言語の一意と共通の効果を明らかにする読解力の分散の分解と復号化

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、R^15,16,17,18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。

注: 以下の手順は、(と呼ばれる 2 つの選択した独立変数に基づくユニークな分散、分散が共通なと原因不明の分散コンポーネントに従属変数 (Y) の合計差異を分解を記述します。とこの例で) グラフィカル ユーザー インターフェイスとソフトウェアおよびデータ管理ソフトウェア (材料の表を参照) を使用しています。

1. グラフィカル ユーザー インターフェイスとソフトウェアへのデータの読み込み

1. クリックしてファイル。
   1. 上にマウスオープンします。
   2. クリックしてデータ。
2. コンピューター上の関連するデータ ファイルを探します。
   1. 場合ファイルの種類は、グラフィカル ユーザー インターフェイスを使用するソフトウェアと一貫性のあるは、ファイルの種類をクリックし、適切なファイル形式を選択します。
3. クリックしてオープンします。

2. 従属変数 (Y) で説明される分散を推定します。

1. 2 つの独立した変数に基づく合計分散の説明-合計R²。
   注: R²値は、決定係数と呼ばれます、一連の独立変数によって説明される従属変数の分散の比率を表します。
   1. 分析をクリックし、マウスを回帰選択線形。
   2. 変数リストの従属変数をクリックします。依存の横にある矢印をクリックします。
   3. 変数リストの 2 つの独立変数 (X₁ X₂) をクリックします。次に矢印をクリックし、 Independent(s)。
   4. [Ok]をクリックします。
   5. ソフトウェアの表示ウィンドウをクリックします。
      1. マウスを使用して、モデルの概要と呼ばれるセクションにスクロールします。ラベルこの値合計R²と列R スクエアの下で値を記録します。
2. 総差異説明に基づいて
   1. 手順のみを使用して 2.1.4 を通じて 2.1.1独立変数リストで。
   2. ソフトウェアの表示ウィンドウをクリックします。
      1. マウスを使用して、モデルの概要と呼ばれるセクションにスクロールします。R スクエア列の下の値を記録し、この値をラベル R²。
3. 総差異説明に基づいて
   1. 手順のみを使用して 2.1.4 を通じて 2.1.1独立変数リストで。
   2. ソフトウェアの表示ウィンドウをクリックします。
      1. マウスを使用して、モデルの概要と呼ばれるセクションにスクロールします。R スクエア列の下の値を記録し、この値をラベル R²。

3. ユニークな、一般的な、そして原因不明の分散成分の計算

1. データ管理ソフトウェアを開きます。
2. 合計R²,のラベルを入力してください R²、および R²のセル A1、B1、および C1、それぞれ。
3. セル A2 の 2.1.5.1 のステップから合計R²値を入力します。
4. 入力、ステップ 2.2.2.1 セル B2 からR²値。
5. 入力、ステップ 2.3.2.1 セル C2 からR²値。
6. ユニークな変数 1 の分散を計算する (UR²) データ管理ソフトウェア。
   1. セル D2 型:「A2 C2 =」(マイナスすなわち、合計R² R²)。セル D1 でラベルこの値 UR²。
7. ユニークな変数 2 の分散を計算する (UR²) データ管理ソフトウェア。
   1. セル E2 型:「A2 B2 =」(マイナスすなわち、合計R² R²)。セル E1 にラベルをこの値 UR²。
8. 変数 1 と 2 の間の一般的な分散を計算 (CR²) データ管理ソフトウェア。
   1. セル F2 型:「= A2 D2 E2」(すなわち、合計R² UU マイナスR² R²)。セル F1 でこの値 C のラベルR²。
9. データ管理ソフトウェアで原因不明の差異 (e) を計算します。
   1. セル G2 タイプで:「1 A2 =」(すなわち、 1 合計R²)。セル G1 のラベルをこの値e.

4. U×₁R²、U×₂R²、CX₁X₂R²、 eの値をプロットします。

注: セル D2、E2、F2、G2 の値がプロットされます。

1. クリックし、データを強調表示するセル D2、E2、F2、G2 をマウスでドラッグします。
2. データ管理ソフトウェアのリボンに挿入をクリックします。
3. クリックしてグラフ |グラフ | 2 D 円グラフ。

本研究の目的は、言語 (L) のユニークで一般的な分散の貢献を調査、1、7、および 10 の成績、状態のフロリダ州での読解力 (R) が人口統計を予測する (D) をデコードとして国の代表を全体。読解力で説明される分散の予測に関する 2 つの仮説があった。まず、小学校低学年の後と D のユニークな貢献が大幅に削減、L のユニークな貢献が増えます。第二に、L のユニークな貢献と D と L の共有貢献大幅低学年を超えて分散の大半を占めるでしょう。

参加者が 372 学生グレード 1、グレード 7, 299 学生およびフロリダ (北のフロリダおよび中央フロリダの他の 1 つ) の 2 つの大都市の 18 の学校から一般教育教室で 10 年生 122 人の学生。研究被験者のガイドラインに従い、親権者の同意が得られました。民族研究の成績であった: 約 30% ブラック。30% ヒスパニック;30% 白い;5% アジア, 3% 多文化;2% その他。参加 18 校で連邦ランチ プログラムへの参加の範囲は、中央値 59%、100% 21.5% からだった。

D、L、R に単一、観察可能な対策は、回帰分析に選ばれました。復号の測定された期間限定 (45 s) 言葉の読解テストの単語読書効率-2²²からの光景します。L 受容語彙テスト、ピーボディ画像語彙テスト (PPVT 4) の²³、広く参加校で測定しました。このメジャーの学生が 4 つの写真を見るし、審査官の単語を示しています 1 つを指して言います。R は全国的に標準化された読解力で評価されたテスト、²⁴ゲート MacGinitie 読書テスト 4 (GMAT-4)。GMAT 4 は、第 1 学年で 10 人の小グループで管理されます。学生通路の部分を読み、通路に対応する画像を指定します。GMAT 4 は等級 7 および 10 のグループ管理です。通路から成っている文学と情報の両方のテキストと質問はリテラルと推論と多肢選択形式で表示されます。学生は、通路で見ることができます。すべての 3 つの対策の信頼性係数 0.90 以上あった。3 つの形態で計画された行方不明データ デザインは、テスト時間を短縮する使用しました。1 つに D と L の措置を実施した別のセッションでセッションと読解力をテストします。

グレード 1 の回帰分析は、読解力の総分散の 60% を占めた。個々 の分散モデルは、D による読解の分散の割合は 43%、別途、L による読解の分散の割合は 36% を示した。これらの分散の推定値は、各予測と、なぜ別のモデル (43 + 36 = 79) からそれらの合計だった説明される分散 (60%) の合計金額を超える結果の個別の統計モデルから 2乗相関です。グレード 1 の合計差異がユニークで共通の効果に分解された、D は一意に R と L の差異の 24% は一意に 17% (図 1参照) を説明を説明します。D と L の分散が共通な 19% であった。

図 1。言語とデコードのユニークな一般的なエフェクトに分解したグレード 1 読解力で説明される分散と原因不明の分散の % の合計します。この図の拡大版を表示するのにはここをクリックしてください。

等級 7、回帰分析は、読解力の総分散の 53% を占めています。個々 の分散モデルは、D による読解の分散の割合は 25%、L による読解の分散の割合は 46% を示した。図 2は、D が一意に R の分散の 7% を説明し、L が 28% を説明したことを示しています。D と L の R で説明する分散の分散が共通な 18% であった。

図 2。言語とデコードのユニークな一般的なエフェクトに分解した等級 7 読解力で説明される分散と原因不明の分散の % の合計します。この図の拡大版を表示するのにはここをクリックしてください。

グレード 10、回帰分析は、読解力の総分散の 61% を占めています。個々 の分散モデルは、D による読解の分散の割合は 19%、L による読解の分散の割合は 54% を示した。図 3は、L が一意に分散の 42% を占めているに対し、D が一意に、一時的認可の 6% を占めていることを示しています。D と L の R で説明する分散の分散が共通な 13% であった。

図 3。言語とデコードのユニークな一般的なエフェクトに分解した 10 年生読解力で説明される分散と原因不明の分散の % の合計します。この図の拡大版を表示するのにはここをクリックしてください。

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を取得する完全なモデルから D 専用モデルの R²を減算します。

プロトコルへの変更は D および L の変数は時間デコードおよびここで使用される受容語彙の観察された対策のためダミーのコードを交換し、かどうかなど社会経済的地位 (SES)、コントロール変数は性別、潜在的な必要に応じて、レース/民族性は、モデルに追加されます。ベン図形型図表を使用するなど、円グラフに結果をプロットする選択肢も考えられます。円グラフは、原因不明の差異としてユニークで共通の差異の割合が表示されるようにここで使用されました。

本研究で示すように、メソッドのアプリケーションに制限があります。プロトコルを簡素化するには、モデリング アプローチが通常測定エラー¹⁹を制御する潜在変数を使用する代わりに、D、L、R 各 1 つの観察可能なメジャーを選択しました。SES、性別、人種/民族などコントロール変数を排除し、完全な縦断的データではなく、計画の不足しているデータの設計断面データを使用します。教室や学校内の学生をクラスタ リングするのではなく、個々 の学生レベルでの分散の分解に注力しました。最後に、L と予測 r D のユニークな一般的なエフェクトの使用率に分解分散プロトコルで示された方法はわかりやすい結果になります。一般的な分散の意義の正式な統計テストを取得する簡単な方法はありません。

L と D のためのユニークな一般的なエフェクトに R の分散分解法のユニークな効果だけ見ての従来に比べて大きな利点があります。最も重要なは、テクニックは、covary 個々 の差分特性と別特性の効果と比較すると見劣りがユニークな効果の 1 つを共有方法を示しています。ユニークな犠牲にして来るような読解力の変動のかなりの量を D と L (グレード 10 でグレード 1 に 13% 19% から及ぶ) の一般的な効果により示した現在のプロトコルに起因解析グレード D の貢献度。つまり、回帰結果はグレード 10 でグレード 7 ~ 19% でグレード 1 を 25% 43% から d を占めている差異の割合の減少を示した。ただし、分散が分解されたときグレード 1 で D のユニークな貢献はわずか 24%、それぞれ等級 7 と 10 に 7% および 6% 減少します。小学校の学年の介入で復号化に重点を置いて小学校の上の介入のデコード弱い効果にもかかわらず回帰結果の D のユニークな効果から来るので、この発見は重要な教育的意義とメタ分析²⁵で二次の成績。D と L は一緒に小学校の成績で特に読解を予測する上で説明する一般的な分散の量で言語知識の統合により指導重点を置く必要あることを示唆している、単語レベル^26,27。

L の回帰結果は、グレード、グレード 10 でグレード 1 に 54% 36% 間で読解する差異の相当な割合を貢献 L の一定の絵を見せた。ただし、分散分解法を用い, グレード L のユニークな貢献度を示した 17% から大幅に増加学年年生 7、10 年生の 42% に 1 を 28%。L を占める二次等級の R でそんなに差異をモデリング アプローチ^16,17,19潜在変数から SVR 調査より一層感じ取ることが命令の値を示唆していると発見言語の要素テキスト凝集^26,28を確認します。

著者は、彼らは競合する金銭的な利益があることを宣言します。

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.