Login processing...

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

Behavior

Ruttnande variansen i läsförståelse att avslöja de unika och gemensamma effekterna av språk och avkodning

doi: 10.3791/58557 Published: October 11, 2018

Summary

Här presenterar vi ett protokoll för ruttnande variansen i läsförståelse om unika och gemensamma effekterna av språk och avkodning.

Abstract

Den enkla View of Reading är en populär modell av läsning som hävdar att läsning är en produkt av avkodning och språk, med varje komponent som unikt förutsäga läsförståelse. Även om forskare har argumenterat om summan i stället för produkten av komponenterna är den bättre prediktorn, har inga forskare partitionerat variansen förklaras för att undersöka i vilken utsträckning som komponenterna dela variansen i att förutsäga läsning. För att sönderdela variansen, subtraherar vi den R2 för endast språk-modell från den fullständiga modellen att få den unika R2 för avkodning. Det andra subtraherar vi den R2 för endast avkodning modell från den fullständiga modellen att få den unika R2 för språk. För det tredje, för att få gemensamma variansen förklaras av språk och avkodning, vi subtrahera summan av de två unika R2 från R2 för den fullständiga modellen. Metoden demonstreras i en regression strategi med data från elever i årskurs 1 (n = 372), 6 (n = 309), och 10 (n = 122) använder en observerade mått på språket (receptiva ordförråd) och avkodning (tidsinställd ordet läsning) läsförståelse (standardiserat test). Resultaten visar en relativt stor mängd varians i läsförståelse som förklaras i grad 1 av gemensamma variansen i avkodning och språk. Av klass 10, men är det den unika effekten av språket och den gemensamma effekten av språk och avkodning som förklaras majoriteten av variansen i läsförståelse. Resultaten diskuteras inom ramen för en utökad version av den enkla Visa i Reading som anser unika och delade effekterna av språk och avkodning förutsäga läsförståelse.

Introduction

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

Simple View of Reading1 (SVR) fortsätter som en populär modell av behandlingen på grund av sin enkelhet-behandling (R) är produkten av avkodning (D) och språk (L)- och eftersom SVR tenderar att förklara, i genomsnitt cirka 60% av förklarade variansen i läsning förståelse2. SVR förutspår att korrelationer mellan D och R kommer att minska över tid och att korrelationer mellan L och R kommer att öka med tiden. Studier stöder generellt denna prognos3,4,5. Det finns meningsskiljaktigheter, men om den funktionella formen av SVR, med additiv modeller (D + L = R) förklarar betydligt mer variansen i läsförståelse än Produktmodeller (D × L = R)6,7,8, och en kombination av summan och produkt [R = D + L + (D × L) förklarar den största mängden av variansen i läsning förståelse3,9.

SVR modellen har nyligen expanderat bortom regressioner baserat på observerade variabler till latent variabel modellering med hjälp av bekräftande fabriken analys och strukturell ekvation modellering. D mäts vanligtvis med standardpublicering eller tidsangivelse läsning av riktiga ord och/eller nonwords och R mäts vanligtvis genom ett standardiserat läsning-test som innehåller läskunnighet och informativt passager följt av flervalsfrågor. L mäts vanligtvis genom tester av uttrycksfulla och mottaglig ordförråd och särskilt i lågstadiet, genom åtgärder av uttrycksfulla och mottaglig syntax och hörförståelse. Den longitudinella studierna rapporterar att L endimensionell10,11,12,13. En annan longitudinell studie14 rapporterar dock en två-faktor struktur för L i lågstadiet och en endimensionell struktur i årskurs 4 och 8. Senaste tvärsnittsstudier rapportera att en bifactor modell bästa passar data och förutspår R15,16,17,18. Exempelvis Foorman et al. 16 jämfört endimensionell, tre-faktor, fyra-faktor och bifactor modeller av SVR i data från elever i årskurs 4-10 och fann att en bifactor modell passar bäst och förklarade 72% till 99% av variansen i R. En allmän L faktor förklarade variansen i alla sju kvaliteter och ordförråd och syntax unikt förklarade variansen endast i en årskurs varje. Även om den D-faktorn var måttligt korrelerad med L och R i alla kvaliteter (0,40-0,60 och 0,47-0,74, respektive), det var inte unikt korrelerade med R i närvaro av den allmänna L-faktorn.

Även om latent variabel modellering har utökade SVR genom att belysa dimensionerna av L och den unika roll som L spelar i att förutsäga R utöver de primära kvaliteterna, inga studier av SVR utom en av Foorman et al. 19 har partitionerat variansen i läsförståelse i vad beror unikt till D och L och vad delas gemensamt. Detta är en stor försummelse i litteraturen. Begreppsmässigt är det vettigt att D och L skulle dela variansen i att förutsäga skriftspråk eftersom word erkännande innebär språkliga färdigheter fonologi, semantik och diskurs vid meningen och text nivåer20. På samma sätt måste språkliga förståelse vara ansluten till ortografiska representationer av fonem, morfem, ord, meningar och diskursen om text ska förstås21. Att multiplicera D genom L ger inte den kunskap som delas av dessa komponenter. Endast nedbrytning av variansen i vad som är unikt och vad som ska delas av D och L i att förutse R kommer att avslöja den integrerad kunskapen avgörande för framgången för pedagogiska insatser.

I en studie av Foorman et al. 19 som förmultnat variansen för läsförståelse i vad som är unikt och vad delas gemensamt av D och L anställd en latent variabel modellering strategi. Följande protokoll visar tekniken med data från elever i årskurs 1, 7 och 10 baserat på enda observerade variabler för D (tidsinställd avkodning), L (receptiva ordförråd) och R (standardiserat läsning förståelse test) att göra nedbrytningsprocessen lätt att förstå. Uppgifterna utgör en delmängd av informationen från 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

Obs: Stegen nedan beskriva ruttnande totala variationen i en beroende variabeln (Y) till unik varians, gemensam variansoch oförklarad varians komponenter baserade på två utvalda oberoende variabler (kallas Equation 1 och Equation 2 för detta exempel) med hjälp av programvara med ett grafiskt användargränssnitt och datahantering mjukvara (se Tabell för material).

1. läses Data in programvara med ett grafiskt användargränssnitt

  1. Klicka på filen.
    1. Muspekaren över Öppna.
    2. Klicka på Data.
  2. Hitta relevanta datafilen på datorn.
    1. Om filtypen inte är förenligt med programvaran med ett grafiskt användargränssnitt, klicka på Filformat och välj lämpligt filformat.
  3. Klicka på Öppna.

2. beräkna variansen förklaras i den beroende variabeln (Y)

  1. Totala variansen förklaras baserat på två oberoende variabler — totala R2.
    Obs: Ett R2 -värde kallas determinationskoefficienten och representerar andelen av variansen för en beroende variabel som förklaras av en uppsättning oberoende variabler.
    1. Klicka på analysera och musen över Regression och välj linjär.
    2. Klicka på den beroende variabeln i variabellistan. Klicka på pilen bredvid beroende.
    3. Klicka på de två oberoende variablerna (X1 och X2) i variabellistan. Klicka på pilen bredvid Independent(s).
    4. Klicka på OK.
    5. Klicka på fönstret Ramvisare av programvaran.
      1. Använd musen för att rulla till avsnittet kallas Modellsammanfattning. Registrera mätvärdet under kolumnen R Square och etiketten detta värde totalt R2.
  2. Totala variansen förklaras utifrånEquation 3
    1. Upprepa steg 2.1.1 genom 2.1.4 endast med Equation 1 i listan oberoende variabel.
    2. Klicka på fönstret Ramvisare av programvaran.
      1. Använd musen för att rulla till avsnittet kallas Modellsammanfattning. Registrera mätvärdet under kolumnen R Square och etikett värdet Equation 1 R2.
  3. Totala variansen förklaras utifrånEquation 4
    1. Upprepa steg 2.1.1 genom 2.1.4 endast med Equation 2 i listan oberoende variabel.
    2. Klicka på fönstret Ramvisare av programvaran.
      1. Använd musen för att rulla till avsnittet kallas Modellsammanfattning. Registrera mätvärdet under kolumnen R Square och etikett värdet Equation 2 R2.

3. computing unika, gemensamma och oförklarad varians komponenter

  1. Öppna programvaran för hantering av data.
  2. Ange etiketter totala R2, Equation 3 R2, och Equation 4 R2 i cellerna A1, B1 och C1, respektive.
  3. Ange det totala R2 värdet från steg 2.1.5.1 i cell A2.
  4. Ange den Equation 1 R2 -värdet från steg 2.2.2.1 i cell B2.
  5. Ange den Equation 2 R2 -värdet från steg 2.3.2.1 i cell C2.
  6. Beräkna den unika variansen av variabel 1 (UEquation 1R2) i programvaran för hantering av data.
    1. I Cell D2 typ: ”= A2-C2” (dvs. totalt R2 minus Equation 2 R2). I Cell D1 etikett värdet UEquation 1R2.
  7. Beräkna den unika variansen av variabel 2 (UEquation 2R2) i programvaran för hantering av data.
    1. I Cell E2 typ: ”= A2-B2” (dvs. totalt R2 minus Equation 1 R2). I Cell E1 etikett värdet UEquation 2R2.
  8. Beräkna gemensamma variansen mellan variabler 1 och 2 (CEquation 5R2) i programvaran för hantering av data.
    1. I Cell F2 typ: ”= A2-D2-E2” (dvs. totalt R2 minus UEquation 1R2 minus UEquation 2R2). I Cell F1 etikett värdet CEquation 5R2.
  9. Beräkna den oförklarliga variansen (e) programvaran för hantering av data.
    1. I Cell G2 typ: ”= 1-A2” (dvs. 1-totalt R2). I Cell G1 märka detta värde e.

4. Rita de UX1R2, UX2R2, CX1X2R2och e värden

Obs: Värdena i cellerna D2, E2, F2 och G2 ritas.

  1. Klicka och dra musen över cellerna D2, E2, F2 och G2 att data.
  2. Klicka på Infoga i menyfliksområdet av programvaran för hantering av data.
  3. Klicka på diagram | Cirkeldiagram | 2-D cirkeldiagram.

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

Syftet med denna studie var att undersöka bidragen av unika och gemensam varians av språket (L) och avkodning (D) att förutsäga läsförståelse (R) i årskurs 1, 7 och 10 i Florida, en stat vars demografi är representativa för nationen som en hela. Det fanns två hypoteser om förutsägelser av variansen förklaras i läsförståelse. Först efter lågstadiet, D unika bidrag kommer att signifikant sänka och L unika bidrag kommer att öka. Andra kommer unika bidrag L och D och L delade bidrag betydligt står för majoriteten av variansen utöver lågstadiet.

Deltagarna var 372 elever i årskurs 1, 299 elever i årskurs 7 och 122 elever i årskurs 10 i allmänbildning klassrum från 18 skolor i två stora stadsdelar i Florida (en i norra Florida och den andra i central Florida). Studien följde riktlinjerna för försökspersoner och föräldrars samtycke erhölls. Etnicitet fördelningen över betygen för studien var: ca 30% svart; 30% var av latinamerikanskt ursprung; 30% vit; 5% asiat, 3% mångkulturella; 2% Övriga. Utbudet av deltagande i programmet federala lunch på 18 deltagande skolorna var från 21,5% till 100%, med en median på 59%.

Enda, observerbara åtgärder för D, L och R valdes för regressionsanalyser. Det avkodning var tidsbegränsad (45 s) sight word avkodning av Test av ordet läsning effektivitet-2-22. L mättes genom en mottaglig vokabulär test, Peabody Picture Vocabulary Test (PPVT-4)23, ofta används i de deltagande skolorna. I denna åtgärd, studenter se fyra bilder och peka en som skildrar ordet examinator säger. R bedömdes med ett nationellt-normerat läsförståelse testar, Gates-MacGinitie läsning Test-4 (GMAT-4)24. Den GMAT-4 administreras i små grupper av 10 elever i årskurs 1. Eleverna läsa delar av en passage och ange den bild som motsvarar passagen. GMAT-4 är gruppen administreras i årskurs 7 och 10. Passager består av både litterär och informativa text och frågor är både bokstavliga och inferential och visas i en flervalsfråga format. Studenter kan se tillbaka på passagen. För alla tre åtgärder var koefficienter för tillförlitlighet ovan 0,90. En planerad saknas data design med tre former användes för att minska tiden för testning. Åtgärderna som D och L administrerades i en session och läsförståelsen testar i en annan session.

Regressionsanalysen för grade 1 stod för 60% av den totala variansen i läsförståelse. Individuella varians modeller visade att andelen av variansen i läsförståelse på grund av D var 43% och som separat, andelen av variansen i läsförståelse på grund av L var 36%. Uppskattningarna variansen är kvadraten korrelationen från separata statistiska modeller av varje prediktor och resultat, varför deras summa från separata modeller (43 + 36 = 79) var större än den totala mängden variansen förklaras (60%). När den totala avvikelsen i klass 1 var nedbrutet i unik och vanliga effekter, förklarade D unikt 24% av variansen i R och L unikt förklarade 17% (se figur 1). Gemensamma variansen för D och L var 19%.

Figure 1
Figur 1. Summa procent av variansen förklaras i grad 1 läsförståelse nedbrutet i unik och vanliga effekter av språket och avkodning och oförklarad varians. Klicka här för att se en större version av denna siffra.

I årskurs 7 svarade regressionsanalysen för 53% av den totala variansen i läsförståelse. Individuella varians modeller visade att andelen av variansen i läsförståelse på grund av D var 25% och andelen av variansen i läsförståelse på grund av L var 46%. Figur 2 visar att D unikt förklarade 7% av variansen i R och att L förklarade 28%. Den gemensamma variansen av D och L förklara variansen i R var 18%.

Figure 2
Figur 2. Summa procent av variansen förklaras i årskurs 7 läsförståelse nedbrutet i unik och vanliga effekter av språket och avkodning och oförklarad varians. Klicka här för att se en större version av denna siffra.

I årskurs 10 stod regressionsanalysen för 61% av den totala variansen i läsförståelse. Individuella varians modeller visade att andelen av variansen i läsförståelse på grund av D var 19% och andelen av variansen i läsförståelse på grund av L var 54%. Figur 3 visar att D unikt utgjorde 6% av variansen, medan L unikt stod för 42% av variansen. Den gemensamma variansen av D och L förklarar varians i R var 13%.

Figure 3
Figur 3. Summa procent av variansen förklaras i lönegrad 10 läsförståelse nedbrutet i unik och vanliga effekter av språket och avkodning och oförklarad varians. Klicka här för att se en större version av denna siffra.

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

Det finns tre viktiga steg i protokollet för ruttnande variansen i R i unik och gemensam varians på grund av L och D. Först subtrahera den R2 i endast L-modellen från den fullständiga modellen skaffa den unika R2 för D. För det andra, subtrahera den R2 för endast D-modell från den fullständiga modellen att få den unika R2 för tredje L., att få gemensamma variansen förklaras av L och D, subtrahera summan av de två unika R2 från R2 för den fullständiga modellen.

Ändringar av protokollet skulle vara nödvändigt om latenta variabler för D och L ersättas overksam koderna för de observerade åtgärderna av tidsbestämda avkodning och mottaglig ordförråd som används här och om kontrollvariabler såsom socioekonomisk status (SES), kön och ras / etnicitet läggs till modellen. Alternativ till plottning resultaten i cirkeldiagram kan också övervägas, såsom att använda Venndiagram. Cirkeldiagram användes här så att procentsatserna för oförklarad varians samt unika och gemensamma avvikelser kan visas.

Det finns begränsningar för tillämpningen av metoden som visas i denna studie. För att förenkla protokollet har valt vi ett observerbara mått varje för D, L och R istället för att använda den latent variabel modellering tillvägagångssätt som vi brukar ta för att styra mätningen fel19. Vi eliminerat kontrollvariabler som SES, kön och ras/etnicitet och används tvärsnittsdata med en planerad saknas data design snarare än komplett longitudinella data. Vi fokuserade på ruttnande variansen på enskild elev nivå snarare än klustring studenter inom klassrum och skolor. Slutligen ger metoden visas i protokollet för ruttnande variansen i procentandelar av unika och vanliga effekter av L och D i att förutse R beskrivande resultat. Det finns inget enkelt sätt att få en formell statistisk test av betydelse för gemensam varians.

Denna teknik för ruttnande variansen i R unik och vanliga effekter på grund av L och D har betydande fördelar jämfört med befintliga metoder för tittar enbart på unika effekter. Viktigast av allt, illustrerar tekniken hur individuella skillnad egenskaper covary och hur en unik effekt kan blek i jämförelse med effekten delat med en annan egenskap. De analyser som följd av det nuvarande protokollet visade att betydande mängder variansen i läsförståelse var på grund av de gemensamma effekterna av D och L (allt från 19% i årskurs 1 till 13% i årskurs 10) som verkade komma på bekostnad av den unika bidrag i D över betygen. Med andra ord, visade regressionsresultat en minskning av andelen av variansen förklaras av D från 43% i årskurs 1 till 25% i årskurs 7 till 19 procent i årskurs 10. Men när avvikelsen var nedbrutet, D unika bidrag i klass 1 var endast 24% och som minskat i årskurs 7 och 10 till 7% och 6%, respektive. Detta konstaterande har viktiga pedagogiska konsekvenser eftersom betoningen på avkodning interventioner i de elementära betygen kommer från den unika effekten av D i regressionsresultat trots svaga effekterna av avkodning interventioner i övre elementära och sekundära kvaliteter i en meta-analys25. Mängden gemensam varians som D och L tillsammans förklara att förutsäga läsförståelse, särskilt i de elementära kvaliteterna, antyder att mer instruktions tonvikt bör läggas på integration av språkkunskaper på den Word-nivå26,27.

Regressionsresultat för L visade en tämligen konstant bild av L bidrar betydande andelar av variansen till läsförståelse över betygen, 36% i årskurs 1 och 54% i årskurs 10. När metoden för ruttnande variansen användes, visade L unika bidrag över betygen dock en dramatisk ökning från 17% i årskurs 1 till 28% i årskurs 7, till 42% i årskurs 10. Konstaterandet att L står för så mycket varians i R i de sekundära kvaliteterna är ännu tydligare i SVR studierna bedrivs från en latent variabel modellering strategi16,17,19 och föreslår värdet av instruktion på de språkliga element som gör texten sammanhängande26,28.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Författarna förklarar att de har inga konkurrerande finansiella intressen.

Acknowledgments

Den forskning som redovisas här stöddes av Institutet för utbildning vetenskaper, US Department of Education, genom en subaward till Florida State University från Grant R305F100005 till den pedagogiska Testing-tjänsten som en del av läsning för förståelse Initiativ. De åsikter som framförs är författarnas och representerar inte utsikt över Institutet, 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).
Ruttnande variansen i läsförståelse att avslöja de unika och gemensamma effekterna av språk och avkodning
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