Artykuł metodologiczny

Dekompozycja wariancji w czytaniu ze zrozumieniem w celu ujawnienia unikalnych i powszechnych efektów języka i dekodowania

DOI:

10.3791/58557

⸱

11 października 2018

 , 
1Florida Center for Reading Research, Florida State University

W tym artykule

Podsumowanie

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

Tutaj prezentujemy protokół rozkładu różnic w czytaniu ze zrozumieniem na unikalne i powszechne efekty języka i dekodowania.

Streszczenie

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

Prosty Widok Czytania to popularny model czytania, który twierdzi, że czytanie jest produktem dekodowania i języka, przy czym każdy komponent jednoznacznie przewiduje czytanie ze zrozumieniem. Chociaż naukowcy spierali się, czy suma, a nie iloczyn składników, jest lepszym predyktorem, żaden badacz nie podzielił wyjaśnionej wariancji, aby zbadać, w jakim stopniu składniki mają wspólną wariancję w przewidywaniu odczytu. Aby zdekomponować wariancję, odejmujemy R2 dla modelu tylko języka od pełnego modelu, aby uzyskać unikatowy R2 do dekodowania. Po drugie, odejmujemy R2 dla modelu tylko dekodowania od pełnego modelu, aby uzyskać unikatowy R2 dla języka. Po trzecie, aby uzyskać wspólną wariancję wyjaśnioną przez język i dekodowanie, odejmujemy sumę dwóch unikalnych R2 od R2 dla pełnego modelu. Metoda jest demonstrowana w podejściu regresyjnym z danymi od uczniów z klas 1 (n = 372), 6 (n = 309) i 10 (n = 122) przy użyciu obserwowanej miary języka (słownictwo receptywne), dekodowania (czytanie słów na czas) i czytania ze zrozumieniem (test standaryzowany). Wyniki ujawniają stosunkowo dużą wariancję w czytaniu ze zrozumieniem, wyjaśnioną w stopniu 1 przez powszechną wariancję w dekodowaniu i języku. Jednak w klasie 10 to unikalny efekt języka i powszechny efekt języka i dekodowania wyjaśniają większość różnic w czytaniu ze zrozumieniem. Wyniki omówiono w kontekście rozszerzonej wersji Prostego Spojrzenia na Czytanie, która uwzględnia unikalne i wspólne efekty języka i dekodowania w przewidywaniu czytania ze zrozumieniem.

Wprowadzenie

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

Prosty widok czytania1 (SVR) jest nadal popularnym modelem czytania ze względu na swoją prostotę - czytanie (R) jest produktem dekodowania (D) i języka (L) - oraz dlatego, że SVR ma tendencję do wyjaśniania, średnio, około 60% wyjaśnionej wariancji w czytaniu ze zrozumieniem2. SVR przewiduje, że korelacje między D i R będą się zmniejszać z czasem, a korelacje między L i R będą rosły z czasem. Badania na ogół potwierdzają to przewidywanie3,4,5. Istnieją jednak różnice zdań co do funkcjonalnej formy SVR, przy czym modele addytywne (D + L = R) wyjaśniają znacznie większą wariancję w czytaniu ze zrozumieniem niż modele produktów (D × L = R)6,7,8, a kombinacja sumy i iloczynu [R = D + L + (D × L) wyjaśnia największą wariancję w czytaniu ze zrozumieniem3, 9.

Ostatnio model SVR rozszerzył się poza regresje oparte na obserwowanych zmiennych do modelowania zmiennych utajonych za pomocą konfirmacyjnej analizy fabrycznej i modelowania równań strukturalnych. D jest zwykle mierzone za pomocą czytania prawdziwych słów i/lub niesłów bez pomiaru czasu, a R jest zwykle mierzone za pomocą standardowego testu czytania, który obejmuje umiejętność czytania i pisania oraz fragmenty informacyjne, po których następują pytania wielokrotnego wyboru. L jest zwykle mierzone za pomocą testów słownictwa ekspresyjnego i receptywnego oraz, zwłaszcza w klasach podstawowych, za pomocą miar składni ekspresyjnej i receptywnej oraz rozumienia ze słuchu. Większość badań podłużnych podaje, że L jest jednowymiarowy10,11,12,13. Jednak inne badanie podłużne14 podaje dwuczynnikową strukturę dla L w klasach podstawowych i jednowymiarową strukturę w klasach 4 i 8. Ostatnie badania przekrojowe donoszą, że model dwuczynnikowy najlepiej pasuje do danych i przewiduje R15,16,17,18. Na przykład Foorman i wsp.16 porównał jednowymiarowe, trzy-, czteroczynnikowe i dwuczynnikowe modele SVR w danych od uczniów klas 4-10 i stwierdził, że model dwuczynnikowy najlepiej pasuje i wyjaśnia od 72% do 99% wariancji R. Ogólny czynnik L wyjaśniał wariancję we wszystkich siedmiu stopniach, a słownictwo i składnia jednoznacznie wyjaśniały wariancję tylko w jednej klasie. Chociaż czynnik D był umiarkowanie skorelowany z L i R we wszystkich stopniach (odpowiednio 0,40-0,60 i 0,47-0,74), nie był jednoznacznie skorelowany z R w obecności ogólnego czynnika L.

Mimo że modelowanie zmiennych utajonych rozszerzyło SVR, rzucając światło na wymiarowość L i unikalną rolę, jaką L odgrywa w przewidywaniu R poza podstawowymi stopniami, nie ma żadnych badań SVR, z wyjątkiem jednego przeprowadzonego przez Foormana i wsp.19 podzielili wariancję czytania ze zrozumieniem na to, co jest unikalne dla D i L oraz na to, co jest wspólne. Jest to duże pominięcie w literaturze. Koncepcyjnie ma to sens, że D i L miałyby wspólną wariancję w przewidywaniu języka pisanego, ponieważ rozpoznawanie słów pociąga za sobą umiejętności lingwistyczne w zakresie fonologii, semantyki i dyskursu na poziomie zdania i tekstu20. Podobnie, rozumienie lingwistyczne musi być połączone z ortograficznymi reprezentacjami fonemów, morfemów, słów, zdań i dyskursu, jeśli tekst ma być zrozumiany21. Pomnożenie D przez L nie daje wiedzy wspólnej dla tych składników. Tylko dekompozycja wariancji na to, co jest unikalne i to, co jest wspólne dla D i L w przewidywaniu R, ujawni zintegrowaną wiedzę kluczową dla powodzenia interwencji edukacyjnych.

Jedno badanie przeprowadzone przez Foormana i wsp.19, który rozłożył wariancję czytania ze zrozumieniem na to, co jest unikalne i to, co jest wspólne dla D i L, zastosował podejście do modelowania zmiennych utajonych. Poniższy protokół demonstruje tę technikę z danymi od uczniów klas 1, 7 i 10 w oparciu o pojedyncze obserwowane zmienne dla D (dekodowanie czasowe), L (receptywne słownictwo) i R (standaryzowany test czytania ze zrozumieniem), aby proces dekompozycji był łatwy do zrozumienia. Dane reprezentują podzbiór danych z Foorman i wsp.19.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

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

Uwaga: Poniższe kroki opisują rozkład całkowitej wariancji zmiennej zależnej (Y) na składowe wariancji unikalnej, wariancji wspólnej i niewyjaśnionej wariancji na podstawie dwóch wybranych zmiennych niezależnych (zwanych figure-protocol-1 i figure-protocol-2 w tym przykładzie) przy użyciu oprogramowania z graficznym interfejsem użytkownika i oprogramowaniem do zarządzania danymi (patrz tabela materiałów).

1. Wczytywanie danych do oprogramowania za pomocą graficznego interfejsu użytkownika

  1. Kliknij Plik.
    1. Najedź myszką na Otwórz.
    2. Kliknij Dane.
  2. Zlokalizuj odpowiedni plik danych na komputerze.
    1. Jeśli typ pliku nie jest zgodny z oprogramowaniem z graficznym interfejsem użytkownika, kliknij Pliki typu i wybierz odpowiedni format pliku.
  3. Kliknij Otwórz.

2. Oszacuj wariancję wyjaśnioną w zmiennej zależnej (y)

  1. Całkowita wariancja wyjaśniona na podstawie dwóch zmiennych niezależnych — Całkowita R2.
    Uwaga: Wartość R2 jest znana jako współczynnik determinacji i reprezentuje proporcję wariancji zmiennej zależnej, która jest wyjaśniona przez zestaw zmiennych niezależnych.
    1. Kliknij Analizuj i najedź myszką na Regresja i wybierz Liniowe.
    2. Kliknij zmienną zależną na liście zmiennych. Następnie kliknij strzałkę obok opcji Zależny.
    3. Kliknij dwie zmienne niezależne (X1 i X2) na liście zmiennych. Następnie kliknij strzałkę obok opcji Niezależni.
    4. Kliknij przycisk OK.
    5. Kliknij okno przeglądarki oprogramowania.
      1. Użyj myszy, aby przewinąć do sekcji o nazwie Podsumowanie modelu. Zapisz wartość w kolumnie R Kwadrat i oznacz ją etykietą Razem R2.
  2. Wyjaśnienie całkowitej wariancji na podstawie figure-protocol-3
    1. Powtórz kroki od 2.1.1 do 2.1.4, używając tylko figure-protocol-4 na liście zmiennych niezależnych.
    2. Kliknij okno przeglądarki oprogramowania.
      1. Użyj myszy, aby przewinąć do sekcji o nazwie Podsumowanie modelu. Zapisz wartość w kolumnie R Kwadrat i oznacz tę wartość figure-protocol-5R2.
  3. Wyjaśnienie całkowitej wariancji na podstawie figure-protocol-6
    1. Powtórz kroki od 2.1.1 do 2.1.4, używając tylko figure-protocol-7 na liście zmiennych niezależnych.
    2. Kliknij okno przeglądarki oprogramowania.
      1. Użyj myszy, aby przewinąć do sekcji o nazwie Podsumowanie modelu. Zapisz wartość w kolumnie R Kwadrat i oznacz ją etykietą figure-protocol-8R2.

3. Obliczanie unikalnych, powszechnych i niewyjaśnionych składników wariancji

  1. Otwórz oprogramowanie do zarządzania danymi.
  2. Wprowadź etykiety Razem R2, figure-protocol-9R2 i figure-protocol-10R2 odpowiednio w komórkach A1, B1 i C1.
  3. Wprowadź wartość Total R2 z kroku 2.1.5.1 w komórce A2.
  4. Wprowadź wartość figure-protocol-11R2 z kroku 2.2.2.1 w komórce B2.
  5. Wprowadź wartość figure-protocol-12R2 z kroku 2.3.2.1 w komórce C2.
  6. Oblicz unikalną wariancję zmiennej 1 (ufigure-protocol-13R2) w oprogramowaniu do zarządzania danymi.
    1. W komórce D2 wpisz: "=A2-C2" (tj. Suma R2 minus figure-protocol-14R2). W komórce D1 oznacz tę wartość jako Ufigure-protocol-15R2.
  7. Oblicz unikalną wariancję zmiennej 2 (Ufigure-protocol-16R2) w oprogramowaniu do zarządzania danymi.
    1. W komórce E2 wpisz: "=A2-B2" (tj. Suma R2 minus figure-protocol-17R2). W komórce E1 oznacz tę wartość Ufigure-protocol-18R2.
  8. Oblicz wspólną wariancję między zmiennymi 1 i 2 (Cfigure-protocol-19R2) w oprogramowaniu do zarządzania danymi.
    1. W komórce F2 wpisz: "=A2-D2-E2" (tj. Suma R2 minus Ufigure-protocol-20R2 minus Ufigure-protocol-21R2). W komórce F1 oznacz tę wartość jako Cfigure-protocol-22R2.
  9. Oblicz niewyjaśnioną wariancję (e) w oprogramowaniu do zarządzania danymi.
    1. W komórce G2 wpisz: "=1-A2" (tj. 1-Razem R2). W komórce G1 oznacz tę wartość jako e.

4. Wykreśl wartości UX1R2, UX2R2, CX 1X2R2 i e

Uwaga: Wartości w komórkach D2, E2, F2 i G2 są wykreślane.

  1. Kliknij i przeciągnij myszą nad komórkami D2, E2, F2 i G2, aby podświetlić dane.
  2. Kliknij Wstaw na wstążce oprogramowania do zarządzania danymi.
  3. Kliknij na Wykresy | Wykres kołowy | Wykres kołowy 2-W.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

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

Celem tego badania było zbadanie wpływu unikalnej i powszechnej wariancji języka (L) i dekodowania (D) na przewidywanie czytania ze zrozumieniem (R) w klasach 1, 7 i 10 na Florydzie, stanie, którego demografia jest reprezentatywna dla całego narodu. Istniały dwie hipotezy dotyczące przewidywań wariancji wyjaśnionej w czytaniu ze zrozumieniem. Po pierwsze, po klasach podstawowych, unikalny wkład D znacznie się zmniejszy, a unikalny wkład L wzrośnie. Po drugie, unikalny wkład L oraz wspólny...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

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

W protokole istnieją trzy krytyczne kroki dekompozycji wariancji R na unikalną i wspólną wariancję ze względu na L i D. Najpierw odejmij R2 w modelu tylko L od pełnego modelu, aby uzyskać unikalne R2 dla D. Po drugie, odejmij R2 dla modelu tylko D od pełnego modelu, aby uzyskać unikalne R2 dla L. Po trzecie, aby uzyskać wspólną wariancję wyjaśnioną przez L i D, odejmij sumę dwóch unikalnych R2 od R2 dla pełnego modelu.

Modyfikac...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

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

Autorzy oświadczają, że nie mają konkurencyjnych interesów finansowych.

Podziękowania

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

Badania opisane tutaj były wspierane przez Instytut Nauk o Edukacji, Departament Edukacji Stanów Zjednoczonych, poprzez dotację dla Uniwersytetu Stanowego Florydy od Grant R305F100005 dla Educational Testing Service w ramach inicjatywy Reading for Understanding. Wyrażone opinie są opiniami autorów i nie reprezentują poglądów Instytutu, Departamentu Edukacji Stanów Zjednoczonych, Służby Testowania Edukacyjnego ani Uniwersytetu Stanowego Florydy.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
IBM SPSS Statistics SoftwareIBM
Microsoft Office ExcelMicrosoft

Bibliografia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Gough, P., Tunmer, W. Decoding, reading, and reading disability. Remedial and Special Education. 7, 6-10 (1986).
  2. Quinn, J. M., Wagner, R. K. Using meta-analytic structural equation modeling to study developmental change in relations between language and literacy. Child Development. , in press (2018).
  3. Chen, R. S., Vellutino, F. Prediction of reading ability: A cross-validation study of the simple view of reading. Journal of Literacy Research. 29 (1), 1-24 (1997).
  4. Catts, H., Hogan, T., Adlof, S. Developmental changes in reading and reading disabilities. Connections between language and reading disabilities. Catts, H., Kamhi, A. , Erlbaum. Mahwah, NJ. (2005).
  5. Gough, P., Hoover, W., Peterson, C. Some observations on the simple view of reading. Reading comprehension difficulties. Cornoldi, C., Oakhill, J. , Erlbaum. Hillsdale, NH. (1996).
  6. Dreyer, L., Katz, L. An examination of "The Simple View of Reading.". Haskins Laboratories Status Report on Speech Research. SR-111/112. , 161-166 (1992).
  7. Neuhaus, G., Roldan, L., Boulware-Gooden, R., Swank, P. Parsimonious reading models: Identifying teachable subskills. Reading Psychology. 27, 37-58 (2006).
  8. Kershaw, S., Schatschneider, C. A latent variable approach to the simple view of reading. Reading and Writing. 25, 433-464 (2012).
  9. Hoover, W., Gough, P. The simple view of reading. Reading and Writing. 2, 127-160 (1990).
  10. Adlof, S., Catts, H., Little, T. Should the simple view of reading include a fluency component? Reading & Writing. 19, 933-958 (2006).
  11. Anthony, J., Davis, C., Williams, J., Anthony, T. Preschoolers' oral language abilities: A multilevel examination of dimensionality. Learning and Individual Differences. 35, 56-61 (2014).
  12. Bornstein, M., Hahn, C., Putnick, D., Suwalsky, J. Stability of core language skill from early childhood to adolescence: A latent variable approach. Child Development. 85, 1346-1356 (2014).
  13. Protopapas, A., Simos, P., Sideridis, G., Mouzaki, A. The components of the simple view of reading: A confirmatory factor analysis. Reading Psychology. 33, 217-240 (2012).
  14. Tomblin, J. B., Zhang, X. The dimensionality of language ability in school-age children. Journal of Speech, Language, and Hearing Research. 49, 1193-1208 (2006).
  15. Foorman, B., Herrera, S., Petscher, Y., Mitchell, A., Truckenmiller, A. The Structure of Oral Language and Reading and Their Relation to Comprehension in grades kindergarten through grade 2. Reading and Writing. 28 (5), 655-681 (2015).
  16. Foorman, B., Koon, S., Petscher, Y., Mitchell, A., Truckenmiller, A. Examining General and Specific Factors in the Dimensionality of Oral Language and Reading in 4th-10th Grades. Journal of Educational Psychology. 107 (3), 884-899 (2015).
  17. Kieffer, M., Petscher, Y., Proctor, C. P., Silverman, R. 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. Scientific Studies of Reading. 20 (6), 436-454 (2016).
  18. Kim, Y. S. G., Park, C., Park, Y. Dimensions of discourse level oral language skills and their relation to reading comprehension and written composition: an exploratory study. Reading and Writing. 28, 633-654 (2015).
  19. Foorman, B., Petscher, Y., Herrera, S. Unique and common effects of decoding and language factors in predicting reading comprehension in grades 1-10. Learning and Individual Differences. 63, 12-23 (2018).
  20. Perfetti, C. Reading ability: Lexical quality to comprehension. Scientific Studies of Reading. 11 (4), 357-383 (2007).
  21. Perfetti, C., Stafura, J. Word knowledge in a theory of reading comprehension. Scientific Studies of Reading. 18 (4), 22-37 (2014).
  22. Torgesen, J., Wagner, R., Rashotte, C. Test of Word Reading Efficiency. , 2nd ed, ProEd. Austin, TX. (2012).
  23. Dunn, L., Dunn, D. Peabody Picture Vocabulary Test-4. , Pearson. San Antonio, TX. (2007).
  24. MacGinitie, W., MacGinitie, R., Maria, K., Dreyer, L. Gates-MacGinitie Reading Tests. , 4th ed, Riverside Publishing. Rolling Meadows, IL. (2000).
  25. Wanzek, J., Wexler, J., Vaughn, S., Ciullo, S. Reading interventions for struggling readers in the upper elementary grades: a synthesis of 20 years of research. Reading & Writing. 23, 889-912 (2010).
  26. Foorman, B., Petscher, Y., Stanley, C., Herrera, S. Latent profiles of reading and language and their association with standardized reading outcomes in kindergarten through tenth grade. Journal of Research on Educational Effectiveness. 10 (3), 619-645 (2017).
  27. Lesaux, N. K., Kieffer, M. J., Kelley, J. G., Harris, J. Effects of academic vocabulary instruction for linguistically diverse adolescents: Evidence from a randomized field trial. American Educational Research Journal. 51 (6), 1159-1194 (2014).
  28. Lawrence, J., Crosson, A., Paré-Blagoev, E., Snow, C. Word generation randomized trial: Discussion mediates the impact of program treatment on academic word learning. American Educational Research Journal. 52 (4), 750-786 (2015).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Prosta wizja czytaniadekodowanie i j zykdekompozycja wariancjianaliza regresjiefekty unikalnewariancja wsp lnarozw j j zykapsychologia edukacyjnamodelowanie statystyczne

Powiązane artykuły