Login processing...

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

Behavior

La varianza nella comprensione della lettura per rivelare gli effetti unici e comuni di lingua di decomposizione e decodifica

doi: 10.3791/58557 Published: October 11, 2018

Summary

Qui presentiamo un protocollo per la decomposizione della varianza nella comprensione della lettura in effetti unici e comuni di lingua e decodifica.

Abstract

La semplice visualizzazione di lettura è un modello popolare di lettura che sostiene che la lettura è il prodotto di decodifica e lingua, con ogni componente in modo univoco di predizione comprensione della lettura. Anche se i ricercatori hanno sostenuto che se la somma, piuttosto che il prodotto dei componenti è il preannunciatore migliore, nessun ricercatori partizionato la varianza spiegata per esaminare la misura in cui i componenti condividono varianza nel predire la lettura. Per scomporre la varianza, sottraiamo R2 per il sola lingua modello dal modello completo per ottenere l'unico R2 per la decodifica. In secondo luogo, sottraiamo R2 per il modello solo per la decodifica del modello completo per ottenere l'unico R2 per lingua. In terzo luogo, per ottenere la varianza comune spiegato da lingua e decodifica, sottraiamo la somma delle uniche due R2 da R2 per il modello completo. Il metodo è illustrato in un approccio di regressione con dati da studenti nei gradi 1 (n = 372), 6 (n = 309) e 10 (n = 122) utilizzando una misura osservata della lingua (Vocabolario ricettivo), decodifica (lettura di parola temporizzato) e comprensione del testo (test standardizzato). I risultati rivelano una quantità relativamente grande di varianza nella lettura e comprensione ha spiegato in grado 1 dalla varianza comune nella decodifica e lingua. Di grado 10, tuttavia, è l'unico effetto della lingua e l'effetto comune di lingua e di decodifica che ha spiegato la maggior parte della varianza nella comprensione della lettura. I risultati sono discussi nel contesto di una versione estesa della semplice visualizzazione di lettura che considera gli effetti unico e condiviso di lingua e decodifica nella predizione di comprensione della lettura.

Introduction

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

La semplice visualizzazione di lettura1 (SVR) continua come un popolare modello di lettura a causa della sua semplicità-lettura (R) è il prodotto di decodifica (D) e la lingua (L)- e perché SVR tende a spiegare, in media, circa il 60% di spiegato varianza nella lettura comprensione2. SVR predice che le correlazioni tra D e R si ridurrà nel tempo e che le correlazioni tra L e R aumenterà nel corso del tempo. Gli studi sostengono generalmente questo pronostico3,4,5. Ci sono disaccordi, tuttavia, circa la forma funzionale di SVR, con modelli additivi (D + L = R) spiegando significativamente più varianza nella lettura e comprensione rispetto ai modelli prodotto (P × L = R)6,7,8e un combinazione di somma e prodotto [R = D + L + (P × L) che spiega la maggior quantità di varianza nella lettura comprensione3,9.

Recentemente il modello SVR ha ampliato di là di regressioni basati su variabili osservate alla modellazione variabile latente utilizzando analisi confermativa fabbrica e modellazione di equazioni strutturali. D è in genere misurata con lettura senza orario o temporizzata di parole reali e/o nonwords e R viene solitamente misurata da un test di lettura standardizzata che include passaggi informativi seguite da domande a scelta multipla e alfabetizzazione. L è in genere misurata dai test di vocabolario espressivo e ricettivo e, soprattutto nelle classi primarie, dalle misure della sintassi espressiva e ricettiva e comprensione orale. Più studi longitudinali segnalano che L è unidimensionale10,11,12,13. Tuttavia, un altro studio longitudinale14 segnala una struttura di due fattori per L in delle classi primarie e una struttura unidimensionale in gradi 4 e 8. Recenti studi cross-sectional segnalano che un modello di bifactor migliore si inserisce i dati e predice R15,16,17,18. Ad esempio, Foorman et al. 16 rispetto unidimensionale, fattore di tre, quattro-fattore e bifactor modelli di SVR nei dati da studenti nei gradi 4-10 e ho trovato che un modello di bifactor meglio si adatta e spiegato 72% al 99% della varianza in R. Un fattore generale L ha spiegato varianza in tutti i sette gradi, lessico e sintassi ha spiegato in modo univoco varianza solo in un grado ogni. Anche se il fattore D moderatamente è stato correlato con L e R in tutti i gradi (0.40-0.60 e 0,47-0,74, rispettivamente), che non era in modo univoco correlato con R in presenza del fattore generale di L.

Anche se latente variabile modellazione ha espanso SVR da mettere in luce la dimensionalità di L e il ruolo unico che L gioca nella predizione R di là delle classi primarie, nessuno studio di SVR tranne uno da Foorman et al. 19 hanno diviso la varianza nella lettura e comprensione in che cosa è dovuto unicamente a D e L e ciò che è condiviso in comune. Si tratta di una grande omissione nella letteratura. Concettualmente ha senso che D e L condividerebbero varianza nel predire la lingua scritta perché riconoscimento parola comporta le competenze linguistiche della fonologia, semantica e discorso presso la frase e testo livelli20. Allo stesso modo, comprensione linguistica deve essere collegato a rappresentazioni ortografiche di fonemi, morfemi, parole, frasi e discorso se testo è quello di essere capiti21. Moltiplicando D di L non produce la conoscenza condivisa da questi componenti. Solo la decomposizione della varianza in ciò che è unico e ciò che è condiviso dal D e L a R predizione rivelerà la conoscenza integrata cruciale per il successo degli interventi educativi.

Uno studio di Foorman et al. 19 che decomposto la varianza di comprensione della lettura in ciò che è unico e ciò che è comune a D e L impiegato una variabile latente approccio di modellazione. Il protocollo riportato di seguito viene illustrata la tecnica con dati da studenti nei gradi 1, 7 e 10 basato su singolo osservato variabili per D (decodifica temporizzata), L (Vocabolario ricettivo) e R (standardizzato prova di comprensione di lettura) per rendere il processo di decomposizione facile da capire. I dati rappresentano un sottoinsieme dei dati da 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

Nota: La procedura riportata di seguito descrive in decomposizione varianza totale in una variabile dipendente (Y) in componenti di varianza unica, varianza comunee varianza non spiegata basati su due variabili indipendenti selezionate (chiamate Equation 1 e Equation 2 per questo esempio) utilizzando il software con un'interfaccia utente grafica e software di gestione dati (Vedi Tabella materiali).

1. lettura dei dati nel Software con un'interfaccia utente grafica

  1. Fare clic sul File.
    1. Passa il mouse sopra aperta.
    2. Fare clic su dati.
  2. Individuare il file di dati rilevanti sul computer.
    1. Se il tipo di file non è compatibile con il software con un'interfaccia utente grafica, fare clic su Tipo file e selezionare il formato di file appropriato.
  3. Fare clic su aperta.

2. stimare la varianza spiegata nella variabile dipendente (Y)

  1. Varianza totale spiegata basato su due variabili indipendenti — totale R2.
    Nota: Un valore di2 Rè noto come il coefficiente di determinazione e rappresenta la percentuale di varianza per una variabile dipendente che è spiegata da un insieme di variabili indipendenti.
    1. Fare clic su analizza e posiziona il mouse sulla regressione e selezionare lineare.
    2. Fare clic sulla variabile dipendente nell'elenco delle variabili. Quindi fare clic sulla freccia accanto al dipendente.
    3. Fare clic su due variabili indipendenti (X1 e X2) nell'elenco delle variabili. Fare clic sulla freccia accanto a Independent(s).
    4. Fare clic su OK.
    5. Fare clic sulla finestra di visualizzazione del software.
      1. Utilizzare il mouse per scorrere fino alla sezione denominata Riepilogo modello. Registrare il valore nella colonna R Square ed etichettare questo valore totale R2.
  2. Varianza totale spiegata sulla base diEquation 3
    1. Ripetere i passaggi da 2.1.1 attraverso 2.1.4 utilizzando solo Equation 1 nell'elenco variabile indipendente.
    2. Fare clic sulla finestra di visualizzazione del software.
      1. Utilizzare il mouse per scorrere fino alla sezione denominata Riepilogo modello. Registrare il valore nella colonna R Square ed etichettare questo valore Equation 1 R2.
  3. Varianza totale spiegata sulla base diEquation 4
    1. Ripetere i passaggi da 2.1.1 attraverso 2.1.4 utilizzando solo Equation 2 nell'elenco variabile indipendente.
    2. Fare clic sulla finestra di visualizzazione del software.
      1. Utilizzare il mouse per scorrere fino alla sezione denominata Riepilogo modello. Registrare il valore nella colonna R Square ed etichettare questo valore Equation 2 R2.

3. le componenti di varianza unica, comune e non spiegata di calcolo

  1. Aprire il software di gestione dati.
  2. Immettere le etichette totale R2, Equation 3 R2, e Equation 4 R2 in celle A1, B1 e C1, rispettivamente.
  3. Immettere il valore2 totale Rdal passaggio 2.1.5.1 nella cella A2.
  4. Immettere il Equation 1 R2 valore dal punto 2.2.2.1 nella cella B2.
  5. Immettere il Equation 2 R2 valore dal passaggio 2.3.2.1 nella cella C2.
  6. Calcolare la varianza unica di variabile 1 (UEquation 1R2) nel software di gestione dati.
    1. Nella cella D2 digitare: "= A2-C2" (cioè, totale R2 meno Equation 2 R2). Nella cella D1 etichettare questo valore UEquation 1R2.
  7. Calcolare la varianza unica di 2 variabili (UEquation 2R2) nel software di gestione dati.
    1. Nella cella E2 tipo: "= A2-B2" (cioè, totale R2 meno Equation 1 R2). Nella cella E1 etichettare questo valore UEquation 2R2.
  8. Calcolare la varianza comune tra variabili 1 e 2 (CEquation 5R2) nel software di gestione dati.
    1. Nella cella F2 tipo: "= A2-D2-E2" (cioè, totale R2 meno UEquation 1R2 meno UEquation 2R2). Nella cella F1 etichettare questo valore CEquation 5R2.
  9. Calcolare la varianza non spiegata (e) nel software di gestione dati.
    1. Nel tipo di cella G2: "= 1-A2" (cioè, 1-totale R2). Nella cella G1 etichettare questo valore e.

4. tracciare la UX1R2, UX2R2, CX1X2R2ed e valori

Nota: I valori nelle celle D2, E2, F2 e G2 sono tracciati.

  1. Fare clic e trascinare il mouse sopra le celle D2, E2, F2 e G2 per evidenziare i dati.
  2. Fare clic su Inserisci sulla barra multifunzione del software di gestione dati.
  3. Fare clic su Charts | Grafico a torta | grafico a torta 2-D.

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'obiettivo di questo studio era di studiare i contributi di varianza unica e comune di lingua (L) e decodifica (D) per prevedere la lettura e comprensione (R) nei gradi 1, 7 e 10 in Florida, uno stato cui demografia sono rappresentante della nazione come un intero. C'erano due ipotesi per quanto riguarda le stime della varianza spiegata in lettura e comprensione. In primo luogo, dopo le classi primarie, il contributo unico di D significativamente diminuirà e aumenterà il contributo unico di L. In secondo luogo, il contributo unico di L e i contributi condivisi di D e L significativamente rappresenteranno per la maggior parte della varianza di là delle classi primarie.

I partecipanti erano 372 studenti in grado 1, 299 studenti in grado 7 e 122 in grado 10 nelle aule di formazione generale da 18 scuole in due grandi distretti urbani in Florida (uno in Florida del Nord e l'altra in Florida centrale). Lo studio ha seguito le linee guida per soggetti umani ed è stato ottenuto il consenso dei genitori. La ripartizione etnica attraverso gradi per lo studio era: circa il 30% nero; 30% ispanica; 30% bianco; 5% asiatici, 3 multiculturale; 2% altri. La gamma di partecipazione al programma federale pranzo presso le 18 scuole partecipanti era dal 21,5% al 100%, con una mediana di 59%.

Misure singole, osservabile per D, L e R sono state selezionate per l'analisi di regressione. La misura di decodifica era limitata nel tempo (45 s) vista parola decodifica dal Test di parola lettura efficienza-222. L è stata misurata da un test di Vocabolario ricettivo, il Peabody foto vocabolario Test (PPVT-4)23, ampiamente usato in scuole partecipanti. In questa misura, gli studenti vedere quattro immagini e punto a quella che raffigura la parola l'esaminatore dice. R è stata valutata con una comprensione di lettura normato a livello nazionale di prova, la Gates-MacGinitie lettura Test-4 (GMAT-4)24. Il GMAT-4 viene somministrato in piccoli gruppi di 10 studenti in grado 1. Gli studenti leggono parti di un passaggio e indicano l'immagine che corrisponde al passaggio. Il GMAT-4 è il gruppo-amministrato in gradi 7 e 10. Passaggi sono costituiti da testo letterario sia informativo e domande sono sia letterale e inferenziale e vengono visualizzati in un formato a scelta multipla. Gli studenti possono guardare indietro al passaggio. Per tutte le tre misure, coefficienti di affidabilità erano sopra 0.90. Una progettazione pianificata di dati mancanti con tre forme è stata utilizzata per ridurre il tempo di prova. Le misure D e L sono state amministrate in una sessione e la comprensione della lettura di prova in un'altra sessione.

L'analisi di regressione per il grado 1 rappresentavano il 60% della varianza totale in lettura e comprensione. I modelli di varianza individuale hanno mostrato che la percentuale di varianza nella lettura e comprensione a causa D era 43% e che separatamente, la percentuale di varianza nella lettura e comprensione a causa di L era 36%. Queste stime di varianza sono la correlazione al quadrato da modelli statistici separate di ciascun predittore e risultato, motivo per cui loro somma da modelli separati (43 + 36 = 79) era maggiore rispetto alla quantità totale di varianza spiegata (60%). Quando la varianza totale in grado 1 è stato scomposto in effetti unici e comuni, D spiegato in modo univoco il 24% della varianza in R e L ha spiegato in modo univoco 17% (Vedi Figura 1). La varianza comune di D e L era 19%.

Figure 1
Figura 1. Totale % di varianza spiegata in grado 1 comprensione scomposto in effetti unici e comuni di lingua e decodifica e varianza non spiegata. Clicca qui per visualizzare una versione più grande di questa figura.

Nel grado 7, l'analisi di regressione ha rappresentato per il 53% della varianza totale in lettura e comprensione. I modelli di varianza individuale hanno mostrato che la percentuale di varianza nella lettura e comprensione a causa D era 25% e la percentuale di varianza nella lettura e comprensione a causa di L era 46%. La figura 2 Mostra che D spiegato in modo univoco il 7% della varianza in R e che L ha spiegato il 28%. La varianza comune di D e L a spiegare la varianza in R era del 18%.

Figure 2
Figura 2. Totale % di varianza spiegata in grado 7 comprensione scomposto in effetti unici e comuni di lingua e decodifica e varianza non spiegata. Clicca qui per visualizzare una versione più grande di questa figura.

In grado 10, l'analisi di regressione hanno rappresentato il 61% della varianza totale in lettura e comprensione. I modelli di varianza individuale hanno mostrato che la percentuale di varianza nella lettura e comprensione a causa D era 19% e la percentuale di varianza nella lettura e comprensione a causa L 54%. La figura 3 Mostra che D ha rappresentato in modo univoco il 6% della varianza, considerando che L rappresentava in modo univoco il 42% della varianza. La varianza comune di D e L a spiegare la varianza in R è stata del 13%.

Figure 3
Figura 3. Totale % di varianza spiegata in grado 10 comprensione scomposto in effetti unici e comuni di lingua e decodifica e varianza non spiegata. Clicca qui per visualizzare una versione più grande di questa figura.

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

Ci sono tre passaggi critici nel protocollo per la decomposizione della varianza in R in varianza unica e comune a causa di L e D. In primo luogo, sottrarre la R2 nel modello L-solo dal modello completo per ottenere l'unico R2 per D. In secondo luogo, sottrarre la R2 per il modello D-solo dal modello completo di ottenere l'unico R2 per terzo L., di ottenere la varianza comune spiegata da L e D, sottrarre la somma delle uniche due R2 da R2 per il modello completo.

Modifiche al protocollo sarebbero necessaria se latente variabili per D e L sostituito i codici fittizi per le misure osservate della decodifica temporizzata e Vocabolario ricettivo usato qui e se le variabili di controllo come status socio-economico (SES), di genere e corsa / gruppo etnico vengono aggiunti al modello. Alternative alla stampa i risultati in grafici a torta possono anche essere considerate, come l'utilizzo di diagrammi di Venn. Grafici a torta sono stati usati qui in modo che percentuali di varianza non spiegata, come pure le varianze uniche e comune potrebbero essere visualizzate.

Ci sono limitazioni per l'applicazione del metodo, come mostrato in questo studio. Per semplificare il protocollo, abbiamo selezionato una misura osservabile per D, L ed R anziché utilizzare la variabile latente modellazione approccio che prendiamo solitamente per il controllo di errore di misura19. Abbiamo eliminato controllo variabili come SES, sesso e razza/etnia e utilizzato dati trasversali con una progettazione dati mancanti pianificata anziché completi dati longitudinali. Ci siamo concentrati sulla decomposizione di varianza a livello di singolo studente, piuttosto che gli studenti all'interno di scuole e aule di clustering. Infine, il metodo illustrato nel protocollo per la varianza in decomposizione in percentuali di effetti unici e comuni di L e D a R predizione produce risultati descrittivi. Non esiste nessun modo semplice per ottenere un test statistico formale del significato della varianza comune.

Questa tecnica di scomporre la varianza in R in effetti unici e comune a causa di L e D ha notevoli vantaggi rispetto ai metodi esistenti di guardare esclusivamente effetti unici. La cosa più importante, la tecnica illustra come singoli differenza caratteristiche covary e come uno effetto unico può impallidiscono in confronto ad effetto condiviso con un'altra caratteristica. Le analisi risultanti dal protocollo attuale ha mostrato che notevoli quantità di varianza nella comprensione del testo erano dovuto gli effetti comuni di D e L (che vanno dal 19% nel grado 1 al 13% in media 10) che è sembrato l'unico a scapito contributo in D sopra i gradi. In altre parole, i risultati di regressione hanno mostrato che un declino nella proporzione di varianza ascrivere alla D dal 43% nel grado 1 fino a 25% in grado 7 al 19% in grado 10. Tuttavia, quando la varianza è stato decomposto, il contributo unico di D in grado 1 era solo il 24% e che è diminuito in gradi 7 e 10 a 7% e 6%, rispettivamente. Questa scoperta ha importanti implicazioni educative perché l'enfasi sulla decodifica interventi nelle classi elementari proviene dall'effetto unico di D nei risultati di regressione nonostante gli effetti deboli di decodifica gli interventi nella tomaia elementare e gradi di secondari in una meta-analisi di25. La quantità di varianza comune che D e L insieme spiegano nel predire la comprensione del testo, soprattutto nei gradi elementari, suggerisce che più didattico dovrebbe essere l'accento sull'integrazione della conoscenza linguistica presso la parola-livello26,27.

Risultati di regressione per L ha mostrato una foto abbastanza costante L contribuendo notevoli proporzioni della varianza di comprensione della lettura attraverso i gradi, 36% nel grado 1 al 54% in grado 10. Tuttavia, quando è stato utilizzato il metodo della decomposizione della varianza, il contributo unico di L sopra i gradi hanno mostrato un aumento drammatico dal 17% in grado 1 al 28% nel grado 7, al 42% in grado 10. La constatazione che L account per varianza tanto in R nelle classi secondarie è ancora più evidente la SVR negli studi condotti da una variabile latente modellazione approccio16,17,19 e suggerisce il valore di istruzione sugli elementi linguistici che rendono il testo coeso26,28.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Gli autori dichiarano di non avere nessun concorrenti interessi finanziari.

Acknowledgments

La ricerca ha segnalata qui è stata sostenuta dall'Istituto di Scienze dell'educazione, US Department of Education, attraverso un subaward alla Florida State University da Grant R305F100005 per l'Educational Testing Service come parte della lettura per la comprensione Iniziativa. Le opinioni espresse sono quelle degli autori e non rappresentano opinioni dell'Istituto, l'US Department of Education, l'Educational Testing Service o 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).
La varianza nella comprensione della lettura per rivelare gli effetti unici e comuni di lingua di decomposizione e decodifica
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