Hier präsentieren wir ein Protokoll für die Zerlegung der Varianz im Leseverständnis in die einzigartige und gemeinsame Effekte von Sprache und Decodierung.
Der einfache View of Reading ist ein beliebtes Modell des Lesens, die behauptet, lesen ist das Produkt der Dekodierung und Sprache bei jeder Komponente eindeutig Vorhersage Leseverständnis. Obwohl Forscher argumentiert haben, ob die Summe nicht auf das Produkt der Komponenten der bessere Prädiktor ist haben kein Forscher die Varianz erklärt um zu prüfen, inwieweit die Varianz bei der Vorhersage Lesung Komponenten teilen partitioniert. Um die Varianz zu zersetzen, subtrahieren wir die R-2 für die Sprache nur Modell aus dem vollständigen Modell, die einzigartige R2 für die Dekodierung zu erhalten. Zweitens, subtrahieren wir die R-2 für die Decodierung-nur Modell aus dem vollständigen Modell, die einzigartige R2 für Sprache zu erhalten. Drittens um die gemeinsame Varianz zu erhalten, erklärte durch Sprache und dekodieren, subtrahieren wir die Summe von zwei einzigartigen R2 R2 für das vollständige Modell. Die Methode zeigt sich in einen regressionsansatz mit Daten von Schüler der Klassen 1 (n = 372), 6 (n = 309), und 10 (n = 122) unter Verwendung eines beobachteten Maßes für Sprache (rezeptiven Wortschatz) und Decodierung (zeitgesteuerte Wort lesen) Leseverständnis (standardisierter Test). Die Ergebnisse zeigen eine relativ große Menge an Varianz im Leseverständnis in Klasse 1 erklärt durch die gemeinsame Varianz in der Decodierung und Sprache. Durch die 10. Klasse ist es die einzigartige Wirkung von Sprache und die gemeinsame Wirkung von Sprache und Decodierung, die die Mehrheit der Varianz im Leseverständnis erklärt. Ergebnisse werden im Rahmen einer erweiterten Version der einfachen Ansicht Lesung diskutiert, die einzigartige und geteilt Wirkung von Sprache und Decodierung bei der Vorhersage Leseverständnis hält.
Die einfache Ansicht von Reading1 (SVR) weiterhin als ein populäres Modell des Lesens wegen seiner Einfachheit-Lesung (R) ist das Produkt der Decodierung (D) und Sprache (L)- und weil SVR neigt zu erklären, im Durchschnitt etwa 60 % der erklärte Varianz in Lesung Verständnis-2. SVR prognostiziert, dass die Korrelationen zwischen D und R im Laufe der Zeit sinken, Korrelationen zwischen L und R im Laufe der Zeit zunehmen. Studien unterstützen in der Regel diese Vorhersage3,4,5. Gibt es Meinungsverschiedenheiten, aber über die funktionale Form der SVR, mit Additiven Modellen (D + L = R) deutlich mehr Varianz im Leseverständnis als Produktmodelle zu erklären (D × L = R)6,7,8, und ein Kombination aus Summe und Produkt [R = D + L + (D × L) erklärt den größten Anteil der Varianz bei der Lektüre Verständnis3,9.
Vor kurzem hat das SVR-Modell über Regressionen anhand der beobachteten Variablen latente Variablen modellieren mit bestätigende Fabrik Analyse und Modellierung der strukturellen Gleichung erweitert. D wird in der Regel mit ohne Zeitangabe oder zeitgesteuerte Lesung der reale Wörter und/oder Nonwords vermessen und R bemisst sich in der Regel durch einen standardisierten Lesetest, die Alphabetisierung und informativen Passagen gefolgt von Multiple-Choice-Fragen enthält. L wird in der Regel durch Tests der expressiven und rezeptiven Wortschatz und vor allem in den primären Qualitäten durch Maßnahmen der expressiven und rezeptiven Syntax und Hörverstehen gemessen. Meisten longitudinale Studien berichten, dass L eindimensional10,11,12,13. Eine andere Längsschnittstudie14 meldet jedoch eine zwei-Faktor-Struktur für L in den primären Qualitäten und einer eindimensionalen Struktur in den Klassen 4 und 8. Cross-Sectional Studien berichten, dass ein Bifactor Modell am besten die Daten passt und R15,16,17,18 prognostiziert. Z.B. Foorman Et al. 16 eindimensional, drei-Faktor, vier-Faktoren und Bifactor Modelle der SVR Daten vom Schüler der Klassen 4 bis 10 verglichen und festgestellt, dass ein Bifactor-Modell am besten passt und 72 % bis 99 % der Varianz im R. erklärt Ein allgemeine L-Faktor erklärte Varianz in allen sieben Qualitäten und Wortschatz und Syntax eindeutig erklärte Varianz nur in einer Klasse. Obwohl der D-Anteil mäßig mit L und R in allen Klassen korreliert war (0,40-0,60 und 0,47-0,74, beziehungsweise), es war nicht eindeutig korreliert mit R in Anwesenheit der allgemeinen L-Faktor.
Auch wenn latente Variablen modellieren erweiterte SVR hat von Licht auf die Dimensionalität der L und die einzigartige Rolle L bei der Vorhersage des R über den primären Qualitäten, keine Studien der SVR bis auf eine durch Foorman Et al. 19 haben die Varianz im Leseverständnis in was eindeutig D und L soll und was gemeinsam ist partitioniert. Dies ist eine große Lücke in der Literatur. Begrifflich ist es sinnvoll, dass D und L Varianz bei der Vorhersage Schriftsprache, da Worterkennung die sprachlichen Fähigkeiten der Phonologie, Semantik und Diskurs bei den Satz und Text Ebenen20 umfasstteilen würde. Ebenso muss Sprachverständnis mit orthogonalen Darstellungen der Phoneme, Morpheme, Wörter, Sätze und Diskurs verbunden sein, wenn Text verstanden21sein soll. D l Multiplikation Ausbeute nicht von diesen Komponenten geteiltes Wissen. Nur Zerlegung der Varianz in was einzigartig ist und was von D und L in Vorhersage R geteilt wird wird das integrierte Wissen entscheidend für den Erfolg der pädagogische Interventionen zeigen.
Eine Studie von Foorman Et al. 19 , die die Varianz der Leseverständnis in was einzigartig ist und was von D und L gemeinsam ist zerlegt beschäftigt eine latente Variable Modellierung. Das folgende Protokoll demonstriert die Technik mit Daten der Schüler der Klassen 1, 7 und 10 basierend auf einzelnen beobachteten Variablen D (zeitgesteuerte Decodierung), L (rezeptiven Wortschatz) und R (standardisiert Verständnistest lesen) zu den Zersetzungsprozess leicht zu verstehen. Die Daten stellen eine Teilmenge der Daten aus Foorman Et al. 19.
Es gibt drei wichtige Schritte im Protokoll für die Zerlegung der Varianz in R in einzigartige und gemeinsame Varianz durch L und D. Zuerst subtrahieren Sie R2 in der L-nur Modell aus dem vollständigen Modell zu der einzigartigen R2 für D. Zweitens: subtrahieren Sie R2 für die nur-D-Modell aus dem vollständigen Modell erhalten die einzigartige R2 für Dritte L., die gemeinsame Varianz erklärt sich durch L und D zu erhalten, ziehen Sie die Summe von zwei einzigartigen R<su…
The authors have nothing to disclose.
Die Forschung hier berichtet wurde vom Institut für Bildungswissenschaft, U.S. Department of Education, durch eine Subaward an der Florida State University von Grant R305F100005, Educational Testing Service im Rahmen der Lesung Verständnis unterstützt. Initiative. Die geäußerten Meinungen sind diejenigen der Autoren und repräsentieren nicht die Ansichten des Instituts, das US Department of Education, der Educational Testing Service oder Florida State University.