Decomposição da Variância na Compreensão de Leitura para Revelar os Efeitos Únicos e Comuns da Linguagem e Decodificação.

Resumo

Aqui nós apresentamos um protocolo para a decomposição da variância em compreensão de leitura sobre os efeitos da únicos e comuns de linguagem e decodificação.

Resumo

A simples visão de leitura é um modelo popular de leitura que afirma que a leitura é o produto da decodificação e da linguagem, com cada componente exclusivamente prevendo a compreensão da leitura. Embora os pesquisadores argumentaram que se soma ao invés do produto dos componentes é o melhor preditor, pesquisadores não particionou a variância explicada para examinar a extensão a que os componentes compartilham variância na previsão de leitura. Para decompor a variância, subtraímos o R² para o modelo somente de linguagem do modelo completo para obter o exclusivo R² para decodificação. Em segundo lugar, subtraímos o R² para o modelo somente de decodificação do modelo completo para obter o exclusivo R² para língua. Em terceiro lugar obter a variância comum explicado pela linguagem e decodificação, subtraímos a soma dos dois únicos R² do R² para o modelo completo. O método é demonstrado em uma abordagem de regressão com dados de alunos em classes 1 (n = 372), 6 (n = 309) e 10 (n = 122) usando uma medida observada da linguagem (vocabulário receptivo), decodificação (leitura de palavra cronometrado) e compreensão (teste padronizado) de leitura. Os resultados revelam uma quantidade relativamente grande de variância em explicado na série 1 de compreensão de leitura pela variância comum em decodificação e linguagem. Pelo grau 10, no entanto, é o único efeito da linguagem e o efeito comum de linguagem e decodificação que explicou a maioria da variância em compreensão de leitura. Os resultados são discutidos no contexto de uma versão expandida da exibição simples de leitura que considera efeitos exclusivos e compartilhados de descodificação na previsão de compreensão de leitura e linguagem.

Introdução

A simples visão de leitura¹ (SVR) continua como um modelo popular de leitura por causa de sua simplicidade-leitura (R) é o produto de decodificação (D) e linguagem (L)- e porque SVR tende a explicar, em média, cerca de 60% de explicou variância em leitura compreensão². SVR prevê que as correlações entre D e R irão diminuir ao longo do tempo e que as correlações entre L e R vão aumentar ao longo do tempo. Estudos geralmente suportam esta previsão^3,4,5. Existem divergências, no entanto, sobre a forma funcional da SVR, com modelos de aditivos (D + L = R) explicando a variação mais significativamente na compreensão do que os modelos de produto de leitura (D × L = R)^6,7,8e um combinação de soma e produto [R = D + L + (D × L) explicando a maior quantidade de variância na leitura compreensão^3,9.

Recentemente, o modelo SVR expandiu-se além de regressões com base em variáveis observadas para modelagem de variável latente usando análise confirmatória da fábrica e modelagem de equações estruturais. D é normalmente medido com duração indeterminada ou atingiu o tempo de leitura de palavras reais e/ou nonwords e R é normalmente medido por um teste padronizado de leitura que inclui a alfabetização e informativas passagens seguidas de questões de múltipla escolha. L é tipicamente medida por testes de vocabulário expressivo e receptivo e, especialmente nas séries primárias, através de medidas de sintaxe expressiva e receptiva e compreensão auditiva. Mais estudos longitudinais relatam que L é unidimensional^10,11,12,13. No entanto, outro estudo longitudinal¹⁴ relata uma estrutura de dois fatores para L nas classes primárias e uma estrutura unidimensional de grau 4 e 8. Recentes estudos transversais relatam que um modelo de bifactor melhor se ajusta os dados e prediz R^15,16,17,18. Por exemplo, Foorman et al ¹⁶ comparado unidimensional, três fatores, quatro fatores e bifactor modelos de SVR nos dados de alunos em séries 4-10 e descobriu que um modelo de bifactor se encaixam melhor e explicou 72% a 99% da variância em R. Um fator geral de L explicou que a variação em todas as sete notas e vocabulário e sintaxe excepcionalmente explicou variância apenas em um grau cada. Embora o fator D foi moderadamente correlacionado com L e R, em todos os graus (0,40-0,60 e 0,47-0,74, respectivamente), não foi exclusivamente correlacionado com R na presença do fator geral de L.

Apesar de modelagem variável latente tem expandido SVR derramando luz sobre a dimensionalidade do L e o único papel que L desempenha na previsão R além as notas primárias, não há estudos de SVR exceto um por Foorman et al ¹⁹ particionou a variância em compreensão de leitura em que é devido exclusivamente a D e L e o que é partilhado em comum. Esta é uma grande omissão na literatura. Conceitualmente, faz sentido que D e L compartilharia variância na previsão de linguagem escrita porque o reconhecimento da palavra implica as habilidades linguísticas de fonologia, semântica e discurso com a frase e texto níveis²⁰. Da mesma forma, compreensão linguística deve ser ligado a representações ortográficas de fonemas, morfemas, palavras, frases e discursos se texto é para ser entendido²¹. Multiplicando-se D por L não rende o conhecimento compartilhado por estes componentes. Apenas a decomposição da variância no que é único e o que é compartilhado por D e L r prever irá revelar o conhecimento integrado crucial para o sucesso das intervenções educativas.

Um estudo de Foorman et al ¹⁹ que decompor a variação de compreensão de leitura no que é único e que é partilhado em comum por D e L empregou uma variável latente, abordagem de modelagem. O protocolo seguinte demonstra a técnica com dados de alunos em graus 1, 7 e 10 baseado em único observado variáveis para D (decodificação cronometrado), L (vocabulário receptivo) e R (padronizado de teste de compreensão de leitura) para tornar o processo de decomposição fácil de entender. Os dados representam um subconjunto dos dados de Foorman et al ¹⁹.

Protocolo

Nota: As etapas a seguir descrevem em decomposição de variância total em uma variável dependente (Y) em componentes de variância única, variância comume inexplicável variação com base em duas variáveis selecionadas do independente (chamadas e para este exemplo) usando o software com uma interface gráfica do usuário e software de gerenciamento de dados (consulte a Tabela de materiais).

1. leitura de dados em Software com uma Interface gráfica do usuário

1. Clique no arquivo.
   1. Passe o mouse sobre abertas.
   2. Clique em dados.
2. Localize o arquivo de dados relevantes no computador.
   1. Se o tipo de arquivo não é compatível com o software com uma interface gráfica do usuário, clique em Arquivos do tipo e selecione o formato de arquivo apropriado.
3. Clique em abertas.

2. estimar a variância explicada na variável dependente (Y)

1. Total variância explicada com base em duas variáveis independentes — Total R².
   Nota: Um valor de R² é conhecido como o coeficiente de determinação e representa a proporção de variância de uma variável dependente que é explicada por um conjunto de variáveis independentes.
   1. Clique em Analyze e passe o mouse sobre regressão e selecione Linear.
   2. Clique na variável dependente na lista variável. Em seguida, clique na seta ao lado do dependente.
   3. Clique sobre as duas variáveis independentes (X₁ e X₂) na lista variável. Em seguida, clique na seta ao lado de Independent(s).
   4. Clique Okey.
   5. Clique na janela do Visualizador do software.
      1. Use o mouse para rolar para a seção chamada Modelo de resumo. Registre o valor na coluna R quadrado e etiqueta este valor Total de R².
2. Total variância explicada com base em
   1. Repita as etapas 2.1.1 através de 2.1.4 usando apenas na lista variável independente.
   2. Clique na janela do Visualizador do software.
      1. Use o mouse para rolar para a seção chamada Modelo de resumo. Registre o valor na coluna R quadrado e rotular esse valor R².
3. Total variância explicada com base em
   1. Repita as etapas 2.1.1 através de 2.1.4 usando apenas na lista variável independente.
   2. Clique na janela do Visualizador do software.
      1. Use o mouse para rolar para a seção chamada Modelo de resumo. Registre o valor na coluna R quadrado e rotular esse valor R².

3. os componentes de variância única, comum e inexplicável de computação

1. Abra o software de gerenciamento de dados.
2. Insira os rótulos Total R², R², e R² nas células A1, B1 e C1, respectivamente.
3. Digite o valor de² Total Rda etapa 2.1.5.1 na célula A2.
4. Digite o R² valor da etapa 2.2.2.1 na célula B2.
5. Digite o R² valor da etapa 2.3.2.1 na célula C2.
6. Calcular a variância única de 1 variável (UR²) do software de gestão de dados.
   1. No tipo de célula D2: "= A2-C2" (ou seja, Total R² menos R²). Na célula D1 rotular esse valor UR².
7. Calcular a variância original de 2 variáveis (UR²) do software de gestão de dados.
   1. No tipo de célula E2: "= A2-B2" (ou seja, Total R² menos R²). Na célula E1 rotular esse valor UR².
8. Calcular a variância comum entre as variáveis 1 e 2 (CR²) do software de gestão de dados.
   1. No tipo de célula F2: "= A2-D2-E2" (ou seja, Total R² menos UR² menos UR²). Na célula F1 rotular esse valor CR².
9. Calcule a variância inexplicado (e) no software de gerenciamento de dados.
   1. No tipo de célula G2: "= A2-1" (ou seja, 1-Total R²). Na célula G1 rotular Este valor e.

4. traçar a UX₁R²UX₂R², CX₁X₂R²e valores

Nota: Valores em células D2, E2, F2 e G2 são plotadas.

1. Clique e arraste o mouse sobre as células D2, E2, F2 e G2 para realçar os dados.
2. Clique em Inserir na faixa de opções de software de gerenciamento de dados.
3. Clique no Charts | Gráfico de pizza | gráfico de pizza 2D.

Resultados

O objetivo deste estudo foi investigar as contribuições da variância única e comum de linguagem (L) e decodificação (D) para predizer a compreensão (R) de leitura em graus 1, 7 e 10, na Flórida, um Estado cuja demografia são representativos da nação como um todo. Havia duas hipóteses sobre as previsões da variância explicada em compreensão de leitura. Primeiro, depois as qualidades primárias, a contribuição única de D diminuirá significativamente, e aumentará a contribuição única de L. Em...

Discussão

Existem três passos críticos no protocolo de decomposição da variância em R em variância única e comum devido a L e D. Em primeiro lugar, subtraia a R² no modelo L-somente a partir do modelo completo para obter o exclusivo R² para D. Em segundo lugar, subtraia a R² para o modelo D-somente a partir do modelo completo para obter o exclusivo R² para L. terceiro, para obter a variância comum explicada por L e D, subtrair a soma das duas únicas R² do R² para o ...

Materiais

Lista de materiais utilizados neste artigo

Nome	Empresa	Número de catálogo	Comentários
Software de Estatísticas IBM SPSS	IBM
Microsoft Office Excel	Microsoft