의 잠재 변수가 포함되며, 각 변수는 멀티미디어 배터리의 고유한 모듈을 나타냅니다. 이러한 구성에는 음운 인식(음소 분할, 분리, 혼합 및 삭제 작업 포함), 형태 직교 모듈(어근 및 접미사 및 동음이의어 이해 작업 포함), 구문(성별, 숫자, 문법 구조 및 기능적 단어 작업 포함), 음성 인식(발성, 조음 방식 및 조음 위치 작업 포함), 독해(긍정적 텍스트 및 내러티브 텍스트 이해 작업 포함) 및 급속 자동화된 이름 지정(RAN 작업의 문자, 색상, 숫자 및 그림 작업). 멀티미디어 배터리의 모든 작업(0에서 1 범위)에서 일관성을 보장하기 위해 POMS(Proportion of Maximum Scaling) 추정을 사용했습니다. POMS 점수는 시간 기반 작업(루트 및 접미사)에 대해 계산되었습니다³⁸.

통계 분석 및 그래픽 프리젠 테이션은 lavaan 40, semTools⁴¹ 및 ggplot2⁴² 패키지를 사용하여 R 버전^{4.3.1 39}를 사용하여 수행되었습니다. 모델 적합도는 다양한 적합도 지수를 사용하여 평가되었습니다. 카이제곱 적합도는 χ²(df) = 632.01, p < .001로 유의했으며, 이는 귀무 가설 가설 수립된 모형과 관측된 데이터 간의 불일치를 시사하지만, 카이제곱 검정은 표본 크기⁴³에 민감하다는 점에 유의해야 합니다. 따라서 추가적인 적합 지수를 고려했습니다.

비교 적합 지수(CFI)는 .961의 값을 산출하여 일반적으로 허용되는 임계값인 .95를 초과하고 데이터에 대한 양호한 적합도를 나타냅니다. 근사치의 평균 제곱근 오차(RMSEA)는 .038로, 모형이 데이터에 밀접하게 적합함을 나타냅니다. 표준화된 평균 제곱근 잔차(SRMR)는 .034로, 권장 값인 .05보다 낮았으며, 이는 이상적인 적합치를 시사합니다. 항목에 대한 요인 로딩은 .36에서 .81 사이였으며, 이는 해당 요인에 상당한 적재가 있음을 나타냅니다. 추출된 총 평균 분산(AVE)은 .50을 초과하여 적절한 수렴 타당성을 시사하고 총 복합 신뢰도(CR)는 .80 이상으로 내부 일관성 신뢰성이 양호함을 나타냅니다.

결론적으로, CFA의 결과는 제안된 요인 구조를 지지하며, 양호한 모델 적합성, 수렴 타당성 및 신뢰성을 입증했습니다. 그림 1에 있는 모델의 그래픽 표현을 참조하십시오.

그림 1: 확증적 요인 분석. 이 그림은 디지털 도구에서 수행된 확증적 요인 분석의 결과를 보여주며, 요인 적재와 서로 다른 인지 처리 측정 간의 관계를 강조합니다. 약어: SIC= Sicole-R; PA = 음운 인식; SEG = 세분화; BLN = 블렌딩; ISO= 절연; DEL= 삭제; MO = 형태 학적 처리; HOM = 동음이의어 이해; R&S= 어근 및 접미사; SYN= 구문 처리; GEN= 성별; NUM= 숫자; GRS = 문법 구조; FW= 기능어; RC= 독해력; EXT= 긍정 텍스트; NAT= 내러티브 텍스트; SP= 음성 인식; VOC= 조음 발화; MOA = 조음 방식; POA = 조음 장소; RAN= Rapid Automatized Naming; NUM= RAN 수; LET= 문자 RAN; COL= 색상 RAN; PIC= 사진 RAN. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

측정 불변성 분석을 사용하여 멀티미디어 배터리의 요인 구조가 성별에 따라 안정적인지 여부를 테스트했습니다. 측정 불변성에 대한 테스트는 점점 더 엄격해지는 동등성 제약 조건⁽⁴⁴)을 정의하는 일련의 모델 비교로 구성된다. 우리는 통계 분석을 수행하고 이전 CFA와 동일한 적합 모델 기준을 따랐습니다. 우리는 configural, metric (loadings), scalar (intercepts) 및 strict (residuals) 구조⁴⁵를 나타내는 매개 변수를 연속적으로 제한했습니다. 이러한 모델 중 하나라도 적합하지 않다는 것은 제한되는 측면이 서로 다른 그룹에 대해 일관되게 작동하지 않는다는 것을 나타냅니다. 불변도는^χ2D가 >0.05이고 ΔCFI가 <0.01일 때 공동으로 결정하였다. 모델들의 지수의 결과와 그들 사이의 차이점에 대한 요약이 표 3에 나와 있습니다.

표 3: 불변 모델 적합 지수. 이 표는 모델의 성별 불변성을 테스트하기 위한 적합 지수를 제시하며, 디지털 도구가 남성과 여성 그룹 간에 구조 및 측정 속성의 일관성을 얼마나 잘 유지하는지 평가합니다. 이러한 지수는 다양한 성별 그룹에 걸쳐 인지 과정을 일관되게 측정할 수 있는 능력을 확인함으로써 도구의 신뢰성과 타당성을 보장합니다. 이 표를 다운로드하려면 여기를 클릭하십시오.

모형에 있는 변수의 상대적 구성만 두 그룹에서 동일하게 제한한 구성 모형은 데이터에 대한 적합도가 적절했습니다(χ²(292) = 745.970, p<.001, CFI = .964, SRMR = 0.034, RMSEA = .036, 90% CI (.033, .038). 메트릭 불변 모델은 변수의 구성과 모든 요인 적재가 그룹 간에 일정하게 유지되도록 제한했습니다. 적합 지수는 구성 모델의 것과 유사했다: χ²(310) = 768.56, p<.001, CFI = .963, SRMR = .037, RMSEA = .036, 90% CI (.033, .038). 요인 적재의 불변성은 모델 유사성을 평가한 유의하지 않은 차이 검정에 의해 뒷받침되었습니다: χ²_D (18) = 26.30, p =.09; ΔCFI = .001입니다. 스칼라 불변 모델에서는 구성, 요인 적재 및 지시자 평균/절편이 각 그룹에 대해 동일하게 제한되었습니다. 적합 지수는 χ²(322) = 787,50, p<.001, CFI = .963, SRMS = .038, RMSEA = .035 (90% CI = .032, .038)로 이상적이었습니다. 모델 유사성을 평가한 차분 검정은 요인 불변성이 있음을 시사했습니다: χ²_D(12)=13.00, p = .369; ΔCFI = .001입니다. 마지막으로, 엄격한 불변량 모형에서는 구성, 요인 적재, 지시자 평균/절편 및 잔차가 각 그룹에 대해 동일하게 제한되었습니다. 적합 지수는 이상적이었습니다: χ²(341) =798.20, p<.001, CFI = .961, SRMS = .039, RMSEA = .0035 (90% CI = .032, .038). 엄격한 불변성은 모델 유사성을 평가한 유의하지 않은 차이 검정에 의해 뒷받침되었습니다 : χ²_D (11) = 25.81, p<.001; ΔCFI =.002

진단 정확도
멀티미디어 배터리의 정확도와 판별 용량을 평가하기 위해 ROC(Receiver Operating Characteristic) 분석을 수행했습니다. ROC 분석은 연속형 척도 평가 테스트를 위한 최적의 임계값(컷오프 값)을 결정하고 민감도(참 양성을 올바르게 식별하는 능력)와 특이성(참 음성을 올바르게 식별하는 능력)의 균형을 맞추는 데 도움이 됩니다. 또한 ROC 분석을 사용하여 RD 그룹과 NAR 그룹을 구별하는 테스트의 능력을 평가했습니다. 분석을 수행하기 위해 Z 점수는 멀티미디어 배터리의 각 작업에 대해 등급별로 계산되었습니다. 옴니버스 점수는 제타 점수의 합으로 구성되었습니다. 통계 분석 및 그래픽 프레젠테이션은 R 버전 4.3.1⁴¹을 사용하여 수행되었습니다. pROC⁴⁶ 및 ggplot2⁴² 패키지가 사용되었습니다. 진단 정확도 측면에서 멀티미디어 배터리는 AUC(Area Under the Curve)가 9439.8[95% CI: 93.31%-96.24%(DeLong)]이고 민감도는 91.0이었습니다(그림 2). 등급별 ROC 곡선은 다음과 같은 지수를 나타냈습니다 : 2 ° 등급, AUC = 96.195 % [CI : 91.54 % -100 % (DeLong)], Se = .96, Sp = .90; 3° 등급, AUC= 95.3, [95% CI: 92.43%-98.18%(DeLong)], Se=75.70, Sp= 72.34; 4° 등급, AUC=93.4 [95% CI: 90.2%-96.66% (DeLong)], Se=.92, Sp=.84; 5° 등급, AUC=95.9 [95% CI: 93.11%-98.75%(DeLong)], Se=.90, Sp=.95; 6° 등급, AUC=94.4 [95% CI: 91.11%-97.69%(DeLong)], Se=.92, Sp=.91.

그림 2: 곡선 ROC 분석. 이 그림은 다양한 임계값 설정에서 거짓양성률에 대한 참양성률을 플로팅하여 디지털 도구의 진단 정확도를 보여주는 ROC 곡선 분석을 나타냅니다. ROC 곡선의 x축의 단위는 specificity이고 y축의 단위는 sensitivity입니다. 약어: ROC= 수신기 작동 특성 곡선; AUC= 곡선 아래 영역. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

토론

이 연구에서는 Sicole-R 배터리의 요인 구조를 평가하기 위해 CFA(Confirmatory Factor Analysis)를 사용했으며, 이는 1개의 2차 요인과 서로 다른 모듈을 나타내는 6개의 잠재 변수로 구성됩니다. 그 결과 모델 적합성, 수렴 타당성 및 신뢰성이 양호한 것으로 나타났으며, 난독증이 있는 개인에게 중요한 포괄적인 인지 및 읽기 기술 세트를 평가하는 데 있어 배터리의 효능을 확인했습니다. 중요한 것은 스페인, 멕시코, 과테말라 및 칠레 내의 다양한 인구 통계 집단에서 디지털 도구의 일관된 성능은 다양한 스페인어 사용 지역의 교육 및 임상 환경에서 잠재적인 유용성을 시사한다는 것입니다.

이 연구는 멀티미디어 배터리를 사용하여 난독증과 관련된 특정 인지 결함을 효과적으로 식별하는 방법을 보여줌으로써 문헌에 기여합니다. 음운 인식, 어음 인식, 명명 속도, 철자 처리, 구문 처리 및 독해와 같은 특정 어려움 영역을 정확히 찾아내는 배터리의 기능은 개별 학생의 요구를 효과적으로 해결하기 위한 맞춤형 개입을 가능하게 합니다. 또한, 성별에 따른 배터리의 입증된 일관성은 공평한 평가 관행을 촉진하여 모든 학생에게 동등한 기회를 제공하는 것을 목표로 하는 포용적 교육 이니셔티브를 지원하는 데 있어 배터리의 유용성을 강조합니다.

Fawcett과 Nicolson¹⁷이 제안한 DEST(Dyslexia Early Screening Test)와 같이 유사한 특성을 가진 이전 도구가 여러 영역을 평가하는 영어로 사용하도록 설계되었지만, 이 연구는 다른 언어적 맥락에서 멀티미디어 배터리의 적용 가능성과 효과를 보여주었습니다. 분석 전반에 걸쳐 결과의 정확성과 유효성을 보장하기 위해 프로토콜 내에서 몇 가지 중요한 단계가 수행되었습니다. 이러한 단계에는 데이터 전처리, 모델 사양 및 매개변수 추정이 포함되었으며, 이는 읽기에 어려움이 있는 학생을 식별하는 데 컴퓨터 기반 도구의 신뢰성을 입증한 Hautala et ^al.19 과 같은 연구와 일치합니다. 또한 Protopapas et ^al.20 및 Pennington et ^al.12와 같은 다른 연구에서는 난독증 식별을 위한 컴퓨터 기반 스크리닝 도구의 구현을 탐구하여 평가 전략을 강화하기 위해 기술을 활용하는 것의 중요성을 강조했습니다. 또한, 현재 연구는 난독증 연구 및 심리 측정 평가의 최근 발전과 일치하여 현대 맥락에서 배터리의 관련성을 강조합니다. Jiménez et ^al.23 및 Guzmán et ^al.24 가 수행한 연구는 다양한 언어적 배경에 맞춤화된 강력한 평가 도구의 필요성을 강조하면서 스페인어 사용 인구 내에서 이러한 격차를 메우는 Sicole-R의 효능을 강조합니다. 또한 Rauschenberg et ^al.6이 논의한 바와 같이 난독증 평가에 디지털 기술을 통합하는 것은 요인 분석 및 검증에 대한 이 연구의 접근 방식에서 입증된 방법론적 엄격함을 강화합니다.

이 연구에서 사용된 방법론적 엄격함에도 불구하고 분석에 내재된 특정 제한 사항을 인정하는 것이 중요합니다. 한 가지 제한 사항은 표본이 특정 인구 통계 집단으로 구성되었기 때문에 결과의 일반화 가능성에 관한 것으로, 잠재적으로 더 광범위한 인구 집단에 대한 결과의 적용 가능성을 제한할 수 있습니다. 또한 성별 간 측정 불변성을 보장하기 위해 노력했지만 연령 또는 사회 경제적 지위와 같은 다른 인구 통계학적 요인은 분석에서 명시적으로 고려되지 않아 결과에 영향을 미쳤을 수 있습니다.

향후 연구 방향은 다양한 스페인어 방언에 대한 적응과 식별 전략을 강화하기 위해 더 넓은 교육 프레임워크에 통합하는 방법을 탐구할 수 있습니다. 앞으로 향후 연구는 다양한 인구 집단에서 멀티미디어 배터리의 유용성을 탐구하고 장기적인 교육 결과를 예측하는 데 있어 멀티미디어 배터리의 종단적 타당성 및 예측 타당성을 조사하는 등 본 연구에서 확인된 한계를 해결하는 것을 목표로 해야 합니다. 또한, Jin et ^al.47의 최근 리뷰에서 유망한 미래 연구 라인이 강조되어 신경 생물학적 기술의 통합을 제안합니다. 그들은 2018년에서 2023년 사이에 발표된 연구를 선택하여 과학 데이터베이스에 대한 포괄적인 검토를 수행했습니다. 그들의 연구 결과는 신경 생물학적 기술 평가가 난독증 진단을 발전시키는 유망한 추세로 부상하고 있음을 시사합니다.

결론적으로, 이 연구의 결과는 멀티미디어 배터리가 교육자에게 유용한 도구임을 강조하며, 궁극적으로 난독증이 있는 학생을 위한 보다 효과적인 지원과 향상된 결과를 촉진합니다. 이러한 현대적 통찰력을 통합함으로써 연구 결과는 난독증 평가에 대한 진화하는 담론에 기여하여 실무자와 연구자에게 효과적인 진단 전략 프레임워크에 대한 업데이트된 관점을 제공합니다. 우리가 아는 한, 이 연구는 스페인어를 사용하는 인구를 위해 특별히 맞춤화된 포괄적인 멀티미디어 배터리를 검증한 최초의 연구 중 하나이며, 난독증에 사용할 수 있는 현재 진단 도구의 중요한 격차를 메우고 있습니다.

재료

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
Sicole-R	Universidad de La Laguna	TF-263- 07