PREDICTORS OF EARLY READING DEVELOPMENT IN A FIRST AND SECOND LANGUAGE
Notice bibliographique
Résumé
As globalization becomes more widespread and countries become more multicultural, there is an increased need to understand how to effectively promote the learning of foreign languages. An important part of that process relates to understanding how reading develops when a child is learning a new language. Researchers' focus on assessing students' foreign language oral language proficiency has not provided as much insight as expected into that development. This paper reports on a study of grade one students whose first language was English and who were being schooled in French as a second language. The context provided an ideal case in which to investigate how well variables in addition to oral language proficiency such as phonological awareness, word reading, memory, rapid automatized naming (RAN), and vocabulary predict reading development in a first and second language. Methods involved testing 47 Canadian students at the beginning and end of the school year. Findings revealed that word reading was the sole variable that predicted reading development within and across time and for the first and second language. Phonological awareness and RAN were the next most important variables, followed by memory and vocabulary. Oral language proficiency did not play a significant role. The results of this study suggest that those involved in assessing young children's first and second language reading should focus on word reading, phonological awareness, RAN and memory. As well, findings suggest that oral language proficiency in a foreign or second language may not be an accurate predictor of reading development. Keywords: predictors of early reading, elementary education, first language, second-language learning, bilingual education
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 tête enseignante, 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 ».