ここで言語とデコードのユニークな一般的なエフェクトに読解力の差異を分解するためのプロトコルを提案する.
読書の単純なビューは、読書がデコードと読解を一意に予測の各コンポーネントと言語の製品であることを主張する読書の人気モデルです。研究者は、合計ではなく、コンポーネントの製品がよりよい予測因子であるかどうかと主張したが、研究者のコンポーネントが読書の予測の差異を共有範囲を調べるため説明される分散が分割なし。分散を分解して我々 はデコードのユニークな R2を取得する完全なモデルから言語のみのモデルの R2を減算します。第二に、我々 は言語のユニークな R2を取得する完全なモデルから復号のみのモデルの R2を減算します。第三に、一般的な分散を取得する言語と説明デコーディング、完全なモデルの R2から 2 つのユニークな R2の合計を差し引きます。メソッドは、グレード 1 の学生からデータによる回帰で示されます (n = 372)、6 (n = 309)、10 (n = 122) 言語 (受容語彙) の観察されたメジャーを使用して、(時間語読み) を解読、および読解力 (標準化されたテスト)。結果では、比較的大量の復号法と言語の一般的な差異によってグレード 1 で説明した読解の差異を明らかにします。グレード 10、しかし、それは言語の独特な効果と読解力の分散の大部分を説明した言語とデコードの一般的な効果。結果は、言語と読解力を予測する上で復号ユニークと共有の影響を考慮した読書の単純なビューの拡張されたバージョンのコンテキストで説明します。
簡単な読書ビュー1 (SVR) 続けてそのシンプルさの読み取り (R) のための読書の人気モデルは (D) をデコードの製品と言語 (L)-の約 60% が読書の差異を説明した SVR は、平均を説明する傾向があるので、読解2。SVR は、D と R の間の相関関係は時間をかけて減少して L と R の間の相関関係は時間の経過とともに増加するを予測します。研究は、一般にこの予測3,4,5をサポートします。加法モデルで、SVR の機能フォームについてしかし、意見の相違があります (D + L = R) 製品モデルよりも読解ではるかの差異を説明する (D × L = R)6,7、8と合計、および製品の組み合わせ [R = L + D + (D × L) 読解3,9を読んでの差異の最大の量を説明します。
最近 SVR モデル検証工場分析・構造方程式モデリングを用いた潜在変数モデルに観測変数に基づく回帰を超えて拡大しています。D は通常の本当の言葉や有意味アンタイムドまたは時間の読書で測定し、R は通常リテラシーと多肢選択問題に続いて情報の通路を含む標準化された読解テストで測定します。L 通常テスト表現と受容語彙と、小学校低学年を中心に表現と受容の構文とリスニングの対策を測定します。最も縦断的研究は、L が 1 次元的な10、11,12,13であることを報告します。ただし、別の縦断的研究14は小学校低学年・等級 4 および 8 の 1 次元的な構造物の L の 2 因子構造を報告します。最近の横断的研究報告最高 bifactor モデルがデータに適合し、R15,16,17,18を予測します。たとえば、Foormanら16 1 次元的な 3 因子、4 因子、bifactor のモデル SVR の学年 4-10 からのデータを比較し、bifactor モデルが最適し、72% 〜 99 %r に差異の説明が見つかりました一般的な L 要因は、すべての 7 つの等級と語彙と構文の分散は一意に各 1 つのグレードでのみ分散を説明説明しました。D 因子はすべてのグレードで中程度の相関 L と R が (0.40 0.60 と 0.47 0.74、それぞれ)、それ相関はなく一意に r を一般的な L 因子存在下で。
潜在変数モデルは L と L は小学校低学年、Foormanらによって 1 つを除いて SVR のどんな研究を超えて R を予測する上で果たしている固有のロールの次元に光を投げかけるによって拡張 SVR を持っていても、19が D と L を一意に原因であるものと何が共通に読解における分散パーティションに分割します。これは文献には大きな不作為です。概念的にはそれにかなって D と L は単語認識音韻論、意味論、文と本文のレベル20の談話の語学力が伴うので、書かれた言語を予測する上での差異を共有したいです。同様に、テキスト理解21をする場合、音素、形態素、単語、文章、談話の正投影の表現に言語理解を接続しなければなりません。L と D を掛けることこれらのコンポーネントによって共有知識を生成しません。何がユニークなと何 D と予測 r L によって共有される分散の分解だけは統合教育介入の成功に不可欠の知識を明らかにします。
Foormanらによって 1 つの研究何がユニークな D および L 共通の共有に読解力の分散を分解19モデリング潜在変数を採用しました。次のプロトコルは 1、7、および 10 シングル D (時間復号)、L (受容語彙)、および R の変数を観察に基づく等級の学生からデータと方法を示します (リーディング読解テストを標準化) 分解処理をするため理解しやすい。データは、Foormanらからデータのサブセットを表す19。
L と D のためのユニークで一般的な差異に R の分散の分解のプロトコルで 3 つの重要なステップがあります。まず、D のユニークな R2を取得する完全なモデルから L だけのモデルに R2を減算します。第二に、完全なモデルの R2から 2 つのユニークな R2の合計を引く L. 第三に、L と D によって説明される共通分散を取得するためのユニークな R2を取得す?…
The authors have nothing to disclose.
ここで報告された研究は教育テスト サービスに理解のための読書の一部としてグラント R305F100005 からフロリダ州立大学 subaward を通じて米国教育省教育科学研究所をサポートいたイニシアチブ。意見は、著者の研究所、米国教育省、教育テスト サービス、またはフロリダの州立大学の景色ではない.