Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
Click here for the English version

Behavior

Nedbrydes varians i læseforståelse at afsløre de unikke og fælles virkninger af sprog og afkodning

doi: 10.3791/58557 Published: October 11, 2018

Summary

Her præsenterer vi en protokol for nedbrydes varians i læseforståelse i unikke og fælles virkningerne af sprog og afkodning.

Abstract

Den simpel Se læsning er en populær model af læsning, der hævder, at læsning er produktet af afkodning og sprog, med hver komponent entydigt forudsige læseforståelse. Selvom forskere har argumenteret for, om summen snarere end produktet af komponenterne er den bedre forudsigelse, har ingen forskere partitioneret variansen forklarede for at undersøge som komponenterne del varians til at forudsige læsning. For at nedbryde variansen, trækker vi R2 for de sprog, der kun model fra den fulde model at opnå det unikke R2 for afkodning. For det andet, vi trække R2 for afkodning-kun model fra den fulde model at opnå det unikke R2 for sprog. For det tredje forklares for at opnå den fælles varians ved sprog og afkodning, vi trækkes fra summen af de to unikke R2 fra R2 for den fulde model. Metoden er påvist i en regression tilgang med data fra elever i klasserne 1 (n = 372), 6 (n = 309), og 10 (n = 122) ved hjælp af en observerede foranstaltning af sprog (receptive ordforråd), afkodning (timet ord læsning) og læseforståelse (standardiseret test). Resultaterne viser en forholdsvis stor mængde af variansen i læseforståelse forklarede i lønklasse 1 af de fælles varians i afkodning og sprog. Af klasse 10, men er det den unikke virkning af sprog og den fælles virkning af sprog og afkodning, forklarede fleste af variansen i læseforståelse. Resultaterne drøftes som led i en udvidet version af simpel visning af læsning, der finder unikke og delte virkninger af sprog og afkodning i forudsige læseforståelse.

Introduction

or Start trial to access full content. Learn more about your institution’s access to JoVE content here

Simpel visning af læsning1 (SVR) fortsætter som en populær model af læsning på grund af sin enkelhed-læsning (R) er produkt af afkodning (D) og sprog (L)- og fordi SVR tendens til at forklare, i gennemsnit ca. 60% af forklarede varians i læsning læseforståelse2. SVR forudsiger at korrelationer mellem D og R vil falde over tid og at korrelationer mellem L og R vil stige over tid. Undersøgelser støtter generelt denne forudsigelse3,4,5. Der er uenighed, men om den funktionelle form af SVR, med tilsætningsstoffet modeller (D + L = R) forklarer betydeligt mere varians i læseforståelse end produktmodeller (D × L = R)6,7,8, og en kombination af summen og produkt [R = D + L + (D × L) forklarer det største beløb af variansen i læsning forståelse3,9.

Seneste har SVR model ekspanderet ud over regressioner baseret på observerede variabler til latent variabel modellering ved hjælp af genfremsatte fabrik analyse og strukturelle ligning modellering. D måles typisk med untimed eller Tidsindstillet læsning af rigtige ord og/eller nonwords og R er normalt målt ved en standardiseret læsning test, der omfatter mediekendskab og oplysende passager efterfulgt af multiple-choice-spørgsmål. L måles typisk ved test af udtryksfulde og receptive ordforråd og navnlig i de primære kvaliteter af foranstaltninger af udtryksfulde og modtagelig syntaks og lytteforståelse. Mest longitudinelle studier rapportere, at L endimensional10,11,12,13. En anden langsgående undersøgelse14 rapporterer imidlertid en to-faktor struktur for L i de primære kvaliteter og en endimensional struktur i kategori 4 og 8. Nylige tværsnits undersøgelser rapport, en bifactor model bedst passer data og forudsiger Rasmussen15,16,17,18. For eksempel, Foorman et al. 16 sammenlignede endimensional, tre-faktor, fire-faktor og bifactor modeller af SVR i data fra studerende i lønklasse 4-10 og fandt, at en bifactor model passer bedst og forklarede 72% til 99% af variansen i R. En generel L faktor forklarede varians i alle syv kvaliteter og ordforråd og syntaks entydigt forklaret varians kun i én klasse. Selv om u faktor var moderat korreleret med L og R i alle kvaliteter (0,40-0,60 og 0,47-0,74, henholdsvis), det var ikke entydigt korreleret med R i nærværelse af den generelle L faktor.

Selv om latent variabel modellering har udvidet SVR ved at kaste lys over dimensionalitet L og den enestående rolle, som Larsen spiller i forudsige R ud over de primære kvaliteter, ingen undersøgelser af SVR undtagen én af Foorman et al. 19 har partitioneret varians i læseforståelse i hvad der skyldes entydigt til D og L og hvad er delt til fælles. Dette er en stor undladelse i litteraturen. Begrebsmæssigt er det fornuftigt at D og L ville dele varians til at forudsige skriftsprog, fordi ordet anerkendelse indebærer de sproglige færdigheder fonologi, semantik og diskurs på punktum og tekst niveauer20. På samme måde, sproglig forståelse skal være tilsluttet ortografiske repræsentationer af fonemer, morphemes, ord, sætninger og diskurs hvis teksten er at være forstået21. At multiplicere D af L giver ikke viden deles af disse komponenter. Kun nedbrydning af variansen i hvad er unikke og hvad deles af D og L i forudsige Rasmussen vil afsløre den integrerede viden altafgørende for succes af uddannelsesmæssige interventioner.

I en undersøgelse af Foorman et al. 19 der nedbrydes variansen af læseforståelse i hvad er unikke og hvad er delt i fællesskab af D og L ansat en latent variabel modellering tilgang. Følgende protokol viser teknik med data fra elever i klasserne 1, 7 og 10 baseret på enkelt observeret variabler for D (timet afkodning), L (receptive ordforråd) og R (standardiseret læsning læseforståelse test) at gøre nedbrydning processen let at forstå. Dataene repræsenterer et udsnit af dataene fra Foorman et al. 19.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

or Start trial to access full content. Learn more about your institution’s access to JoVE content here

Bemærk: Nedenstående trin beskriver rådnende samlede variansen i en afhængige variabel (Y) i unikke varians, fælles variansog uforklarlige varians komponenter baseret på to udvalgte uafhængige variabler (kaldet Equation 1 og Equation 2 i dette eksempel) ved hjælp af software med en anskuelighed brugergrænseflade og data management software (Se Tabel af materialer).

1. læsning af Data til Software med en grafisk brugergrænseflade

  1. Klik på fil.
    1. Musen hen over åbne.
    2. Klik på Data.
  2. Find den relevante datafil på computeren.
    1. Hvis filtypen ikke er konsistent med software med en grafisk brugergrænseflade, skal du klikke på Filer af typen og vælge den relevante filformat.
  3. Klik på åben.

2. vurdere afvigelsen forklarede i den afhængige variabel (Y)

  1. Total varians forklarede baseret på to uafhængige variabler — samlede R2.
    Bemærk: En R2 værdi er kendt som determinationskoefficienten og repræsenterer del af variansen for en afhængig variabel, der kan forklares ved en række uafhængige variabler.
    1. Klik på analyser og holder musen over Regression og vælg lineær.
    2. Klik på den afhængige variabel på variabellisten. Klik på pilen ud for afhængige.
    3. Klik på de to uafhængige variabler (X1 og X2) på variabellisten. Klik på pilen ud for Independent(s).
    4. Klik på OK.
    5. Klik på Fremviserens vindue af softwaren.
      1. Brug musen til at rulle til afsnittet hedder Model Resumé. Optage værdien under kolonnen R kvadrat og mærke denne værdi samlede R2.
  2. Total varians forklarede baseret påEquation 3
    1. Gentag trin 2.1.1 gennem 2.1.4 ved hjælp af kun Equation 1 i den uafhængige variabel liste.
    2. Klik på Fremviserens vindue af softwaren.
      1. Brug musen til at rulle til afsnittet hedder Model Resumé. Optage værdien under kolonnen R kvadrat og mærke denne værdi Equation 1 R2.
  3. Total varians forklarede baseret påEquation 4
    1. Gentag trin 2.1.1 gennem 2.1.4 ved hjælp af kun Equation 2 i den uafhængige variabel liste.
    2. Klik på Fremviserens vindue af softwaren.
      1. Brug musen til at rulle til afsnittet hedder Model Resumé. Optage værdien under kolonnen R kvadrat og mærke denne værdi Equation 2 R2.

3. computing komponenterne unikke, fælles og uforklarlige varians

  1. Åbne data management software.
  2. Angiv etiketter samlede Rasmussen2, Equation 3 R2, og Equation 4 R2 i cellerne A1, B1 og C1, henholdsvis.
  3. Angiv den samlede Rasmussen2 værdi fra trin 2.1.5.1 i celle A2.
  4. Angiv den Equation 1 R2 værdi fra trin 2.2.2.1 i celle B2.
  5. Angiv den Equation 2 R2 værdi fra trin 2.3.2.1 i celle C2.
  6. Beregne den unikke varians for variabel 1 (UEquation 1R2) i data management software.
    1. I celle D2 type: "= A2-C2" (dvs. samlede Rasmussen2 minus Equation 2 R2). I celle D1 mærke denne værdi UEquation 1R2.
  7. Beregne den unikke varians for variabel 2 (UEquation 2R2) i data management software.
    1. I celle E2 type: "= A2-B2" (dvs. samlede Rasmussen2 minus Equation 1 R2). I celle E1 mærke denne værdi UEquation 2R2.
  8. Beregne den fælles varians mellem variabler 1 og 2 (CEquation 5R2) i data management software.
    1. I celle F2 type: "= A2-D2-E2" (dvs. samlede Rasmussen2 minus UEquation 1R2 minus UEquation 2R2). I celle F1 mærke denne værdi CEquation 5R2.
  9. Beregne den uforklarlige varians (e) data management software.
    1. I celle G2 type: "= 1-A2" (dvs. 1-alt R2). I celle G1 mærke denne værdi e.

4. plot UX1R2, UX2R2, CX1X2R2og e værdier

Bemærk: Værdierne i cellerne D2, E2, F2 og G2 er afbildet.

  1. Klik og træk musen hen over celler D2, E2, F2 og G2 at fremhæve de vigtigste data.
  2. Klik på Indsæt på båndet data management software.
  3. Klik på diagrammer | Pie Chart | 2-D cirkeldiagram.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

or Start trial to access full content. Learn more about your institution’s access to JoVE content here

Formålet med denne undersøgelse var at undersøge bidrag af unikke og fælles varians af sprog (L) og afkodning (D) at forudsige læseforståelse (F) i lønklasse 1, 7 og 10 i Florida, en tilstand hvis demografi er repræsentant for nationen som en hele. Der var to hypoteser om forudsigelser af variansen forklarede i læseforståelse. Først efter de primære kvaliteter, D unikke bidrag mindskes betydeligt, og L unikke bidrag vil stige. Andet, L unikke bidrag og de fælles bidrag af D og L bliver betydeligt tegner sig for størstedelen af variansen ud over de primære kvaliteter.

Deltagerne var 372 studerende i klasse 1, 299 studerende i klasse 7 og 122 studerende i klasse 10 i almen uddannelse klasseværelser fra 18 skoler i to store urban distrikter i Florida (en i nordlige Florida og den anden i central Florida). Undersøgelsen fulgte retningslinjerne for forsøgspersoner og forældrenes samtykke blev opnået. Etnicitet opdeling på tværs af kvaliteter til undersøgelsen var: ca. 30% sort; 30% Hispanic; 30% hvid; 5% asiatiske, 3% multikulturelle; 2% andre. Rækken af deltagelse i programmet føderale frokost på de 18 deltagende skoler var fra 21,5% til 100%, med en median på 59%.

Enkelt, observerbare foranstaltninger for D, L og R blev valgt for regression analyser. Foranstaltning af afkodning var tidsbegrænset (45 s) syn ord afkodning fra Test af ord læsning effektivitet-222. L blev målt af en receptive ordforråd test, Peabody billede ordforråd Test (PPVT-4)23, udbredt i de deltagende skoler. I denne foranstaltning, studerende Se fire billeder og punkt til en, der skildrer word eksaminator siger. R blev vurderet med et nationalt normeret læseforståelse test, Gates-MacGinitie Reading Test-4 (GMAT-4)24. GMAT-4 administreres i små grupper af 10 studerende i klasse 1. Eleverne læse dele af en passage og angiver det billede, der svarer til passagen. GMAT-4 er gruppe-administreret i lønklasse 7 og 10. Passager består af både litterært og oplysende tekst og spørgsmål er både bogstavelig og inferential og vises i multiple-choice-format. Studerende kan se tilbage på passagen. For alle tre foranstaltninger var koefficienter for pålidelighed over 0,90. En planlagt mangler data design med tre former blev brugt til at reducere testtid. D og L foranstaltninger blev administreret i en session og læseforståelse test i en anden session.

Regressionsanalyse for grade 1 tegner sig for 60% af den samlede afvigelse i læseforståelse. De individuelle afvigelse modeller viste, at andelen af variansen i læseforståelse på grund af D var 43% og separat, andelen af variansen i læseforståelse på grund af L var 36%. Skønnene varians er den kvadrerede korrelation fra separate statistiske modeller af hver forudsigelse og resultatet, hvilket er grunden til deres summen fra separate modeller (43 + 36 = 79) var større end den samlede afvigelse forklaret (60%). Når den samlede afvigelse i lønklasse 1 var nedbrydes i unikke og fælles effekter, forklaret D entydigt, 24% af variansen i R og L entydigt forklaret 17% (Se figur 1). Den fælles varians af D og L blev 19%.

Figure 1
Figur 1. Samlede procent af varians forklarede i lønklasse 1 læseforståelse nedbrydes i unikke og fælles virkninger af sprog og afkodning og uforklarlige varians. Venligst klik her for at se en større version af dette tal.

I klasse 7, regressionsanalysen tegnede sig for 53% af den samlede afvigelse i læseforståelse. De individuelle afvigelse modeller viste at andelen af variansen i læseforståelse på grund af D var 25%, og andelen af variansen i læseforståelse på grund af L var 46%. Figur 2 viser, at D entydigt forklaret 7% af variansen i R og at Larsen forklarede 28%. Den fælles varians af D og L i forklarer varians i R var 18%.

Figure 2
Figur 2. Samlede procent af varians forklarede i lønklasse 7 læseforståelse nedbrydes i unikke og fælles virkninger af sprog og afkodning og uforklarlige varians. Venligst klik her for at se en større version af dette tal.

I klasse 10, regressionsanalysen tegnede sig for 61% af den samlede afvigelse i læseforståelse. De individuelle afvigelse modeller viste, at andelen af variansen i læseforståelse på grund af D var 19% og andelen af variansen i læseforståelse på grund af L var 54%. Figur 3 viser, at D entydigt udgjorde 6% af variansen, L entydigt stod for 42% af variansen. Den fælles varians af D og L i forklarer varians i R var 13%.

Figure 3
Figur 3. Samlede procent af varians forklarede i lønklasse 10 læseforståelse nedbrydes i unikke og fælles virkninger af sprog og afkodning og uforklarlige varians. Venligst klik her for at se en større version af dette tal.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

or Start trial to access full content. Learn more about your institution’s access to JoVE content here

Der er tre vigtige trin i protokollen til nedbrydes varians i R i unikke og fælles varians L og D. Først, subtrahere R2 i L-only modellen fra den fulde model at opnå det unikke R2 for D. Andet, subtrahere R2 for kun D-model fra den fulde model til at opnå det unikke R2 for tredje L., at opnå den fælles varians forklares ved L og D, trækkes fra summen af de to unikke R2 fra R2 for den fulde model.

Ændringer til protokollen ville være nødvendigt, hvis latent variabler for D og L erstattet dummy koderne for de observerede foranstaltninger timet afkodning og modtagelig ordvalget her og hvis kontrol variabler som socio-økonomisk status (SES), køn og race / etnicitet er føjet til modellen. Alternativer til at plotte resultater i cirkeldiagrammer kan også overvejes, såsom at bruge Venn-diagrammer. Cirkeldiagrammer blev brugt her, således at procenter af uforklarlige varians samt unikke og fælles afvigelser kunne vises.

Der er begrænsninger for anvendelsen af metoden, som vist i denne undersøgelse. For at forenkle protokollen, vi har valgt en observerbar foranstaltning, hver til D, L og R istedet for benytter den latent variabel modellering tilgang vi normalt har til at styre måling fejl19. Vi fjernet kontrol variabler som SES, køn og race/Etnicitet og anvendes tværsnitsdata med en planlagt mangler data design snarere end komplet tidsseriedata. Vi fokuserede på nedbrydes variansen på den enkelte studerendes niveau snarere end klyngedannelse studerende i klasseværelser og skoler. Endelig, den metode, der er vist i protokollen til rådnende varians i procentdele af unikke og fælles virkninger af L og D i forudsige R udbytter beskrivende resultater. Der er ingen nem måde at opnå en formel statistisk test af betydning for den fælles varians.

Denne teknik til nedbrydes varians i R i de unikke og fælles virkninger på grund af L- og D har betydelige fordele i forhold til eksisterende metoder til ser udelukkende på enestående effekter. Vigtigst, illustrerer teknikken hvordan individuelle forskel egenskaber covary og hvordan en unik virkning kan bleg i forhold til effekten deles med en anden karakteristisk. De analyser som følge af den nuværende protokol viste, at betydelige mængder af variansen i læseforståelse var på grund af fælles virkninger af D og L (lige fra 19% i lønklasse 1 til 13% i grade 10), syntes at komme på bekostning af den unikke bidrag i D over kvaliteter. Med andre ord, viste regression resultaterne et fald i andelen af variansen tegnede sig for af D fra 43% i lønklasse 1 til 25% i lønklasse 7-19% i lønklasse 10. Men når afvigelsen var nedbrydes, D unikke bidrag i lønklasse 1 var kun 24% og der faldt i lønklasse 7 og 10 til 7% og 6%, henholdsvis. Denne viden har vigtige uddannelsesmæssige konsekvenser fordi vægt på afkodning i interventioner i de elementære kvaliteter kommer fra den unikke virkning af D i regression resultater på trods af de svage effekter af afkodning interventioner i den øverste elementære og sekundære kvaliteter i en meta-analyse25. Mængden af fælles varians, der D og L sammen forklare i forudsige læseforståelse, især i de elementære kvaliteter, tyder på, at mere instruktions bør lægges på integration af sproglig viden på de Word-niveau26,27.

Regression resultater for L viste en ret konstant billede af L bidrager betydelige andele af varians til læseforståelse på tværs af kvaliteter, 36% i lønklasse 1 til 54% i lønklasse 10. Når metoden af rådnende variansen blev brugt, viste L unikke bidrag over kvaliteter imidlertid en dramatisk stigning fra 17% i lønklasse 1 til 28% i lønklasse 7, at 42% i lønklasse 10. Konstateringen, L konti for så meget varians i R i de sekundære kvaliteter er endnu tydeligere i SVR undersøgelser fra en latent variabel modellering tilgang16,17,19 og foreslår værdien af undervisning på de sproglige elementer, der gør teksten sammenhængende26,28.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Forfatterne erklærer, at de har ingen konkurrerende finansielle interesser.

Acknowledgments

Forskningen rapporteret her blev støttet af Institute of uddannelse Sciences, US Department of Education, gennem en subaward til Florida State University fra Grant R305F100005 til den Educational Testing Service som en del af læsning for forståelse Initiativ. Holdningerne er dem af forfatterne og repræsenterer ikke synspunkter af instituttet, US Department of Education, Educational Testing Service eller Florida State University.

Materials

Name Company Catalog Number Comments
IBM SPSS Statistics Software IBM
Microsoft Office Excel Microsoft

DOWNLOAD MATERIALS LIST

References

  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).
Nedbrydes varians i læseforståelse at afsløre de unikke og fælles virkninger af sprog og afkodning
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Foorman, B. R., Petscher, Y. Decomposing the Variance in Reading Comprehension to Reveal the Unique and Common Effects of Language and Decoding. J. Vis. Exp. (140), e58557, doi:10.3791/58557 (2018).More

Foorman, B. R., Petscher, Y. Decomposing the Variance in Reading Comprehension to Reveal the Unique and Common Effects of Language and Decoding. J. Vis. Exp. (140), e58557, doi:10.3791/58557 (2018).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
simple hit counter