Summary
여기 우리 언어와 해독의 독특하고 일반적인 효과에 독에 대 한 분산 분해 프로토콜을 제시.
Abstract
독서의 간단한 보기는 읽기 디코딩 및 유일 하 게 독 해를 예측 하는 각 구성 요소와 언어의 제품을 주장 하는 독서의 인기 모델 이다. 연구원 합 구성의 제품 보다는 더 나은 예언자 인지 주장 하고있다, 비록 아무 연구 구성 요소 공유 읽기 예측에 정도 검사를 설명 하는 분산을 분할 수 있다. 분산 분해, 우리는 디코딩을 위한 독특한 R2 를 전체 모델에서 언어 전용 모델에 대 한 R2 를 뺍니다. 둘째, 우리는 언어에 대 한 독특한 R2 를 전체 모델에서 디코딩 전용 모델에 대 한 R2 를 뺍니다. 셋째, 일반적인 차이를 설명 언어 및 디코딩, 우리는 두 개의 독특한 R2 에서 전체 모델에 대 한 R2 의 합계를 뺍니다. 방법은 1 학년에서 학생 들 로부터 데이터와 회귀 접근법에서 설명 된다 (n = 372), 6 (n = 309), 10 (n = 122) 언어 (수용 어휘)의 관찰된 측정을 사용 하 여, 디코딩 (초과 단어 읽기), 및 독 (시험). 결과 상대적으로 많은 양의 디코딩 및 언어에서 일반적인 분산에 의해 급료 1에서에서 설명 하는 독에 분산을 공개. 그러나 10 학년에 의해, 그것은 언어의 독특한 효과 독에 대 한 분산의 대부분을 설명 하는 언어와 해독의 일반적인 효과입니다. 결과 간단한 보기의 독서의 언어와 예측 독에서 해독의 고유 하 고 공유 효과 고려 하는 확장된 버전의 맥락에서 설명 합니다.
Introduction
간단한 보기 읽기1 (SVR) 계속 읽기 때문에 그것의 단순 읽기 (R)의 인기 있는 모델은 디코딩 (D)의 제품 및 언어 (L)-의 약 60% 설명 읽기에 SVR, 평균, 설명 하는 경향이 있기 때문에 이해2. SVR 예측 D와 R 사이 상관 관계 시간이 지남에 감소 됩니다 그리고 L과 R 사이의 상관 관계 시간이 지남에 증가할 것 이다. 연구는 일반적으로이 예측3,,45를 지원합니다. 그러나 있다 논쟁,, 가산적 모델 SVR의 기능 형태에 대 한 (D + L = R) 독 제품 모델 보다 훨씬 더 많은 변화를 설명 (D × L = R)6,7,8, 그리고 합계 및 제품의 조합 [R = D + L + (D × L) 설명 이해3,9독서에 분산의 큰 금액.
최근 SVR 모델 확정 공장 분석과 구조 방정식 모델링을 사용 하 여 잠재 변수 모델링 관찰된 변수 기반 regressions 넘어 확대 하고있다. D는 일반적으로 실제 단어 nonwords의 없이 또는 초과 읽기와 측정 하 고 R 일반적으로 능력과 정보 구절 객관식 질문 다음을 포함 하는 표준화 된 읽기 테스트에 의해 측정 된다. L은 일반적으로 표현 하 고 수용 구문 및 듣기의 측정에 의해 기본 성적에 특히, 그리고 표현 하 고 수용 어휘 테스트에 의해 측정 됩니다. 가장 경도 연구 보고 L unidimensional10,11,,1213. 그러나, 다른 경도 연구14 L에 대 한 기본 학년에 4-8 학년에서 unidimensional 구조 이중 구조를 보고합니다. 최근 횡단면 연구 보고 bifactor 모델 최고의 데이터 및 예측 R15,,1617,18. 예를 들어 Foorman 외. 16 unidimensional, 3 단계, 4 단계, 및 4-10 학년에서 학생 데이터에서 SVR의 bifactor 모델을 비교 및 bifactor 모델 가장 적합 하 고 인민에 대 한 분산의 72% ~ 99%를 설명 발견 일반 L 요소 모든 7 학년 및 어휘와 구문에 고유 하 게 설명만 한 학년에 설명 했다. 비록 D 요소는 적당히 연관 L과 R 모든 학년에서 (0.40 0.60 및 0.47-0.74, 각각), 그것은 고유 하 게 상관 하지 r 일반 L 요인 존재.
비록 잠재 변수 모델링 확장된 SVR L과 독특한 역할 L R 기본 성적, Foorman 그 외 여러분 에 의해 하나를 제외 하 고는 SVR의 없음 연구 넘어 예측의 차원에 의해 19 D와 L 고유 예정 이며 무슨 공통점 공유 하는에 독에 대 한 분산을 분할 수 있다. 이것은 문학에서 큰 누락 이다. 개념적으로 D와 L 단어 인식 음운론, 의미론, 텍스트와 문장 레벨20에서 담의 언어 능력을 수반 하기 때문에 문된 어를 예측에 대 한 분산 공유 것이 의미가 있습니다. 마찬가지로, 텍스트 이해21을 사용 하는 경우 언어 이해 표음, 형태소, 단어, 문장, 그리고 담의 직교 표현에 연결 되어야 합니다. L D 멀티 이러한 구성 요소에 의해 공유 하는 정보를 생성 하지 않습니다. 무엇 고유 이며 D와 L 예측 연구에 의해 공유로 분산을 분해 통합된 지식 교육 개입의 성공에 중요 한 발표할 예정 이다.
Foorman 그 외 여러분 에 의해 한 연구 무엇 고유 이며 무슨 D와 L에서 공통 공유에 독의 분산 분해 19 잠재 변수 접근 모델링 고용. 다음 프로토콜 1, 7, 및 단일 변수 D (초과 디코딩), L (수용 어휘), 및 R에 대 한 관찰에 따라 10 학년 학생 들 로부터 데이터 기술을 보여줍니다 (읽기 이해력 테스트 표준화) 분해 과정을 만들기 이해 하기 쉬운. 데이터는 Foorman 그 외 여러분 에서 데이터의 하위 집합을 나타냅니다. 19.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
참고: 다음 단계 독특한 분산, 일반적인 분산, 그리고 설명할 수 없는 분산 구성 요소 ( 
라는 두 개의 선택 된 독립 변수를 기반으로 종속 변수 (Y)에 분해 총 분산을 설명 및 
이 예) 그래픽 사용자 인터페이스와 함께 소프트웨어 및 데이터 관리 소프트웨어 ( 재료의 표참조)를 사용 하 여.
1. 그래픽 사용자 인터페이스와 함께 소프트웨어 데이터 읽기
- 클릭 파일.
- 마우스를 가져가면 오픈.
- 클릭 데이터.
- 컴퓨터에 관련 된 데이터 파일을 찾습니다.
- 파일 형식을 그래픽 사용자 인터페이스와 소프트웨어와 일치 하지 않으면 형식 파일에 클릭 하 고 적절 한 파일 형식을 선택 합니다.
- 클릭 오픈.
2. 종속 변수 (Y)에 설명 된 분산 추정
-
에 두 개의 독립 변수를 기반으로 총 분산 설명-총 R2.
참고: R2 값 결정 계수 라고도 하 고 의존 하는 가변은 독립 가변의 세트에 의해 설명에 대 한 분산의 비율을 나타냅니다.- 분석 을 클릭 하 고 회귀 에 마우스를 가져가면 선택 선형.
- 변수 목록에서 종속 변수를 클릭 하십시오. 다음 종속옆의 화살표를 클릭 하십시오.
- 두 개의 독립 변수 (X1 과 X2) 변수 목록에서 클릭 하십시오. 다음 옆에 있는 화살표 클릭 합니다 Independent(s).
- 확인을 클릭 합니다.
- 소프트웨어의 뷰어 창에 클릭 하십시오.
- 마우스를 사용 하 여 모델 요약섹션으로 스크롤합니다. 열 R 광장 아래 값을 기록 하 고이 값 총 R2라벨.
-
총 차이 설명에 따라
- 2.1.4만 사용 하 여 통해 2.1.1 단계를 반복 하 여
독립 변수 목록에서. - 소프트웨어의 뷰어 창에 클릭 하십시오.
- 마우스를 사용 하 여 모델 요약섹션으로 스크롤합니다. 열 R 광장 아래 값을 기록 하 고이 값을 라벨 R2.
- 마우스를 사용 하 여 모델 요약섹션으로 스크롤합니다. 열 R 광장 아래 값을 기록 하 고이 값을 라벨
- 2.1.4만 사용 하 여 통해 2.1.1 단계를 반복 하 여
-
총 차이 설명에 따라
- 2.1.4만 사용 하 여 통해 2.1.1 단계를 반복 하 여
독립 변수 목록에서. - 소프트웨어의 뷰어 창에 클릭 하십시오.
- 마우스를 사용 하 여 모델 요약섹션으로 스크롤합니다. 열 R 광장 아래 값을 기록 하 고이 값을 라벨 R2.
- 마우스를 사용 하 여 모델 요약섹션으로 스크롤합니다. 열 R 광장 아래 값을 기록 하 고이 값을 라벨
- 2.1.4만 사용 하 여 통해 2.1.1 단계를 반복 하 여
3. 컴퓨팅 독특한, 일반적인, 그리고 설명할 수 없는 분산 구성 요소
- 데이터 관리 소프트웨어를 엽니다.
- 입력 레이블 총 R2, R2, 그리고 에서 R2 는 각각 A1, B1 및 C1, 셀.
- 2.1.5.1 셀 a 2에서에서 단계에서 총 R2 값을 입력 합니다.
- 입력은 R2 값 단계 2.2.2.1 B2 셀에서에서.
- 입력은 단계 셀 C2 2.3.2.1에서에서 R2 값.
- 변수 1의 독특한 분산 계산 (UR2) 데이터 관리 소프트웨어에서.
- 셀 d 2 종류에서: "A2-C2 =" (즉, 총 R2 마이너스 R2). 셀 d 1에 레이블이 값 UR2.
- 셀 d 2 종류에서: "A2-C2 =" (즉, 총 R2 마이너스
- 변수 2의 독특한 분산 계산 (UR2) 데이터 관리 소프트웨어에서.
- 셀 E2 종류에서: "= A2-B2" (즉, 총 R2 마이너스 R2). 셀 E1 라벨이 값 UR2.
- 셀 E2 종류에서: "= A2-B2" (즉, 총 R2 마이너스
- 변수 1과 2 사이의 일반적인 분산 계산 (C
R2) 데이터 관리 소프트웨어에서.- 셀 f 2 종류에서: "a 2-d 2-E2 =" (즉, 총 R2 U 마이너스RU-2 R2). 셀 f 1에 레이블이 값 CR2.
- 셀 f 2 종류에서: "a 2-d 2-E2 =" (즉, 총 R2 U 마이너스
- 데이터 관리 소프트웨어에서 설명할 수 없는 차이 (e)를 계산 합니다.
- 셀 g 2 종류에서: "1-A2 =" (즉, 1-총 R2). 셀 g 1에이 가치 중 라벨
R2) 데이터 관리 소프트웨어에서.4. 플롯 UX1R2, UX2R2, CX1X2R2및 e 값
참고: 셀 D2, E2, f 2를, 및 g 2의에서 값이 구성 됩니다.
- 클릭 한 셀 D2, E2, f 2를, 및 g 2 데이터를 강조 표시 하 고 마우스를 끕니다.
- 데이터 관리 소프트웨어의 리본 메뉴에서 삽입 을 클릭 합니다.
- 클릭 차트 | 원형 차트 | 2 차원 원형 차트.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
이 연구의 목적은 언어 (L)의 고유 하 고 일반적인 분산의 기여를 조사 하 고 디코딩 (D)이 독 (R) 1, 7, 및 10 학년 플로리다에서 국가에 그 인구 예측는으로 국가의 대표 한 전체입니다. 독에 설명 된 분산의 예측에 관한 두 가지 가설을 확인 하 고 있었다. 첫째, 기본 등급 후 D의 독특한 공헌 크게 줄어, 그리고 L의 독특한 공헌 증가할 것 이다. 둘째, L의 독특한 공헌과 D와 L의 공유 기여 크게 넘어 기본 성적 차이의 대부분에 대 한 계정을 것입니다.
참가자 학년 1, 372 학생이 학년 7, 299 학생과 플로리다 (북부 플로리다와 센트럴 플로리다에서 다른 하나)에서 두 개의 큰 도시 지역에 18 학교에서 일반 교육 교실에서 10 학년에 122 학생. 연구는 인체에 대 한 지침을 따 랐 고 부모의 동의 얻어. 연구에 대 한 학년에 걸쳐 민족성 고장 했다: 약 30% 블랙; 30% 히스패닉; 30% 백색; 5% 아시아, 3% 다문화; 2% 다른. 18 참여 학교에 연방 점심 프로그램에 참여의 범위는 21.5%에서 100%, 59%의 중간 이었다.
D, L, R에 대 한 단일, 관찰 조치는 회귀 분석에 대 한 선정 됐다. 해독의 측정은 시간 제한 (45 s) 단어 테스트 단어 읽기 효율성-2의22에서 디코딩 시력. L 수용 어휘 테스트, 피 바디 그림 어휘 테스트 (PPVT-4)23참여 학교에서 널리 이용 하 여 측정 했다. 이 측정에서 학생 들은 4 개의 사진을 보고 하 고 포인트는 그 단어를 묘사 하는 것 말한다. R 국가 normed 독으로 평가 되었다 테스트, 게이츠 MacGinitie 읽기 테스트-4 (GMAT-4)24. GMAT-4은 1 학년에서 10 학생의 작은 그룹에서 관리 합니다. 학생 통행의 부분 읽었고 통로에 해당 하는 그림을 나타냅니다. GMAT-4 7-10 학년에서 그룹 관리입니다. 구절 문학 및 정보 텍스트의 구성 그리고 리터럴 및 날개 식 질문과 객관식 형태로 나타납니다. 학생 들은 통로에 다시 볼 수 있습니다. 모든 세 가지 조치에 대 한 신뢰성에 대 한 계수 0.90 이상 했다. 3 형태와 계획 된 누락 된 데이터 디자인 테스트 시간을 줄이기 위해 사용 되었다. D와 L 조치 한 관리 되었다 다른 세션에서 세션 및 독 해 력 테스트.
1 학년에 대 한 회귀 분석에서 독 총 분산의 60% 차지 했다. 개별 분산 모델 보여주었다 그 독 D 때문에 분산의 비율 43%와는 별도로, 독 L 때문에 분산의 비율이 36% 이었다. 이러한 분산 추정은 각 예측의 결과 별도 모델 (43 + 36 = 79)에서 그들의 합계는 차이 설명 (60%)의 총 금액 보다 더 큰 이유는 별도 통계 모델에서 제곱된 상관 관계. 1 학년에 총 분산 독특하고 일반적인 효과로 분해 되었다 때 D 고유 설명 했다 R과 L에 대 한 분산의 24%는 17% ( 그림 1참조)에 고유 하 게 설명 했다. D와 L의 일반적인 분산 19% 이었다.
그림 1입니다. 독특하고 일반적인 언어와 해독의 효과로 분해 1 학년 읽기 이해에 설명 된 분산 및 설명할 수 없는 차이의 % 총. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.
7 학년, 회귀 분석은 독에 총 분산의 53%에 대 한 차지 했다. 개별 분산 모델 보여주었다 독 D 때문에 분산의 비율 25% 이었고 독 L 때문에 분산의 비율 46% 이었다. 그림 2 는 D 고유 R에 대 한 분산의 7%를 설명 하 고 L 28%를 설명 했다. R에 18% 설명에 D와 L의 일반적인 분산.
그림 2입니다. 독특하고 일반적인 언어와 해독의 효과로 분해 7 학년 읽기 이해에 설명 된 분산 및 설명할 수 없는 차이의 % 총. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.
10 학년, 회귀 분석은 독에 총 분산의 61% 차지 했다. 개별 분산 모델 보여주었다 독 D 때문에 분산의 비율이 19% 이었고 독 L 때문에 분산의 비율이 54% 이었다. 그림 3 L 고유 분산의 42%를 차지 하는 반면 D 고유 분산의 6%에 대 한 차지 했다 보여준다. R에 13% 설명 하에 D와 L의 일반적인 분산.
그림 3입니다. 독특하고 일반적인 언어와 해독의 효과로 분해 하는 10 학년 읽기 이해에 설명 된 분산 및 설명할 수 없는 차이의 % 총. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
L과 디 독특하고 일반적인 분산에 R에 분산 분해 프로토콜에 있는 3 개의 중요 한 단계 첫째, d.에 대 한 독특한 R2 를 전체 모델에서 L 전용 모델에서 R2 빼기 둘째, 독특한 R2 나 3, L과 D에 의해 설명 하는 일반적인 차이를 위한 얻기, 전체 모델에 대 한 R2 에서 두 개의 고유 R2 의 합을 전체 모델에서 D 전용 모델에 대 한 R2 를 뺍니다.
프로토콜 수정 해야 하는 경우 잠재 변수 D와 L에 대 한 초과 디코딩 및 여기에 사용 되는 수용 어휘 관찰된 측정에 대 한 더미 코드를 교체 하 고 경우 제어 변수 사회 경제 상태 (SES), 같은 성별, 것 및 경주 / 민족성은 모델에 추가 됩니다. 원형 차트에서 결과 플로팅 대안 여겨질 수 있다 또한, 벤 다이어그램을 사용 하 여. 독특하고 공통 분산으로 설명할 수 없는 차이의 백분율을 표시 될 수 있도록 원형 차트는 여기 사용 되었다.
이 연구에서와 같이 메서드의 응용에 한계가 있다. 프로토콜을 단순화 하기 위해 우리는 우리가 일반적으로 측정 오류19제어 걸릴 접근 방식을 모델링 잠재 변수를 사용 하는 대신 관찰 측정 각 D, L, R를 선택. 우리 SES, 성별, 인종/민족 등 제어 변수를 제거 하 고 완전 한 경도 데이터 보다는 계획 된 누락 된 데이터 디자인 횡단면 데이터 사용. 우리는 강의실과 학교 내에서 학생 들을 클러스터링 보다는 개별 학생 수준에서 분산 분해에 집중 했다. 마지막으로, L와 예측 r에서 D의 독특하고 일반적인 효과의 비율으로 분해 분산에 대 한 프로토콜에 표시 메서드에 설명 결과 생성 합니다. 일반적인 분산의 중요성의 공식적인 통계 시험을 얻을 수 있는 쉬운 방법은 없습니다.
L과 D 독특하고 일반적인 효과에 R에 분산 분해이 기술은 전적으로 독특한 효과 보는 기존의 방법에 비해 상당한 이점이 있다. 가장 중요 한 것은, 기술은 개별 차이 covary 특성과 독특한 효과 효과 비해 창백 수 있습니다 하나의 또 다른 특징으로 공유 하는 방법을 보여 줍니다. 고유의 비용으로 서는 상당한 양의 독에 D와 L (10 학년에 학년 1 ~ 13%에서 19%에서 배열 하는)의 일반적인 효과 인 것으로 나타났다 현재 프로토콜에서 결과 분석 성적에 D에 기여입니다. 즉, 회귀 결과 분산의 비율에 있는 감소를 차지 하 고 d 10 학년에서 학년 7 ~ 19%에 학년 1 ~ 25%에서 43%에서 나타났다. 그러나, 분산 분해 했다 때 1 학년에서 D의 독특한 공헌 24%만 이었고 그 거부 학년 7과 10에 7%와 6%, 각각. 이 찾는 의미가 중요 한 교육 초등학교 급료에서 개입에서 디코딩 중점 개입 초 상단에 디코딩의 약한 효과 불구 회귀 결과에 D의 독특한 효과에서 유래 하기 때문에 고 2 차 등급25메타-분석. D와 L 함께 초등학교 학년에 특히 독 예측에 대해 설명 하는 일반적인 분산의 양을 제안 더 교육 강조에 언어 지식의 통합에 배치 되어야 한다는 단어 수준26,27
L에 대 한 회귀 결과 학년, 10 학년에서 학년 1 54%에서 36%에 대 한 독을 분산의 상당한 비율을 기여 L의 상당히 일정 한 사진을 보여주었다. 그러나, 분산 분해의 방법 사용 되었다, 성적 이상 L의 독특한 공헌이 했다 극적인 증가 17%에서 학년에서 학년 7, 10 학년에서 42%로 1 ~ 28%. L 계정 보조 학년에서 R에 너무 많은 분산에 대 한 모델링 접근16,,1719 잠재 변수에서 실시 하는 SVR 연구에 더욱 명백한 이며 명령의 값 제안 찾는 언어 요소에는 텍스트 응집력26,28확인.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
저자 들은 아무 경쟁 금융 관심사 선언 합니다.
Acknowledgments
여기에서 보고 된 연구에 의해 교육 과학 연구소, 미국 교육부, 이해에 대 한 읽기의 일환으로 교육 테스트 서비스 그랜트 R305F100005에서 플로리다 주립 대학에 subaward를 통해 지원 이니셔티브입니다. 의견 표명 그 저자 이며 연구소, 미국 교육부, 교육 시험 서비스, 또는 플로리다 주립 대학교를 대표 하지 않는다.
Materials
| Name | Company | Catalog Number | Comments |
| IBM SPSS Statistics Software | IBM | ||
| Microsoft Office Excel | Microsoft |
References
- Gough, P., Tunmer, W. Decoding, reading, and reading disability. Remedial and Special Education. 7, 6-10 (1986).
- 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).
- 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).
- 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).
- 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).
- 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).
- Neuhaus, G., Roldan, L., Boulware-Gooden, R., Swank, P. Parsimonious reading models: Identifying teachable subskills. Reading Psychology. 27, 37-58 (2006).
- Kershaw, S., Schatschneider, C. A latent variable approach to the simple view of reading. Reading and Writing. 25, 433-464 (2012).
- Hoover, W., Gough, P. The simple view of reading. Reading and Writing. 2, 127-160 (1990).
- Adlof, S., Catts, H., Little, T. Should the simple view of reading include a fluency component? Reading & Writing. 19, 933-958 (2006).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Perfetti, C. Reading ability: Lexical quality to comprehension. Scientific Studies of Reading. 11 (4), 357-383 (2007).
- Perfetti, C., Stafura, J. Word knowledge in a theory of reading comprehension. Scientific Studies of Reading. 18 (4), 22-37 (2014).
- Torgesen, J., Wagner, R., Rashotte, C. Test of Word Reading Efficiency. , 2nd ed, ProEd. Austin, TX. (2012).
- Dunn, L., Dunn, D. Peabody Picture Vocabulary Test-4. , Pearson. San Antonio, TX. (2007).
- MacGinitie, W., MacGinitie, R., Maria, K., Dreyer, L. Gates-MacGinitie Reading Tests. , 4th ed, Riverside Publishing. Rolling Meadows, IL. (2000).
- 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).
- 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).
- 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).
- 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).
