Login processing...

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

Behavior

Ontbinding van de variantie in het begrijpend lezen te onthullen van de unieke en gemeenschappelijke effecten van taal en decoderen

doi: 10.3791/58557 Published: October 11, 2018

Summary

Hier presenteren we een protocol voor ontbinding van de variantie in begrijpend lezen naar de effecten van het unieke en gemeenschappelijke taal en decoderen.

Abstract

De eenvoudige weergave van Reading is een populair model van de lezing die beweert dat de lezing is het product van decoderen en taal, met elk onderdeel unieke voorspellen begrijpend lezen. Hoewel onderzoekers hebben gedebatteerd of de som in plaats van het product van de onderdelen de betere voorspeller is, hebt geen onderzoekers gepartitioneerd de variantie verklaard te onderzoeken in hoeverre waarnaar de componenten variantie delen in het voorspellen van de lezing. Om te ontleden de variantie, we de R-2 voor het model van het alleen-taal uit het volledige model te verkrijgen van de unieke R2 voor het decoderen van aftrekken. Ten tweede, we de R-2 voor het model van het alleen-decodering van het volledige model te verkrijgen van de unieke R2 voor taal van aftrekken. Ten derde, om het verkrijgen van de afwijking van de gemeenschappelijke verklaard door taal en decodering, we de som van de twee unieke R2 uit de R-2 voor het volledige model aftrekken. De methode is aangetoond in een regressie-aanpak met gegevens van studenten in de rangen 1 (n = 372), 6 (n = 309), en 10 (n = 122) met behulp van een waargenomen maatregel van taal (receptieve woordenschat), decoderen (getimede woord lezen) en leesvaardigheid (gestandaardiseerde test). Resultaten onthullen een relatief grote hoeveelheid variantie in leesvaardigheid uitgelegd in rang 1 door de gemeenschappelijke variantie in decoderen en taal. Door grade 10, maar juist het unieke effect van taal en de gemeenschappelijke invloed van taal en decoderen die uitgelegd van de meerderheid van de variantie in begrijpend lezen. Resultaten worden besproken in het kader van een uitgebreide versie van de eenvoudige weergave van Reading, die unieke en gedeelde effecten van taal en decodering acht in het voorspellen van begrijpend lezen.

Introduction

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

De eenvoudige weergave van lezing1 (SVR) blijft als een populair model van lezing vanwege zijn eenvoud-lezing (R) is het product van de decodering (D) en taal (L)- en omdat SVR neiging om uit te leggen, gemiddeld ongeveer 60% van de verklaarde variantie in lezing begrip-2. SVR voorspelt dat de correlaties tussen D en R na verloop van tijd afnemen zal en dat de correlaties tussen de L en R na verloop van tijd zal toenemen. Studies in het algemeen ondersteunen deze voorspelling3,4,5 Er zijn meningsverschillen, maar over de functionele vorm van SVR, met additieve modellen (D + L = R) aanzienlijk meer variantie in leesvaardigheid dan productmodellen uit te leggen (D × L = R)6,7,8, en een combinatie van som en product [R = D + L + (D × L) uit te leggen de grootste hoeveelheid variantie in het begrip3,9lezen.

Onlangs heeft de SVR-model uitgebreid buiten regressies op basis van de waargenomen variabelen latente variabele modellering met behulp van confirmatieve fabriek analyse en modellering van de structurele vergelijking. D wordt meestal gemeten met untimed of getimede lezing van echte woorden en/of nonwords en R wordt meestal gemeten door een gestandaardiseerde lezing test waarin geletterdheid en informatieve passages gevolgd door meerkeuzevragen. L wordt meestal gemeten door tests van expressieve en receptieve woordenschat en, met name in de onderbouw, door maatregelen van de syntaxis van de expressieve en receptieve en luister. Meest longitudinale studies rapporteren dat L landbouwbrandstof10,11,12,13 is. Echter, een andere longitudinale studie14 meldt een twee-factor structuur voor L in de onderbouw en een landbouwbrandstof structuur in de rangen 4 en 8. Recente transversale studies rapporteren dat een bifactor model beste past bij de gegevens en R15,16,17,18 voorspelt. Bijvoorbeeld, Foorman et al. 16 ten opzichte van landbouwbrandstof, drie-factor, vier-factor en bifactor modellen van SVR in gegevens van studenten in de rangen 4-10 en vond dat een bifactor model best past en 72% tot 99% van de variantie in R. uitgelegd Een algemene L-factor verklaarde variantie in alle zeven kwaliteiten en woordenschat en syntaxis uniek verklaarde variantie alleen in elke één rang. Hoewel de factor D was matig gecorreleerd met L en R in alle rangen (0.40-0,60 en 0.47-0,74, respectievelijk), het was niet een unieke gecorreleerd met R in aanwezigheid van de algemene L-factor.

Hoewel latente variabele modellering uitgebreide SVR heeft door licht werpen op de dimensionaliteit van L en de unieke rol L bij R buiten de onderbouw, geen studies van SVR behalve één door Foorman et al. voorspellen 19 hebt gepartitioneerd de variantie in begrijpend lezen in hetgeen uniek aan D en L verschuldigd is en wat gemeen wordt gedeeld. Dit is een grote omissie in de literatuur. Conceptueel is het zinvol dat D en L variantie in het voorspellen van geschreven taal omdat woordherkenning de taalkundige vaardigheden van de fonologie, semantiek en discours in de zin en tekst niveaus20 houdtzou delen. Ook moet taalkundig begrip verbinding hebben met orthografische representaties van fonemen, morfemen, woorden, zinnen en discours als tekst begrepen21. Vermenigvuldiging van D door L oplevert geen kennis gedeeld door deze onderdelen. Alleen de ontleding van de variantie in wat is er uniek en wat wordt gedeeld door D en L in voorspellende R zal onthullen de geïntegreerde kennis cruciaal voor het succes van educatieve interventies.

De ene studie door Foorman et al. 19 , die de variantie van begrijpend lezen in wat is er uniek en wat gemeen wordt gedeeld door D en L ontleed in dienst een latente variabele modelleren aanpak. Het volgende protocol blijkt de techniek met gegevens van studenten in de rangen 1, 7 en 10, op basis van één waargenomen variabelen voor D (getimede decodering), L (receptieve woordenschat) en R (gestandaardiseerde test van begrijpend lezen) om het proces van ontbinding gemakkelijk te begrijpen. De gegevens vormen een subset van de gegevens van 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

Opmerking: De volgende stappen beschrijven ontbindend totale variantie in een afhankelijke variabele (Y) in afwijking van de unieke gemeenschappelijke variantieen onverklaarbare afwijking componenten op basis van twee geselecteerde onafhankelijke variabelen (genoemd Equation 1 en Equation 2 in dit voorbeeld) gebruik van software met een grafische gebruikersinterface en de software van het beheer van de gegevens (Zie Tabel van materialen).

1. het lezen van gegevens in Software met een grafische gebruikersinterface

  1. Klik op bestand.
    1. Beweeg de muis over Open.
    2. Klik op gegevens.
  2. Zoek het relevante bestand op de computer.
    1. Als het bestandstype niet overeen met de software met een grafische user interface komt, klik op Bestandstypen en selecteer de juiste bestandsindeling.
  3. Klik op Open.

2. de schatting van de variantie verklaard in de afhankelijke variabele (Y)

  1. Totale variantie verklaard gebaseerd op twee onafhankelijke variabelen — totale R2.
    Opmerking: Een R-waarde2 staat bekend als de determinatiecoëfficiënt en vertegenwoordigt het deel van de variantie voor een afhankelijke variabele die wordt verklaard door een aantal onafhankelijke variabelen.
    1. Klik op analyseren en beweeg de muis over de regressie en selecteer lineaire.
    2. Klik op de afhankelijke variabele in de variabele lijst. Klik op de pijl naast afhankelijk.
    3. Klik op de twee onafhankelijke variabelen (X1 en X2) in de variabele lijst. Klik op de pijl naast Independent(s).
    4. Klik op OK.
    5. Klik op het venster van de viewer van de software.
      1. Gebruik de muis om te bladeren naar de paragraaf Model samenvatting. Opnemen van de waarde in de kolom R-kwadraat en label deze waarde totale R2.
  2. Totale variantie verklaard op basis vanEquation 3
    1. Herhaal stap 2.1.1 via 2.1.4 alleen met Equation 1 in de lijst van de onafhankelijke variabele.
    2. Klik op het venster van de viewer van de software.
      1. Gebruik de muis om te bladeren naar de paragraaf Model samenvatting. Opnemen van de waarde in de kolom R-kwadraat en label deze waarde Equation 1 R2.
  3. Totale variantie verklaard op basis vanEquation 4
    1. Herhaal stap 2.1.1 via 2.1.4 alleen met Equation 2 in de lijst van de onafhankelijke variabele.
    2. Klik op het venster van de viewer van de software.
      1. Gebruik de muis om te bladeren naar de paragraaf Model samenvatting. Opnemen van de waarde in de kolom R-kwadraat en label deze waarde Equation 2 R2.

3. informatica de unieke, gemeenschappelijke en onverklaarbare afwijking onderdelen

  1. Open de beheersoftware van gegevens.
  2. Voer de labels van de totale R2, Equation 3 R2, en Equation 4 R2 in cellen A1, B1 en C1, respectievelijk.
  3. Voer de waarde van de totale R2 uit stap 2.1.5.1 in cel A2.
  4. Voer de Equation 1 R2 waarde uit stap 2.2.2.1 in cel B2.
  5. Voer de Equation 2 R2 waarde uit stap 2.3.2.1 in cel C2.
  6. Berekenen de unieke variantie van variabele 1 (UEquation 1R2) in de data managementsoftware.
    1. In cel D2 type: "= A2-C2" (dat wil zeggen, totale R2 min Equation 2 R2). In cel D1 label deze waarde UEquation 1R2.
  7. Berekenen de unieke variantie van variabele 2 (UEquation 2R2) in de data managementsoftware.
    1. In cel E2-type: "= A2-B2" (dat wil zeggen, totale R2 min Equation 1 R2). In cel E1 label deze waarde UEquation 2R2.
  8. Berekenen van de gemeenschappelijke variantie tussen variabelen 1 en 2 (CEquation 5R2) in de data managementsoftware.
    1. In cel F2-type: "= A2-D2-E2" (dat wil zeggen, totale R2 min UEquation 1R2 min UEquation 2R2). In cel F1 label deze waarde CEquation 5R2.
  9. Bereken de onverklaarbare afwijking (e) in de data managementsoftware.
    1. In cel G2 type: "1-A2 =" (dat wil zeggen, 1-totaal R2). In cel G1 label deze waarde e.

4. het uitzetten van de UX1R2, UX2R,2, C,X1X2R2en e waarden

Opmerking: De waarden in de cellen D2, E2, F2 en G2 worden uitgezet.

  1. Klik en sleep de muis over de cellen D2, E2, F2 en G2 om de gegevens te markeren.
  2. Klik op Invoegen op het lint van de beheersoftware van gegevens.
  3. Klik op grafieken | Cirkeldiagram | 2D-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

Het doel van deze studie was om te onderzoeken van de bijdragen van unieke en gemeenschappelijke variantie van taal (L) en decoderen (D) te voorspellen leesvaardigheid (R) in de rangen 1, 7 en 10 in Florida, een staat waarvan bevolkingssamenstelling representatief zijn voor de natie als een geheel. Er waren twee hypothesen over de voorspellingen van de variantie verklaard in begrijpend lezen. Eerst, na de onderbouw, de unieke bijdrage van D zal aanzienlijk dalen, en de unieke bijdrage van L zal toenemen. Ten tweede, de unieke bijdrage van L en de gedeelde bijdragen van D- en L zal aanzienlijk zijn goed voor de meerderheid van de variantie buiten de onderbouw.

Deelnemers werden 372 studenten in rang 1, 299 studenten in de klas 7 en 122 studenten in de klas 10 in algemeen onderwijs klaslokalen van 18 scholen in twee grote stedelijke districten in Florida (één in Noord-Florida en de andere in Centraal Florida). De studie gevolgd richtsnoeren voor menselijke proefpersonen en ouderlijke toestemming was verkregen. De etnische verdeling over kwaliteiten voor de studie was: ongeveer 30% zwart; 30% Hispanic; 30% white; 5% Aziatisch, 3% multiculturele; 2% andere. Het bereik van deelname aan het programma van de federale lunch bij de 18 deelnemende scholen was van 21,5% tot 100%, met een gemiddelde van 59%.

Single, waarneembare maatregelen voor D, L en R werden geselecteerd voor de regressieanalyses. De maatregel decoderen was tijd-beperkte (45 s) zicht woord decodering van de Test van Word lezing efficiëntie-2-22. L werd gemeten door een receptieve woordenschat test, de Peabody foto woordenschat Test (PPVT-4)23, op grote schaal gebruikt in de deelnemende scholen. Studenten zien vier foto's in deze maatregel, en punt aan degene die het woord de examinator toont zegt. R werd beoordeeld met een begrijpend nationaal-genormeerde lezen test, de Gates-MacGinitie lezing Test-4 (GMAT-4)24. De GMAT-4 wordt beheerd in groepjes van 10 leerlingen in leerjaar 1. Studenten lezen delen van een passage en aangeven van de foto dat overeenkomt met de passage. De GMAT-4 is groep-toegediend in de rangen 7 en 10. Passages bestaan uit zowel literaire als informatieve tekst en vragen zijn zowel letterlijke en toetsende en verschijnen in een multiple-choice format. Studenten kunnen terug kijken naar de passage. Voor alle drie maatregelen zaten coëfficiënten voor betrouwbaarheid boven 0.90. Een geplande ontbrekende gegevens ontwerp met drie vormen werd gebruikt ter vermindering van de beproeving tijd. De D- en L maatregelen werden toegediend in een sessie en het begrijpend lezen te testen in een andere sessie.

De regressie-analyse voor rang 1 goed voor 60% van de totale variantie in begrijpend lezen. De afwijking van de individuele modellen toonde aan dat het aandeel van variantie in leesvaardigheid vanwege D was 43% en dat afzonderlijk, het aandeel van variantie in leesvaardigheid vanwege L 36%. Deze schattingen van de variantie zijn de gekwadrateerde correlatie van afzonderlijke statistische modellen van elke voorspeller en resultaat, dat is de reden waarom hun som van afzonderlijke modellen (43 + 36 = 79) groter was dan de totale hoeveelheid variantie verklaard (60%). Wanneer de totale variantie in rang 1 werd ontleed in unieke en gemeenschappelijke effecten, D uniek uitgelegd 24% van de variantie in de R en L uniek verklaard 17% (Zie Figuur 1). De gemeenschappelijke variantie van D en L bedroeg 19%.

Figure 1
Figuur 1. Total procent van de variantie verklaard in rang 1 lezing begrip ontleed in unieke en gemeenschappelijke effecten van taal en decoderen en onverklaarbare afwijking. Klik hier voor een grotere versie van dit cijfer.

In rang 7 goed de regressie-analyse voor 53% van de totale variantie in begrijpend lezen. De afwijking van de individuele modellen toonde aan dat het aandeel van variantie in leesvaardigheid vanwege D 25 was % en het aandeel van variantie in leesvaardigheid vanwege L 46%. Figuur 2 toont dat D uniek 7% van de variantie in R uitgelegd en dat L 28% verklaard. De gemeenschappelijke variantie van D en L in het verklaren van de variantie in R was 18%.

Figure 2
Figuur 2. Total procent van de variantie verklaard in rang 7 lezing begrip ontleed in unieke en gemeenschappelijke effecten van taal en decoderen en onverklaarbare afwijking. Klik hier voor een grotere versie van dit cijfer.

De regressie-analyse verantwoord in de klas 10, 61% van de totale variantie in begrijpend lezen. De afwijking van de individuele modellen toonde aan dat het aandeel van variantie in leesvaardigheid vanwege D 19 was % en het aandeel van variantie in leesvaardigheid vanwege L 54%. Figuur 3 toont dat D uniek goed voor 6% van de variantie, overwegende dat L uniek goed voor 42% van de variantie. De gemeenschappelijke variantie van D en L in het verklaren van de variantie in R was 13%.

Figure 3
Figuur 3. Total procent van de variantie verklaard in grade 10 lezing begrip ontleed in unieke en gemeenschappelijke effecten van taal en decoderen en onverklaarbare afwijking. Klik hier voor een grotere versie van dit cijfer.

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

Er zijn drie essentiële stappen in het protocol voor ontbinding van de variantie in de R in de unieke en gemeenschappelijke variantie te wijten aan L en overleden Eerst, aftrekken van de R-2 in de alleen-L model uit het volledige model te verkrijgen van de unieke R2 voor D. Ten tweede, de R-2 voor het alleen-D model uit het volledige model te verkrijgen van de unieke R2 voor derde L., om de gemeenschappelijke variantie verklaard door L en D, aftrekken van de som van de twee unieke R2 uit de R-2 voor het volledige model van aftrekken.

Wijzigingen in het protocol zou nodig zijn als latente variabelen voor D en L vervangen de dummy codes voor de waargenomen maatregelen van getimede decoderen en receptieve woordenschat gebruikt hier en als controle variabelen zoals sociaal-economische status (SES), gender, en race / etniciteit worden aan het model toegevoegd. Alternatieven voor het plotten van de resultaten in cirkeldiagrammen kunnen ook worden beschouwd, zoals het gebruik van Venn-diagrammen. Cirkeldiagrammen werden hier gebruikt zodat percentages van onverklaarbare afwijking, alsmede afwijkingen van de unieke en gemeenschappelijk kunnen worden weergegeven.

Er zijn beperkingen aan de toepassing van de methode zoals aangegeven in deze studie. Om het protocol te vereenvoudigen, wij een waarneembare maatregel voor D, L en R in plaats van met behulp van de latente variabele aanpak we meestal nemen naar controle meting fout19modellering geselecteerd. We uitgeschakeld besturingselement variabelen zoals SES, geslacht en ras/etniciteit en transversale gegevens met een geplande ontbrekende gegevens ontwerp in plaats van volledige longitudinale gegevens gebruikt. We gericht op ontbindend variantie op het niveau van de individuele student in plaats van clustering studenten binnen klaslokalen en scholen. Tot slot, de methode die wordt weergegeven in het protocol voor ontbindend variantie in percentages van unieke en gemeenschappelijke effecten van L- en D in voorspellende R beschrijvende resultaten oplevert. Er is geen gemakkelijke manier om te verkrijgen van een formele statistische toets van de betekenis van de gemeenschappelijke variantie.

Deze techniek voor ontbinding van de variantie in de R in de unieke en gemeenschappelijke effecten als gevolg van L- en D heeft belangrijke voordelen ten opzichte van bestaande methoden uitsluitend om unieke effecten te bekijken. Vooral illustreert de techniek hoe individuele verschil kenmerken van covary en hoe een uniek effect in vergelijking met het effect verbleken kan gedeeld met een ander kenmerk. De analyses die voortvloeien uit het huidige protocol toonden dat aanzienlijke bedragen van variantie in begrijpend lezen als gevolg van de gemeenschappelijke effecten van D- en L (variërend van 19% in rang 1 tot en met 13% in de klas 10) die leek te komen ten koste van de unieke Bijdrageinmiljoen D over de rangen. Met andere woorden, toonden de regressie-resultaten dat een daling in de verhouding van de variantie verklaard door D van 43% in rang 1 tot en met 25% in rang 7 tot en met 19% in de klas 10. Wanneer de afwijking werd ontleed, de unieke bijdrage van D in rang 1 was echter slechts 24% en daalde die in de rangen 7 en 10 tot en met 7% en 6%, respectievelijk. Deze bevinding heeft belangrijke educatieve consequenties, omdat de nadruk op de decodering in interventies in de elementaire kwaliteiten uit het unieke effect van D in regressie resultaten ondanks de zwakke effecten komt van interventies in de bovenste elementaire decodering en secundaire kwaliteiten in een meta-analyse-25. Het bedrag van de gemeenschappelijke afwijking die D en L samen verklaren in het voorspellen van de leesvaardigheid, met name in de elementaire kwaliteiten, suggereert dat er meer instructie nadruk moet worden gelegd op de integratie van taalkundige kennis op het woord-niveau26,27.

Regressie resultaten voor L toonde een redelijk constant foto van L aanzienlijke proporties van variantie aan begrijpend lezen over de kwaliteiten, 36% in rang 1 tot en met 54% in rang 10 bij te dragen. Wanneer de methode van de variantie ontbindend werd gebruikt, toonde de unieke bijdrage van L over de rangen echter een dramatische stijging van 17% in klas 1 tot en met 28% in rang 7, tot 42% in rang 10. De bevinding dat L accounts voor zo veel variantie in R in de secundaire kwaliteiten is nog herkenbaar in de SVR uitgevoerde onderzoeken van een latente variabele modelleren aanpak16,17,19 , en stelt de waarde van instructie op de linguïstische elementen waardoor tekst samenhangend26,28.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

De auteurs verklaren dat zij geen concurrerende financiële belangen hebben.

Acknowledgments

Het onderzoek hier gemeld werd gesteund door het Instituut van Wetenschappen, US Department of Education, via een subaward naar de Florida State University van Grant R305F100005 aan de Educational Testing Service als onderdeel van de lezing voor begrip Initiatief. De meningen zijn die van de auteurs en geven niet de standpunten van het Instituut, het Amerikaanse ministerie van onderwijs, de Educational Testing Service of 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).
Ontbinding van de variantie in het begrijpend lezen te onthullen van de unieke en gemeenschappelijke effecten van taal en decoderen
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