Aqui nós apresentamos um protocolo para a decomposição da variância em compreensão de leitura sobre os efeitos da únicos e comuns de linguagem e decodificação.
A simples visão de leitura é um modelo popular de leitura que afirma que a leitura é o produto da decodificação e da linguagem, com cada componente exclusivamente prevendo a compreensão da leitura. Embora os pesquisadores argumentaram que se soma ao invés do produto dos componentes é o melhor preditor, pesquisadores não particionou a variância explicada para examinar a extensão a que os componentes compartilham variância na previsão de leitura. Para decompor a variância, subtraímos o R2 para o modelo somente de linguagem do modelo completo para obter o exclusivo R2 para decodificação. Em segundo lugar, subtraímos o R2 para o modelo somente de decodificação do modelo completo para obter o exclusivo R2 para língua. Em terceiro lugar obter a variância comum explicado pela linguagem e decodificação, subtraímos a soma dos dois únicos R2 do R2 para o modelo completo. O método é demonstrado em uma abordagem de regressão com dados de alunos em classes 1 (n = 372), 6 (n = 309) e 10 (n = 122) usando uma medida observada da linguagem (vocabulário receptivo), decodificação (leitura de palavra cronometrado) e compreensão (teste padronizado) de leitura. Os resultados revelam uma quantidade relativamente grande de variância em explicado na série 1 de compreensão de leitura pela variância comum em decodificação e linguagem. Pelo grau 10, no entanto, é o único efeito da linguagem e o efeito comum de linguagem e decodificação que explicou a maioria da variância em compreensão de leitura. Os resultados são discutidos no contexto de uma versão expandida da exibição simples de leitura que considera efeitos exclusivos e compartilhados de descodificação na previsão de compreensão de leitura e linguagem.
A simples visão de leitura1 (SVR) continua como um modelo popular de leitura por causa de sua simplicidade-leitura (R) é o produto de decodificação (D) e linguagem (L)- e porque SVR tende a explicar, em média, cerca de 60% de explicou variância em leitura compreensão2. SVR prevê que as correlações entre D e R irão diminuir ao longo do tempo e que as correlações entre L e R vão aumentar ao longo do tempo. Estudos geralmente suportam esta previsão3,4,5. Existem divergências, no entanto, sobre a forma funcional da SVR, com modelos de aditivos (D + L = R) explicando a variação mais significativamente na compreensão do que os modelos de produto de leitura (D × L = R)6,7,8e um combinação de soma e produto [R = D + L + (D × L) explicando a maior quantidade de variância na leitura compreensão3,9.
Recentemente, o modelo SVR expandiu-se além de regressões com base em variáveis observadas para modelagem de variável latente usando análise confirmatória da fábrica e modelagem de equações estruturais. D é normalmente medido com duração indeterminada ou atingiu o tempo de leitura de palavras reais e/ou nonwords e R é normalmente medido por um teste padronizado de leitura que inclui a alfabetização e informativas passagens seguidas de questões de múltipla escolha. L é tipicamente medida por testes de vocabulário expressivo e receptivo e, especialmente nas séries primárias, através de medidas de sintaxe expressiva e receptiva e compreensão auditiva. Mais estudos longitudinais relatam que L é unidimensional10,11,12,13. No entanto, outro estudo longitudinal14 relata uma estrutura de dois fatores para L nas classes primárias e uma estrutura unidimensional de grau 4 e 8. Recentes estudos transversais relatam que um modelo de bifactor melhor se ajusta os dados e prediz R15,16,17,18. Por exemplo, Foorman et al 16 comparado unidimensional, três fatores, quatro fatores e bifactor modelos de SVR nos dados de alunos em séries 4-10 e descobriu que um modelo de bifactor se encaixam melhor e explicou 72% a 99% da variância em R. Um fator geral de L explicou que a variação em todas as sete notas e vocabulário e sintaxe excepcionalmente explicou variância apenas em um grau cada. Embora o fator D foi moderadamente correlacionado com L e R, em todos os graus (0,40-0,60 e 0,47-0,74, respectivamente), não foi exclusivamente correlacionado com R na presença do fator geral de L.
Apesar de modelagem variável latente tem expandido SVR derramando luz sobre a dimensionalidade do L e o único papel que L desempenha na previsão R além as notas primárias, não há estudos de SVR exceto um por Foorman et al 19 particionou a variância em compreensão de leitura em que é devido exclusivamente a D e L e o que é partilhado em comum. Esta é uma grande omissão na literatura. Conceitualmente, faz sentido que D e L compartilharia variância na previsão de linguagem escrita porque o reconhecimento da palavra implica as habilidades linguísticas de fonologia, semântica e discurso com a frase e texto níveis20. Da mesma forma, compreensão linguística deve ser ligado a representações ortográficas de fonemas, morfemas, palavras, frases e discursos se texto é para ser entendido21. Multiplicando-se D por L não rende o conhecimento compartilhado por estes componentes. Apenas a decomposição da variância no que é único e o que é compartilhado por D e L r prever irá revelar o conhecimento integrado crucial para o sucesso das intervenções educativas.
Um estudo de Foorman et al 19 que decompor a variação de compreensão de leitura no que é único e que é partilhado em comum por D e L empregou uma variável latente, abordagem de modelagem. O protocolo seguinte demonstra a técnica com dados de alunos em graus 1, 7 e 10 baseado em único observado variáveis para D (decodificação cronometrado), L (vocabulário receptivo) e R (padronizado de teste de compreensão de leitura) para tornar o processo de decomposição fácil de entender. Os dados representam um subconjunto dos dados de Foorman et al 19.
Existem três passos críticos no protocolo de decomposição da variância em R em variância única e comum devido a L e D. Em primeiro lugar, subtraia a R2 no modelo L-somente a partir do modelo completo para obter o exclusivo R2 para D. Em segundo lugar, subtraia a R2 para o modelo D-somente a partir do modelo completo para obter o exclusivo R2 para L. terceiro, para obter a variância comum explicada por L e D, subtrair a soma das duas únicas R2 do R2</sup…
The authors have nothing to disclose.
A pesquisa relatada aqui foi apoiada pelo Instituto de Educação Ciências, departamento de educação dos Estados Unidos, através de um subaward para a Florida State University de Grant R305F100005 para o Educational Testing Service como parte da leitura para a compreensão Iniciativa. As opiniões expressadas são as dos autores e não representam a opinião do Instituto, o U.S. Department of Education, Educational Testing Service ou Florida State University.