MétaCan
Menu
Retour à la cohorte
Enregistrement W2605733652 · doi:10.1111/1467-9817.12112

Understanding poor comprehenders in different orthographies: Universal versus language‐specific skills

2017· article· en· W2605733652 sur OpenAlexaff
Shelley Xiuli Tong, S. Hélène Deacon

Notice bibliographique

RevueJournal of Research in Reading · 2017
Typearticle
Langueen
DomainePsychology
ThématiqueReading and Literacy Development
Établissements canadiensDalhousie University
Organismes subventionnairesnon disponible
Mots-clésReading comprehensionPsychologyComprehensionLinguisticsReading (process)CognitionCognitive psychology

Résumé

récupéré en direct d'OpenAlex

Despite an emerging focus on poor comprehenders in recent reading research, a number of unresolved issues concerning the cognitive and linguistic underpinnings of this disorder remain. In this special issue, we bring together a set of six papers examining the strengths and weaknesses of different types of poor comprehenders across multiple languages, including English, French and Chinese. Key findings of these studies show that certain oral language skills, such as morphological awareness and syntactic awareness, are related to reading comprehension deficits in different languages, suggesting their universality. Intriguingly, dissociability and co‐occurrence of reading comprehension difficulties have been identified in bilingual children whose L1 and L2 are quite disparate, with some bilinguals exhibiting reading comprehension deficits in a single language, while others display these deficits in both languages. These issues and their implications for future research are further 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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,172
Score d'incertitude au seuil0,530

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,273
Tête enseignante GPT0,461
Écart entre enseignants0,189 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Research in ReadingMême sujetReading and Literacy DevelopmentTravaux en français237 207