Waiting
Login processing...

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

Behavior

Separasjon variansen i leseforståelse å avdekke unike og vanlige effekten av språk og dekoding

Published: October 11, 2018 doi: 10.3791/58557

Summary

Her presenterer vi en protokoll for separasjon variansen i leseforståelse på unike og felles virkningene av språk og dekoding.

Abstract

Enkel visning av lesing er en populær modell av lesing som hevder at lesing er produktet av dekoding og språk, med hver komponent unikt forutsi leseforståelse. Men forskere har hevdet om summen i stedet for produktet av komponentene er den bedre prediktor, har ingen forskere partisjonert variansen forklart undersøke omfanget som komponentene dele varians forutse lesing. For å bryte ned avviket, trekker vi de R2 for språk-bare modellen fra den fullstendige modellen å få unike R2 for dekoding. Andre trekker vi de R2 for dekoding bare modellen fra den fullstendige modellen å få unike R2 for språket. Tredje, for å få vanlig variansen forklart av språk og dekoding, vi trekker fra summen av de to unike R2 fra R2 for hele modellen. Metoden er demonstrert i en regresjon tilnærming med data fra studenter i klasse 1 (n = 372), 6 (n = 309), og 10 (n = 122) bruker et observert mål språk (mottakelig vokabular) dekoding (timet ord lesing) og leseforståelse (standardisert test). Resultatene viser en relativt stor mengde variansen i leseforståelse forklart i klasse 1 av felles avviket i dekoding og språk. Av klasse 10, men er det unik effekten av språk og vanlige effekten av språk og dekoding som forklart flertallet av variansen i leseforståelse. Resultatene diskuteres i sammenheng med en utvidet versjon av enkel visning av lese som vurderer unike og delte effekter av språk og dekoding forutse leseforståelse.

Introduction

Den enkle visning av lese1 (SVR) fortsetter som en populær modell for lesing på grunn av sin enkelhet-lesing (R) er produktet av dekoding (D) og språk (L)- og fordi SVR tendens til å forklare, i gjennomsnitt ca 60% av forklart avvik i lesing forståelse2. SVR spår at sammenhenger mellom D og R vil avta over tid og at sammenhenger mellom L og R vil øke over tid. Studier støtter generelt denne spådommen3,4,5. Det er uenighet, men funksjonell form av SVR, med additiv modeller (D + L = R) forklarer betydelig mer variansen i leseforståelse enn produktmodeller (D × L = R)6,7,8, og kombinasjonen av summen og produktet [R = D + L + (D × L) forklarer den største mengden av variansen i lesing forståelse3,9.

SVR modellen har nylig utvidet utover regresjoner basert på observerte variabler til latente variabel modellering bekreftende fabrikken analyse og strukturell likning modell. D måles vanligvis med untimed eller tidsbestemte lesning av ekte ord og/eller nonwords og R måles vanligvis av en standardisert lesing test som omfatter leseferdighet og informativ passasjer etterfulgt av flervalgsspørsmål. L måles vanligvis i tester av uttrykksfulle og lyttende ordforråd og, spesielt i de første klassene, av tiltak av uttrykksfulle og lyttende syntaks og lytteforståelse. Mest longitudinelle studier rapporterer at L er endimensjonale10,11,12,13. En annen langtidsstudie14 rapporterer imidlertid en to-faktor struktur for L i de første klassene og en endimensjonale struktur i grades 4 og 8. Tverrsnittsstudier studier rapporterer at en bifactor modell best passer til dataene, og spår R15,16,17,18. For eksempel Foorman et al. 16 sammenlignet endimensjonale, tre-faktor, fire-faktor og bifactor modeller av SVR i data fra studenter i karakterer 4-10 og fant at en bifactor modell passer best og forklarte 72% til 99% av varians i R. En generell L faktor forklarte avvik i alle syv karakterer og ordforråd og syntaks unikt forklarte avvik i en klasse hver. Selv om D faktoren var moderat korrelert med L og R i alle Klassetrinn (0.40-0.60 og 0.47-0.74, henholdsvis), det var ikke unikt er korrelert med R i nærvær av den generelle L-faktoren.

Selv om latente variabel modellering har utvidet SVR ved å belyse dimensionality L og den unike rollen som L spiller forutse R utover de første klassene, ingen studier av SVR unntatt ett av Foorman et al. 19 har partisjonert variansen i leseforståelse hva skyldes for D og L og det deles til felles. Dette er et stort Unnlatelse i litteraturen. Konseptuelt er det fornuftig at D og L ville dele varians forutse skriftspråket fordi ordet anerkjennelse innebærer språklige ferdigheter fonologi semantikk og diskurs i setningen og tekst nivå20. Tilsvarende må språklige forståelse være koblet til ortografisk representasjoner av fonemer, morphemes, ord, setninger og diskurs hvis teksten skal være forstått21. Multiplisere D av L gir ikke kunnskap deles av disse komponentene. Bare nedbryting av variansen i hva som er unikt og det deles av D og L i forutsi R vil avdekke integrert kunnskap avgjørende for suksessen til pedagogiske tiltak.

I en studie av Foorman et al. 19 som nedbrutt variansen av leseforståelse i hva som er unikt og det deles til felles av D og L ansatt en latent variabel modeling tilnærming. Følgende protokollen demonstrerer teknikken med data fra elevene i klasse 1, 7 og 10 basert på enkelt observert variabler for D (tidsbestemt dekoding) og L (mottakelig vokabular) R (standardisert lesing forståelse test) å gjøre nedbryting lett å forstå. Dataene representerer et delsett av dataene fra Foorman et al. 19.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Merk: Trinnene nedenfor beskriver rotne totalt avvik i den avhengige variabelen (Y) i unike varians, felles variansog uforklarlige varians komponenter basert på to valgte uavhengige variablene (kalt Equation 1 og Equation 2 for eksempel) bruker programvare med et grafisk brukergrensesnitt og data programvare (se Tabell for materiale).

1. at Data inn programvare med et grafisk brukergrensesnitt

  1. Klikk på filen.
    1. Plasser musen over Åpne.
    2. Klikk på Data.
  2. Finn filen relevante data på datamaskinen.
    1. Hvis filtypen ikke er konsekvent med programvare med et grafisk brukergrensesnitt, klikk på Filtype , og velg det riktige filformatet.
  3. Klikk på Åpne.

2. beregne variansen forklart i den avhengige variabelen (Y)

  1. Totalt avvik forklart basert på to uavhengige variablene-Total R2.
    Merk: En R2 verdi som kalles determinantens koeffisient og representerer andelen av varians for den avhengige variabelen som er forklart av et sett med uavhengige variablene.
    1. Klikk på analyser og hold musen over regresjon og velg lineær.
    2. Klikk på den avhengige variabelen i variabellisten. Klikk på pilen avhengige.
    3. Klikk på de to uavhengige variablene (X1 og X2) i variabellisten. Klikk på pilen nærmest Independent(s).
    4. Klikk på OK.
    5. Klikk på visningsvinduet av programvaren.
      1. Bruk musen til å bla til delen kalt Model Summary. Registrer verdien i kolonnen R Square og merke denne verdien Total R2.
  2. Totalt avvik forklart basert påEquation 3
    1. Gjenta 2.1.1 gjennom 2.1.4 bruker bare Equation 1 i listen uavhengige variabelen.
    2. Klikk på visningsvinduet av programvaren.
      1. Bruk musen til å bla til delen kalt Model Summary. Registrere i kolonnen R Square og denne verdi Equation 1 R2.
  3. Totalt avvik forklart basert påEquation 4
    1. Gjenta 2.1.1 gjennom 2.1.4 bruker bare Equation 2 i listen uavhengige variabelen.
    2. Klikk på visningsvinduet av programvaren.
      1. Bruk musen til å bla til delen kalt Model Summary. Registrere i kolonnen R Square og denne verdi Equation 2 R2.

3. databehandling unike, felles og uforklarlige varians komponentene

  1. Åpne den data programvaren.
  2. Skriv inn navn totalt R2, Equation 3 R2, og Equation 4 R2 i cellene A1, B1 og C1, henholdsvis.
  3. Angi den totale R2 verdien fra trinn 2.1.5.1 i celle A2.
  4. Angi de Equation 1 R2 -verdien fra trinn 2.2.2.1 i celle B2.
  5. Angi de Equation 2 R2 -verdien fra trinn 2.3.2.1 i celle C2.
  6. Beregne unike varians for variabel 1 (UEquation 1R2) i den data programvaren.
    1. I celle D2 type: "= A2-C2" (dvs. Total R2 minus Equation 2 R2). I celle D1 merke denne verdien UEquation 1R2.
  7. Beregne unike varians for variabel 2 (UEquation 2R2) i den data programvaren.
    1. I celle E2 type: "= A2-B2" (dvs. Total R2 minus Equation 1 R2). I celle E1 merke denne verdien UEquation 2R2.
  8. Beregne felles avviket mellom variabler 1 og 2 (CEquation 5R2) i den data programvaren.
    1. I celle F2 type: "= A2-D2-E2" (dvs. Total R2 minus UEquation 1R2 minus UEquation 2R2). I celle F1 merke denne verdien CEquation 5R2.
  9. Beregne uforklarlige variansen (e) i den data programvaren.
    1. I celle G2 type: "= 1-A2" (dvs. 1 totalt R2). I celle G1 merke denne verdien e.

4. plot UX1R2, UX2R2, CX1X2R2og e verdier

Merk: Tegnes verdiene i cellene D2, E2, F2 og G2.

  1. Klikk og dra musen over cellene D2, E2, F2 og G2 utheve dataene.
  2. Klikk på Sett inn på båndet av data management software.
  3. Klikk diagrammer | Sektordiagram | 2D-sektordiagram.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Målet med denne studien var å undersøke bidrag av unike og felles variansen for språk (L) og dekoding (D) å forutsi leseforståelse (R) i klasse 1, 7 og 10 i Florida, en tilstand som demografi er som en hele. Det var to hypoteser om spådommer om avviket forklart i leseforståelse. Først etter de første klassene, den unike bidraget av D reduseres betydelig, og den unike bidraget l vil øke. Andre unike bidrag av L og delte bidrag av D og L vil betydelig utgjør flertallet av varians utover de første klassene.

Deltakerne var 372 elever i klasse 1, 299 elever i klasse 7 og 122 elever i klasse 10 i allmennutdanning klasserom fra 18 skoler i to store bydeler i Florida (en i Nord og den andre i central Florida). Studien fulgte retningslinjer for mennesker og foreldrenes samtykke ble innhentet. Etnisitet sammenbrudd over karakterer for studien var: ca. 30% svart; 30% Hispanic; 30% hvit; 5% asiatiske, 3% flerkulturelle; 2% andre. Utvalget av deltakelse i programmet føderale lunsj på 18 deltakerskolene var fra 21.5% til 100%, med en median på 59%.

Enkelt, observerbare tiltak for D, L og R ble valgt for regresjon analyser. Mål på dekoding var tidsbegrenset (45 s) syn ordet dekoding Test Word lesing effektivitet-2-22. L ble målt ved en lyttende gloseprøve, Peabody bilde ordforråd tester (PPVT-4)23, mye brukt i deltakerskolene. I dette tiltaket, studenter se fire bilder og velg som viser ordet sensor sier. R ble vurdert med et nasjonalt normert leseforståelse teste, den Gates-MacGinitie lesing Test-4 (GMAT-4)24. Den GMAT-4 administreres i små grupper av 10 studenter i klasse 1. Elevene lese deler av et avsnitt og angi bildet som tilsvarer passering. Den GMAT-4 er gruppe-administrert i karakterer 7 og 10. Passasjer består av både litterære og informativ tekst og spørsmål er både bokstavelig og inferential og vises i flere valg-format. Studenter kan se tilbake på passering. For alle tre tiltak var koeffisientene for pålitelighet over 0.90. En planlagt mangler data design med tre former ble brukt til å redusere testing tid. D og L tiltak ble gitt i en økt og leseforståelse test i en annen økt.

Regresjonsanalyse for klasse 1 sto for 60% av totalt avvik i leseforståelse. Individuelle varians modeller viste at andelen av varians i leseforståelse på grunn av D var 43% og at separat, andelen av varians i leseforståelse på grunn av L var 36%. Estimatene varians er kvadrerte korrelasjonen fra egen statistiske modeller av hver prediktor og resultatet, det er derfor deres sum fra egen modeller (43 + 36 = 79) var større enn den totale mengden varians forklart (60%). Når totalt avvik i klasse 1 var ned i unike og felles effekter, forklarte D unikt 24% av varians i R og L unikt forklarte 17% (se figur 1). Vanlige variansen av D og L var 19%.

Figure 1
Figur 1. Totalt prosent av varians forklart i klasse 1 leseforståelse nedbrutt av unike og vanlige effekten av språk og dekoding og uforklarlige varians. Klikk her for å se en større versjon av dette tallet.

I klasse 7 utgjorde regresjonsanalysen 53% av totalt avvik i leseforståelse. Individuelle varians modeller viste at andelen av varians i leseforståelse på grunn av D var 25%, og andelen av varians i leseforståelse på grunn av L var 46%. Figur 2 viser at D unikt forklart 7% av varians i R og at L forklart 28%. Vanlige variansen i D og L å forklare avvik i R var 18%.

Figure 2
Figur 2. Totalt prosent av varians forklart i klasse 7 leseforståelse nedbrutt av unike og vanlige effekten av språk og dekoding og uforklarlige varians. Klikk her for å se en større versjon av dette tallet.

I klasse 10 utgjorde regresjonsanalysen 61% av totalt avvik i leseforståelse. Individuelle varians modeller viste at andelen av varians i leseforståelse på grunn av D var 19%, og andelen av varians i leseforståelse på grunn av L var 54%. Figur 3 viser at D unikt utgjorde 6% av varians, mens L unikt utgjorde 42% av varians. Vanlige variansen i D og L å forklare avvik i R var 13%.

Figure 3
Figur 3. Totalt prosent av varians forklart i klasse 10 leseforståelse nedbrutt av unike og vanlige effekten av språk og dekoding og uforklarlige varians. Klikk her for å se en større versjon av dette tallet.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Det er tre viktige trinn i protokollen for separasjon variansen i R i unike og vanlige avvik L og D. Første trekke R2 i L-bare modellen fra hele modellen til å få den unike R2 for D. Andre, trekk de R2 for bare D-modellen fra den fullstendige modellen å få de unike R2 for tredje L., å få vanlig variansen forklart av L og D, trekker fra summen av de to unike R2 fra R2 for hele modellen.

Endringer i protokollen ville være nødvendig hvis latente variabler for D og L erstattet dummy kodene for observert tiltak av tidsbestemte dekoding og lyttende ordforråd brukt her og hvis kontrollen variabler som sosioøkonomisk status (SES), kjønn og rase / etnisitet er lagt til i modellen. Alternativer til plotting resultatene i sektordiagrammer kan også betraktes som bruker Venn-diagrammer. Sektordiagrammer ble brukt her slik at prosenter uforklarlige avvik i tillegg til unike og vanlige avvik kan vises.

Det er begrensninger på bruk av metoden som vist i denne studien. For å forenkle protokollen, valgte vi en observerbar mål hver for D, L og R istedet for benytter latente variabelen modellering tilnærmingen vi tar vanligvis kontrollere måling feil19. Vi eliminert kontroll variabler som SES, kjønn og rase/etnisitet og brukte cross-sectional data med en planlagt mangler data design i stedet for fullstendige langsgående data. Vi fokusert på separasjon avvik på enkelt elev nivå i stedet for klynging studenter i skolemiljø. Til slutt gir metoden vist i protokollen for rotne variansen i prosenter av unike og felles effekter av L og D i forutsi R beskrivende resultater. Det er ingen enkel måte å få en formell statistisk test av betydningen av vanlige avviket.

Denne teknikken for separasjon variansen i R på unike og felles virkningene L og D har betydelige fordeler fremfor eksisterende metoder for ser utelukkende på unike effekter. Viktigst, illustrerer teknikken hvordan individuelle forskjell egenskaper covary og hvordan en unik effekt kan bleke i forhold til effekten delt med en annen egenskap. Analysene som følge av gjeldende protokollen viste at betydelige mengder variansen i leseforståelse var på grunn av felles effektene av D og L (alt fra 19% i klasse 1-13% i klasse 10) som syntes å komme på bekostning av den unike bidrag i D over karakterene. Med andre ord, viste regresjon resultatene en nedgang i andelen av varians regnskapsføres etter D fra 43% i klasse 1 til 25% i klasse 7 til 19% i klasse 10. Men når avviket var ned, den unike bidraget av D i klasse 1 var bare 24% og som falt i karakterer 7 og 10 til 7% og 6% henholdsvis. Dette funnet har viktige pedagogiske implikasjoner fordi vekt på dekoding i intervensjoner i elementære karakterene kommer fra unike effekten av D i regresjon resultater til tross for svak virkningene av dekoding intervensjoner i øvre elementære og sekundær karakterer i en meta-analyse25. Hvor vanlige avvik D og L sammen forklare forutse leseforståelse, spesielt i grunnskole karakterer, antyder at mer opplæring vekt bør plasseres på integrering av språklig kunnskap på den Word-nivå26,27.

Regresjon resultatene for L viste et nokså konstant bilde av L bidrar betydelig andelen variansen til leseforståelse over karakterer, 36% i klasse 1 til 54% i klasse 10. Men når metoden rotne avviket ble brukt, viste den unike bidraget l over karakterene en dramatisk økning fra 17% i klasse 1 til 28% i klasse 7, 42% i klasse 10. Funn at konti for så mye variansen i R i de andre karakterene er enda tydeligere i SVR-studier fra en latent variabel modeling tilnærming16,17,19 og antyder verdien av instruksjon på språklige elementer som gjør teksten sammenhengende26,28.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Forfatterne erklærer at de har ingen konkurrerende økonomiske interesser.

Acknowledgments

Forskning rapporterte her ble støttet av Institutt for utdanning Sciences, US Department of Education, gjennom en subaward til Florida State University fra Grant R305F100005 til Educational Testing Service som en del av lesing for forståelse Initiativet. Meninger uttrykt er de av forfatterne, og representerer ikke utsikt over Institutt, US Department of Education, Educational Testing Service eller Florida State University.

Materials

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

DOWNLOAD MATERIALS LIST

References

  1. Gough, P., Tunmer, W. Decoding, reading, and reading disability. Remedial and Special Education. 7, 6-10 (1986).
  2. Quinn, J. M., Wagner, R. K. Using meta-analytic structural equation modeling to study developmental change in relations between language and literacy. Child Development. , in press (2018).
  3. Chen, R. S., Vellutino, F. Prediction of reading ability: A cross-validation study of the simple view of reading. Journal of Literacy Research. 29 (1), 1-24 (1997).
  4. Catts, H., Hogan, T., Adlof, S. Developmental changes in reading and reading disabilities. Connections between language and reading disabilities. Catts, H., Kamhi, A. , Erlbaum. Mahwah, NJ. (2005).
  5. Gough, P., Hoover, W., Peterson, C. Some observations on the simple view of reading. Reading comprehension difficulties. Cornoldi, C., Oakhill, J. , Erlbaum. Hillsdale, NH. (1996).
  6. Dreyer, L., Katz, L. An examination of "The Simple View of Reading.". Haskins Laboratories Status Report on Speech Research. SR-111/112. , 161-166 (1992).
  7. Neuhaus, G., Roldan, L., Boulware-Gooden, R., Swank, P. Parsimonious reading models: Identifying teachable subskills. Reading Psychology. 27, 37-58 (2006).
  8. Kershaw, S., Schatschneider, C. A latent variable approach to the simple view of reading. Reading and Writing. 25, 433-464 (2012).
  9. Hoover, W., Gough, P. The simple view of reading. Reading and Writing. 2, 127-160 (1990).
  10. Adlof, S., Catts, H., Little, T. Should the simple view of reading include a fluency component? Reading & Writing. 19, 933-958 (2006).
  11. Anthony, J., Davis, C., Williams, J., Anthony, T. Preschoolers' oral language abilities: A multilevel examination of dimensionality. Learning and Individual Differences. 35, 56-61 (2014).
  12. Bornstein, M., Hahn, C., Putnick, D., Suwalsky, J. Stability of core language skill from early childhood to adolescence: A latent variable approach. Child Development. 85, 1346-1356 (2014).
  13. Protopapas, A., Simos, P., Sideridis, G., Mouzaki, A. The components of the simple view of reading: A confirmatory factor analysis. Reading Psychology. 33, 217-240 (2012).
  14. Tomblin, J. B., Zhang, X. The dimensionality of language ability in school-age children. Journal of Speech, Language, and Hearing Research. 49, 1193-1208 (2006).
  15. Foorman, B., Herrera, S., Petscher, Y., Mitchell, A., Truckenmiller, A. The Structure of Oral Language and Reading and Their Relation to Comprehension in grades kindergarten through grade 2. Reading and Writing. 28 (5), 655-681 (2015).
  16. Foorman, B., Koon, S., Petscher, Y., Mitchell, A., Truckenmiller, A. Examining General and Specific Factors in the Dimensionality of Oral Language and Reading in 4th-10th Grades. Journal of Educational Psychology. 107 (3), 884-899 (2015).
  17. Kieffer, M., Petscher, Y., Proctor, C. P., Silverman, R. Is the whole greater than the sum of its parts? Modeling the contributions of language comprehension skills to reading comprehension in the upper elementary grades. Scientific Studies of Reading. 20 (6), 436-454 (2016).
  18. Kim, Y. S. G., Park, C., Park, Y. Dimensions of discourse level oral language skills and their relation to reading comprehension and written composition: an exploratory study. Reading and Writing. 28, 633-654 (2015).
  19. Foorman, B., Petscher, Y., Herrera, S. Unique and common effects of decoding and language factors in predicting reading comprehension in grades 1-10. Learning and Individual Differences. 63, 12-23 (2018).
  20. Perfetti, C. Reading ability: Lexical quality to comprehension. Scientific Studies of Reading. 11 (4), 357-383 (2007).
  21. Perfetti, C., Stafura, J. Word knowledge in a theory of reading comprehension. Scientific Studies of Reading. 18 (4), 22-37 (2014).
  22. Torgesen, J., Wagner, R., Rashotte, C. Test of Word Reading Efficiency. , 2nd ed, ProEd. Austin, TX. (2012).
  23. Dunn, L., Dunn, D. Peabody Picture Vocabulary Test-4. , Pearson. San Antonio, TX. (2007).
  24. MacGinitie, W., MacGinitie, R., Maria, K., Dreyer, L. Gates-MacGinitie Reading Tests. , 4th ed, Riverside Publishing. Rolling Meadows, IL. (2000).
  25. Wanzek, J., Wexler, J., Vaughn, S., Ciullo, S. Reading interventions for struggling readers in the upper elementary grades: a synthesis of 20 years of research. Reading & Writing. 23, 889-912 (2010).
  26. Foorman, B., Petscher, Y., Stanley, C., Herrera, S. Latent profiles of reading and language and their association with standardized reading outcomes in kindergarten through tenth grade. Journal of Research on Educational Effectiveness. 10 (3), 619-645 (2017).
  27. Lesaux, N. K., Kieffer, M. J., Kelley, J. G., Harris, J. Effects of academic vocabulary instruction for linguistically diverse adolescents: Evidence from a randomized field trial. American Educational Research Journal. 51 (6), 1159-1194 (2014).
  28. Lawrence, J., Crosson, A., Paré-Blagoev, E., Snow, C. Word generation randomized trial: Discussion mediates the impact of program treatment on academic word learning. American Educational Research Journal. 52 (4), 750-786 (2015).

Tags

Atferd problemet 140 Decomposing avvik enkel visning av lesing lesing forståelse språk dekoding regresjon
Separasjon variansen i leseforståelse å avdekke unike og vanlige effekten av språk og dekoding
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Foorman, B. R., Petscher, Y.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