Разлагая вариативность в чтение раскрыть уникальный и общие последствия языка и декодирование

Здесь мы представляем протокол для разложения дисперсию прочитанного в уникальный и общие последствия языка и декодирования.

Простой вид чтения является популярная модель чтения, который утверждает, что чтение это продукт декодирования и языка, с каждым компонентом, однозначно прогнозировать прочитанного. Хотя исследователи утверждают, является ли сумма, вместо того, чтобы продукт компоненты самый лучший упредитель, не исследователи разделы дисперсии, объяснил для изучения степени, к которому компоненты доля дисперсии в прогнозировании чтения. Чтобы разложить дисперсии, мы вычитаем R² для языка только модели от полной модели для получения уникальный R² для декодирования. Во-вторых мы вычитаем R² для декодирования только модели от полной модели для получения уникальный R² для языка. В-третьих для получения общей дисперсии объясняется языка и декодирования, мы вычитаем сумму двух уникальных R² от R² для полной модели. Этот метод демонстрируется в регрессии подход с данными от студентов в классах 1 (n = 372), 6 (n = 309) и 10 (n = 122) с помощью наблюдаемых меру языка (восприимчивы словарь), декодирование (чтение приурочен слово) и понимание прочитанного (стандартизированный тест). Результаты свидетельствуют о сравнительно большое количество дисперсии прочитанного, объяснил в классе 1 общей вариативность декодирования и языка. В 10 классе однако, это уникальный эффект языка и общий эффект языка и декодирования объяснить большинство дисперсии прочитанного. Результаты обсуждаются в контексте расширенной версии простой вид чтения, что считает уникальным и общие эффекты языка и декодирование в прогнозировании прочитанного.

Простой вид чтения¹ (SVR) продолжает, как популярная модель чтения из-за своей простоты чтения (R) является продуктом декодирования (D) и язык (L)- и потому что SVR стремится объяснить, в среднем, приблизительно 60% объяснил дисперсию в чтении ²понимание. SVR предсказывает, что корреляции между D и R будет сокращаться с течением времени и что корреляции между L и R будет увеличиваться со временем. Исследования в целом поддерживают это предсказание^3,4,5. Существуют разногласия, однако, о функциональной форме СВР, с аддитивной модели (D + L = R) объясняя значительно больше дисперсия прочитанного чем модели продукции (D × L = R)^6,7,8и сочетание суммы и продукта [R = D + L + (D × L) объясняя наибольшее количество вариативность в чтении понимание^3,9.

Недавно в SVR модель распространилась за пределы на основе наблюдаемых переменных скрытых переменных моделирования с помощью подтверждающих фабрика анализа и моделирования структурных уравнение регрессии. D обычно измеряется с untimed или приурочен чтении реальные слова и/или nonwords и R обычно измеряется стандартизованной чтение тест, который включает грамотность и информационные проходы последовали тестовых вопросов. L обычно измеряется тесты восприимчивым и выразительный лексики и, особенно в начальных классах, мерами восприимчивым и выразительный синтаксиса и аудирование. Большинство продольных исследований сообщают, что L одномерного^10,11,12,13. Однако еще лонгитюдное исследование¹⁴ сообщает структуру двух факторов для L в начальных классах и одномерного структуры в 4 и 8 классов. Последние Поперечные исследования сообщают, что лучшая модель bifactor подходит для данных и предсказывает R^15,16,17,18. К примеру, Foorman и др. ¹⁶ по сравнению одномерного, три фактор, четыре фактор и bifactor модели SVR в данных от студентов в классах 4-10 и обнаружил, что модель bifactor лучше всего подходят и объяснил 72% до 99% дисперсии в р. Общий коэффициент L объяснил, что разница во всех семи классов и словарный запас и синтаксис однозначно объяснить расхождение только в одном классе. Хотя фактор D умеренно коррелировалось с L и R во всех классах (0,40-0,60 и 0,47-0,74, соответственно), он был однозначно не коррелирует с R при наличии общего коэффициента L.

Даже несмотря на то, что латентных переменных моделирования имеет расширенный SVR, проливают свет на размерность L и уникальную роль, которую играет L в прогнозировании R за пределами начальных классов, исследования не СВР за исключением одного, Foorman и др ¹⁹ разделы дисперсию прочитанного в то, что объясняется уникальным D и L и то, что является общим в общем. Это большое упущение в литературе. Концептуально это имеет смысл, что D и L будет делить вариативность в прогнозировании письменного языка, потому что слова признания влечет за собой лингвистических навыков фонологии, семантика и дискурса в предложении и тексте уровня²⁰. Аналогичным образом лингвистическое осмысление должен быть подключен к ортогональных представлений фонемы, морфемы, слов, предложений и дискурса, если текст должен быть понятны²¹. Умножая D L не дают знания, разделяют эти компоненты. Только разложение дисперсии в то, что является уникальным и что разделяет D и L в прогнозирования R покажет интегрированных знаний, решающее значение для успеха образовательных мероприятий.

Одно исследование, Foorman и др. ¹⁹ , разложить дисперсию прочитанного в то, что является уникальным и что разделяют общие D и L занятых латентной переменной моделирования подход. Следующий протокол демонстрирует технику с данными от студентов в классах 1, 7 и 10, на основе единого наблюдается переменные D (приурочен декодирования), L (восприимчивы словарь), и R (стандартизированные чтения понимание тест) чтобы сделать процесс разложения легко понять. Данные представляют собой подмножество данных из Foorman и др. ¹⁹.

Примечание: Ниже шаги описывают разлагающихся общая вариативности в зависимой переменной (Y) в уникальный дисперсия, общей дисперсиии Необъяснимые расхождения компоненты, основанные на два отдельных независимых переменных (так называемый и для этого примера) с использованием программного обеспечения с графическим интерфейсом пользователя и программное обеспечение управления данными (см. Таблицу материалы).

1. считывание данных в программное обеспечение с графическим интерфейсом пользователя

1. Нажмите на файл.
   1. Наведите курсор мыши открытым.
   2. Нажмите на данных.
2. Найдите файл соответствующих данных на компьютере.
   1. Если тип файла не согласуется с программного обеспечения с графическим интерфейсом пользователя, нажмите на Тип файлов и выберите файл, соответствующий формат.
3. Нажмите на открытым.

2. Оцените дисперсию, объяснил в зависимой переменной (Y)

1. Общая дисперсия объяснил основанный на две независимые переменные — всего R².
   Примечание: Значение R² известен как коэффициент детерминации и представляет собой долю дисперсии зависимой переменной, что объясняется набором независимых переменных.
   1. Нажмите на анализ и наведите указатель мыши на регрессии и выберите линейных.
   2. Нажмите на зависимой переменной в список переменных. Затем нажмите на стрелку рядом с зависимыми.
   3. Нажмите на двух независимых переменных (X₁ и X₂) в списке переменная. Затем нажмите на стрелку рядом с Independent(s).
   4. Нажмите кнопку ОК.
   5. Нажмите на окно просмотра программного обеспечения.
      1. Используйте мышь для прокрутки в раздел под названием Сводка по модели. Запишите значение в столбце R квадрат и этикетки всего Rзначение².
2. Всего объяснил дисперсию на основе
   1. Повторите шаги 2.1.1 через 2.1.4, используя только в списке независимой переменной.
   2. Нажмите на окно просмотра программного обеспечения.
      1. Используйте мышь для прокрутки в раздел под названием Сводка по модели. Запишите значение в столбце R квадрат и ярлык это значение R².
3. Всего объяснил дисперсию на основе
   1. Повторите шаги 2.1.1 через 2.1.4, используя только в списке независимой переменной.
   2. Нажмите на окно просмотра программного обеспечения.
      1. Используйте мышь для прокрутки в раздел под названием Сводка по модели. Запишите значение в столбце R квадрат и ярлык это значение R².

3. вычислительные компоненты уникальный, общие и необъяснимые расхождения

1. Откройте программное обеспечение для управления данными.
2. Введите метки всего R², R², и R² в ячейки A1, B1 и C1, соответственно.
3. Введите значение² всего Rот шага 2.1.5.1 в ячейке A2.
4. Введите Rзначение² шага 2.2.2.1 в ячейке B2.
5. Введите Rзначение² шага 2.3.2.1 в ячейке C2.
6. Вычислить уникальный дисперсию переменных 1 (UR²) в программное обеспечение для управления данными.
   1. В ячейке D2 типа: «= A2-C2» (то есть, всего R² минус R²). В ячейке D1 ярлык это значение UR².
7. Вычислить уникальный дисперсию переменных 2 (UR²) в программное обеспечение для управления данными.
   1. В ячейке E2 типа: «= А2-В2» (то есть, всего R² минус R²). В ячейке E1 ярлык это значение UR².
8. Расчет общей разницы между переменными 1 и 2 (CR²) в программное обеспечение для управления данными.
   1. В ячейке F2 типа: «= A2-D2-E2» (то есть, всего R² минус UR² минус UR²). В ячейке F1 ярлык это значение CR².
9. Вычислите Необъяснимые расхождения (e) в программное обеспечение для управления данными.
   1. В ячейке G2 типа: «= 1-А2» (т.е., R1-всего²). В ячейке G1 ярлык это значение е.

4. участок UX₁R², UX₂R²,²X₁X₂RC и e значения

Примечание: Выводятся значения в ячейки D2 и E2, F2, G2.

1. Щелкните и перетащите указатель мыши над ячейки D2, E2, F2 и G2, чтобы выделить данные.
2. Нажмите кнопку Вставить на ленте программного обеспечения для управления данными.
3. Нажмите на графики | Круговая диаграмма | круговая диаграмма 2-Д.

Целью данного исследования было изучить вклад уникальных и общей дисперсии языка (L) и декодирование (D) для прогнозирования, чтение (R) в классах 1, 7 и 10 в штате Флорида, состояние которого население являются представитель нации целом. Там были две гипотезы относительно прогнозов дисперсии, объяснил прочитанного. Во-первых после начальных классов, уникальный вклад D значительно уменьшится, и уникальный вклад L будет увеличиваться. Во-вторых уникальный вклад L и общий вклад D и L будет значительно составляют большинство расхождений за пределами начальных классов.

Участники были 372 студентов в классе 1 299 студентов в классе 7 и 122 студентов в классе 10 в общеобразовательных классах из 18 школ в двух крупных городских округов в штате Флорида (один в Северной Флориде и другой-в Центральной Флориде). Изучение руководящими принципами для человека предметов и было получено согласие родителей. Этничность разбивка различных классов для исследования было: примерно 30% черный; 30% испаноязычных; 30% белый; 5% азиатов, 3% культур; 2% другие. Спектр участия в программе федерального обед на 18 участвующих школ был от 21,5% до 100%, при этом средний показатель 59%.

Сингл, наблюдаемый меры D, L и R были отобраны для регрессионного анализа. Мера декодирования была ограничена (45 s) прицел слово декодирования из теста слово чтения эффективности-2-²². L измерялась восприимчивы лексики тест, Peabody картина лексики тест (PPVT-4)²³, широко используется в участвующих школ. В этой мере студенты-четыре фотографии и указывают на то, что изображает слово эксперт говорит. R оценивалась с национально нормированных прочитанного тестирования, ворота-Макгинити чтение тест-4 (GMAT-4)²⁴. GMAT-4 осуществляется в небольших группах по 10 студентов в классе 1. Студентов читать части прохода и указать изображение, которое соответствует к проходу. GMAT-4, управляемые группы в 7 и 10 классах. Проходы состоят из литературных и информационного текста и вопросы литерала и логически выведенная и появляются в форме множественного выбора. Студенты могут оглянуться на проход. Для всех трех мер коэффициенты надежности были выше 0.90. Сократить время тестирования использовался планируемых недостающих данных дизайн с тремя формами. D и L мер велись на один сессии и прочитанного тест в рамках другого сеанса.

Регрессионный анализ для 1 класса приходилось 60% общей дисперсии прочитанного. Отдельные расхождения модели показали, что доля дисперсии прочитанного благодаря D 43% и что отдельно, доля дисперсии прочитанного за L составила 36%. Эти оценки дисперсии являются квадрат корреляции из отдельных статистических моделей каждый предсказатель и результат, и поэтому их сумма от отдельных моделей (43 + 36 = 79) было больше, чем общее количество объяснил дисперсию (60%). Когда общая разница в классе 1 было разложено на уникальные и общие эффекты, D уникально объяснил, что 24% дисперсии в R и L однозначно объяснить 17% (см. Рисунок 1). Общая дисперсия D и L был 19%.

Рисунок 1. Всего % дисперсии, объяснил в класс 1 прочитанного, разложить на уникальные и общие эффекты языка и декодирования и необъяснимые расхождения. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.

В 7 класс регрессионный анализ приходилось 53% общей дисперсии прочитанного. Отдельные расхождения модели показали, что доля дисперсии прочитанного благодаря D 25% и доля дисперсии прочитанного за L составила 46%. Рисунок 2 показывает, что D однозначно объяснить 7% дисперсии в R и L объяснил 28%. Общая дисперсия D и L в объяснении что вариативность в R 18%.

Рисунок 2. Всего % дисперсии, объяснил в 7 класс прочитанного, разложить на уникальные и общие эффекты языка и декодирования и необъяснимые расхождения. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.

В 10 классе регрессионный анализ приходится 61% общей дисперсии прочитанного. Отдельные расхождения модели показали, что доля дисперсии прочитанного благодаря D 19% и доля дисперсии прочитанного за L составила 54%. Рисунок 3 показывает, что D однозначно приходится 6% дисперсии, тогда как L однозначно приходится 42% дисперсии. Общая дисперсия D и L в объяснении что вариативность в R 13%.

Рисунок 3. Всего % дисперсии, объяснил в 10 классе прочитанного, разложить на уникальные и общие эффекты языка и декодирования и необъяснимые расхождения. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.

Существует три важнейшие шаги в протоколе для разложения вариативность в R в уникальный и общие отклонения вследствие L и D. Во-первых вычесть R² L-только модели от полной модели для получения уникальный R² D. Во-вторых вычтите R² для D-только модели от полной модели для получения уникальный R² для третьего л, для получения общей дисперсии, объясняется L и D, вычесть сумму двух уникальных R² от R² для полной модели.

Изменения в протокол будет необходимо, если латентных переменных для D и L заменил Макетные коды для наблюдаемых меры приурочен декодирования и восприимчивым словарь, используемый здесь и если контроля переменных, таких как социально экономическое положение (СЭС), пол и гонки / этнической принадлежности добавляются к модели. Альтернативы для печати результатов в круговые диаграммы может также рассматриваться, например, с помощью диаграмм Венна. Круговые диаграммы были использованы здесь, так что процент Необъяснимые расхождения, а также уникальный и общей разницы может быть отображена.

Существуют ограничения на применение метода, как показано в этом исследовании. Чтобы упростить протокол, мы выбрали один наблюдаемый мера D, L и R вместо скрытой переменной моделирования подход, который мы обычно принимают для управления измерения ошибка¹⁹. Мы устранены контроля переменных, таких как SES, пола и расы/этнической принадлежности и использовать кросс-секционные данные с планируемых недостающих данных дизайн вместо полных продольных данных. Мы сосредоточены на разлагающихся разница на уровне каждого студента, а не кластеризации студентов в классах и школах. Наконец метод, показанный в протоколе для разложения дисперсии в процентах уникальных и общего воздействия L и D в прогнозирования R дает описательные результаты. Существует нет простого способа получить официальный статистический тест значение общей дисперсии.

Эта техника для разложения вариативность в R в уникальный и общие эффекты благодаря L и D имеет значительные преимущества перед существующими методами глядя исключительно на уникальные эффекты. Самое главное техника иллюстрирует, как индивидуальные характеристики различие covary и как один уникальный эффект может бледно по сравнению с эффект совместно с другой характеристикой. Анализы, вытекающие из текущего протокола, показали, что значительные суммы дисперсии прочитанного вследствие общего воздействия D и L (начиная с 19% в классе 1 до 13% в 10 классе) появились приехать за счет уникальной вклад в D над оценками. Иными словами результаты регрессии показали, что снижение доли дисперсии приходится на D с 43% в классе 1 до 25% в классе 7-19% в 10 классе. Однако когда разница была разлагается, уникальный вклад в классе 1 D было лишь 24% и что снизился в учащихся 7 классов и 10-7% и 6%, соответственно. Этот вывод имеет важные последствия образования, потому что акцент на декодирование в выступлениях в начальных классах приходит от уникального эффекта D в результаты регрессии несмотря на слабое воздействие декодирования вмешательств в верхней начальных и гимназический цикл в мета анализ²⁵. Количество общей дисперсии, что D и L вместе объяснить в прогнозировании прочитанного, особенно в начальных классах, свидетельствует о том, что более учебных должны быть акцент на интеграции языковых знаний в ^,слова уровень²⁶²⁷.

Результаты регрессии для L показал довольно постоянным картину л вносит значительную долю дисперсии для прочитанного через классы, 36% в классе 1 до 54% в 10 классе. Однако когда использовался метод разложения дисперсии, уникальный вклад L над оценками показал резкое увеличение по сравнению с 17% в классе 1 до 28% в классе 7, до 42% в 10 классе. Вывод L приходится так много разница в средних классах в R является еще более очевидной в SVR исследования, проведенные с латентной переменной моделирования подход^16,17,19 и предлагает значение инструкции на языковые элементы, которые делают текст сплоченной^26,28.

Авторы заявляют, что они не имеют никаких финансовых интересов.

Исследования, сообщили здесь было поддержано, Институт педагогических наук, Департамент образования США, через subaward в государственный университет Флориды от Грант R305F100005 в Educational Testing Service в рамках чтения для понимания Инициативы. Высказанные мнения принадлежат авторам и не представляют взгляды института, Департамент образования США, Educational Testing Service или университет штата Флорида.