Login processing...

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

Behavior

Décomposition de la Variance dans la compréhension de la lecture pour révéler les effets uniques et communs de la langue et le décodage

doi: 10.3791/58557 Published: October 11, 2018

Summary

Nous présentons ici un protocole de décomposition de la variance dans la compréhension de la lecture sur les effets uniques et communs de la langue et le décodage.

Abstract

La Simple vue de lecture est un modèle populaire de lecture qui prétend que la lecture est le produit de décodage et de la langue, chaque composant unique prédire la compréhension en lecture. Bien que les chercheurs ont fait valoir que la somme plutôt que le produit des composants est le meilleur prédicteur, aucun chercheur ne segmentent la variance expliquée à examiner le degré auquel les composants partagent la variance dans la prédiction de lecture. Pour décomposer la variance, nous soustrayons le R2 pour le modèle de langue uniquement du modèle complet pour obtenir l’unique R2 pour le décodage. Deuxièmement, nous soustrayons le R2 pour le modèle de décodage uniquement du modèle complet pour obtenir l’unique R2 pour la langue. Troisièmement, pour obtenir la variance commune expliquée par langue et décodage, nous soustrayons la somme de l’unique deux R2 R2 pour le modèle complet. La méthode est illustrée dans une approche de régression avec les données des étudiants dans les classes 1 (n = 372), 6 (n = 309) et 10 (n = 122) à l’aide d’une mesure observée du langage (vocabulaire réceptif), décodage (lecture mot chronométrée) et la compréhension de texte (test standardisé). Résultats révèlent une quantité relativement grande de variance expliquée en grade 1 de compréhension en lecture par la variance commune dans le décodage et la langue. En 10e année, cependant, c’est l’effet unique de la langue et l’effet commun de la langue et de décodage qui expliquent la majorité de la variance dans la compréhension en lecture. Résultats sont discutés dans le cadre d’une version élargie de la Simple vue de lecture qui tient compte des effets unique et partagé du langage et décodage pour prédire la compréhension en lecture.

Introduction

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

La Simple vue de lecture1 (SVR) continue comme un modèle de lecture en raison de sa simplicité-lecture (R) est le produit de décodage (D) et le langage (L)- et parce que le SVR a tendance à expliquer, en moyenne, environ 60 % des a expliqué variance en lecture compréhension2. SVR prédit que les corrélations entre D et R diminuera avec le temps et que les corrélations entre L et R augmentera au fil du temps. Les études confirment généralement cette prédiction3,4,5. Il existe cependant des désaccords, sur la forme fonctionnelle de SVR, avec des modèles additifs (D + L = R) expliquant la variance beaucoup plus dans la compréhension de texte que les modèles de produit (D × L = R)6,7,8et un combinaison de la somme et le produit [R = J + L + (D x L) expliquant la plus grande quantité de variance en lecture compréhension3,9.

Récemment, le modèle SVR a élargi au-delà des régressions fondées sur des variables observées à la modélisation de variables latente en utilisant l’analyse confirmatoire usine et modélisation par équation structurelle. D est généralement mesurée avec lecture non chronométrée ou chronométrée de mots réels ou nonwords, et R est généralement mesurée par un test de lecture normalisé qui comprend l’alphabétisation et des passages d’information suivies de questions à choix multiples. L est généralement mesurée par des tests de vocabulaire expressif et réceptif et, en particulier à l’école primaire, par des mesures de syntaxe expressive et réceptive et compréhension orale. La plupart des études longitudinales signalent que L est unidimensionnelle10,11,12,13. Cependant, une autre étude longitudinale14 rapports une structure de deux facteurs pour L dans l’école primaire et une structure unidimensionnelle de grade 4 et 8. Récentes études transversales rapportent qu’un modèle de bifactor meilleures concorde avec les données et prédit R15,16,17,18. Par exemple, ShadowSteps et al. 16 comparé unidimensionnelle, trois facteurs, quatre facteurs et bifactor modèles de SVR dans les données des élèves de 4-10 et constaté qu’un modèle bifactor conviennent le mieux et a expliqué 72 à 99 % de la variance dans R. Un facteur général de L a expliqué Cart dans tous les sept classes et vocabulaire et syntaxe unique explique variance que dans une nuance de chaque. Bien que le facteur D une corrélation modérée avec L et R dans toutes les catégories (0,40-0,60 et 0,47-0,74, respectivement), il n’est pas particulièrement bien corrélée avec R en présence du facteur général de L.

Même si la modélisation variable latente a SVR élargi de faire la lumière sur la dimensionnalité du L et le rôle unique que L joue dans la prédiction R au-delà de l’école primaire, aucune étude de SVR sauf un par ShadowSteps et al. 19 segmentent la variance dans la compréhension de la lecture dans ce qui est dû uniquement à D et L, et ce qui est partagé en commun. Il s’agit d’un gros oubli de la littérature. Sur le plan conceptuel, il est logique que D et L partageraient la variance dans la prédiction de langue écrite parce que la reconnaissance de la parole implique les compétences linguistiques phonologie, sémantique et discours à la phrase et du texte de niveaux20. De même, la compréhension linguistique doit être connectée à des représentations orthographiques de phonèmes, morphèmes, mots, phrases et discours si le texte doit être compris21. Multipliant D par L ne donne pas la connaissance partagée par ces composants. Seulement une décomposition de la variance dans ce qui est unique et ce qui est partagé par D et L en R prédire révélera la connaissance intégrée cruciale pour le succès des interventions éducatives.

L’étude de ShadowSteps et al. 19 qui se décompose de la variance de la compréhension de la lecture dans ce qui est unique et ce qui est partagé en commun par D et L emploi une variable latente, approche de modélisation. Le protocole suivant illustre la technique avec les données des étudiants dans les classes 1, 7 et 10 sur single chez variables D (décodage chronométré), L (vocabulaire réceptif) et R (standardisé selon le test de compréhension de lecture) pour rendre le processus de décomposition facile à comprendre. Les données représentent un sous-ensemble des données de ShadowSteps 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

Remarque : Les étapes suivantes décrivent la variance totale en décomposition dans une variable dépendante (Y) en composantes de variance unique, variance communeet variance inexpliquée basés sur deux variables indépendantes choisies (appelés Equation 1 et Equation 2 pour cet exemple) en utilisant le logiciel avec une interface utilisateur graphique et logiciel de gestion de données (voir la Table des matières).

1. lecture des données dans le logiciel avec une Interface utilisateur graphique

  1. Cliquez sur fichier.
    1. Survolez avec la souris ouverte.
    2. Cliquez sur données.
  2. Recherchez le fichier de données pertinentes sur l’ordinateur.
    1. Si le type de fichier n’est pas compatible avec le logiciel avec une interface utilisateur graphique, cliquez sur Types de fichiers et sélectionnez le format de fichier approprié.
  3. Cliquez sur ouvert.

2. estimer la Variance expliquée dans la Variable dépendante (Y)

  1. Total Variance expliqué basé sur deux Variables indépendantes — Total R2.
    Remarque : Une valeur de2 Rest connue comme le coefficient de détermination et représente la proportion de la variance d’une variable dépendante qui est expliquée par un ensemble de variables indépendantes.
    1. Cliquez sur Analyze et régression survolez avec la souris et sélectionnez linéaire.
    2. Cliquez sur la variable dépendante dans la liste variable. Cliquez ensuite sur la flèche en regard de charge.
    3. Cliquez sur les deux variables indépendantes (X1 et X2) dans la liste variable. Ensuite cliquez sur la flèche à côté de Independent(s).
    4. Cliquez sur OK.
    5. Cliquez sur la fenêtre du visualiseur du logiciel.
      1. Utilisez la souris pour faire défiler jusqu'à la section intitulée Résumé du modèle. Enregistrez la valeur dans la colonne R carré et étiqueter cette valeur Total R2.
  2. Total Variance expliqué basé surEquation 3
    1. Répétez les étapes 2.1.1 par 2.1.4 utilisant uniquement Equation 1 dans la liste de variable indépendante.
    2. Cliquez sur la fenêtre du visualiseur du logiciel.
      1. Utilisez la souris pour faire défiler jusqu'à la section intitulée Résumé du modèle. Enregistrez la valeur dans la colonne R carré et étiqueter cette valeur Equation 1 R2.
  3. Total Variance expliqué basé surEquation 4
    1. Répétez les étapes 2.1.1 par 2.1.4 utilisant uniquement Equation 2 dans la liste de variable indépendante.
    2. Cliquez sur la fenêtre du visualiseur du logiciel.
      1. Utilisez la souris pour faire défiler jusqu'à la section intitulée Résumé du modèle. Enregistrez la valeur dans la colonne R carré et étiqueter cette valeur Equation 2 R2.

3. calculer les composantes de la Variance inexpliquée, commun et Unique

  1. Ouvrez le logiciel de gestion de données.
  2. Saisissez les étiquettes Total R2, Equation 3 R2, et Equation 4 R2 dans les cellules A1, B1 et C1, respectivement.
  3. Entrez la valeur de2 Total Rde l’étape 2.1.5.1 dans la cellule A2.
  4. Entrer dans le Equation 1 R2 valeur de l’étape 2.2.2.1 dans la cellule B2.
  5. Entrer dans le Equation 2 R2 valeur de l’étape 2.3.2.1 dans la cellule C2.
  6. Calculer la Variance Unique de 1 Variable (UEquation 1R2) dans le logiciel de gestion de données.
    1. Dans la cellule D2 type : « = A2-C2 » (c.-à-d., Total R2 moins Equation 2 R2). Cette valeur U du libellé dans la cellule D1Equation 1R2.
  7. Calculer la Variance Unique de 2 Variable (UEquation 2R2) dans le logiciel de gestion de données.
    1. Dans la cellule E2 type : « = A2-B2 » (c.-à-d., Total R2 moins Equation 1 R2). Cette valeur U du libellé dans la cellule E1Equation 2R2.
  8. Calculer la Variance commune entre les Variables 1 et 2 (CEquation 5R2) dans le logiciel de gestion de données.
    1. Dans la cellule F2 type : « = A2-D2-E2 » (c'est-à-dire Total R2 moins UEquation 1R2 moins UEquation 2R2). Dans la cellule F1 étiqueter cette valeur CEquation 5R2.
  9. Calculer la Variance inexpliquée (e) dans le logiciel de gestion de données.
    1. Dans type de cellule G2 : « = 1-A2 » (c.-à-d., 1-Total R2). Dans la cellule G1 étiqueter cette valeur e.

4. tracer la UX1R2UX2R2, CX1X2R2et les valeurs de e

Remarque : Les valeurs dans les cellules D2, E2, F2 et G2 sont tracés.

  1. Cliquez et faites glisser la souris sur les cellules D2, E2, F2 et G2 pour mettre en surbrillance les données.
  2. Cliquez sur Insérer sur le ruban du logiciel de gestion de données.
  3. Cliquez sur Charts | Camembert | graphique en secteurs 2D.

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

L’objectif de cette étude était d’enquêter sur les contributions de variance unique et commune de langue (L) et décodage (D) pour prédire la compréhension (R) de grade 1, 7 et 10 en Floride, un Etat dont la démographie sont représentatifs de la nation comme un ensemble. Il y a deux hypothèses concernant les prévisions de la variance expliquée dans la compréhension en lecture. Tout d’abord, après l’école primaire, la contribution unique de D diminuera considérablement, et augmentera la contribution unique de L. Deuxièmement, la contribution unique de L et des contributions partagées de D et L significativement représenteront la majorité de variance au-delà de l’école primaire.

Y participaient 372 étudiants en année 1, 299 élèves de 7e année et 122 élèves de 10e année dans les classes d’enseignement général de 18 écoles de deux grands districts d’urban en Floride (une dans le nord de la Floride et l’autre en Floride centrale). L’étude de suivi des lignes directrices sur les sujets humains et consentement parental a été obtenu. La répartition ethnique dans l’ensemble de classes pour l’étude était : environ 30 % noir ; 30 % hispaniques ; 30 % blancs ; 5 % d’asiatiques, 3 % multiculturelle ; 2 % autres. La gamme de la participation au programme fédéral de déjeuner à 18 écoles participantes était de 21,5 % à 100 %, avec une moyenne de 59 %.

Unique, des mesures observables pour D, L et R ont été choisis pour les analyses de régression. La mesure de décodage est limitée dans le temps (45 s) vue de décodage de mot de l' essai de lecture mot efficacité-222. L a été mesurée par un test de vocabulaire réceptif, le Peabody Picture Vocabulary Test (EVIP-4)23, largement utilisé dans les écoles participantes. Dans cette mesure, étudiants voient quatre images et point à celui qui représente le mot de l’examinateur dit. R a été évaluée avec une compréhension de la lecture à l’échelle nationale-normé d’essai, les épreuves de lecture Gates-MacGinitie-4 (GMAT-4)24. Le GMAT-4 est administré en petits groupes de 10 étudiants en année 1. Les élèves lire des parties d’un passage et indiquent l’image qui correspond au passage. Le GMAT-4 est administré en groupe dans les classes 7 et 10. Passages sont constitués de texte littéraire et d’information et questions sont littéraux et déductives et apparaissent sous forme de questionnaire à choix multiple. Les étudiants peuvent revenir sur le passage. Pour les trois mesures, coefficients de fiabilité étaient au-dessus de 0,90. Un design de données manquantes prévue avec trois formes a servi à réduire le temps de test. Les mesures D et L ont été administrés dans une session et la compréhension de la lecture de test dans une autre session.

L’analyse de régression pour grade 1 représente 60 % de la variance totale en compréhension en lecture. Les modèles de variance individuelle a montré que la proportion de la variance dans la compréhension de texte en raison D était de 43 % et que séparément, la proportion de la variance dans la compréhension de texte en raison de L était de 36 %. Ces estimations de la variance sont la corrélation quadratique de modèles statistiques distinctes de chaque variable explicative et résultat, c’est pourquoi leur somme de modèles distincts (43 + 36 = 79) était supérieur au montant total de la variance expliquée (60 %). Lorsque la variance totale de grade 1 a été décomposée en effets uniques et communs, D a expliqué unique 24 % de la variance dans R et L unique a expliqué 17 % (voir Figure 1). La variance commune de D et L était de 19 %.

Figure 1
Figure 1. Total Pourcentage de variance expliquée en grade 1 lecture silencieuse décomposé en effets uniques et communs de la langue et de décodage et de variance inexpliquée. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.

En 7e année, l’analyse de régression représente 53 % de la variance totale en compréhension en lecture. Les modèles de variance individuelle a montré que la proportion de la variance dans la compréhension de texte en raison D était de 25 % et la proportion de la variance dans la compréhension de texte en raison de L était de 46 %. La figure 2 montre que D explique uniquement 7 % de la variance dans R et que L explique 28 %. La variance commune de D et L en expliquant l’écart dans l’affaire R était de 18 %.

Figure 2
Figure 2. Total Pourcentage de variance expliquée en grade 7 lecture silencieuse décomposé en effets uniques et communs de la langue et de décodage et de variance inexpliquée. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.

En 10e année, l’analyse de régression représente 61 % de la variance totale en compréhension en lecture. Les modèles de variance individuelle a montré que la proportion de la variance dans la compréhension de texte en raison D était de 19 % et la proportion de la variance dans la compréhension de texte en raison de L était de 54 %. La figure 3 montre que D unique représentait 6 % de la variance, considérant que L unique représente 42 % de la variance. La variance commune de D et L pour expliquer l’écart dans R est de 13 %.

Figure 3
Figure 3. Total Pourcentage de variance expliquée en grade 10 lecture silencieuse décomposé en effets uniques et communs de la langue et de décodage et de variance inexpliquée. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.

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

Il y a trois étapes essentielles dans le protocole de décomposition de la variance dans R en variance unique et commune en raison de L et D. Tout d’abord, soustraire le R2 dans le modèle L uniquement du modèle complet pour obtenir l’unique R2 pour D. En second lieu, soustraire le R2 pour le modèle D uniquement du modèle complet pour obtenir l’unique R2 pour le troisième L., pour obtenir la variance commune expliquée par L et D, de soustraire la somme de l’unique deux R2 R2 pour le modèle complet.

Modifications au protocole seraient nécessaire si latent variables pour D et L a remplacé les codes factices pour les mesures observées de décodage chronométré et vocabulaire réceptif utilisé ici, et si les variables de contrôle tels que le statut socioéconomique (SSE), sexe et race / l’origine ethnique sont ajoutés au modèle. Alternatives à tracer les résultats en camemberts peuvent également considérer, par exemple à l’aide de diagrammes de Venn. Camemberts servaient ici afin que le pourcentage de variance inexpliquée ainsi que des écarts uniques et communs pourrait être affiché.

Il n’y a des limites à l’application de la méthode comme indiqué dans la présente étude. Pour simplifier le protocole, nous avons choisi une mesure observable pour D, L et R au lieu d’utiliser la variable latente approche que nous prenons habituellement pour contrôler l' erreur de mesure19de modélisation. Nous avons éliminé les variables de contrôle tels que la race ou l’origine ethnique, le sexe et SES et utilisé données transversales avec un design de données manquantes prévues plutôt que complète des données longitudinales. Nous nous sommes concentrés sur la décomposition de la variance au niveau de l’élève plutôt que de regroupement des élèves dans les classes et les écoles. Enfin, la méthode indiquée dans le protocole pour la variance en décomposition en pourcentages des effets uniques et communs de L et D en prevision R donne des résultats descriptifs. Il n’y a aucun moyen facile d’obtenir un test statistique formel de la signification de la variance commune.

Cette technique de décomposition de la variance des effets unique et commun en raison de L et D R a des avantages significatifs par rapport aux méthodes existantes de regarder uniquement des effets uniques. Plus important encore, la technique illustre comment les caractéristiques de différence covarient et comment un effet unique peut pâlir en comparaison avec l’effet partagé avec une autre caractéristique. Les analyses résultant du protocole actuel a montré que des quantités substantielles de la variance dans la compréhension de la lecture étaient attribuables aux effets communs de D et L (allant de 19 % en grade 1 à 13 % au 10e) qui semblent se faire aux dépens de l’unique contribution en D sur les grades. En d’autres termes, les résultats de la régression ont montré qu'une diminution de la proportion de variance expliquée par D de 43 % en grade 1 à 25 % dans la catégorie 7 à 19 % au 10e. Toutefois, lorsque l’écart a été décomposé, la contribution unique de D en grade 1 n’était que de 24 % et qui ont diminué dans les classes 7 et 10 à 7 % et 6 %, respectivement. Cette constatation a des incidences importantes sur l’éducation parce que l’accent mis sur le décodage dans les interventions dans les classes élémentaires provient de l’effet unique de D dans résultats de la régression malgré les faibles effets de décodage des interventions dans le coin supérieur primaire et grades secondaires dans une méta-analyse de25. Le montant de variance commune D et L ensemble expliquant dans la prédiction de compréhension en lecture, en particulier dans les classes élémentaires, suggère que plus d’instruction devrait l’accent sur l’intégration des connaissances linguistiques à la Word-niveau26,27.

Résultats de la régression pour L a montré une photo assez constante de L contribuant des proportions importantes de variance pour la compréhension de la lecture à travers les degrés, 36 % en grade 1 à 54 % en 10e année. Toutefois, lorsqu’on utilise la méthode de décomposition de la variance, la contribution unique de L sur les grades a montré une augmentation spectaculaire de 17 % en année 1 à 28 % en 7e année, à 42 % en 10e année. La constatation que les comptes du grand livre pour variance tellement en R dans les classes secondaires est encore plus évident dans les études SVR menées depuis une variable latente modélisation approche16,17,19 et indique la valeur de l’instruction sur les éléments linguistiques qui font texte cohésif26,28.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Les auteurs déclarent qu’ils n’ont aucun intérêt financier concurrentes.

Acknowledgments

La recherche rapportée ici a été financée par l’Institut des Sciences de l’éducation, U.S. Department of Education, grâce à un subaward à Florida State University de Grant R305F100005 de l’Educational Testing Service, dans le cadre de la lecture pour la compréhension Initiative. Les opinions exprimées sont celles des auteurs et ne représentent pas les vues de l’Institut, le U.S. Department of Education, le Educational Testing Service ou 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).
Décomposition de la Variance dans la compréhension de la lecture pour révéler les effets uniques et communs de la langue et le décodage
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