Waiting
Login processing...

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

Behavior

Decomposição da variância em compreensão de leitura para revelar os efeitos únicos e comuns de linguagem e decodificação

Published: October 11, 2018 doi: 10.3791/58557
Automatic Translation
1, 1
1Florida Center for Reading Research, Florida State University

Summary

Aqui nós apresentamos um protocolo para a decomposição da variância em compreensão de leitura sobre os efeitos da únicos e comuns de linguagem e decodificação.

Abstract

A simples visão de leitura é um modelo popular de leitura que afirma que a leitura é o produto da decodificação e da linguagem, com cada componente exclusivamente prevendo a compreensão da leitura. Embora os pesquisadores argumentaram que se soma ao invés do produto dos componentes é o melhor preditor, pesquisadores não particionou a variância explicada para examinar a extensão a que os componentes compartilham variância na previsão de leitura. Para decompor a variância, subtraímos o R2 para o modelo somente de linguagem do modelo completo para obter o exclusivo R2 para decodificação. Em segundo lugar, subtraímos o R2 para o modelo somente de decodificação do modelo completo para obter o exclusivo R2 para língua. Em terceiro lugar obter a variância comum explicado pela linguagem e decodificação, subtraímos a soma dos dois únicos R2 do R2 para o modelo completo. O método é demonstrado em uma abordagem de regressão com dados de alunos em classes 1 (n = 372), 6 (n = 309) e 10 (n = 122) usando uma medida observada da linguagem (vocabulário receptivo), decodificação (leitura de palavra cronometrado) e compreensão (teste padronizado) de leitura. Os resultados revelam uma quantidade relativamente grande de variância em explicado na série 1 de compreensão de leitura pela variância comum em decodificação e linguagem. Pelo grau 10, no entanto, é o único efeito da linguagem e o efeito comum de linguagem e decodificação que explicou a maioria da variância em compreensão de leitura. Os resultados são discutidos no contexto de uma versão expandida da exibição simples de leitura que considera efeitos exclusivos e compartilhados de descodificação na previsão de compreensão de leitura e linguagem.

Introduction

A simples visão de leitura1 (SVR) continua como um modelo popular de leitura por causa de sua simplicidade-leitura (R) é o produto de decodificação (D) e linguagem (L)- e porque SVR tende a explicar, em média, cerca de 60% de explicou variância em leitura compreensão2. SVR prevê que as correlações entre D e R irão diminuir ao longo do tempo e que as correlações entre L e R vão aumentar ao longo do tempo. Estudos geralmente suportam esta previsão3,4,5. Existem divergências, no entanto, sobre a forma funcional da SVR, com modelos de aditivos (D + L = R) explicando a variação mais significativamente na compreensão do que os modelos de produto de leitura (D × L = R)6,7,8e um combinação de soma e produto [R = D + L + (D × L) explicando a maior quantidade de variância na leitura compreensão3,9.

Recentemente, o modelo SVR expandiu-se além de regressões com base em variáveis observadas para modelagem de variável latente usando análise confirmatória da fábrica e modelagem de equações estruturais. D é normalmente medido com duração indeterminada ou atingiu o tempo de leitura de palavras reais e/ou nonwords e R é normalmente medido por um teste padronizado de leitura que inclui a alfabetização e informativas passagens seguidas de questões de múltipla escolha. L é tipicamente medida por testes de vocabulário expressivo e receptivo e, especialmente nas séries primárias, através de medidas de sintaxe expressiva e receptiva e compreensão auditiva. Mais estudos longitudinais relatam que L é unidimensional10,11,12,13. No entanto, outro estudo longitudinal14 relata uma estrutura de dois fatores para L nas classes primárias e uma estrutura unidimensional de grau 4 e 8. Recentes estudos transversais relatam que um modelo de bifactor melhor se ajusta os dados e prediz R15,16,17,18. Por exemplo, Foorman et al 16 comparado unidimensional, três fatores, quatro fatores e bifactor modelos de SVR nos dados de alunos em séries 4-10 e descobriu que um modelo de bifactor se encaixam melhor e explicou 72% a 99% da variância em R. Um fator geral de L explicou que a variação em todas as sete notas e vocabulário e sintaxe excepcionalmente explicou variância apenas em um grau cada. Embora o fator D foi moderadamente correlacionado com L e R, em todos os graus (0,40-0,60 e 0,47-0,74, respectivamente), não foi exclusivamente correlacionado com R na presença do fator geral de L.

Apesar de modelagem variável latente tem expandido SVR derramando luz sobre a dimensionalidade do L e o único papel que L desempenha na previsão R além as notas primárias, não há estudos de SVR exceto um por Foorman et al 19 particionou a variância em compreensão de leitura em que é devido exclusivamente a D e L e o que é partilhado em comum. Esta é uma grande omissão na literatura. Conceitualmente, faz sentido que D e L compartilharia variância na previsão de linguagem escrita porque o reconhecimento da palavra implica as habilidades linguísticas de fonologia, semântica e discurso com a frase e texto níveis20. Da mesma forma, compreensão linguística deve ser ligado a representações ortográficas de fonemas, morfemas, palavras, frases e discursos se texto é para ser entendido21. Multiplicando-se D por L não rende o conhecimento compartilhado por estes componentes. Apenas a decomposição da variância no que é único e o que é compartilhado por D e L r prever irá revelar o conhecimento integrado crucial para o sucesso das intervenções educativas.

Um estudo de Foorman et al 19 que decompor a variação de compreensão de leitura no que é único e que é partilhado em comum por D e L empregou uma variável latente, abordagem de modelagem. O protocolo seguinte demonstra a técnica com dados de alunos em graus 1, 7 e 10 baseado em único observado variáveis para D (decodificação cronometrado), L (vocabulário receptivo) e R (padronizado de teste de compreensão de leitura) para tornar o processo de decomposição fácil de entender. Os dados representam um subconjunto dos dados de Foorman et al 19.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Nota: As etapas a seguir descrevem em decomposição de variância total em uma variável dependente (Y) em componentes de variância única, variância comume inexplicável variação com base em duas variáveis selecionadas do independente (chamadas Equation 1 e Equation 2 para este exemplo) usando o software com uma interface gráfica do usuário e software de gerenciamento de dados (consulte a Tabela de materiais).

1. leitura de dados em Software com uma Interface gráfica do usuário

  1. Clique no arquivo.
    1. Passe o mouse sobre abertas.
    2. Clique em dados.
  2. Localize o arquivo de dados relevantes no computador.
    1. Se o tipo de arquivo não é compatível com o software com uma interface gráfica do usuário, clique em Arquivos do tipo e selecione o formato de arquivo apropriado.
  3. Clique em abertas.

2. estimar a variância explicada na variável dependente (Y)

  1. Total variância explicada com base em duas variáveis independentes — Total R2.
    Nota: Um valor de R2 é conhecido como o coeficiente de determinação e representa a proporção de variância de uma variável dependente que é explicada por um conjunto de variáveis independentes.
    1. Clique em Analyze e passe o mouse sobre regressão e selecione Linear.
    2. Clique na variável dependente na lista variável. Em seguida, clique na seta ao lado do dependente.
    3. Clique sobre as duas variáveis independentes (X1 e X2) na lista variável. Em seguida, clique na seta ao lado de Independent(s).
    4. Clique Okey.
    5. Clique na janela do Visualizador do software.
      1. Use o mouse para rolar para a seção chamada Modelo de resumo. Registre o valor na coluna R quadrado e etiqueta este valor Total de R2.
  2. Total variância explicada com base emEquation 3
    1. Repita as etapas 2.1.1 através de 2.1.4 usando apenas Equation 1 na lista variável independente.
    2. Clique na janela do Visualizador do software.
      1. Use o mouse para rolar para a seção chamada Modelo de resumo. Registre o valor na coluna R quadrado e rotular esse valor Equation 1 R2.
  3. Total variância explicada com base emEquation 4
    1. Repita as etapas 2.1.1 através de 2.1.4 usando apenas Equation 2 na lista variável independente.
    2. Clique na janela do Visualizador do software.
      1. Use o mouse para rolar para a seção chamada Modelo de resumo. Registre o valor na coluna R quadrado e rotular esse valor Equation 2 R2.

3. os componentes de variância única, comum e inexplicável de computação

  1. Abra o software de gerenciamento de dados.
  2. Insira os rótulos Total R2, Equation 3 R2, e Equation 4 R2 nas células A1, B1 e C1, respectivamente.
  3. Digite o valor de2 Total Rda etapa 2.1.5.1 na célula A2.
  4. Digite o Equation 1 R2 valor da etapa 2.2.2.1 na célula B2.
  5. Digite o Equation 2 R2 valor da etapa 2.3.2.1 na célula C2.
  6. Calcular a variância única de 1 variável (UEquation 1R2) do software de gestão de dados.
    1. No tipo de célula D2: "= A2-C2" (ou seja, Total R2 menos Equation 2 R2). Na célula D1 rotular esse valor UEquation 1R2.
  7. Calcular a variância original de 2 variáveis (UEquation 2R2) do software de gestão de dados.
    1. No tipo de célula E2: "= A2-B2" (ou seja, Total R2 menos Equation 1 R2). Na célula E1 rotular esse valor UEquation 2R2.
  8. Calcular a variância comum entre as variáveis 1 e 2 (CEquation 5R2) do software de gestão de dados.
    1. No tipo de célula F2: "= A2-D2-E2" (ou seja, Total R2 menos UEquation 1R2 menos UEquation 2R2). Na célula F1 rotular esse valor CEquation 5R2.
  9. Calcule a variância inexplicado (e) no software de gerenciamento de dados.
    1. No tipo de célula G2: "= A2-1" (ou seja, 1-Total R2). Na célula G1 rotular Este valor e.

4. traçar a UX1R2UX2R2, CX1X2R2e valores

Nota: Valores em células D2, E2, F2 e G2 são plotadas.

  1. Clique e arraste o mouse sobre as células D2, E2, F2 e G2 para realçar os dados.
  2. Clique em Inserir na faixa de opções de software de gerenciamento de dados.
  3. Clique no Charts | Gráfico de pizza | gráfico de pizza 2D.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

O objetivo deste estudo foi investigar as contribuições da variância única e comum de linguagem (L) e decodificação (D) para predizer a compreensão (R) de leitura em graus 1, 7 e 10, na Flórida, um Estado cuja demografia são representativos da nação como um todo. Havia duas hipóteses sobre as previsões da variância explicada em compreensão de leitura. Primeiro, depois as qualidades primárias, a contribuição única de D diminuirá significativamente, e aumentará a contribuição única de L. Em segundo lugar, a contribuição única de L e as contribuições compartilhadas de D e L significativamente serão responsáveis para a maioria da variância para além das notas preliminares.

Os participantes foram 372 alunos na série 1, 299 alunos na 7ª e 122 alunos na série 10 em salas de aula de ensino geral de 18 escolas nos bairros urbanos, dois grandes na Florida (uma no norte da Flórida e outro na região central da Flórida). O estudo seguiu as diretrizes para seres humanos e obteve-se consentimento dos pais. A discriminação de etnia, através de notas para o estudo foi: aproximadamente 30% preto; 30% latino-americanos; 30% branco; 5% 3% asiáticos, multicultural; 2% outros. A gama de participação no programa federal almoço em 18 escolas participantes foi de 21,5% a 100%, com uma mediana de 59%.

Medidas simples e observáveis para D, L e R foram selecionadas para as análises de regressão. A medida de decodificação foi limitada no tempo (45 s) vista palavra decodificação do teste da palavra leitura eficiência-222. L foi medido por um teste de vocabulário receptivo, o Peabody imagens teste de vocabulário (TVIP-4)23, amplamente utilizado nas escolas participantes. Nesta medida, os alunos ver quatro fotos e ponto àquele que retrata a palavra, o examinador diz. R foi avaliada com uma compreensão de leitura nacionalmente-versor de teste, o de leitura teste de Gates-MacGinitie-4 (GMAT-4)24. O GMAT-4 é administrada em pequenos grupos de 10 alunos na série 1. Os alunos leiam as partes de uma passagem e indicam a imagem que corresponde à passagem. O GMAT-4 é administrada por grupo de grau 7 e 10. Passagens consistem em texto literário e informativo e perguntas são literal e inferencial e aparecem em um formato de múltipla escolha. Os alunos podem olhar para trás a passagem. Para todas as três medidas, coeficientes de confiabilidade foram acima de 0,90. Um design de dados faltando planejado com três formas foi usado para reduzir o tempo de teste. As medidas D e L foram administradas em uma sessão e a compreensão de leitura de teste em outra sessão.

A análise de regressão para grau 1 representou 60% da variância total em compreensão de leitura. Os modelos individuais de variância mostraram que a proporção de variância na compreensão devido D de leitura foi 43% e que separadamente, a proporção da variância na compreensão devido L de leitura foi de 36%. Estas estimativas de variância são a correlação ao quadrado de modelos estatísticos separados de cada preditor e resultado, por isso sua soma de modelos separados (43 + 36 = 79) foi maior do que a quantidade total de variância explicada (60%). Quando a variação total no ano 1 era decomposta em efeitos únicos e comuns, D exclusivamente explicou 24% da variância em R e L, com exclusividade, explicou 17% (ver Figura 1). A variância comum de D e L foi de 19%.

Figure 1
Figura 1. Total % da variância explicada em compreensão de leitura de grau 1, decomposta em efeitos únicos e comuns de linguagem e decodificação e variância inexplicável. Clique aqui para ver uma versão maior desta figura.

Na 7ª, a análise de regressão representou 53% da variância total em compreensão de leitura. Os modelos individuais de variância mostraram que a proporção de variância na compreensão devido D de leitura foi de 25% e a proporção da variância na compreensão devido L de leitura foi de 46%. A Figura 2 mostra que D explicado unicamente 7% da variância em R e que L explicou 28%. A variância comum de D e L em explicar a variação de R foi de 18%.

Figure 2
Figura 2. Total % da variância explicada em compreensão de leitura de grau 7 decomposta em efeitos únicos e comuns de linguagem e decodificação e variância inexplicável. Clique aqui para ver uma versão maior desta figura.

Em grau 10, a análise de regressão representava 61% da variância total em compreensão de leitura. Os modelos individuais de variância mostraram que a proporção de variância na compreensão devido D de leitura foi de 19% e a proporção da variância na compreensão devido L de leitura foi de 54%. A Figura 3 mostra que D excepcionalmente foram responsáveis por 6% da variância, Considerando que L excepcionalmente representava 42% da variância. A variância comum de D e L em explicar a variação de R foi de 13%.

Figure 3
Figura 3. Total % da variância explicada em compreensão de leitura de grau 10 decomposta em efeitos únicos e comuns de linguagem e decodificação e variância inexplicável. Clique aqui para ver uma versão maior desta figura.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Existem três passos críticos no protocolo de decomposição da variância em R em variância única e comum devido a L e D. Em primeiro lugar, subtraia a R2 no modelo L-somente a partir do modelo completo para obter o exclusivo R2 para D. Em segundo lugar, subtraia a R2 para o modelo D-somente a partir do modelo completo para obter o exclusivo R2 para L. terceiro, para obter a variância comum explicada por L e D, subtrair a soma das duas únicas R2 do R2 para o modelo completo.

Modificações no protocolo seria necessário se latente variáveis para D e L substituiu os manequim códigos para as medidas observadas da decodificação cronometrado e receptivo vocabulário usado aqui e se controle variáveis como status sócio-econômico (SES), de gênero e raça / etnia são adicionados ao modelo. Alternativas para plotar os resultados em gráficos de pizza também podem ser consideradas, como o uso de diagramas de Venn. Gráficos de pizza foram usados aqui para que percentagens de variação inexplicável, bem como desvios únicos e comuns poderiam ser exibidas.

Existem limitações para a aplicação do método, conforme mostrado neste estudo. Para simplificar o protocolo, nós selecionamos um observável medida cada para D, L e R, em vez de usar a variável latente abordagem que normalmente tomamos a controlar o erro de medição19de modelagem. Nós eliminou o controle de variáveis como raça/etnia, gênero e SES e utilizado dados transversais com um design de dados faltando planejado, ao invés de dados longitudinais completos. Focamos na decomposição de variância ao nível individual do aluno, ao invés de agrupamento de alunos em escolas e salas de aula. Finalmente, o método mostrado no protocolo para variância em decomposição em percentagens dos efeitos únicas e comuns de L e D em prever R produz resultados descritivos. Não há nenhuma maneira fácil de obter um teste estatístico formal do significado da variância comum.

Esta técnica de decomposição da variância em R sobre os efeitos da únicas e comuns devido a L e D tem vantagens significativas sobre os métodos existentes de olhar exclusivamente para efeitos únicos. O mais importante, a técnica ilustra como individuais características diferença covary e como um efeito original pode empalidecem em comparação com o efeito compartilhado com outra característica. As análises resultantes do protocolo atual mostrou que quantidades substanciais de variância em compreensão de leitura foram devido aos efeitos comuns de D e L (variando de 19% na classe 1 a 13% no ano 10) que parecia vir em detrimento do original contribuição em D sobre as notas. Em outras palavras, os resultados de regressão mostraram que um declínio na proporção da variância explicada por D de 43% na classe 1 para 25% na classe 7 de 19% no ano 10. No entanto, quando a variação foi decomposta, a contribuição única de D no ano 1 era apenas 24% e que declinou em notas de 7 e 10 a 7% e 6%, respectivamente. Este achado tem implicações educacionais importantes porque a ênfase na decodificação em intervenções nas séries elementares provém o efeito original de D em resultados de regressão apesar dos fracos efeitos de intervenções na escola primária superior de decodificação e notas secundárias em uma meta-análise de25. A quantidade de variância comum que D e L juntos explicam na previsão de leitura, especialmente em séries do fundamental, sugere que mais instrucional ênfase sobre a integração dos conhecimentos linguísticos na palavra-nível26,,27.

Resultados da regressão para L mostraram uma foto bastante constante de L contribuindo proporções substanciais da variância para compreensão de leitura entre as notas, 36% na classe 1 a 54% no ano 10. No entanto, quando foi utilizado o método de decomposição da variância, a contribuição única de L sobre as notas mostrou um dramático aumento de 17% no ano 1 e 28% na 7ª, 42% no ano 10. A constatação de que as contas da contabilidade para tanta variação em R nas séries secundárias é ainda mais evidentes nos estudos SVR realizados a partir de uma variável latente modelagem abordagem16,17,19 e sugere o valor da instrução sobre os elementos linguísticos que tornam o texto coeso26,28.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Os autores declaram que eles têm não tem interesses financeiro concorrente.

Acknowledgments

A pesquisa relatada aqui foi apoiada pelo Instituto de Educação Ciências, departamento de educação dos Estados Unidos, através de um subaward para a Florida State University de Grant R305F100005 para o Educational Testing Service como parte da leitura para a compreensão Iniciativa. As opiniões expressadas são as dos autores e não representam a opinião do Instituto, o U.S. Department of Education, 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).

Tags

Comportamento modo de exibição simples de leitura leitura compreensão linguagem decodificação regressão questão 140 Decomposing variância
Decomposição da variância em compreensão de leitura para revelar os efeitos únicos e comuns de linguagem e decodificação
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