Postęp w ocenie dysleksji u dzieci poprzez testy komputerowe

Podsumowanie

Bateria multimedialna do oceny ogólnych i szczegółowych umiejętności czytania jest niezawodną i ważną baterią multimedialną przeznaczoną do oceny poznawczych i podstawowych umiejętności czytania. Umożliwia wygenerowanie kompleksowego profilu sprawności poznawczej i czytania, co jest szczególnie korzystne dla dzieci z dysleksją.

Streszczenie

Nabywanie umiejętności czytania to skomplikowany proces, który wymaga kultywowania różnych umiejętności ogólnych i specyficznych dla danej dziedziny. W związku z tym nie jest zaskakujące, że wiele dzieci zmaga się z utrzymaniem biegłości na poziomie klasy, szczególnie w obliczu wyzwań obejmujących wiele umiejętności w obu dziedzinach, co obserwuje się u osób z trudnościami w czytaniu. Uderzające jest to, że pomimo tego, że trudności w czytaniu są jednymi z najczęstszych zaburzeń neurorozwojowych dotykających dzieci w wieku szkolnym, większość dostępnych narzędzi diagnostycznych nie ma kompleksowych ram do oceny pełnego spektrum umiejętności poznawczych związanych z dysleksją, przy minimalnych opcjach komputerowych. Warto zauważyć, że obecnie dostępne są ograniczone narzędzia z tymi funkcjami dla dzieci hiszpańskojęzycznych. Celem pracy było opracowanie protokołu diagnozowania trudności w czytaniu u dzieci hiszpańskojęzycznych z wykorzystaniem baterii multimedialnej Sicole-R. To narzędzie dla klas podstawowych koncentruje się na ocenie umiejętności poznawczych związanych z dysleksją, zgodnie z zaleceniami literatury naukowej. W szczególności koncentruje się na ocenie szeregu zdolności poznawczych, które, jak wykazały badania, są związane z dysleksją. Skupienie się na tym opiera się na obserwacji, że osoby z dysleksją zazwyczaj wykazują deficyty w kilku obszarach poznawczych ocenianych przez to narzędzie cyfrowe. Wykazano solidną spójność wewnętrzną i wielowymiarową strukturę wewnętrzną akumulatora. Ta multimedialna bateria okazała się odpowiednim narzędziem do diagnozowania dzieci z trudnościami w czytaniu w szkole podstawowej, oferując kompleksowy profil poznawczy, który jest cenny nie tylko do celów diagnostycznych, ale także do dostosowywania zindywidualizowanych planów nauczania.

Wprowadzenie

Dysleksja to zaburzenie neurorozwojowe charakteryzujące się trudnościami w dokładnym i/lub płynnym rozpoznawaniu słów oraz słabymi zdolnościami ortograficznymi i dekodacyjnymi, a także charakteryzuje się nieoczekiwanymi i uporczywymi trudnościami w nabywaniu umiejętności skutecznego czytania pomimo konwencjonalnego nauczania, odpowiedniej inteligencji i możliwości społeczno-kulturowych¹. To zaburzenie neurobiologiczne często objawia się trudnościami w czytaniu, pisowni i pisaniu, głównie z powodu deficytów fonologicznych^2,3. "Nie można przecenić znaczenia wczesnej identyfikacji dysleksji, ponieważ pozwala ona na szybką interwencję i wsparcie^4,5. Kiedy uczeń nie wykracza poza poziom 3 w modelu odpowiedzi na interwencję, konieczne staje się przeprowadzenie bardziej kompleksowej oceny zarówno ogólnych, jak i specyficznych dla danej dziedziny zdolności związanych z dysleksją, jak podkreślono w literaturze naukowej. Rozwój przedstawionej tu techniki opiera się na konieczności przeprowadzenia dokładnych ocen w celu zapewnienia odpowiednich interwencji i wsparcia. Ponadto wcześniejsze badania podkreślają użyteczność narzędzi przesiewowych opartych na technologii, takich jak aplikacje internetowe i gry komputerowe, w ułatwianiu skutecznych procesów przesiewowych^{6, 7}. Badania te łącznie podkreślają wieloaspektowy charakter dysleksji, podkreślając potrzebę kompleksowej oceny i strategii interwencyjnych w celu uwzględnienia różnorodnych profili poznawczych osób z dysleksją. Pomimo rozpowszechnienia dysleksji wśród dzieci w wieku szkolnym, większości dostępnych narzędzi diagnostycznych brakuje ram, które kompleksowo oceniałyby zarówno umiejętności ogólne, jak i specyficzne dla danej dziedziny. Co więcej, istnieje minimalna liczba opcji skomputeryzowanych, szczególnie dla populacji hiszpańskojęzycznych. Ta multimedialna bateria wypełnia te luki, wykorzystując technologię w celu ułatwienia szczegółowej oceny umiejętności poznawczych związanych z dysleksją.

Perspektywy teoretyczne i deficyty poznawcze w dysleksji
Różne modele teoretyczne, w tym teorie fonologiczne, szybkie przetwarzanie słuchowe, wizualne, wielkokomórkowe i móżdżkowe, mają na celu wyjaśnienie przyczyn dysleksji i informowanie o interwencjach (zobacz przegląd)⁸. Teoria fonologiczna przypisuje dysleksję trudnościom w przetwarzaniu dźwięków językowych ⁹, podczas gdy teoria szybkiego przetwarzania słuchowego łączy dysleksję z deficytami w postrzeganiu szybko zmieniających się dźwięków¹⁰. Teoria wizualna podkreśla wizualne aspekty trudności w czytaniu, a teoria magnokomórkowa wskazuje na upośledzenie szlaków przetwarzania wzrokowego i słuchowego¹¹. Teoria móżdżku sugeruje, że dysleksja wynika z upośledzenia móżdżku wpływającego na kontrolę motoryczną i funkcje poznawcze¹². Ramy opóźnionego zaangażowania neuronalnego (DNC) Nicolsona i Fawcetta zakładają, że wolniejsze nabywanie umiejętności i opóźniony rozwój sieci neuronowych mają kluczowe znaczenie dla dysleksji. Najnowsze modele, takie jak model deficytu wielorakiego, sugerują, że dysleksja jest złożonym zaburzeniem, na które wpływają czynniki genetyczne, poznawcze i środowiskowe^13,14,15. Na przykład Ring i Black¹⁴ wspierają model deficytu wielorakiego, pokazując, że zarówno deficyty przetwarzania fonologicznego, jak i poznawczego przyczyniają się do heterogeniczności dysleksji. Soriano-Ferrer i wsp.¹⁵ przeprowadzili badanie z hiszpańskojęzycznymi dziećmi z dysleksją rozwojową (DD) i stwierdzili znaczne upośledzenie szybkości nazywania, werbalnej pamięci roboczej i świadomości fonologicznej (PA). Podobnie Zygouris i wsp.¹⁶ oraz Rauschenberger i wsp.⁶ podkreślają znaczenie narzędzi do badań przesiewowych w identyfikowaniu tych deficytów, przy czym osoby z dysleksją konsekwentnie osiągają niższe wyniki niż zazwyczaj osiągający wyniki.

Badanie podejść technologicznych w badaniach przesiewowych dysleksji: Spostrzeżenia z badań naukowych
Badania nad badaniami przesiewowymi w kierunku dysleksji ewoluowały w oparciu o trzy główne podejścia: strategie wczesnego wykrywania, wieloaspektowe metody badań przesiewowych łączące różne oceny oraz integrujące technologię w celu zwiększenia skuteczności¹⁷. Niedawny przegląd systematyczny Politi-Georgousi's¹⁸ podkreśla zmianę w kierunku większej liczby zastosowań do interweniowania w objawach dysleksji, a nie procesów przesiewowych, dostosowując się do integracji technologii w celu poprawy umiejętności czytania u uczniów z dysleksją. Istnieją różne narzędzia, takie jak Test Wczesnego Badania Przesiewowego Dysleksji (DEST) autorstwa Fawcetta i Nicolsona, który ocenia szybkość, umiejętności fonologiczne, zdolności motoryczne, funkcję móżdżku i wiedzę¹⁹. "Narzędzia komputerowe rozwinęły się, w tym aplikacja internetowa oceniająca umiejętności czytania i poznawcze u greckich dzieci²⁰ oraz narzędzia Hautala et al.²¹ i Rauschenberg et al.⁶, które wykorzystują gry i uczenie maszynowe do wczesnej identyfikacji dysleksji. Ahmad i in. zintegrowali gry z sieciami neuronowymi, osiągając 95% dokładności w wykrywaniu²². Badania nad różnymi ortografiami podkreślają znaczenie świadomości fonologicznej i szybkiego, zautomatyzowanego nazywania w identyfikacji dysleksji^23,24.

Wgląd w dysleksję wśród hiszpańskojęzycznych dzieci
Badania nad dysleksją u dzieci hiszpańskojęzycznych zostały znacznie zaawansowane dzięki zastosowaniu technologii Sicole-R. Jiménez i wsp. wykazali jego skuteczność w ocenie dysleksji w różnych grupach wiekowych, szczególnie w rozróżnianiu między dysleksją a typowymi czytelnikami na podstawie przetwarzania fonologicznego i składniowego we wczesnych latach szkoły podstawowej²⁵. Guzmán i in. badali deficyty szybkości nazywania u dzieci z dysleksją z wyzwaniami fonologicznymi, podkreślając interakcje między dysleksją a szybkością nazywania mierzoną za pomocą zadań takich jak letter-RAN i number-RAN²⁶. Dalsze badania Jiméneza i in. dotyczyły deficytów świadomości fonologicznej w różnych strukturach sylab²⁷, podczas gdy Ortiz i in. badali deficyty percepcji mowy wśród hiszpańskich dzieci z dysleksją, ujawniając upośledzenia w rozwoju percepcji mowy niezależnie od kontrastu fonetycznego lub jednostki językowej^28,29. Jiménez i in. zbadali hipotezę podwójnego deficytu dysleksji³⁰, a następnie przeprowadzili analizy procesów poznawczych i różnic związanych z płcią w rozpowszechnieniu dysleksji^31,32. Rodrigo i in. badali dostęp leksykalny wśród hiszpańskich dzieci z dysleksją³³, a Jiménez i in. przyjrzeli się deficytom przetwarzania składniowego³⁴. Wreszcie, Jiménez i in. badali procesy fonologiczne i ortograficzne w podtypach dysleksji, podkreślając różnice w wydajności trasy ortograficznej³⁵. Badania te łącznie poszerzają naszą wiedzę na temat poznawczych i językowych wyzwań związanych z dysleksją w populacjach hiszpańskojęzycznych.

Przeprowadzone badania mają kilka wspólnych cech pod względem wieku i pochodzenia uczestniczących dzieci. Dzieci włączone do tych badań były w wieku od 7 do 14 lat. Większość badań koncentrowała się na dzieciach ze szkół podstawowych w wieku od 7 do 12 lat, z wyjątkiem tych, które obejmowały dzieci w wieku do 14 lat, zapewniając próbkę obejmującą okres od wczesnych lat szkolnych do okresu dojrzewania^31,32. Uczestniczące w projekcie dzieci pochodziły głównie z Wysp Kanaryjskich w Hiszpanii. Ponadto niektóre badania obejmowały próbki z innych regionów Hiszpanii i Gwatemali^31,32. Uczestnicy rekrutowali się zarówno ze szkół publicznych, jak i prywatnych, które pochodziły z obszarów miejskich i podmiejskich. Poziomy społeczno-ekonomiczne reprezentowane w tych badaniach wahają się od niskiego średniego do klasy robotniczej i średniej.

Razem, te pytania znacznie poszerzają nasze zrozumienie złożoności dysleksji, przyczyniając się do rozwoju badań nad dysleksją. Przystosowane do użytku w wielu krajach iberoamerykańskich, w tym w Hiszpanii, Gwatemali, Chile i Meksyku, narzędzie ułatwia ocenę dokładności i precyzji diagnostycznej w zróżnicowanej próbie hiszpańskojęzycznej na potrzeby tego badania.

To badanie miało na celu opracowanie protokołu diagnozowania hiszpańskojęzycznych dzieci z trudnościami w czytaniu przy użyciu specjalistycznej baterii multimedialnej. Głównym celem jest zapewnienie kompleksowego narzędzia oceny, które ocenia zarówno ogólne, jak i specyficzne dla danej dziedziny umiejętności związane z dysleksją.

Przegląd konfiguracji eksperymentalnej
SICOLE-R został zaprogramowany w Java 2 Platform Standard Edition (J2SE). Silnik bazy danych HSQL jest używany jako baza danych. Oprogramowanie zawiera 6 głównych modułów do oceny: 1) przetwarzanie percepcyjne, które obejmuje zadania związane z dźwięcznością, umieszczeniem i sposobem artykulacji; 2) przetwarzanie fonologiczne, które obejmuje izolację fonemów, usuwanie fonemów, segmentację fonemów i mieszanie fonemów; 3) szybkość nazywania, która obejmuje zadania szybkości nazywania cyfr, liter, kolorów i obrazów; 4) przetwarzanie ortograficzne, które obejmuje zadania morfologicznego rozumienia leksemów i sufiksów oraz rozumienia homofonowego; 5) przetwarzanie składniowe, w tym zadania związane z rodzajem, liczbą, słowami funkcyjnymi i strukturą gramatyczną; oraz 6) przetwarzanie semantyczne, które wpływa na zadania czytania ze zrozumieniem poprzez tekst informacyjny i narracyjny. Instrukcje dotyczące każdego zadania, którym towarzyszy jedna lub dwie próby (w zależności od zadania) i demonstracja, są dostarczane przez agenta pedagogicznego przed rozpoczęciem fazy testowania. Protokół aplikacji dla każdego zadania jest zilustrowany tutaj.

Przed podaniem baterii multimedialnej próbie badawczej, dokonano adaptacji modalności języka hiszpańskiego dla każdego kraju (tj. Meksyku, Gwatemali, Ekwadoru i Chile), w tym dostosowano słownictwo, obrazy i inne istotne treści. Warunki administracyjne były takie same we wszystkich krajach Ameryki Łacińskiej. Środowisko administracyjne w szkole musiało być ciche i wolne od hałasu, zakłóceń i zakłóceń. Czas podawania baterii multimedialnej wynosił od 3 do 4 sesji po 30 minut każda, w zależności od umiejętności i wieku ucznia. Ze względu na kompatybilność bazy danych z większością arkuszy kalkulacyjnych i systemów przetwarzania danych statystycznych, ewaluator może analizować wyniki każdego dziecka i każdego zadania. Jeśli chodzi o zbieranie danych, zastosowano dwa różne typy zadań: 1) zadania, w których egzaminator rejestruje ustne wypowiedzi uczniów, odnotowując sukcesy i błędy za pomocą zewnętrznej myszy, oraz 2) zadania wymagające od studentów samodzielnego wyboru opcji poprzez kliknięcie na nie.

Protokół

Ten protokół został przeprowadzony zgodnie z wytycznymi dostarczonymi przez Comité de Ética de la Investigación y Bienestar Animal (Komitet ds. Etyki Badań i Dobrostanu Zwierząt, CEIBA) na Universidad de La Laguna (ULL). Dane zostały zebrane w różnym czasie, zgodnie z programem nauczania każdego kraju, zbierając informacje wyłącznie od uczniów, których administracja edukacyjna, szkoły i rodzice wyrazili na to zgodę. Bateria testowa wykorzystana w tym badaniu jest zarejestrowana jako własność intelektualna i można uzyskać do niej dostęp na podstawie umowy o przeniesieniu z ULL. Aby uzyskać więcej informacji na temat tego, jak uzyskać baterię testową, zainteresowane strony mogą skontaktować się z Biurem Transferu Wiedzy (OTRI) pod adresem ULL.

1. Instalacja i przygotowanie SICOLE-R

1. Użyj następującego kryterium włączenia, aby zastosować to narzędzie: uczniowie od drugiej do szóstej klasy. Stosuj następujące kryterium wykluczenia: nie uwzględniaj uczniów ze specjalnymi potrzebami edukacyjnymi, odnosząc się do tych, którzy potrzebowali wsparcia i ukierunkowanej uwagi edukacyjnej z powodu m.in. upośledzenia sensorycznego lub nabytych problemów neurologicznych.
   UWAGA: Ocena jest przeprowadzana indywidualnie ze studentami w cichym pomieszczeniu z dostępem do komputera i dobrym oświetleniem. Słuchawki z dostosowanym mikrofonem będą niezbędne, aby ułatwić odbiór instrukcji dotyczących zadań i zwiększyć wydajność uczniów.
2. Aby zainstalować oprogramowanie na komputerze, uruchom plik jako administrator i kliknij ikonę, aby otworzyć narzędzie. Po otwarciu aplikacji pojawia się początkowy interfejs, wyświetlający różne opcje operacyjne.
3. Uzupełnij informacje o uczniach, którzy będą wykonywać zadania przed rozpoczęciem oceny. Po wprowadzeniu ich danych zapisz ich na liście uczniów, a ich informacje można później zmodyfikować.
4. Za każdym razem, gdy dodawany jest nowy uczeń, przed rozpoczęciem zadań pojawi się ekran testowy. Na tym ekranie poproś ucznia, aby stuknął w but, który pojawi się na ekranie.
   UWAGA: Celem tej mini-gry jest ustalenie punktu odniesienia do oceny kontroli motorycznej uczniów. Pozwala na monitorowanie indywidualnych różnic w prędkości silnika, ponieważ oprogramowanie rejestruje odpowiedzi poprzez naciskanie na klawiaturze. Ta mini gra pojawia się tylko raz.
5. Przed rozpoczęciem oceny poproś egzaminatora o udzielenie następujących instrukcji: Teraz wejdziesz do środowiska wirtualnego cyrku z różnymi bramkami. Każda brama prowadzi do zabawnych zajęć, w których będziesz uczestniczyć. Klaun przeprowadzi Cię przez te bramki i wyjaśni, co robić w każdej czynności. Proszę usiąść obok egzaminatora i uważnie słuchać instrukcji. Upewnij się, że dajesz z siebie wszystko w każdym zadaniu. Ciesz się odkrywaniem i wykonywaniem tych zajęć!
6. Rozpocznij zadania, wybierając ucznia, którego zaplanowano do oceny i klikając sekcję Rozpocznij. W menu głównym znajduje się 5 kolorowych drzwi, z których każde odpowiada jednemu z modułów do oceny.
7. Każde zadanie zaczyna się od instrukcji wprowadzającej, poproś uczniów, aby zwrócili na to uwagę. Uczniowie są informowani o naturze gry i instruowani, jak w nią grać, co ułatwia im agent pedagogiczny. Upewnij się, że agent dostarcza ustne instrukcje do każdego zadania, ilustrując procedurę za pomocą modelu i przedstawiając przykłady do naśladowania przez uczniów.
8. Po zakończeniu przykładów upewnij się, że agent pedagogiczny udzieli odpowiedniej informacji zwrotnej, umożliwiając uczniom ponowne wykonanie przykładu, jeśli został wykonany niepoprawnie, i rozpocznie się ocena.
   UWAGA: Agent pedagogiczny to wirtualna postać, której zadaniem jest prowadzenie ucznia przez zadania. Ta rola wymaga, aby agent miał jasną i zrozumiałą mowę oraz potrafił udzielać wskazówek instruktażowych, modelować zadania i przekazywać informacje zwrotne na podstawie odpowiedzi uczniów. Agent pedagogiczny musi być zaprogramowany tak, aby reagował konsekwentnie i dokładnie, zgodnie z danymi wejściowymi ucznia podczas zadań.

2. Zadania SICOLE-R

1. Yellow Door: Moduł przetwarzania percepcyjnego wykorzystujący zadanie percepcji mowy
   1. Otwórz program na komputerze. Przejdź do żółtych drzwi w interfejsie programu. Kliknij na jedno z dostępnych podzadań, aby rozpocząć zadanie: (1) udźwiękowienie, (2) sposób artykulacji i (3) umieszczenie.
   2. Pozwól agentowi pedagogicznemu udzielić uczniowi wskazówek instruktażowych i modelowania zadań. Agent powinien powiedzieć: Teraz usłyszymy pary sylab. Jeśli sylaby są identyczne, naciśnij niebieski przycisk; Jeśli są różne, naciśnij czerwony przycisk. Zobacz, jak to robię. Teraz twoja kolej z tymi przykładami.
   3. Przedstaw uczniowi dwa przykłady przedmiotów: /ba/-/pa/;/ja/-/ka/. Ponownie poinstruuj uczniów, aby wybrali niebieskie kółko, jeśli pary są identyczne, i czerwony przycisk, jeśli są różne.
   4. Po wykonaniu zadania upewnij się, że agent pedagogiczny udziela informacji zwrotnej na podstawie odpowiedzi ucznia w przykładach. Gdy przykłady są gotowe, pozwól agentowi poinstruować ucznia, aby zainicjował zadanie.
   5. Procedura wybierania kółek (niebieskich lub czerwonych) pozostanie spójna przez cały czas trwania zadania, rejestrując trafienia i chybienia. Jeśli uczeń musi ponownie usłyszeć parę sylab, kliknij ikonę głośnika, aby odtworzyć ją jeszcze raz. Należy pamiętać, że dozwolone jest tylko jedno dodatkowe odtworzenie każdego elementu.
2. Różowe drzwi: Moduł świadomości fonologicznej
   1. Zadanie segmentacji fonemów
      1. Otwórz program na komputerze. Przejdź do różowych drzwi w interfejsie programu. Wybierz opcję Segmentacja fonemów, aby wybrać zadanie.
      2. Pozwól agentowi pedagogicznemu udzielić uczniowi wskazówek instruktażowych. Agent powinien powiedzieć: Teraz skupimy się na segmentacji fonemów. Zobacz, jak to demonstruję. Następnie zobaczysz dwa przykładowe elementy.
      3. Przedstaw uczniowi dwa przykładowe zadania. Poproś ucznia, aby odpowiedział na głos dla każdego słowa.
      4. Użyj zewnętrznej myszy, aby kliknąć niebieski przycisk, aby uzyskać poprawne odpowiedzi, i czerwony przycisk, aby uzyskać nieprawidłowe odpowiedzi. Upewnij się, że agent pedagogiczny oferuje informacje zwrotne w oparciu o odpowiedzi ucznia na przykłady.
      5. Po przykładach upewnij się, że agent pedagogiczny poinstruuje ucznia, aby rozpoczął zadanie.
   2. Zadanie mieszania fonemów
      1. Wejdź do programu na komputerze. Przejdź do różowych drzwi w interfejsie programu. Wybierz opcję Mieszanie fonemów, aby wybrać zadanie.
      2. Pozwól agentowi pedagogicznemu udzielić uczniowi wskazówek instruktażowych. Agent mówi: Teraz skupimy się na syntezie fonemów. Zobacz, jak to demonstruję. Następnie zobaczysz dwa przykładowe elementy.
      3. Przedstaw uczniowi dwa przykładowe zadania. Poproś ucznia, aby wyartykułował na głos swoje odpowiedzi dla każdego słowa.
      4. Użyj zewnętrznej myszy, aby kliknąć niebieski przycisk, aby uzyskać dokładne odpowiedzi, i czerwony przycisk, aby uzyskać niedokładne odpowiedzi. Upewnij się, że agent pedagogiczny udziela informacji zwrotnej na podstawie odpowiedzi ucznia na przykłady.
      5. Po przykładach pozwól agentowi pedagogicznemu skierować ucznia do zainicjowania zadania. Procedura pozostaje spójna przez cały czas wykonywania zadania, rejestrując zarówno dokładne, jak i niedokładne odpowiedzi.
      6. Jeśli uczeń musi ponownie wysłuchać słowa, kliknij ikonę papugi, aby wyświetlić powtórkę. Pamiętaj, że dozwolona jest tylko jedna powtórka dla każdego przedmiotu.
   3. Zadanie izolacji fonemów
      1. Otwórz program na komputerze. Przejdź do różowych drzwi w interfejsie programu. Kliknij Izolacja fonemów, aby wybrać zadanie.
      2. Pozwól agentowi pedagogicznemu udzielić uczniowi wskazówek instruktażowych i modelowania zadań. Agent powinien powiedzieć: Teraz skupimy się na izolowaniu fonemów. Zobacz, jak to demonstruję. Następnie zobaczysz dwa przykładowe elementy. Twoim zadaniem jest kliknięcie na obrazy, których nazwa zaczyna się tym samym dźwiękiem, co słowo docelowe.
      3. Przedstaw uczniowi dwa przykładowe zadania. Obserwuj, czy uczeń klika na obrazy, które zaczynają się od tego samego dźwięku, co słowo docelowe.
      4. Upewnij się, że agent pedagogiczny oferuje informacje zwrotne w oparciu o odpowiedzi ucznia na przykłady. Po zapoznaniu się z przykładami upewnij się, że agent prowadzi ucznia do rozpoczęcia zadania.
      5. Procedura pozostaje jednolita przez cały czas trwania zadania, dokumentując zarówno trafienia, jak i chybienia. Jeśli uczeń wymaga dodatkowego słuchania słowa, kliknij ikonę mówcy, aby je odtworzyć. Pamiętaj, że dozwolona jest tylko jedna powtórka dla każdego przedmiotu.
   4. Zadanie usuwania fonemów
      1. Otwórz program na komputerze. Przejdź do różowych drzwi w interfejsie programu. Wybierz opcję Usuwanie fonemów, aby wybrać zadanie.
      2. Pozwól agentowi pedagogicznemu udzielić wskazówek instruktażowych i zademonstrować zadanie uczniowi. Agent powinien powiedzieć: Teraz skupimy się na usuwaniu fonemów. Zobacz, jak to demonstruję. Następnie zobaczysz dwa przykładowe elementy.
      3. Przedstaw uczniowi dwa przykładowe zadania. Poproś ucznia, aby wypowiedział na głos swoją odpowiedź dla każdego słowa.
      4. Kliknij zewnętrzną myszą na niebieski przycisk, aby uzyskać poprawne odpowiedzi, i na czerwony przycisk, aby uzyskać nieprawidłowe odpowiedzi. Upewnij się, że agent pedagogiczny udziela informacji zwrotnej na podstawie odpowiedzi ucznia na przykłady.
      5. Po przykładach upewnij się, że agent pedagogiczny poinstruuje ucznia, aby zainicjował zadanie. Procedura pozostaje spójna przez cały czas wykonywania zadania, rejestrując zarówno poprawne, jak i niepoprawne odpowiedzi.
      6. Jeśli uczeń musi ponownie wysłuchać słowa, kliknij ikonę głośnika, aby wyświetlić powtórkę. Pamiętaj, że dozwolona jest tylko jedna powtórka dla każdego przedmiotu.
3. Pomarańczowe drzwi: Szybkość nazewnictwa i moduły ortograficzne
   1. Zadanie szybkiego automatycznego nazewnictwa (RAN)
      1. Uzyskaj dostęp do programu na komputerze. Przejdź do pomarańczowych drzwi w interfejsie programu. Wybierz opcję Szybkość nazewnictwa, aby wybrać zadanie.
      2. Pozwól agentowi pedagogicznemu udzielić wskazówek instruktażowych i zademonstrować zadanie. Przedstaw przykład podzadania literowego RAN modułu szybkości nazewnictwa.
      3. Poproś uczniów, aby wyartykułowali swoje odpowiedzi na głos. Jeśli odpowiedź w przykładzie jest dokładna, wybierz niebieski przycisk na ekranie. Jeśli nie jest to poprawne, kliknij czerwony przycisk.
      4. Upewnij się, że agent pedagogiczny przekazuje informację zwrotną na podstawie odpowiedzi ucznia. Po przykładzie upewnij się, że agent pedagogiczny inicjuje zadanie.
      5. Rozpocznij zadanie, klikając lewym przyciskiem myszy, aby rozpocząć odmierzanie czasu. W trakcie zadania na ekranie pojawi się matryca elementów, w zależności od podzadania.
      6. Poproś ucznia, aby wymienił na głos i po kolei elementy matrycy. Jednocześnie udokumentuj wszelkie błędy popełnione przez ucznia.
      7. Dla każdego błędu użyj prawego przycisku myszy zewnętrznej, aby zarejestrować liczbę błędów. Gdy uczeń skończy nazywać elementy, ponownie naciśnij lewy przycisk, aby zakończyć czas i zakończyć zadanie dla tego podzadania. Po zakończeniu pierwszego podzadania (litera RAN) automatycznie pojawia się następne podzadanie (numer RAN), zgodnie z tą samą procedurą. Ten proces jest kontynuowany dla pozostałych podzadań (kolor RAN i obiektowa RAN).
   2. Zadanie Leksem i sufiksy
      1. Uzyskaj dostęp do programu na komputerze. Przejdź do pomarańczowych drzwi w interfejsie platformy i kliknij Leksymy i Sufiksy, aby wybrać zadanie.
      2. Pozwól agentowi pedagogicznemu zaoferować uczniowi wskazówki instruktażowe i modelowanie zadań, w tym przykładowy element, w którym uczeń używa zewnętrznej myszy, aby wybrać obraz odpowiadający słowu docelowemu.
      3. Upewnij się, że agent pedagogiczny przekazuje informację zwrotną na podstawie odpowiedzi ucznia na przykład, a następnie instruuje ucznia, aby rozpoczął zadanie.
      4. Utrzymuj spójność proceduralną przez cały czas wykonywania zadania, zachęcając ucznia do wybrania obrazu odpowiadającego słowu docelowemu dla każdego prezentowanego elementu i rejestrując zarówno poprawne trafienia, jak i nieudane odpowiedzi.
   3. Zadanie rozumienia homofonu
      1. Uzyskaj dostęp do programu na komputerze. Przejdź do pomarańczowych drzwi w interfejsie platformy. Kliknij Homophone Comprehension, aby wybrać zadanie.
      2. Pozwól agentowi pedagogicznemu zaoferować uczniowi wskazówki instruktażowe i modelowanie zadań. Przedstaw przykładowy element, prosząc ucznia o użycie zewnętrznej myszy w celu wybrania obrazu odpowiadającego słowu docelowemu.
      3. Upewnij się, że agent pedagogiczny przekazuje informację zwrotną na podstawie odpowiedzi ucznia na przykład i poinstruuj ucznia, aby rozpoczął zadanie zgodnie z przykładową prezentacją.
      4. Zachowaj spójność kroków proceduralnych przez cały czas wykonywania zadania. Zachęć ucznia, aby wybrał obrazek odpowiadający słowu docelowemu dla każdego prezentowanego elementu.
      5. Rejestruj zarówno poprawne trafienia, jak i nieodebrane odpowiedzi podczas wykonywania zadania.
4. Green Door: Moduł przetwarzania składniowego
   1. Zadanie związane z płcią
      1. Otwórz program na komputerze. Przejdź do zielonych drzwi w interfejsie programu. Kliknij Płeć, aby wybrać zadanie.
      2. Pozwól agentowi pedagogicznemu na dostarczenie uczniowi instrukcji i modelowania zadań. Przedstaw uczniowi dwa przykłady do wykonania, prosząc go o kliknięcie odpowiednich słów w każdym zdaniu zgodnie z umową dotyczącą płci za pomocą zewnętrznej myszy.
      3. Upewnij się, że agent pedagogiczny udziela informacji zwrotnej na podstawie odpowiedzi ucznia na przykłady. Postępując zgodnie z przykładową prezentacją, upewnij się, że agent pedagogiczny prowadzi ucznia do rozpoczęcia zadania.
      4. Przez cały czas wykonywania zadania zachowuj spójność procedury. Zachęć ucznia do kliknięcia odpowiednich słów w każdym zdaniu zgodnie z jego umową dotyczącą płci.
      5. Zbieraj zarówno poprawne, jak i niepoprawne odpowiedzi podczas wykonywania zadania.
         UWAGA: W przeciwieństwie do języka hiszpańskiego, język angielski nie rozróżnia płci w swojej gramatyce.
   2. Zadanie numeryczne
      1. Otwórz program na komputerze. Przejdź do zielonych drzwi w interfejsie programu. Kliknij Numer, aby wybrać zadanie.
      2. Pozwól agentowi pedagogicznemu na dostarczenie uczniowi instrukcji i modelowania zadań. Przedstaw uczniowi dwa przykłady do wykonania, prosząc go o kliknięcie odpowiednich słów w każdym zdaniu zgodnie z ich zgodnością liczbową za pomocą zewnętrznej myszy.
      3. Upewnij się, że agent pedagogiczny udziela informacji zwrotnej na podstawie odpowiedzi ucznia na przykłady. Postępując zgodnie z przykładową prezentacją, upewnij się, że agent pedagogiczny prowadzi ucznia do rozpoczęcia zadania.
      4. Przez cały czas wykonywania zadania zachowuj spójność procedury. Zachęć ucznia, aby kliknął odpowiednie słowa w każdym zdaniu zgodnie z ich zgodnością liczbową.
      5. Zbieraj zarówno trafienia, jak i chybienia podczas wykonywania zadania.
         UWAGA: W przeciwieństwie do hiszpańskiego, język angielski nie rozróżnia liczb w swojej gramatyce.
   3. Zadanie ze słowami funkcjonalnymi
      1. Otwórz program na komputerze. Przejdź do zielonych drzwi w interfejsie programu. Kliknij Funkcjonalne słowa, aby wybrać zadanie.
      2. Pozwól agentowi pedagogicznemu na dostarczenie uczniowi instrukcji i modelowania zadań. Przedstaw uczniowi dwa przykłady do wykonania, prosząc go o kliknięcie odpowiednich słów funkcyjnych w każdym zdaniu zgodnie z kontekstem zdania za pomocą zewnętrznej myszy.
      3. Upewnij się, że agent pedagogiczny udziela informacji zwrotnej na podstawie odpowiedzi ucznia na przykłady. Postępując zgodnie z przykładową prezentacją, upewnij się, że agent pedagogiczny prowadzi ucznia do rozpoczęcia zadania.
      4. Przez cały czas wykonywania zadania zachowuj spójność procedury. Zachęć ucznia do kliknięcia odpowiednich słów funkcyjnych w każdym zdaniu zgodnie z kontekstem zdania.
      5. Zbieraj zarówno poprawne, jak i niepoprawne odpowiedzi podczas wykonywania zadania.
   4. Zadanie struktury gramatycznej
      1. Otwórz program na komputerze. Przejdź do zielonych drzwi w interfejsie programu. Wybierz opcję Struktura gramatyczna, aby wybrać zadanie.
      2. Pozwól agentowi pedagogicznemu udzielić uczniowi instrukcji i demonstracji zadań. Przedstaw uczniowi dwa przykłady do wykonania, prosząc go o kliknięcie odpowiedniego zdania przy każdym obrazie za pomocą zewnętrznej myszy.
      3. Upewnij się, że agent pedagogiczny udziela informacji zwrotnej na podstawie odpowiedzi ucznia na przykłady. Postępując zgodnie z przykładową prezentacją, upewnij się, że agent pedagogiczny prowadzi ucznia do rozpoczęcia zadania.
      4. Przez cały czas wykonywania zadania zachowuj spójność procedury. Zachęć ucznia, aby za pomocą zewnętrznej myszy kliknął odpowiednie zdanie dla każdego obrazka.
      5. Przechwytuj zarówno poprawne, jak i niepoprawne odpowiedzi podczas wykonywania zadania.
5. Blue Door: Moduł przetwarzania semantycznego wykorzystujący zadanie czytania ze zrozumieniem
   1. Otwórz program na komputerze. Przejdź do niebieskich drzwi w interfejsie programu. Wybierz Owoce dla tekstu informacyjnego lub Tino's Getaway dla tekstu narracyjnego.
   2. Pozwól agentowi pedagogicznemu przekazać uczniowi instrukcje dotyczące zadań. Po wybraniu typu tekstu wyświetl go na ekranie.
   3. Uczeń musi przeczytać tekst i zapamiętać najistotniejsze informacje. Po zakończeniu czytania poproś ucznia, aby za pomocą zewnętrznej myszy kliknął strzałkę na ekranie, aby wskazać zakończenie czytania i przejść do następnej sekcji.
   4. Pozwól agentowi pedagogicznemu poinstruować ucznia, aby przeczytał pytania i wybrał poprawną odpowiedź za pomocą zewnętrznej myszy. Uczeń czyta pytania i odpowiednio dobiera poprawną odpowiedź.

3. Analiza danych

1. Aby ocenić trafność konstrukcji i dokładność diagnostyczną baterii multimedialnej w populacji hiszpańskojęzycznej, należy użyć konfirmacyjnej analizy czynnikowej (CFA) i analizy krzywej charakterystyki pracy odbiornika (ROC).
2. Wykonaj CFA, aby sprawdzić podstawową strukturę czynnikową baterii multimedialnej. Analiza ta pozwala na przetestowanie hipotezy, że dane pasują do predefiniowanej struktury w oparciu o oczekiwania teoretyczne.
3. Oceń dopasowanie modelu za pomocą kilku wskaźników dopasowania, w tym porównawczego wskaźnika dopasowania (CFI), indeksu Tuckera-Lewisa (TLI), błędu aproksymacji średniej kwadratowej (RMSEA) i standaryzowanej średniej kwadratowej reszty (SRMR). Dobre dopasowanie modelu jest wskazywane przez wartości CFI i TLI większe niż 0,90, wartości RMSEA mniejsze niż 0,08 i wartości SRMR mniejsze niż 0,08.
4. Aby określić dokładność diagnostyczną baterii multimedialnej, należy przeprowadzić analizę krzywej ROC. Metoda ta pozwala ocenić zdolność testu do prawidłowej klasyfikacji osób z trudnościami w czytaniu i bez nich. Obszar pod krzywą ROC (AUC) stanowi miarę ogólnej dokładności testu. AUC 0,5 oznacza brak zdolności diagnostycznej, podczas gdy AUC 1,0 oznacza doskonałą zdolność diagnostyczną.
5. Zidentyfikuj optymalne punkty odcięcia dla akumulatora, analizując czułość i swoistość na różnych poziomach progowych.
6. Wykorzystując zarówno analizę krzywej CFA, jak i ROC, należy przeprowadzić kompleksową ocenę baterii multimedialnej, potwierdzając jej trafność konstrukcyjną i dokładność diagnostyczną w populacji hiszpańskojęzycznej.

Wyniki

Przykładowe badanie
Próba obejmowała 881 uczestników z Hiszpanii (N = 325), Meksyku (N = 169), Gwatemali (N = 227) i Chile (N = 160), z których wszyscy byli rodzimymi użytkownikami języka hiszpańskiego. Próba została podzielona na dwie grupy: 451 w grupie z trudnościami w czytaniu (RD) i 430 w grupie z normalnie osiągającymi czytelnictwem (NAR). Dzieci ze specjalnymi potrzebami edukacyjnymi – wymagające wsparcia i szczególnej uwagi edukacyjnej z powodu upośledzenia sensorycznego, problemów neurologicznych lub innych schorzeń – zostały wykluczone, ponieważ czynniki te są zwykle stosowane jako kryteria wykluczające dla trudności w uczeniu się lub poważnych zaburzeń zachowania, tymczasowo lub na czas ich nauki szkolnej. Uczestnicy w grupie RD zostali wybrani na podstawie takich kryteriów, jak IQ równe lub większe niż 80, percentyl pomiaru czasu czytania słów powyżej 75. percentyla, percentyl pomiaru czasu czytania pseudosłów powyżej 75. percentyla lub percentyl pomiaru dokładności czytania pseudosłów poniżej 25. percentyla. Podobnie, grupa NAR została wybrana na podstawie porównywalnych kryteriów, z dodaniem percentyla zadań rozumienia PROLEC³⁶ powyżej 25. percentyla. Wszystkie percentyle zostały określone zgodnie z poziomami ocen uczestników. Klasyfikacja uczestników do tych grup opierała się na zadaniach polegających na czytaniu słów i czytaniu pseudosłów, z których każde składało się z oddzielnych bloków. W obu blokach uczestnicy zostali poinstruowani, aby jak najszybciej przeczytać na głos prezentowane bodźce werbalne. Blok czytania słów zawierał 32 bodźce, podczas gdy blok czytania pseudosłów zawierał 48 bodźców. Poufałość słów była kontrolowana za pomocą kryteriów określonych przez Guzmana i Jiméneza³⁷. Rejestrowano pomiary trafień, błędów i czasów opóźnień, przy czym czasy opóźnień mierzono od pojawienia się każdego elementu do początku odpowiedzi głosowej ucznia. Blok czytania słów wykazywał wysoką spójność wewnętrzną (α = 0,89), podczas gdy blok czytania pseudosłów wykazywał jeszcze większą spójność wewnętrzną (α = 0,91). Rozkład uczniów z RD i NAR na różnych poziomach nauczania był następujący: W drugiej klasie było 30 uczniów NAR i 27 RD. Przechodząc do trzeciej klasy, zaobserwowano 100 NAR wraz z 88 uczniami RD. W czwartej klasie było 100 uczniów NAR i 116 uczniów RD. W piątej klasie było 100 uczniów NAR i 116 RD, podczas gdy w szóstej klasie było 100 uczniów NAR i 104 RD. Aby ocenić różnice wieku w całej próbie i na każdym poziomie oceny, przeprowadzono jednoczynnikowe testy ANOVA. Wyniki nie wykazały istotnych różnic, a wszystkie wartości p przekraczały 0,05. Podobnie rozkład zmiennej płci zbadano za pomocą testu chi-kwadrat, przy czym wszystkie wartości p również przekraczały 0,05.

Statystyki opisowe
W tabeli 1 przedstawiono statystyki opisowe (średnia i odchylenie standardowe) dla wieku oraz miar oceny. Dane są podzielone na kategorie według płci, z rozróżnieniem między czytelnikami osiągającymi normalne wyniki a osobami z trudnościami w czytaniu w różnych krajach. Wyniki wykazały dodatnie i statystycznie istotne korelacje między dużą liczbą miar oceny (zob. tabela 2). W tabeli przedstawiono korelacje między miarami w zakresie od słabego do silnego. Korelacje mniejsze niż 0,3 są uważane za słabe, podczas gdy te większe niż 0,5 są klasyfikowane jako silne. Konkretne wartości korelacji są podane wraz z odpowiednimi klasyfikacjami wytrzymałości. Na przykład słabe korelacje (r < 0,3) obejmowały korelacje mieszania-segmentacji (r = 0,354) i delecji-rozumienia homofonów (r = 0,270). Zaobserwowano umiarkowane korelacje (0,3 ≤ r < 0,5) między strukturą gramatyczną-liczba-liczba (r = 0,463) a funkcjonalnymi wyrazami-strukturą gramatyczną (r = 0,512). Silne korelacje (r ≥ 0,5) są widoczne dla liczby i płci (r = 0,642) oraz RAN RAN-Color obrazu (r = 0,442).

Tabela 1: Opisowe statystyki miar. Poniższa tabela zawiera średnią, odchylenie standardowe i inne statystyki opisowe dla różnych miar zawartych w narzędziu cyfrowym. WIEK: Wiek; NAR: Zwykle zdobywanie czytelników; RD: Niepełnosprawność w czytaniu ; SEG: Segmentacja; BLN: Mieszanie; ISO: izolacja fonemów; DEL: Usuwanie fonemów; HOM: Rozumienie homofoniczne; R&S: Pierwiastek i przyrostki; GEN: Płeć; LICZBA: Liczba; FW: Słowa funkcyjne; GRS: Struktura gramatyczna; EXT: Tekst ekspozytywny ; NAT: Tekst narracyjny ; VOC: Udźwiękowienie artykulacji; MOA: Sposób artykulacji; POA = miejsce artykulacji; DIG: Cyfra RAN; LET: List biegł; COL: Kolor RAN; : Zdjęcie RAN Kliknij tutaj, aby pobrać tę tabelę.

Tabela 2: Współczynniki korelacji miar. Poniższa tabela przedstawia współczynniki korelacji między różnymi miarami narzędzia cyfrowego, wskazując siłę i kierunek relacji między tymi miarami. SEG: Segmentacja; BLN: Mieszanie; ISO: izolacja fonemów; DEL: Usuwanie fonemów; HOM: Rozumienie homofoniczne; R&S: Pierwiastek i przyrostki; GEN: Płeć; LICZBA: Liczba; GRS: Struktura gramatyczna; FW: Słowa funkcyjne; EXT: Tekst ekspozytywny ; NAT: Tekst narracyjny ; VOC: Udźwiękowienie artykulacji; MOA: Sposób artykulacji; POA = miejsce artykulacji; DIG: Cyfra RAN; LET: List biegł; COL: Kolor RAN; : Zdjęcie RAN. Kliknij tutaj, aby pobrać tę tabelę.

Konfirmacyjna analiza czynnikowa
Badanie CFA przeprowadzono w celu oceny proponowanej struktury czynnikowej baterii multimedialnej. Model zawiera jeden czynnik drugiego rzędu i sześć zmiennych utajonych, z których każda reprezentuje odrębne moduły baterii multimedialnej. Konstrukty te obejmują świadomość fonologiczną (w tym zadania segmentacji fonemowej, izolacji, mieszania i usuwania), moduł morfo-ortograficzny (obejmujący zadania związane z rdzeniem i sufiksami oraz rozumieniem homofonu), składnię (obejmującą zadania związane z rodzajem, liczbą, strukturą gramatyczną i funkcjonalnymi słowami), percepcję mowy (obejmującą zadania związane z dźwięcznością, sposobem artykulacji i miejscem artykulacji), czytanie ze zrozumieniem (obejmujący tekst i narrację ekspozytywną zadania rozumienia tekstu) i szybkie automatyczne nazywanie (zadania z literami, kolorami, cyframi i obrazkami z zadania RAN). Aby zapewnić spójność wszystkich zadań w baterii multimedialnej (w zakresie od 0 do 1), zastosowaliśmy oszacowanie proporcji maksymalnego skalowania (POMS). Wyniki POMS zostały obliczone dla zadań opartych na czasie (pierwiastki i sufiksy)³⁸.

Analizy statystyczne i prezentacje graficzne zostały przeprowadzone przy użyciu pakietów R w wersji 4.3.1³⁹, wykorzystując lavaan⁴⁰, semTools⁴¹, oraz ggplot2⁴². Dopasowanie modelu oceniano za pomocą różnych wskaźników dobroci dopasowania. Chociaż dobroć dopasowania chi-kwadrat była znacząca, χ²(df) = 632,01, p < 0,001, co sugeruje rozbieżność między hipotetycznym modelem a obserwowanymi danymi, ważne jest, aby zauważyć, że test chi-kwadrat jest wrażliwy na wielkość próby⁴³. W związku z tym wzięto pod uwagę dodatkowe wskaźniki dopasowania.

Porównawczy indeks dopasowania (CFI) dał wartość 0,961, przekraczając powszechnie przyjęty próg 0,95 i wskazując na dobre dopasowanie do danych. Błąd średniokwadratowy aproksymacji (RMSEA) wynosił 0,038, co wskazuje na ścisłe dopasowanie modelu do danych. Standaryzowany pierwiastek średniokwadratowy reszty (SRMR) wynosił 0,034, czyli poniżej zalecanej wartości 0,05, co sugeruje idealne dopasowanie. Ładunki czynnikowe dla tych przedmiotów wahały się od 0,36 do 0,81, co wskazuje na znaczne obciążenia odpowiednich czynników. Całkowita średnia wyodrębniona wariancja (AVE) przekroczyła 0,50, co sugeruje odpowiednią trafność zbieżną, a całkowita niezawodność złożona (CR) wyniosła powyżej 0,80, co wskazuje na dobrą niezawodność spójności wewnętrznej.

Podsumowując, wyniki CFA potwierdziły proponowaną strukturę czynnikową, wykazując dobre dopasowanie do modelu, zbieżną trafność i niezawodność. Proszę zapoznać się z graficzną reprezentacją modelu w Rysunek 1.

Rysunek 1: Konfirmująca analiza czynnikowa. Rysunek ten ilustruje wyniki konfirmacyjnej analizy czynnikowej przeprowadzonej na narzędziu cyfrowym, podkreślając obciążenia czynnikowe i relacje między różnymi miarami przetwarzania poznawczego. Skróty: SIC = Sicole-R; PA = świadomość fonologiczna; SEG = segmentacja; BLN = Mieszanie; ISO = izolacja; DEL = Usunięcie; MO = przetwarzanie morfologiczne; HOM = rozumienie homofonowe; R&S = rdzeń i przyrostki; SYN = przetwarzanie składniowe; GEN = płeć; LICZBA= liczba; GRS = struktura gramatyczna; FW = wyrazy funkcyjne; RC = czytanie ze zrozumieniem; EXT= tekst ekspozytywny; NAT = tekst narracyjny; SP = percepcja mowy; VOC = Udźwiękowienie artykulacji; MOA = Sposób artykulacji; POA = miejsce artykulacji; RAN = szybkie automatyczne nazewnictwo; NUM= liczba RAN; LET= litera RAN; COL = Kolor RAN; = Zdjęcie RAN. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Analizy niezmienności pomiarów zostały użyte do sprawdzenia, czy struktura czynnikowa baterii multimedialnej jest stabilna dla wszystkich płci. Testowanie niezmienności pomiaru składa się z serii porównań modeli, które definiują coraz bardziej rygorystyczne ograniczenia równości⁴⁴. Przeprowadziliśmy analizy statystyczne i zastosowaliśmy te same kryteria modelu dopasowania, co w poprzednim CFA. Sukcesywnie ograniczyliśmy parametry reprezentujące struktury konfiguracyjne, metryczne (obciążenia), skalarne (przecięcia) i ścisłe (resztowe)⁴⁵. Słabe dopasowanie do któregokolwiek z tych modeli sugeruje, że aspekt, który jest ograniczany, nie działa spójnie dla różnych grup. Stopień niezmienniczości określono łącznie, gdy χ²_D wynosiło >0,05, a ΔCFI <0,01. Podsumowanie wyników indeksów modeli oraz różnic między nimi przedstawiono w tabeli 3.

Tabela 3: Wskaźniki dopasowania modelu niezmienności. W poniższej tabeli przedstawiono wskaźniki dopasowania do testowania niezmienności płci w modelu, oceniając, w jakim stopniu narzędzie cyfrowe zachowuje spójność w swojej strukturze i właściwościach pomiarowych w grupach męskich i żeńskich. Wskaźniki te zapewniają wiarygodność i trafność narzędzia, potwierdzając jego zdolność do spójnego pomiaru procesów poznawczych w różnych grupach płci. Kliknij tutaj, aby pobrać tę tabelę.

Model konfiguracyjny, który ograniczał tylko względną konfigurację zmiennych w modelu, aby były takie same w obu grupach, miał odpowiednie dopasowanie do danych: χ²(292) = 745.970, p<.001, CFI = .964, SRMR = 0.034, RMSEA = .036, 90% CI (.033, .038). Model niezmienności metryk ograniczał konfigurację zmiennych i wszystkich ładunków czynników tak, aby były stałe we wszystkich grupach. Wskaźniki dopasowania były porównywalne z tymi z modelu konfiguracyjnego: χ²(310) = 768,56, p<,001, CFI = 0,963, SRMR = 0,037, RMSEA = 0,036, 90% CI (0,033, 0,038). Niezmienniczość ładunków czynnikowych została potwierdzona testami różnic nieistotnych, które oceniały podobieństwo modelu: χ²_D (18) = 26,30, p = 0,09; ΔCFI = 0,001. W modelu niezmienniczości skalarnej konfiguracja, ładunki czynnikowe i średnie/punkty przecięcia wskaźnika zostały ograniczone tak, aby były takie same dla każdej grupy. Wskaźniki dopasowania były dalekie od ideału: χ²(322) = 787,50, p<,001, CFI = 0,963, SRMS = 0,038, RMSEA = 0,035 (90% CI = 0,032, 0,038). Testy różnicowe, które oceniały podobieństwo modelu, sugerowały, że występuje niezmienniczość czynnikowa: χ²_D(12)=13,00, p = 0,369; ΔCFI = 0,001. Wreszcie, w ścisłym modelu niezmienniczości, konfiguracja, ładunki czynnikowe, średnie/punkty przecięcia wskaźnika i reszty zostały ograniczone tak, aby były takie same dla każdej grupy. Wskaźniki dopasowania były dalekie od ideału: χ²(341) = 798,20, p<,001, CFI = 0,961, SRMS = 0,039, RMSEA = 0,0035 (90% CI = 0,032, 0,038). Ścisła niezmienniczość została wsparta testami różnic nieistotnych, które oceniały podobieństwo modelu: χ²_D(11) = 25,81, p<,001; ΔCFI = 0,002

Dokładność diagnostyczna
Aby ocenić dokładność i zdolność dyskryminacyjną baterii multimedialnej, przeprowadzono analizy charakterystyki pracy odbiornika (ROC). Analiza ROC pomaga w określeniu optymalnego progu (wartości odcięcia) dla testu oceny w skali ciągłej, równoważąc czułość (zdolność do prawidłowej identyfikacji wyników prawdziwie dodatnich) i swoistość (zdolność do prawidłowej identyfikacji wyników prawdziwie ujemnych). Dodatkowo wykorzystano analizę ROC do oceny zdolności testu do rozróżniania grup RD i NAR. Aby przeprowadzić analizę, obliczono wyniki Z dla każdej oceny dla każdego zadania baterii multimedialnej. Wynik omnibusowy składał się z sumy wyników zeta. Analizy statystyczne i prezentacje graficzne zostały przeprowadzone przy użyciu R w wersji 4.3.1⁴¹. Użyto pakietów pROC⁴⁶ i ggplot2⁴². Jeśli chodzi o dokładność diagnostyczną, bateria multimedialna wykazywała obszar pod krzywą (AUC) 9439,8 [95% CI: 93,31%-96,24% (DeLong)] i czułość 91,0 (Rysunek 2). Krzywe ROC według stopnia wykazały następujące wskaźniki: stopień 2°, AUC= 96,195% [CI: 91,54%-100% (DeLong)], Se= 0,96, Sp=,90; Stopień 3°, AUC= 95,3, [95% CI: 92,43%-98,18% (DeLong)], Se=75,70, Sp= 72,34; Stopień 4°, AUC=93,4 [95% CI: 90,2%-96,66% (DeLong)], Se=,92, Sp=,84; Stopień 5°, AUC=95,9 [95% CI: 93,11%-98,75% (DeLong)], Se=,90, Sp=,95; Stopień 6°, AUC=94,4 [95% CI: 91,11%-97,69% (DeLong)], Se=,92, Sp=,91.

Rysunek 2: Analiza ROC krzywej. Rysunek ten przedstawia analizę krzywej ROC, która pokazuje dokładność diagnostyczną narzędzia cyfrowego poprzez wykreślenie odsetka wyników prawdziwie dodatnich w stosunku do wskaźnika wyników fałszywie dodatnich przy różnych ustawieniach progowych. Jednostkami osi x krzywej ROC jest swoistość, a jednostkami osi y jest czułość. Skróty: ROC = charakterystyka pracy odbiornika; AUC = pole pod krzywą. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Dyskusja

W tym badaniu zastosowano konfirmacyjną analizę czynnikową (CFA) do oceny struktury czynnikowej baterii Sicole-R, składającej się z jednego czynnika drugiego rzędu i sześciu zmiennych utajonych reprezentujących różne moduły. Wyniki wykazały dobre dopasowanie modelu, zbieżną trafność i niezawodność, potwierdzając skuteczność baterii w ocenie kompleksowego zestawu umiejętności poznawczych i czytania, które są krytyczne dla osób z dysleksją. Co ważne, konsekwentna wydajność narzędzia cyfrowego w różnych grupach demograficznych w Hiszpanii, Meksyku, Gwatemali i Chile sugeruje jego potencjalną użyteczność w placówkach edukacyjnych i klinicznych w różnych regionach hiszpańskojęzycznych.

Badanie to wnosi wkład do literatury, pokazując, w jaki sposób baterie multimedialne mogą być wykorzystywane do skutecznej identyfikacji określonych deficytów poznawczych związanych z dysleksją. Zdolność baterii do wskazywania określonych obszarów trudności, takich jak świadomość fonologiczna, percepcja mowy, szybkość nazywania, przetwarzanie ortograficzne, przetwarzanie składniowe i czytanie ze zrozumieniem, umożliwia dostosowane interwencje w celu skutecznego zaspokojenia indywidualnych potrzeb uczniów. Co więcej, wykazana spójność baterii we wszystkich płciach podkreśla jej przydatność w promowaniu sprawiedliwych praktyk oceny, wspierając w ten sposób inicjatywy w zakresie edukacji włączającej mające na celu zapewnienie równych szans wszystkim uczniom.

Chociaż poprzednie narzędzia o podobnych cechach zostały zaprojektowane do użytku w języku angielskim, takie jak Test Wczesnego Badania Przesiewowego Dysleksji (DEST) zaproponowany przez Fawcetta i Nicolsona¹⁷, który ocenia wiele dziedzin, badanie to wykazało możliwość zastosowania i skuteczność baterii multimedialnej w innym kontekście językowym. W trakcie analizy podjęto kilka krytycznych kroków w ramach protokołu, aby zapewnić dokładność i wiarygodność wyników. Kroki te obejmowały wstępne przetwarzanie danych, specyfikację modelu i oszacowanie parametrów, zgodnie z badaniami takimi jak Hautala i ^wsp.19, które wykazały niezawodność narzędzi komputerowych w identyfikowaniu uczniów z trudnościami w czytaniu. Ponadto inne badania, takie jak te przeprowadzone przez Protopapas i ^wsp.20 oraz Pennington i wsp.12, badały wdrożenie komputerowych narzędzi przesiewowych do identyfikacji dysleksji, podkreślając znaczenie wykorzystania technologii w celu ulepszenia strategii oceny. Co więcej, obecne badanie jest zgodne z najnowszymi postępami w badaniach nad dysleksją i oceną psychometryczną, podkreślając znaczenie baterii we współczesnych kontekstach. Badania przeprowadzone przez Jiméneza i ^wsp.23 oraz Guzmána i wsp.24 podkreśliły krytyczną potrzebę solidnych narzędzi oceny dostosowanych do różnych środowisk językowych, podkreślając skuteczność Sicole-R w wypełnianiu tej luki w populacjach hiszpańskojęzycznych. Co więcej, integracja technologii cyfrowych w ocenie dysleksji, omówiona przez Rauschenberga i ^wsp.6, wzmacnia rygor metodologiczny wykazany w podejściu do analizy czynnikowej i walidacji w tym badaniu.

Pomimo rygoru metodologicznego zastosowanego w tym badaniu, ważne jest, aby uznać pewne ograniczenia związane z analizą. Jedno z ograniczeń dotyczy możliwości uogólnienia wyników, ponieważ próba składała się z określonej grupy demograficznej, co potencjalnie ogranicza możliwość zastosowania wyników do szerszych populacji. Ponadto, chociaż podjęto wysiłki w celu zapewnienia niezmienności pomiaru między płciami, inne czynniki demograficzne, takie jak wiek lub status społeczno-ekonomiczny, nie zostały wyraźnie uwzględnione w analizie, co mogło mieć wpływ na wyniki.

Przyszłe kierunki badań mogą dotyczyć jego adaptacji do różnych dialektów hiszpańskich i integracji z szerszymi ramami edukacyjnymi w celu ulepszenia strategii identyfikacji. Idąc dalej, przyszłe badania powinny mieć na celu zajęcie się ograniczeniami zidentyfikowanymi w tym badaniu, takimi jak zbadanie użyteczności baterii multimedialnej w różnych populacjach oraz zbadanie jej trafności podłużnej i trafności predykcyjnej w przewidywaniu długoterminowych wyników edukacyjnych. Dodatkowo, obiecująca przyszła linia badań została podkreślona w niedawnym przeglądzie Jin et ^al.47, sugerując włączenie technologii neurobiologicznej. Przeprowadzili kompleksowy przegląd naukowych baz danych, wybierając badania opublikowane w latach 2018-2023. Ich odkrycia sugerują, że ocena technologii neurobiologicznej staje się obiecującym trendem w postępie w diagnozowaniu dysleksji.

Podsumowując, wyniki tego badania podkreślają, że bateria multimedialna jest cennym narzędziem dla nauczycieli, ostatecznie ułatwiającym skuteczniejsze wsparcie i poprawiające wyniki uczniów z dysleksją. Uwzględniając te współczesne spostrzeżenia, odkrycia przyczyniają się do rozwijającego się dyskursu na temat oceny dysleksji, oferując praktykom i badaczom zaktualizowane perspektywy na skuteczne ramy strategii diagnostycznych. Według naszej wiedzy, badanie to jest jednym z pierwszych, które zweryfikowały kompleksową baterię multimedialną dostosowaną specjalnie dla populacji hiszpańskojęzycznych, wypełniając krytyczną lukę w obecnych narzędziach diagnostycznych dostępnych dla dysleksji.

Materiały

Lista materiałów użytych w tym artykule

Nazwa	Firma	Numer katalogowy	Komentarze
Sicole-R	Universidad de La Laguna	TF-263-07