Zerlegung der Varianz in Leseverständnis, die einzigartige und gemeinsame Effekte der Sprache zu offenbaren und Dekodierung

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 Vorhersage^3,4,5. 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 Verständnis^3,9.

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 eindimensional^10,11,12,13. 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 R^{15,16,17,18 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 Ebenen^{20 umfasst}teilen 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.

Hinweis: Die folgenden Schritte beschreiben verwesenden Gesamtvarianz in eine abhängige Variable (Y) in einzigartige Varianz, gemeinsame Varianzund unerklärte Varianz Komponenten basierend auf zwei ausgewählten unabhängigen Variablen (so genannte und in diesem Beispiel) mit der Software mit einer grafischen Benutzeroberfläche und Daten-Management-Software (siehe Tabelle der Materialien).

(1) Lesen von Daten in die Software mit einer grafischen Benutzeroberfläche

1. Klicken Sie auf Datei.
   1. Bewegen Sie die Maus über geöffnet.
   2. Klicken Sie auf Daten.
2. Suchen Sie die relevanten Daten-Datei auf dem Computer.
   1. Wenn der Dateityp nicht konsistent mit der Software mit einer grafischen Benutzeroberfläche ist, klicken Sie auf Dateityp , und wählen Sie das entsprechende Dateiformat.
3. Klicken Sie auf offen.

2. Schätzung der Varianz erklärt in die abhängige Variable (Y)

1. Totale Varianz erklärt basiert auf zwei unabhängigen Variablen — R².
   Hinweis: Ein R-² -Wert ist der Bestimmungskoeffizient genannt und repräsentiert den Anteil der Varianz für eine abhängige Variable, die durch eine Reihe von unabhängigen Variablen erklärt wird.
   1. Klicken Sie auf analysieren und bewegen Sie den Mauszeiger über Regression und wählen Sie lineare.
   2. Klicken Sie auf die abhängige Variable in der Variablenliste. Klicken Sie auf den Pfeil neben angewiesen.
   3. Klicken Sie auf die zwei unabhängigen Variablen (X₁ und X₂) in der Variablenliste. Klicken Sie auf den Pfeil neben dem Independent(s).
   4. Klicken Sie auf "OK".
   5. Klicken Sie auf das Viewer-Fenster der Software.
      1. Verwenden Sie die Maus, um im Abschnitt Modell Zusammenfassungzu blättern. Nehmen Sie den Wert in der Spalte R-Quadrat und beschriften Sie diese Wert R².
2. Totale Varianz erklärt anhand
   1. Wiederholen Sie die Schritte 2.1.1 bis 2.1.4 nur mit in der Liste der unabhängigen Variablen.
   2. Klicken Sie auf das Viewer-Fenster der Software.
      1. Verwenden Sie die Maus, um im Abschnitt Modell Zusammenfassungzu blättern. Nehmen Sie den Wert in der Spalte R-Quadrat und beschriften Sie diesen Wert R².
3. Totale Varianz erklärt anhand
   1. Wiederholen Sie die Schritte 2.1.1 bis 2.1.4 nur mit in der Liste der unabhängigen Variablen.
   2. Klicken Sie auf das Viewer-Fenster der Software.
      1. Verwenden Sie die Maus, um im Abschnitt Modell Zusammenfassungzu blättern. Nehmen Sie den Wert in der Spalte R-Quadrat und beschriften Sie diesen Wert R².

(3) computing die einzigartige, gemeinsame und unerklärliche Varianzkomponenten

1. Öffnen Sie die Data-Management-Software.
2. Geben Sie die Bezeichnungen R², R², und R² in Zellen A1, B1 und C1, beziehungsweise.
3. Geben Sie den gesamten R² Wert aus Schritt 2.1.5.1 in Zelle A2.
4. Geben Sie die R² Wert aus Schritt 2.2.2.1 in Zelle B2.
5. Geben Sie die R² Wert aus Schritt 2.3.2.1 in Zelle C2.
6. Berechnen Sie die einzigartige Varianz der Variable 1 (UR²) in der Data-Management-Software.
   1. In Zelle D2 Typ: "= A2-C2" (d. h. insgesamt R² minus R²). In Zelle D1 kennzeichnen diesen Wert UR².
7. Berechnen Sie die einzigartige Varianz der Variable 2 (UR²) in der Data-Management-Software.
   1. In Zelle E2 Typ: "= A2-B2" (d. h. insgesamt R² minus R²). In Zelle E1 kennzeichnen diesen Wert UR².
8. Berechnen Sie die gemeinsame Varianz zwischen Variablen 1 und 2 (CR²) in der Data-Management-Software.
   1. In Zelle F2 Typ: "= A2-D2-E2" (d. h. insgesamt R² minus UR² minus UR²). In Zelle F1 kennzeichnen diesen Wert CR².
9. Berechnen Sie die unerklärte Varianz (e) in der Data-Management-Software.
   1. In Zelle G2 Typ: "= 1-A2" (d. h. 1-Total R²). Dieser Wert e. label in Zelle G1

(4) plot der UX₁R², UX₂R²CX₁X₂R²und e -Werte

Hinweis: Werte in Zellen D2, E2, F2 und G2 werden dargestellt.

1. Klicken Sie und ziehen Sie die Maus über Zellen D2, E2, F2 und G2, um die Daten zu markieren.
2. Klicken Sie auf Einfügen , auf der Multifunktionsleiste die Datenmanagement-Software.
3. Klicken Sie auf Charts | Kreisdiagramm | 2-D-Kreisdiagramm.

Ziel dieser Studie war es zu untersuchen, die Beiträge der einzigartige und gemeinsame Varianz der Sprache (L) und Decodierung (D) zur Vorhersage Leseverständnis (R) in den Klassen 1, 7 und 10 in Florida, ein Staat dessen Demographie sind repräsentativ für die Nation als eine gesamte. Es gab zwei Hypothesen über Prognosen der Varianz erklärt im Leseverständnis. Zuerst nach der primären Qualitäten, ihren einzigartige Beitrag D verringert sich erheblich, und ihren einzigartige Beitrag L erhöht. Zweitens werden den einzigartigen Beitrag von L und die gemeinsamen Beiträge von D und L für die Mehrheit der Varianz über die primären Qualitäten deutlich ausmachen.

Teilnehmer waren 372 Schüler der Klasse 1, 299 Studenten in der Klasse 7 und 122 Studenten in der Klasse 10 in Allgemeinbildung Klassenräumen aus 18 Schulen in zwei großen Stadtteilen in Florida (eins in Nordflorida und andererseits in Zentral-Florida). Die Studie Richtlinien für Versuchspersonen befolgt und elterliche Einwilligung eingeholt wurde. Die Ethnizität Aufschlüsselung über Noten für die Studie war: ca. 30 % schwarz; 30 % Hispanic; 30 % weiße; 5 % Asien, 3 % multikulturelle; 2 % andere. Die Teilnahme am Programm der Bundesrepublik Mittagessen an den 18 teilnehmenden Schulen war von 21,5 % auf 100 %, mit einem Median von 59 %.

Einzel-, beobachtbare Maßnahmen für D, L und R für die Regressionsanalysen ausgewählt wurden. Die Maßnahme der Decodierung war zeitlich begrenzt (45 s) Anblick Wort Decodierung von Test von Word lesen Effizienz-2-²². L wurde durch einen rezeptiven Wortschatz-Test, der Peabody Picture Wortschatz zu prüfen (PPVT-4)²³, am meisten benutzt in den teilnehmenden Schulen gemessen. Im Rahmen dieser Maßnahme Studenten sehen vier Bilder und Punkt, derjenige, der das Wort der Prüfer zeigt, sagt. R wurde bewertet mit National normierten Leseverständnis zu testen, die Gates-MacGinitie Lesung Test-4 (GMAT-4)²⁴. Der GMAT-4 wird in kleinen Gruppen von 10 Schülern in der Klasse 1 verabreicht. Studenten lesen Sie Teil einer Passage und zeigen das Bild, das den Durchgang entspricht. Der GMAT-4 ist in den Jahrgangsstufen 7 und 10 Gruppe verwaltet. Passagen aus literarischen und informativen Text und Fragen sind sowohl im wörtlichen als auch im folgernd und erscheinen in einem Multiple-Choice-Format. Studenten können in der Passage zurückblicken. Für alle drei Maßnahmen lagen Koeffizienten für Zuverlässigkeit über 0.90. Eine geplante fehlende Datendesign mit drei Formen wurde verwendet, um die Testzeit zu reduzieren. Die D- und L-Maßnahmen wurden verabreicht in einer Sitzung und das Leseverständnis in einer anderen Sitzung zu testen.

Die Regressionsanalyse für Klasse 1 entfielen 60 % der Gesamtvarianz in Leseverständnis. Die individuelle Varianz Modelle zeigten, dass war der Anteil der Varianz im Leseverständnis durch D 43 % und die separat, lag der Anteil der Varianz im Leseverständnis durch L 36 %. Diese Varianz-Schätzungen sind die quadrierte Korrelation von separaten statistische Modelle der einzelnen Prädiktor und Ergebnis, weshalb ihre Summe von separate Modelle (43 + 36 = 79) größer ist als der Gesamtbetrag der Varianz erklärt (60 %) war. Wenn die Gesamtabweichung in der Klasse 1 in einzigartige und gemeinsame Effekte zerlegt wurde, erklärt D eindeutig, dass 24 % der Varianz in R und L 17 % eindeutig erklärt (siehe Abbildung 1). Die gemeinsame Varianz der D- und L betrug 19 %.

Abbildung 1: Insgesamt Prozent der Varianz erklärt in Klasse 1 Leseverständnis in einzigartige und gemeinsame Wirkung von Sprache und Decodierung zerlegt und unerklärte Varianz. Bitte klicken Sie hier für eine größere Version dieser Figur.

In der Klasse 7 entfielen die Regressionsanalyse 53 % der Gesamtvarianz in Leseverständnis. Die individuelle Varianz Modelle zeigten, dass war der Anteil der Varianz im Leseverständnis durch D 25 % und 46 % der Anteil der Varianz im Leseverständnis durch L war. Abbildung 2 zeigt, dass D eindeutig 7 % der Varianz in R erklärt und L 28 % erklärt. Die gemeinsame Varianz D und L bei der Erklärung Varianz in R 18 % war.

Abbildung 2: Insgesamt Prozent der Varianz erklärt in Klasse 7 Leseverständnis in einzigartige und gemeinsame Wirkung von Sprache und Decodierung zerlegt und unerklärte Varianz. Bitte klicken Sie hier für eine größere Version dieser Figur.

Die Regressionsanalyse entfielen in der Klasse 10 61 % der Gesamtvarianz in Leseverständnis. Die individuelle Varianz Modelle zeigten, dass war der Anteil der Varianz im Leseverständnis durch D 19 % und 54 % der Anteil der Varianz im Leseverständnis durch L war. Abbildung 3 zeigt, dass D eindeutig 6 % der Varianz entfielen, während L eindeutig 42 % der Varianz entfielen. Die gemeinsame Varianz der D- und L erklären Varianz in R betrug 13 %.

Abbildung 3. Insgesamt Prozent der Varianz erklärt in Jahrgangsstufe 10 Leseverständnis in einzigartige und gemeinsame Wirkung von Sprache und Decodierung zerlegt und unerklärte Varianz. Bitte klicken Sie hier für eine größere Version dieser Figur.

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 R² R² für das vollständige Modell.

Änderungen des Protokolls würde erforderlich sein, wenn latente Variablen für D und L ersetzt die Dummy-Codes für die beobachteten Maßnahmen der zeitgesteuerten Dekodierung und rezeptiven Wortschatz verwendet hier und wenn Stellgrößen wie sozio-ökonomischen Status (SES), Geschlecht und Rasse / Ethnizität sind dem Modell hinzugefügt. Alternativen zum Plotten die Ergebnisse in Kreisdiagrammen können auch betrachtet werden, wie die Verwendung von Venn-Diagramme. Kreisdiagramme wurden hier verwendet, so dass Prozentsätze der unerklärte Varianz sowie einzigartige und gemeinsame Abweichungen angezeigt werden können.

Gibt es Einschränkungen für die Anwendung der Methode, wie in dieser Studie gezeigt. Um das Protokoll zu vereinfachen, haben wir eine beobachtbare Maßnahme für D, L und R anstelle der latenten Variablen Modellierung nehmen wir in der Regel Messung Fehler¹⁹Steuern ausgewählt. Wir eliminiert Stellgrößen wie SES, Geschlecht und Rasse/Ethnizität und Cross-Sectional Daten mit einem geplanten fehlende Datendesign anstatt komplette Längsschnittdaten verwendet. Wir konzentrieren auf verwesenden Varianz auf der Ebene des einzelnen Schülers eher als clustering Studenten innerhalb von Klassen und Schulen. Schließlich liefert die Methode in das Protokoll für verwesenden Abweichung in Prozent der einzigartige und gemeinsame Effekte von L und D in Vorhersage R deskriptive Ergebnisse. Es gibt keine einfache Möglichkeit, einen formalen statistischen Test für die Bedeutung der gemeinsamen Varianz zu erhalten.

Diese Technik für die Zerlegung der Varianz in R in die einzigartige und gemeinsame Effekte durch L und D hat erhebliche Vorteile gegenüber bestehenden Methoden der Blick ausschließlich auf einzigartige Effekte. Am wichtigsten ist, zeigt die Technik wie Unterschied Einzelmerkmale covary und wie eine einzigartiger Wirkung im Vergleich zu den Effekt verblassen kann gemeinsam mit einem anderen Merkmal. Die Analysen aus dem aktuellen Protokoll hat gezeigt, dass erhebliche Mengen an Varianz im Leseverständnis durch die häufige Auswirkungen von D und L (reichend von 19 % in Klasse 1 bis 13 % in der Klasse 10) waren, die zu Lasten der einzigartigen kommen erschienen Beitrag in D über die Noten. In anderen Worten, zeigten die Regressionsergebnisse ein Rückgang des Anteils der Varianz entfielen von D aus 43 % in Klasse 1, 25 % in Klasse 7 bis 19 % in der Klasse 10. Jedoch wenn die Varianz zerlegt wurde, ihren einzigartige Beitrag D in Klasse 1 war nur 24 % und abgelehnt, die in Klasse 7 und 10, 7 % und 6 %, beziehungsweise. Dieser Befund hat wichtige pädagogische Implikationen, weil die Betonung der Decodierung bei Interventionen in der elementaren Qualitäten aus der einzigartigen Wirkung des D in Regressionsergebnisse trotz der schwachen Effekten der Decodierung Interventionen in der oberen Elementar kommt und Sekundäre Qualitäten in einer Meta-Analyse-²⁵. Die Höhe der gemeinsamen Varianz, die D und L zusammen erklären, bei der Vorhersage, Leseverständnis, vor allem in der elementaren Qualitäten, legt nahe, dass mehr Lehr Wert auf die Integration der Sprachkenntnisse bei gelegt werden sollte die Wort-Level^26,27.

Regressionsergebnisse für L zeigte ein ziemlich konstantes Bild von L trägt erhebliche Anteile der Abweichung zum Leseverständnis über die Noten, 36 % in Klasse 1 bis 54 % in der Klasse 10. Doch als die Methode der Zersetzung der Varianz verwendet wurde, zeigte ihren einzigartige Beitrag L über die Noten einen dramatischen Anstieg von 17 % in der Klasse 1 bis 28 % in der Klasse 7, 42 % in der Klasse 10. Die Feststellung, dass L-Konten für soviel Varianz in R in den sekundären Klassen wird noch deutlicher in der SVR-Studien, die aus einer latenten Variablen modellieren Ansatz^16,17,19 und schlägt vor, den Wert des Unterrichts auf sprachliche Elemente, aus denen Text zusammenhängende^26,28.

Die Autoren erklären, dass sie keine finanziellen Interessenkonflikte.

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.