Discriminating Children With Language Impairment Among English-Language Learners From Diverse First-Language Backgrounds
Notice bibliographique
Résumé
PURPOSE: In this study, the authors sought to determine whether a combination of English-language measures and a parent questionnaire on first-language development could adequately discriminate between English-language learners (ELLs) with and without language impairment (LI) when children had diverse first-language backgrounds. METHOD: Participants were 152 typically developing (TD) children and 26 children with LI; groups were matched for age (M = 5;10 [years;months]) and exposure to English (M = 21 months). Children were given English standardized tests of nonword repetition, tense morphology, narrative story grammar, and receptive vocabulary. Parents were given a questionnaire on children's first-language development. RESULTS: ELLs with LI had significantly lower scores than the TD ELLs on the first-language questionnaire and all the English-language measures except for vocabulary. Linear discriminant function analyses showed that good discrimination between the TD and LI groups could be achieved with all measures, except vocabulary, combined. The strongest discriminator was the questionnaire, followed by nonword repetition and tense morphology. CONCLUSION: Discrimination of children with LI among a diverse group of ELLs might be possible when using a combination of measures. Children with LI exhibit deficits in similar linguistic/cognitive domains regardless of whether English is their first or second language.
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 | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 ».