Login processing...

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

Behavior

Zerlegung der Varianz in Leseverständnis, die einzigartige und gemeinsame Effekte der Sprache zu offenbaren und Dekodierung

doi: 10.3791/58557 Published: October 11, 2018

Summary

Hier präsentieren wir ein Protokoll für die Zerlegung der Varianz im Leseverständnis in die einzigartige und gemeinsame Effekte von Sprache und Decodierung.

Abstract

Der einfache View of Reading ist ein beliebtes Modell des Lesens, die behauptet, lesen ist das Produkt der Dekodierung und Sprache bei jeder Komponente eindeutig Vorhersage Leseverständnis. Obwohl Forscher argumentiert haben, ob die Summe nicht auf das Produkt der Komponenten der bessere Prädiktor ist haben kein Forscher die Varianz erklärt um zu prüfen, inwieweit die Varianz bei der Vorhersage Lesung Komponenten teilen partitioniert. Um die Varianz zu zersetzen, subtrahieren wir die R-2 für die Sprache nur Modell aus dem vollständigen Modell, die einzigartige R2 für die Dekodierung zu erhalten. Zweitens, subtrahieren wir die R-2 für die Decodierung-nur Modell aus dem vollständigen Modell, die einzigartige R2 für Sprache zu erhalten. Drittens um die gemeinsame Varianz zu erhalten, erklärte durch Sprache und dekodieren, subtrahieren wir die Summe von zwei einzigartigen R2 R2 für das vollständige Modell. Die Methode zeigt sich in einen regressionsansatz mit Daten von Schüler der Klassen 1 (n = 372), 6 (n = 309), und 10 (n = 122) unter Verwendung eines beobachteten Maßes für Sprache (rezeptiven Wortschatz) und Decodierung (zeitgesteuerte Wort lesen) Leseverständnis (standardisierter Test). Die Ergebnisse zeigen eine relativ große Menge an Varianz im Leseverständnis in Klasse 1 erklärt durch die gemeinsame Varianz in der Decodierung und Sprache. Durch die 10. Klasse ist es die einzigartige Wirkung von Sprache und die gemeinsame Wirkung von Sprache und Decodierung, die die Mehrheit der Varianz im Leseverständnis erklärt. Ergebnisse werden im Rahmen einer erweiterten Version der einfachen Ansicht Lesung diskutiert, die einzigartige und geteilt Wirkung von Sprache und Decodierung bei der Vorhersage Leseverständnis hält.

Introduction

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

Die einfache Ansicht von Reading1 (SVR) weiterhin als ein populäres Modell des Lesens wegen seiner Einfachheit-Lesung (R) ist das Produkt der Decodierung (D) und Sprache (L)- und weil SVR neigt zu erklären, im Durchschnitt etwa 60 % der erklärte Varianz in Lesung Verständnis-2. SVR prognostiziert, dass die Korrelationen zwischen D und R im Laufe der Zeit sinken, Korrelationen zwischen L und R im Laufe der Zeit zunehmen. Studien unterstützen in der Regel diese Vorhersage3,4,5. Gibt es Meinungsverschiedenheiten, aber über die funktionale Form der SVR, mit Additiven Modellen (D + L = R) deutlich mehr Varianz im Leseverständnis als Produktmodelle zu erklären (D × L = R)6,7,8, und ein Kombination aus Summe und Produkt [R = D + L + (D × L) erklärt den größten Anteil der Varianz bei der Lektüre Verständnis3,9.

Vor kurzem hat das SVR-Modell über Regressionen anhand der beobachteten Variablen latente Variablen modellieren mit bestätigende Fabrik Analyse und Modellierung der strukturellen Gleichung erweitert. D wird in der Regel mit ohne Zeitangabe oder zeitgesteuerte Lesung der reale Wörter und/oder Nonwords vermessen und R bemisst sich in der Regel durch einen standardisierten Lesetest, die Alphabetisierung und informativen Passagen gefolgt von Multiple-Choice-Fragen enthält. L wird in der Regel durch Tests der expressiven und rezeptiven Wortschatz und vor allem in den primären Qualitäten durch Maßnahmen der expressiven und rezeptiven Syntax und Hörverstehen gemessen. Meisten longitudinale Studien berichten, dass L eindimensional10,11,12,13. Eine andere Längsschnittstudie14 meldet jedoch eine zwei-Faktor-Struktur für L in den primären Qualitäten und einer eindimensionalen Struktur in den Klassen 4 und 8. Cross-Sectional Studien berichten, dass ein Bifactor Modell am besten die Daten passt und R15,16,17,18 prognostiziert. Z.B. Foorman Et al. 16 eindimensional, drei-Faktor, vier-Faktoren und Bifactor Modelle der SVR Daten vom Schüler der Klassen 4 bis 10 verglichen und festgestellt, dass ein Bifactor-Modell am besten passt und 72 % bis 99 % der Varianz im R. erklärt Ein allgemeine L-Faktor erklärte Varianz in allen sieben Qualitäten und Wortschatz und Syntax eindeutig erklärte Varianz nur in einer Klasse. Obwohl der D-Anteil mäßig mit L und R in allen Klassen korreliert war (0,40-0,60 und 0,47-0,74, beziehungsweise), es war nicht eindeutig korreliert mit R in Anwesenheit der allgemeinen L-Faktor.

Auch wenn latente Variablen modellieren erweiterte SVR hat von Licht auf die Dimensionalität der L und die einzigartige Rolle L bei der Vorhersage des R über den primären Qualitäten, keine Studien der SVR bis auf eine durch Foorman Et al. 19 haben die Varianz im Leseverständnis in was eindeutig D und L soll und was gemeinsam ist partitioniert. Dies ist eine große Lücke in der Literatur. Begrifflich ist es sinnvoll, dass D und L Varianz bei der Vorhersage Schriftsprache, da Worterkennung die sprachlichen Fähigkeiten der Phonologie, Semantik und Diskurs bei den Satz und Text Ebenen20 umfasstteilen würde. Ebenso muss Sprachverständnis mit orthogonalen Darstellungen der Phoneme, Morpheme, Wörter, Sätze und Diskurs verbunden sein, wenn Text verstanden21sein soll. D l Multiplikation Ausbeute nicht von diesen Komponenten geteiltes Wissen. Nur Zerlegung der Varianz in was einzigartig ist und was von D und L in Vorhersage R geteilt wird wird das integrierte Wissen entscheidend für den Erfolg der pädagogische Interventionen zeigen.

Eine Studie von Foorman Et al. 19 , die die Varianz der Leseverständnis in was einzigartig ist und was von D und L gemeinsam ist zerlegt beschäftigt eine latente Variable Modellierung. Das folgende Protokoll demonstriert die Technik mit Daten der Schüler der Klassen 1, 7 und 10 basierend auf einzelnen beobachteten Variablen D (zeitgesteuerte Decodierung), L (rezeptiven Wortschatz) und R (standardisiert Verständnistest lesen) zu den Zersetzungsprozess leicht zu verstehen. Die Daten stellen eine Teilmenge der Daten aus 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

Hinweis: Die folgenden Schritte beschreiben verwesenden Gesamtvarianz in eine abhängige Variable (Y) in einzigartige Varianz, gemeinsame Varianzund unerklärte Varianz Komponenten basierend auf zwei ausgewählten unabhängigen Variablen (so genannte Equation 1 und Equation 2 in diesem Beispiel) mit der Software mit einer grafischen Benutzeroberfläche und Daten-Management-Software (siehe Tabelle der Materialien).

(1) Lesen von Daten in die Software mit einer grafischen Benutzeroberfläche

  1. Klicken Sie auf Datei.
    1. Bewegen Sie die Maus über geöffnet.
    2. Klicken Sie auf Daten.
  2. Suchen Sie die relevanten Daten-Datei auf dem Computer.
    1. Wenn der Dateityp nicht konsistent mit der Software mit einer grafischen Benutzeroberfläche ist, klicken Sie auf Dateityp , und wählen Sie das entsprechende Dateiformat.
  3. Klicken Sie auf offen.

2. Schätzung der Varianz erklärt in die abhängige Variable (Y)

  1. Totale Varianz erklärt basiert auf zwei unabhängigen Variablen — R2.
    Hinweis: Ein R-2 -Wert ist der Bestimmungskoeffizient genannt und repräsentiert den Anteil der Varianz für eine abhängige Variable, die durch eine Reihe von unabhängigen Variablen erklärt wird.
    1. Klicken Sie auf analysieren und bewegen Sie den Mauszeiger über Regression und wählen Sie lineare.
    2. Klicken Sie auf die abhängige Variable in der Variablenliste. Klicken Sie auf den Pfeil neben angewiesen.
    3. Klicken Sie auf die zwei unabhängigen Variablen (X1 und X2) in der Variablenliste. Klicken Sie auf den Pfeil neben dem Independent(s).
    4. Klicken Sie auf "OK".
    5. Klicken Sie auf das Viewer-Fenster der Software.
      1. Verwenden Sie die Maus, um im Abschnitt Modell Zusammenfassungzu blättern. Nehmen Sie den Wert in der Spalte R-Quadrat und beschriften Sie diese Wert R2.
  2. Totale Varianz erklärt anhandEquation 3
    1. Wiederholen Sie die Schritte 2.1.1 bis 2.1.4 nur mit Equation 1 in der Liste der unabhängigen Variablen.
    2. Klicken Sie auf das Viewer-Fenster der Software.
      1. Verwenden Sie die Maus, um im Abschnitt Modell Zusammenfassungzu blättern. Nehmen Sie den Wert in der Spalte R-Quadrat und beschriften Sie diesen Wert Equation 1 R2.
  3. Totale Varianz erklärt anhandEquation 4
    1. Wiederholen Sie die Schritte 2.1.1 bis 2.1.4 nur mit Equation 2 in der Liste der unabhängigen Variablen.
    2. Klicken Sie auf das Viewer-Fenster der Software.
      1. Verwenden Sie die Maus, um im Abschnitt Modell Zusammenfassungzu blättern. Nehmen Sie den Wert in der Spalte R-Quadrat und beschriften Sie diesen Wert Equation 2 R2.

(3) computing die einzigartige, gemeinsame und unerklärliche Varianzkomponenten

  1. Öffnen Sie die Data-Management-Software.
  2. Geben Sie die Bezeichnungen R2, Equation 3 R2, und Equation 4 R2 in Zellen A1, B1 und C1, beziehungsweise.
  3. Geben Sie den gesamten R2 Wert aus Schritt 2.1.5.1 in Zelle A2.
  4. Geben Sie die Equation 1 R2 Wert aus Schritt 2.2.2.1 in Zelle B2.
  5. Geben Sie die Equation 2 R2 Wert aus Schritt 2.3.2.1 in Zelle C2.
  6. Berechnen Sie die einzigartige Varianz der Variable 1 (UEquation 1R2) in der Data-Management-Software.
    1. In Zelle D2 Typ: "= A2-C2" (d. h. insgesamt R2 minus Equation 2 R2). In Zelle D1 kennzeichnen diesen Wert UEquation 1R2.
  7. Berechnen Sie die einzigartige Varianz der Variable 2 (UEquation 2R2) in der Data-Management-Software.
    1. In Zelle E2 Typ: "= A2-B2" (d. h. insgesamt R2 minus Equation 1 R2). In Zelle E1 kennzeichnen diesen Wert UEquation 2R2.
  8. Berechnen Sie die gemeinsame Varianz zwischen Variablen 1 und 2 (CEquation 5R2) in der Data-Management-Software.
    1. In Zelle F2 Typ: "= A2-D2-E2" (d. h. insgesamt R2 minus UEquation 1R2 minus UEquation 2R2). In Zelle F1 kennzeichnen diesen Wert CEquation 5R2.
  9. Berechnen Sie die unerklärte Varianz (e) in der Data-Management-Software.
    1. In Zelle G2 Typ: "= 1-A2" (d. h. 1-Total R2). Dieser Wert e. label in Zelle G1

(4) plot der UX1R2, UX2R2CX1X2R2und e -Werte

Hinweis: Werte in Zellen D2, E2, F2 und G2 werden dargestellt.

  1. Klicken Sie und ziehen Sie die Maus über Zellen D2, E2, F2 und G2, um die Daten zu markieren.
  2. Klicken Sie auf Einfügen , auf der Multifunktionsleiste die Datenmanagement-Software.
  3. Klicken Sie auf Charts | Kreisdiagramm | 2-D-Kreisdiagramm.

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

Ziel dieser Studie war es zu untersuchen, die Beiträge der einzigartige und gemeinsame Varianz der Sprache (L) und Decodierung (D) zur Vorhersage Leseverständnis (R) in den Klassen 1, 7 und 10 in Florida, ein Staat dessen Demographie sind repräsentativ für die Nation als eine gesamte. Es gab zwei Hypothesen über Prognosen der Varianz erklärt im Leseverständnis. Zuerst nach der primären Qualitäten, ihren einzigartige Beitrag D verringert sich erheblich, und ihren einzigartige Beitrag L erhöht. Zweitens werden den einzigartigen Beitrag von L und die gemeinsamen Beiträge von D und L für die Mehrheit der Varianz über die primären Qualitäten deutlich ausmachen.

Teilnehmer waren 372 Schüler der Klasse 1, 299 Studenten in der Klasse 7 und 122 Studenten in der Klasse 10 in Allgemeinbildung Klassenräumen aus 18 Schulen in zwei großen Stadtteilen in Florida (eins in Nordflorida und andererseits in Zentral-Florida). Die Studie Richtlinien für Versuchspersonen befolgt und elterliche Einwilligung eingeholt wurde. Die Ethnizität Aufschlüsselung über Noten für die Studie war: ca. 30 % schwarz; 30 % Hispanic; 30 % weiße; 5 % Asien, 3 % multikulturelle; 2 % andere. Die Teilnahme am Programm der Bundesrepublik Mittagessen an den 18 teilnehmenden Schulen war von 21,5 % auf 100 %, mit einem Median von 59 %.

Einzel-, beobachtbare Maßnahmen für D, L und R für die Regressionsanalysen ausgewählt wurden. Die Maßnahme der Decodierung war zeitlich begrenzt (45 s) Anblick Wort Decodierung von Test von Word lesen Effizienz-2-22. L wurde durch einen rezeptiven Wortschatz-Test, der Peabody Picture Wortschatz zu prüfen (PPVT-4)23, am meisten benutzt in den teilnehmenden Schulen gemessen. Im Rahmen dieser Maßnahme Studenten sehen vier Bilder und Punkt, derjenige, der das Wort der Prüfer zeigt, sagt. R wurde bewertet mit National normierten Leseverständnis zu testen, die Gates-MacGinitie Lesung Test-4 (GMAT-4)24. Der GMAT-4 wird in kleinen Gruppen von 10 Schülern in der Klasse 1 verabreicht. Studenten lesen Sie Teil einer Passage und zeigen das Bild, das den Durchgang entspricht. Der GMAT-4 ist in den Jahrgangsstufen 7 und 10 Gruppe verwaltet. Passagen aus literarischen und informativen Text und Fragen sind sowohl im wörtlichen als auch im folgernd und erscheinen in einem Multiple-Choice-Format. Studenten können in der Passage zurückblicken. Für alle drei Maßnahmen lagen Koeffizienten für Zuverlässigkeit über 0.90. Eine geplante fehlende Datendesign mit drei Formen wurde verwendet, um die Testzeit zu reduzieren. Die D- und L-Maßnahmen wurden verabreicht in einer Sitzung und das Leseverständnis in einer anderen Sitzung zu testen.

Die Regressionsanalyse für Klasse 1 entfielen 60 % der Gesamtvarianz in Leseverständnis. Die individuelle Varianz Modelle zeigten, dass war der Anteil der Varianz im Leseverständnis durch D 43 % und die separat, lag der Anteil der Varianz im Leseverständnis durch L 36 %. Diese Varianz-Schätzungen sind die quadrierte Korrelation von separaten statistische Modelle der einzelnen Prädiktor und Ergebnis, weshalb ihre Summe von separate Modelle (43 + 36 = 79) größer ist als der Gesamtbetrag der Varianz erklärt (60 %) war. Wenn die Gesamtabweichung in der Klasse 1 in einzigartige und gemeinsame Effekte zerlegt wurde, erklärt D eindeutig, dass 24 % der Varianz in R und L 17 % eindeutig erklärt (siehe Abbildung 1). Die gemeinsame Varianz der D- und L betrug 19 %.

Figure 1
Abbildung 1: Insgesamt Prozent der Varianz erklärt in Klasse 1 Leseverständnis in einzigartige und gemeinsame Wirkung von Sprache und Decodierung zerlegt und unerklärte Varianz. Bitte klicken Sie hier für eine größere Version dieser Figur.

In der Klasse 7 entfielen die Regressionsanalyse 53 % der Gesamtvarianz in Leseverständnis. Die individuelle Varianz Modelle zeigten, dass war der Anteil der Varianz im Leseverständnis durch D 25 % und 46 % der Anteil der Varianz im Leseverständnis durch L war. Abbildung 2 zeigt, dass D eindeutig 7 % der Varianz in R erklärt und L 28 % erklärt. Die gemeinsame Varianz D und L bei der Erklärung Varianz in R 18 % war.

Figure 2
Abbildung 2: Insgesamt Prozent der Varianz erklärt in Klasse 7 Leseverständnis in einzigartige und gemeinsame Wirkung von Sprache und Decodierung zerlegt und unerklärte Varianz. Bitte klicken Sie hier für eine größere Version dieser Figur.

Die Regressionsanalyse entfielen in der Klasse 10 61 % der Gesamtvarianz in Leseverständnis. Die individuelle Varianz Modelle zeigten, dass war der Anteil der Varianz im Leseverständnis durch D 19 % und 54 % der Anteil der Varianz im Leseverständnis durch L war. Abbildung 3 zeigt, dass D eindeutig 6 % der Varianz entfielen, während L eindeutig 42 % der Varianz entfielen. Die gemeinsame Varianz der D- und L erklären Varianz in R betrug 13 %.

Figure 3
Abbildung 3. Insgesamt Prozent der Varianz erklärt in Jahrgangsstufe 10 Leseverständnis in einzigartige und gemeinsame Wirkung von Sprache und Decodierung zerlegt und unerklärte Varianz. Bitte klicken Sie hier für eine größere Version dieser Figur.

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

Es gibt drei wichtige Schritte im Protokoll für die Zerlegung der Varianz in R in einzigartige und gemeinsame Varianz durch L und D. Zuerst subtrahieren Sie R2 in der L-nur Modell aus dem vollständigen Modell zu der einzigartigen R2 für D. Zweitens: subtrahieren Sie R2 für die nur-D-Modell aus dem vollständigen Modell erhalten die einzigartige R2 für Dritte L., die gemeinsame Varianz erklärt sich durch L und D zu erhalten, ziehen Sie die Summe von zwei einzigartigen R2 R2 für das vollständige Modell.

Änderungen des Protokolls würde erforderlich sein, wenn latente Variablen für D und L ersetzt die Dummy-Codes für die beobachteten Maßnahmen der zeitgesteuerten Dekodierung und rezeptiven Wortschatz verwendet hier und wenn Stellgrößen wie sozio-ökonomischen Status (SES), Geschlecht und Rasse / Ethnizität sind dem Modell hinzugefügt. Alternativen zum Plotten die Ergebnisse in Kreisdiagrammen können auch betrachtet werden, wie die Verwendung von Venn-Diagramme. Kreisdiagramme wurden hier verwendet, so dass Prozentsätze der unerklärte Varianz sowie einzigartige und gemeinsame Abweichungen angezeigt werden können.

Gibt es Einschränkungen für die Anwendung der Methode, wie in dieser Studie gezeigt. Um das Protokoll zu vereinfachen, haben wir eine beobachtbare Maßnahme für D, L und R anstelle der latenten Variablen Modellierung nehmen wir in der Regel Messung Fehler19Steuern ausgewählt. Wir eliminiert Stellgrößen wie SES, Geschlecht und Rasse/Ethnizität und Cross-Sectional Daten mit einem geplanten fehlende Datendesign anstatt komplette Längsschnittdaten verwendet. Wir konzentrieren auf verwesenden Varianz auf der Ebene des einzelnen Schülers eher als clustering Studenten innerhalb von Klassen und Schulen. Schließlich liefert die Methode in das Protokoll für verwesenden Abweichung in Prozent der einzigartige und gemeinsame Effekte von L und D in Vorhersage R deskriptive Ergebnisse. Es gibt keine einfache Möglichkeit, einen formalen statistischen Test für die Bedeutung der gemeinsamen Varianz zu erhalten.

Diese Technik für die Zerlegung der Varianz in R in die einzigartige und gemeinsame Effekte durch L und D hat erhebliche Vorteile gegenüber bestehenden Methoden der Blick ausschließlich auf einzigartige Effekte. Am wichtigsten ist, zeigt die Technik wie Unterschied Einzelmerkmale covary und wie eine einzigartiger Wirkung im Vergleich zu den Effekt verblassen kann gemeinsam mit einem anderen Merkmal. Die Analysen aus dem aktuellen Protokoll hat gezeigt, dass erhebliche Mengen an Varianz im Leseverständnis durch die häufige Auswirkungen von D und L (reichend von 19 % in Klasse 1 bis 13 % in der Klasse 10) waren, die zu Lasten der einzigartigen kommen erschienen Beitrag in D über die Noten. In anderen Worten, zeigten die Regressionsergebnisse ein Rückgang des Anteils der Varianz entfielen von D aus 43 % in Klasse 1, 25 % in Klasse 7 bis 19 % in der Klasse 10. Jedoch wenn die Varianz zerlegt wurde, ihren einzigartige Beitrag D in Klasse 1 war nur 24 % und abgelehnt, die in Klasse 7 und 10, 7 % und 6 %, beziehungsweise. Dieser Befund hat wichtige pädagogische Implikationen, weil die Betonung der Decodierung bei Interventionen in der elementaren Qualitäten aus der einzigartigen Wirkung des D in Regressionsergebnisse trotz der schwachen Effekten der Decodierung Interventionen in der oberen Elementar kommt und Sekundäre Qualitäten in einer Meta-Analyse-25. Die Höhe der gemeinsamen Varianz, die D und L zusammen erklären, bei der Vorhersage, Leseverständnis, vor allem in der elementaren Qualitäten, legt nahe, dass mehr Lehr Wert auf die Integration der Sprachkenntnisse bei gelegt werden sollte die Wort-Level26,27.

Regressionsergebnisse für L zeigte ein ziemlich konstantes Bild von L trägt erhebliche Anteile der Abweichung zum Leseverständnis über die Noten, 36 % in Klasse 1 bis 54 % in der Klasse 10. Doch als die Methode der Zersetzung der Varianz verwendet wurde, zeigte ihren einzigartige Beitrag L über die Noten einen dramatischen Anstieg von 17 % in der Klasse 1 bis 28 % in der Klasse 7, 42 % in der Klasse 10. Die Feststellung, dass L-Konten für soviel Varianz in R in den sekundären Klassen wird noch deutlicher in der SVR-Studien, die aus einer latenten Variablen modellieren Ansatz16,17,19 und schlägt vor, den Wert des Unterrichts auf sprachliche Elemente, aus denen Text zusammenhängende26,28.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Die Autoren erklären, dass sie keine finanziellen Interessenkonflikte.

Acknowledgments

Die Forschung hier berichtet wurde vom Institut für Bildungswissenschaft, U.S. Department of Education, durch eine Subaward an der Florida State University von Grant R305F100005, Educational Testing Service im Rahmen der Lesung Verständnis unterstützt. Initiative. Die geäußerten Meinungen sind diejenigen der Autoren und repräsentieren nicht die Ansichten des Instituts, das US Department of Education, der Educational Testing Service oder 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).
Zerlegung der Varianz in Leseverständnis, die einzigartige und gemeinsame Effekte der Sprache zu offenbaren und Dekodierung
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