Waiting
Login processing...

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

Behavior

Okuduğunu anlama dil benzersiz ve ortak etkileri ortaya çıkarmak için varyans çürüyen ve kod çözme

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

Summary

Burada okuduğunu anlama dili ve kod çözme benzersiz ve ortak Effects'e içinde farkı çürüyen bir protokol mevcut.

Abstract

Basit görünüm okuma okuma çözme ve dil, her bileşenin benzersiz olarak okuduğunu anlama tahmin ile ürünü olduğunu iddia ediyor okuma popüler bir modeldir. Olmamakla birlikte araştırmacılar ürün bileşenleri yerine toplamı daha iyi tahmin olup iddia, yok araştırmacılar için okuma öngörmede varyans bileşenleri paylaşmak ölçüde incelemek için açıkladı varyans bölümlenmiş. Varyans ayrıştırmak için biz kod çözme için benzersiz R2 ' yi edinmek için tam modeli salt dil modelinden R2 çıkarın. İkinci olarak, biz dil için benzersiz R2 ' yi edinmek için tam modeli salt kod çözme modelinden R2 çıkarın. Üçüncü olarak, ortak varyans elde etmek için açıkladı dil ve kod çözme, biz iki benzersiz R2 tam modeli için R2 toplamı çıkarın. Yöntemi ile veri regresyon yaklaşımda 1. sınıflarda öğrencilere üzerinden gösterilmiştir (n = 372), 6 (n = 309) ve 10 (n = 122) dil (alıcı kelime) gözlenen bir ölçü birimi kullanılarak, (zamanlanmış kelime okuma) kod çözme ve okuduğunu anlama (Standart test). Sonuçlar 1 sınıfta açıkladı okuduğunu içinde farkı çözme ve dil ortak varyans tarafından nispeten büyük miktarda ortaya koyuyor. 10 sınıf tarafından dilinin benzersiz bir etki ve bu farkı anlama okuma çoğunluğu açıkladı ortak dil ve kod çözme be. Sonuçlar basit görünüm, dil ve okuduğunu anlama biçilen değerinde kod çözme paylaşılan benzersiz ve etkileri dikkate okuma genişletilmiş bir versiyonu bağlamında ele alınmıştır.

Introduction

Dil (L) ve (D) kod çözme ürün okuma onun sadelik-okuma (R) nedeniyle popüler bir model olduğu gibi basit görünüm okuma1 (SVR) devam ediyor- ve SVR açıklamak, ortalama olarak, eğilimindedir çünkü yaklaşık % 60'ı varyans okuma açıkladı anlama2. SVR D ve R arasındaki bağıntıları zamanla azalacak ve L ve R arasındaki bağıntıları zamanla artacağını öngörüyor. Çalışmalar genellikle bu tahmin3,4,5destekler. Orada anlaşmazlıklar, ancak, SVR, fonksiyonel formu katkı modelleri ile ilgili (D + L = R) ürün modelleri daha okuduğunu içinde önemli ölçüde daha fazla farkı açıklayan (D × L = R)6,7,8ve bir sum ve ürün kombinasyonu [R = D + L + (D × L) en büyük farkı anlama3,9okuma miktarını açıklayan.

Son zamanlarda SVR modeli doğrulama fabrika Analizi ve yapısal denklem modelleme kullanarak gizli değişken modelleme gözlenen değişkenlere göre gerilemeleri ötesine genişledi. D genellikle untimed veya zamanlanmış okuma gerçek kelimeler ve/veya nonwords ile ölçülür ve R genellikle okuma-yazma ve bilgilendirme geçişleri izledi tarafından çoktan seçmeli sorular içeren bir okuma standartlaştırılmış test ölçülür. L genellikle testleri ifade ve alıcı kelime ve özellikle birincil sınıflarda etkileyici ve alıcı sözdizimi ve dinlediğini anlama önlemlerle ölçülür. En uzunlamasına çalışmalar L Venüslüdür10,11,12,13olduğunu rapor etmektedir. Ancak, başka bir boyuna çalışma14 birincil notlar ve sınıflar 4 ve 8 Venüslüdür yapısında L için iki faktörlü yapısı bildirir. Yeni kesitsel çalışmalar bifactor modeli en iyi veri ve R15,16,17,18öngörür rapor. Örneğin, Foorman vd. 16 Venüslüdür, üç faktörlü, dört faktör ve 4-10. sınıflarda öğrencilere verilerden SVR bifactor modellerinde göre ve bifactor modeli en uygun ve %72 %99 R. varyans açıkladı Genel bir L faktör varyans tüm yedi notlar ve kelime ve sözdizimi benzersiz olarak yalnızca bir sınıf varyans açıkladı açıkladı. D faktör orta tüm sınıflarda L ve R ile ilişkili, ancak (0.40-0,60 ve 0,47-0,74, sırasıyla), bu benzersiz olarak R ile genel L faktörü varlığında ilişkili değil.

L ve birincil notlar, SVR biri tarafından Foorman ve ark. dışında hiçbir çalışmaların ötesinde R biçilen değerinde L oynadığı benzersiz rolü dimensionality ışık akıtan tarafından genişletilmiş SVR gizli değişken modelleme olmasına karşın 19 benzersiz olarak D ve ben dolayı ne olduğunu ve ne ortak paylaşılan içine okuduğunu içinde farkı bölümlenmiş. Bu edebiyat büyük bir ihmal var. Kavramsal olarak D ve L kelime tanıma ses bilimi, semantik ve söylem cümle ve metin düzeyleri20dil becerilerini gerektirir çünkü yazı dili öngördürücüsü olarak varyans paylaşmak mantıklı. Benzer şekilde, metin anlaşılır21olacaksa dil anlama Fonem, morphemes, kelimeler, cümleler ve söylem ortografik temsilleri bağlanmalıdır. D L tarafından çarparak bu bileşenler tarafından paylaşılan bilgi vermez. Yalnızca ayrıştırma varyans benzersiz nedir ve ne D ve L predicting r tarafından paylaşılır içine entegre bilgi eğitim müdahaleler başarısı çok ortaya çıkaracaktır.

Foorman ve ark. tarafından bir çalışma okuduğunu anlama benzersiz nedir ve ne D ve L tarafından paylaşılan ortak varyans çürümüş 19 yaklaşım modelleme gizli bir değişken istihdam. Aşağıdaki iletişim kuralı üzerinden 1, 7 ve 10 (zamanlanmış kod çözme) D, L (alıcı kelime) ve R için değişkenleri gözlenen tek temel sınıflarda öğrencilere teknik verilerle gösterir (okuduğunu anlama testi okuma standartlaştırılmış) decomposition işlem yapmak kolay anlaşılır. Verileri verilerin bir alt kümesini temsil Foorman vd. 19.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Not: Aşağıdaki adımları iki seçilen bağımsız (denir Equation 1değişkenine göre benzersiz farkı, ortak varyansve açıklanamayan varyans bileşenleri içine bir bağımlı değişken (Y) çürüyen toplam varyans tarif ve Equation 2 Bu örnek için) kullanarak bir grafik kullanıcı arayüzü ile yazılım ve veri yönetimi yazılımı (bkz: Malzemeler tablo).

1. yazılım bir grafik kullanıcı arayüzü ile verileri Okunma

  1. Tıkırtı üstünde dosyası.
    1. Fare üzerine gelin açık.
    2. Tıkırtı üstünde veri.
  2. Bilgisayardaki ilgili veri dosyasını bulun.
    1. Dosya türü bir grafik kullanıcı arayüzü ile yazılım ile tutarlı değilse, Dosya türü tıklatın ve uygun dosya biçimini seçin.
  3. Tıkırtı üstünde açık.

2. bağımlı değişken (Y) açıkladı farkı tahmin

  1. Toplam varyans açıkladı iki bağımsız değişkenine dayalı — toplam R2.
    Not: R2 değeri belirleme katsayısı bilinir ve bağımsız değişkenleri kümesi tarafından açıklandığı bir bağımlı değişken için varyans oranı temsil eder.
    1. Analiz üzerinde ve regresyon üzerinde fareyi tıklatıp seçin lineer.
    2. Bağımlı değişken değişken listesinde tıklatın. Bağımlıyanındaki oku tıklatın.
    3. İki bağımsız değişken (X1 ve X2) değişken listesinde tıklatın. Daha sonra yanındaki oku Independent(s).
    4. Tamam' ı tıklatın.
    5. Yazılım Görüntüleyicisi penceresini tıklatın.
      1. Fare Modeli Özetiadı bölümüne gidin. Altında sütun R kare değeri kaydedin ve bu değer toplam R2etiket.
  2. Toplam varyans dayalı açıkladıEquation 3
    1. 2.1.1 2.1.4 yalnızca kullanarak aracılığıyla adımları yineleyin Equation 1 bağımsız değişken listesinde.
    2. Yazılım Görüntüleyicisi penceresini tıklatın.
      1. Fare Modeli Özetiadı bölümüne gidin. Altında sütun R kare değeri kaydedin ve bu değeri etiket Equation 1 R2.
  3. Toplam varyans dayalı açıkladıEquation 4
    1. 2.1.1 2.1.4 yalnızca kullanarak aracılığıyla adımları yineleyin Equation 2 bağımsız değişken listesinde.
    2. Yazılım Görüntüleyicisi penceresini tıklatın.
      1. Fare Modeli Özetiadı bölümüne gidin. Altında sütun R kare değeri kaydedin ve bu değeri etiket Equation 2 R2.

3. bilgi işlem benzersiz, yaygın ve açıklanamayan varyans bileşenleri

  1. Veri yönetimi yazılımını açın.
  2. Etiketleri Toplam R2, girin Equation 3 R2, ve Equation 4 R2 ' hücre A1, B1 ve C1, anılan sıraya göre.
  3. Adım 2.1.5.1 A2 hücresindeki toplam R2 değeri girin.
  4. Girin Equation 1 R2 adım 2.2.2.1 B2 hücresindeki değeri.
  5. Girin Equation 2 R2 adım 2.3.2.1 C2 hücresindeki değeri.
  6. Değişken 1 benzersiz farkı hesaplamak (UEquation 1R2) veri yönetimi yazılımı.
    1. Hücre D2 türü: "= A2-C2" (Yani, toplam R2 eksi Equation 2 R2). Bu değer U hücre D1 etiketEquation 1R2.
  7. Benzersiz değişken 2 farkı hesaplamak (UEquation 2R2) veri yönetimi yazılımı.
    1. Hücre E2 yazın: "A2-B2 =" (Yani, toplam R2 eksi Equation 1 R2). Bu değer U hücre E1 etiketEquation 2R2.
  8. Hesaplama değişkenleri 1 ve 2 arasında ortak varyans (CEquation 5R2) veri yönetimi yazılımı.
    1. Hücre F2 tipi: "A2-D2-E2 =" (Yani, toplam R2 U eksiEquation 1R2 U eksiEquation 2R2). Bu değer C hücre F1 etiketEquation 5R2.
  9. Veri yönetimi yazılımı açıklanamayan varyans (e) hesaplar.
    1. Hücre G2 yazın: "1-A2 =" (Yani, 1-Toplam R2). Bu değer e. hücre G1 etiket

4. Arsa UX1R2, UX2R2, CX1X2R2ve e değerleri

Not: D2, E2, F2 ve G2 hücrelerindeki değerleri çizilir.

  1. ' I tıklatın ve hücreleri D2, E2, F2 ve G2 verileri vurgulamak üzere fareyi sürükleyin.
  2. Ekleme veri yönetimi yazılımı şerit üzerinde'yi tıklatın.
  3. Tıkırtı üstünde grafikler | Pasta grafiği | 2-B pasta grafik.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Bu çalışmanın amacı (L) dilinin benzersiz ve ortak varyans katkılarıyla araştırmaya ve (D) (R) Florida, bir devlet 1, 7 ve 10 sınıflarda olan demografi okuduğunu tahmin için kod çözme temsilcisi milletin bir Bütün. Okuduğunu anlama içinde açıkladı varyans tahminleri ile ilgili iki hipotezler vardı. İlk olarak, birincil notlar sonra eşsiz katkı d önemli ölçüde azalacak ve L eşsiz katkı artacaktır. İkinci olarak, eşsiz katkı l ve D ve L paylaşılan katkıları önemli ölçüde varyans birincil sınıflarda ötesinde çoğunluğu için hesap olacaktır.

Katılımcılar vardı sınıfta 1, 372 öğrenciler sınıfta 7 299 öğrenciler ve 122 öğrenciler sınıfta 10 Genel Eğitim sınıflarda iki büyük kentsel bölgeye 18 okullardan Florida (bir Kuzey Florida ve diğer Orta Florida). Çalışma insan denekler için yönergeleri takip ve ebeveyn izni elde edildi. Sınıflar için çalışma arasında etnik köken arıza oldu: yaklaşık % 30 siyah; % 30 Latin asıllı; % 30 beyaz; %5 Asya, %3 çok kültürlü; % 2 diğer. 18 katılımcı okullarda federal öğle yemeği programı'na aralığını %21,5 %59 medyan ile %100 oldu.

D, L ve R için tek, gözlemlenebilir önlemler regresyon analizleri için seçildi. Kod çözme ölçü zaman sınırlı (45 s) Test kelime okuma etkinliği-222kelime kod çözme görme. L bir alıcı kelime bilgisi testi, Peabody resim kelime Test (PPVT-4)23, katılımcı okullarda yaygın olarak kullanılan tarafından ölçüldü. Bu ölçüde öğrenciler dört resimleri görmek ve kelime sınav tasvir bir noktaya diyor. R değerlendirildi ile ulusal Normlaştırılmış okuduğunu anlama testi, Gates-MacGinitie okuma testi-4 (GMAT-4)24. GMAT-4 küçük gruplar halinde 10 öğrenci sınıfta 1 yönetilir. Öğrenciler bir parça okumak ve geçiş için karşılık gelen resmi gösterir. GMAT-4 grup tarafından yönetilen sınıflar 7 ve 10. Pasajlar edebi ve bilgilendirme metinden oluşur ve sorular hazır bilgi ve çıkarımsal ve çoktan seçmeli bir biçimde görünür. Öğrenciler geri geçiş bakabilirsiniz. Tüm üç tedbirleri için güvenilirlik katsayıları 0.90 oldu. Planlı bir eksik veri tasarım üç formları ile test süresini azaltmak için kullanıldı. D ve L önlemler birinde idare oturum ve okuduğunu anlama testi başka bir oturumda.

Grade 1 için regresyon çözümlemesi okuduğunu içinde toplam varyans % 60'ı sorumluydu. Bireysel varyans modelleri okuduğunu anlama D nedeniyle yapılan varyans oranı % 43 ve ayrı ayrı oldu, okuduğunu anlama L nedeniyle yapılan varyans oranı % 36 olduğunu gösterdi. Bu varyans tahminleri ayrı istatistiksel modeller her tahmin ve sonuç, bu yüzden bunların toplamı ayrı modeller (43 + 36 = 79) açıkladı varyans (% 60) Toplam tutardan daha fazla kare korelasyon vardır. 1. sınıfta toplam sapma benzersiz ve ortak Effects'e çürümüş zaman D benzersiz olarak R ve L varyans % 24 benzersiz olarak (bkz. Şekil 1) % 17 açıkladı açıkladı. D ve L ortak varyans % 19 olduğunu.

Figure 1
Şekil 1. Toplam yüzde 1 sınıf okuduğunu anlama benzersiz ve ortak dil ve etkileri kod çözme çürümüş açıklanmıştır varyans ve açıklanamayan farkı. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.

7. sınıfta okuduğunu içinde toplam varyans % 53 regresyon çözümlemesi sorumluydu. Bireysel varyans modelleri okuduğunu anlama D nedeniyle yapılan varyans oranı % 25 olduğunu ve okuduğunu anlama L nedeniyle yapılan varyans oranı % 46'sı olduğunu gösterdi. Şekil 2 D R varyans % 7'si benzersiz olarak açıkladı ve L % 28 açıkladı gösterir. R açıklayan varyans D ve L ortak Varyans % 18 oldu.

Figure 2
Şekil 2. Toplam yüzde 7 sınıf okuduğunu anlama benzersiz ve ortak dil ve etkileri kod çözme çürümüş açıklanmıştır varyans ve açıklanamayan farkı. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.

10. sınıfta okuduğunu içinde toplam varyans % 61 regresyon çözümlemesi sorumluydu. Tek tek farkı modelleri okuduğunu anlama D nedeniyle yapılan varyans oranı % 19 ve okuduğunu anlama L nedeniyle yapılan varyans oranı % 54 gösterdi. L benzersiz olarak varyans % 42 oluşturuyor, ancak Şekil 3 D benzersiz olarak Varyans, %6 sorumluydu gösterir. R açıklayan varyans D ve L ortak varyans % 13 oldu.

Figure 3
Şekil 3. Toplam yüzde 10 sınıf okuduğunu anlama benzersiz ve ortak dil ve etkileri kod çözme çürümüş açıklanmıştır varyans ve açıklanamayan farkı. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

R varyans benzersiz ve ortak varyans L ve d nedeniyle içine çürüyen için protokol içinde üç kritik adım vardır İlk olarak, benzersiz R2 d için elde etmek için tam modeli salt L modelindeki R2 çıkarma İkinci olarak, L. üçüncü L ve D tarafından açıkladı ortak varyans elde etmek için için benzersiz R2 ' yi edinmek, iki benzersiz R2 tam modeli için R2 toplamı çıkarmak için tam modeli salt D modelinden2 R çıkarma.

Protokol değişiklikler gerekli gizli Eğer D ve L değişkenlerini yerini kukla kodları için zamanlanmış kod çözme ve alıcı kelime burada kullanılan gözlenen önlemler ve denetim değişkenleri gibi sosyo-ekonomik durumu (SES), cinsiyet olacağını ve yarış / elbise modeli eklenir. Pasta grafikleri sonuçlarında komplo için alternatifler de, Venn diyagramları kullanarak gibi düşünülebilir. Açıklanamayan farkı hem de benzersiz ve ortak varyans yüzdeleri görüntülemek pasta grafikler burada kullanılmıştır.

Bu çalışmada gösterildiği gibi yönteminin uygulanması için sınırlamalar vardır. Protokol basitleştirmek için biz biz genellikle ölçüm hatası19kontrol almak yaklaşım modelleme gizli değişken kullanmak yerine bir gözlemlenebilir ölçü her D, L ve R için seçildi. Biz SES, toplumsal cinsiyet ve ırk/etnisite gibi kontrol değişkenleri ortadan ve kesit verileri tam boyuna veri yerine bir planlı eksik veri tasarım ile kullanılır. Derslik ve okullar öğrencileri kümeleme yerine bireysel öğrenci düzeyinde farkı çürüyen üzerinde duruldu. Son olarak, iletişim kuralı benzersiz ve ortak etkileri yüzdeleri içine çürüyen varyansını L ve D predicting r için gösterilen yöntem açıklayıcı sonuçlar verir. Ortak varyans önemini bir resmi istatistik test elde etmek için kolay yolu yoktur.

R varyans L ve D nedeniyle benzersiz ve ortak Effects'e çürüyen için bu teknik yalnızca benzersiz efektler bakarak mevcut yöntemler önemli avantajlar vardır. En önemlisi, teknik nasıl bireysel fark özellikleri covary ve nasıl bir benzersiz etkisi etkisi ile karşılaştırıldığında soluk başka bir özelliği ile paylaşılan gösterir. Benzersiz pahasına gelmek çıktı okuduğunu içinde farkı önemli miktarda D ve L (sınıf 1-%13 10 sınıfta % 19 arasında değişen) yaygın etkileri nedeniyle olduğunu gösterdi geçerli protokol kaynaklanan analizleri notları yaptığı katkının d. Başka bir deyişle, regresyon sonuçları bir düşüş varyans oranı D tarafından sınıf 1 den %25 10 sınıfta sınıf 7-%19 %43 sorumluydu gösterdi. Ancak, varyans çürümüş zaman, D eşsiz katkı 1 sınıfta sadece % 24 ve Notlar 7 ve 10-%7 ve % 6, sırasıyla reddetti. D benzersiz bir etki müdahaleler üst temel kod çözme, regresyon sonuçları zayıf etkileri rağmen müdahaleler temel sınıflarda kod çözme vurgu gelir çünkü bu bulgu önemli eğitim etkileri vardır ve bir meta-analiz25ikincil sınıflarda. D ve L birlikte özellikle temel sınıflarda okuduğunu biçilen değerinde açıklamak ortak varyans miktarı daha öğretim vurgu lisan bilgisine entegrasyonu üzerinde yer almalıdır önerir kelime düzeyinde26,27.

L için regresyon sonuçları için okuduğunu anlama sınıflar, sınıf 1-%54 10 sınıfta % 36 arasında farkı önemli oranlarda katkıda L oldukça sabit bir resmini gösterdi. Varyans çürüyen yöntemi kullanıldığında, ancak benzersiz yaptığı katkının L sınıflarda % 17 dramatik bir artış sınıfta 1-%28 %42 10 sınıfta 7, sınıfta gösterdi. R çok varyans ikincil sınıflarda m hesaplarında yaklaşım16,17,19 modelleme gizli bir değişkeninden yürütülen SVR çalışmalarda daha da belirgindir ve öğretimin değer önerisinde bulunur bulma metin Yapışkan26,28dile ait öğeleri üzerinde.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Yazarlar onlar rakip hiçbir mali çıkarları var bildirin.

Acknowledgments

Rapor burada Araştırma Enstitüsü Eğitim Bilimleri US Department of Education, Grant R305F100005 anlamak için okuma parçası olarak eğitim test hizmeti için gelen Florida Devlet Üniversitesi'ne bir subaward ile desteklenmiştir Girişimi. Görüş ifade yazarlar vardır ve Enstitü, US Department of Education, eğitim hizmeti test veya Florida Eyalet Üniversitesi temsil etmemektedir.

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

Davranış sayı: 140 Decomposing farkı basit görünüm okuma okuma anlama dil kod çözme regresyon
Okuduğunu anlama dil benzersiz ve ortak etkileri ortaya çıkarmak için varyans çürüyen ve kod çözme
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