Nous présentons ici un protocole de décomposition de la variance dans la compréhension de la lecture sur les effets uniques et communs de la langue et le décodage.
La Simple vue de lecture est un modèle populaire de lecture qui prétend que la lecture est le produit de décodage et de la langue, chaque composant unique prédire la compréhension en lecture. Bien que les chercheurs ont fait valoir que la somme plutôt que le produit des composants est le meilleur prédicteur, aucun chercheur ne segmentent la variance expliquée à examiner le degré auquel les composants partagent la variance dans la prédiction de lecture. Pour décomposer la variance, nous soustrayons le R2 pour le modèle de langue uniquement du modèle complet pour obtenir l’unique R2 pour le décodage. Deuxièmement, nous soustrayons le R2 pour le modèle de décodage uniquement du modèle complet pour obtenir l’unique R2 pour la langue. Troisièmement, pour obtenir la variance commune expliquée par langue et décodage, nous soustrayons la somme de l’unique deux R2 R2 pour le modèle complet. La méthode est illustrée dans une approche de régression avec les données des étudiants dans les classes 1 (n = 372), 6 (n = 309) et 10 (n = 122) à l’aide d’une mesure observée du langage (vocabulaire réceptif), décodage (lecture mot chronométrée) et la compréhension de texte (test standardisé). Résultats révèlent une quantité relativement grande de variance expliquée en grade 1 de compréhension en lecture par la variance commune dans le décodage et la langue. En 10e année, cependant, c’est l’effet unique de la langue et l’effet commun de la langue et de décodage qui expliquent la majorité de la variance dans la compréhension en lecture. Résultats sont discutés dans le cadre d’une version élargie de la Simple vue de lecture qui tient compte des effets unique et partagé du langage et décodage pour prédire la compréhension en lecture.
La Simple vue de lecture1 (SVR) continue comme un modèle de lecture en raison de sa simplicité-lecture (R) est le produit de décodage (D) et le langage (L)- et parce que le SVR a tendance à expliquer, en moyenne, environ 60 % des a expliqué variance en lecture compréhension2. SVR prédit que les corrélations entre D et R diminuera avec le temps et que les corrélations entre L et R augmentera au fil du temps. Les études confirment généralement cette prédiction3,4,5. Il existe cependant des désaccords, sur la forme fonctionnelle de SVR, avec des modèles additifs (D + L = R) expliquant la variance beaucoup plus dans la compréhension de texte que les modèles de produit (D × L = R)6,7,8et un combinaison de la somme et le produit [R = J + L + (D x L) expliquant la plus grande quantité de variance en lecture compréhension3,9.
Récemment, le modèle SVR a élargi au-delà des régressions fondées sur des variables observées à la modélisation de variables latente en utilisant l’analyse confirmatoire usine et modélisation par équation structurelle. D est généralement mesurée avec lecture non chronométrée ou chronométrée de mots réels ou nonwords, et R est généralement mesurée par un test de lecture normalisé qui comprend l’alphabétisation et des passages d’information suivies de questions à choix multiples. L est généralement mesurée par des tests de vocabulaire expressif et réceptif et, en particulier à l’école primaire, par des mesures de syntaxe expressive et réceptive et compréhension orale. La plupart des études longitudinales signalent que L est unidimensionnelle10,11,12,13. Cependant, une autre étude longitudinale14 rapports une structure de deux facteurs pour L dans l’école primaire et une structure unidimensionnelle de grade 4 et 8. Récentes études transversales rapportent qu’un modèle de bifactor meilleures concorde avec les données et prédit R15,16,17,18. Par exemple, ShadowSteps et al. 16 comparé unidimensionnelle, trois facteurs, quatre facteurs et bifactor modèles de SVR dans les données des élèves de 4-10 et constaté qu’un modèle bifactor conviennent le mieux et a expliqué 72 à 99 % de la variance dans R. Un facteur général de L a expliqué Cart dans tous les sept classes et vocabulaire et syntaxe unique explique variance que dans une nuance de chaque. Bien que le facteur D une corrélation modérée avec L et R dans toutes les catégories (0,40-0,60 et 0,47-0,74, respectivement), il n’est pas particulièrement bien corrélée avec R en présence du facteur général de L.
Même si la modélisation variable latente a SVR élargi de faire la lumière sur la dimensionnalité du L et le rôle unique que L joue dans la prédiction R au-delà de l’école primaire, aucune étude de SVR sauf un par ShadowSteps et al. 19 segmentent la variance dans la compréhension de la lecture dans ce qui est dû uniquement à D et L, et ce qui est partagé en commun. Il s’agit d’un gros oubli de la littérature. Sur le plan conceptuel, il est logique que D et L partageraient la variance dans la prédiction de langue écrite parce que la reconnaissance de la parole implique les compétences linguistiques phonologie, sémantique et discours à la phrase et du texte de niveaux20. De même, la compréhension linguistique doit être connectée à des représentations orthographiques de phonèmes, morphèmes, mots, phrases et discours si le texte doit être compris21. Multipliant D par L ne donne pas la connaissance partagée par ces composants. Seulement une décomposition de la variance dans ce qui est unique et ce qui est partagé par D et L en R prédire révélera la connaissance intégrée cruciale pour le succès des interventions éducatives.
L’étude de ShadowSteps et al. 19 qui se décompose de la variance de la compréhension de la lecture dans ce qui est unique et ce qui est partagé en commun par D et L emploi une variable latente, approche de modélisation. Le protocole suivant illustre la technique avec les données des étudiants dans les classes 1, 7 et 10 sur single chez variables D (décodage chronométré), L (vocabulaire réceptif) et R (standardisé selon le test de compréhension de lecture) pour rendre le processus de décomposition facile à comprendre. Les données représentent un sous-ensemble des données de ShadowSteps et al. 19.
Il y a trois étapes essentielles dans le protocole de décomposition de la variance dans R en variance unique et commune en raison de L et D. Tout d’abord, soustraire le R2 dans le modèle L uniquement du modèle complet pour obtenir l’unique R2 pour D. En second lieu, soustraire le R2 pour le modèle D uniquement du modèle complet pour obtenir l’unique R2 pour le troisième L., pour obtenir la variance commune expliquée par L et D, de soustraire la somme de l’unique…
The authors have nothing to disclose.
La recherche rapportée ici a été financée par l’Institut des Sciences de l’éducation, U.S. Department of Education, grâce à un subaward à Florida State University de Grant R305F100005 de l’Educational Testing Service, dans le cadre de la lecture pour la compréhension Initiative. Les opinions exprimées sont celles des auteurs et ne représentent pas les vues de l’Institut, le U.S. Department of Education, le Educational Testing Service ou Florida State University.