Using Measures of Print to Predict Reading Ability and Children At-Risk for Reading Disabilities in Spanish-Speaking Second Language Learners
Notice bibliographique
Résumé
Due to the changing nature of Canadian society, there has been a dramatic increase in the amount of literature focusing on second language reading acquisition. In this particular study, Spanish-speaking students learning English as a second language (L2) were compared to students who speak English as a first language (L1) on various measures of reading ability and specifically on measures of print exposure, which assess extracurricular reading. Past literature on print exposure has found that print exposure questionnaires serve as significant predictors of variance in reading comprehension, word reading, among other variables (e.g., Cunningham & Stanovich, 1993). The current study used 50 L2 learners and 31 L1 learners to compare their performance on various measures of reading. The L2 students were recruited in two waves, one in 2005 and the next in 2006, hereafter referred to as cohorts. Differences were found within the L2 group, where the first cohort of L2 students performed significantly lower than the L1 group on many measures such as receptive vocabulary, word and pseudoword reading, however, the second cohort of students showed scores more similar to the L1 group on many measures. In predicting variance in reading comprehension scores, the title recognition and nonverbal reasoning were partialled out. However, in the L1 group the title recognition test did not predict unique variance in reading comprehension. Another model was to run predict word reading, and once again the title recognition test was a unique predcitor only in the L2 group. Further analyses broke up the L2 group into students with average and poor reading comprehension skills in order to examine the profiles of students who may be at-risk for reading disabilities and found that rapid automatized naming was a significant predictor of reading comprehension in those students with poor reading comprehension skills. Implications will be discussed.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».