Different Measures of Print Exposure Predict Different Aspects of Vocabulary
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract The authors examined whether different measures of print exposure assess the same underlying concept and how these different measures relate to vocabulary breadth and depth. One hundred forty‐seven students attending the third year of kindergarten in Jining, China, were assessed on nonverbal IQ , vocabulary breadth and depth, and their knowledge of book titles. Parents also participated in the study by filling out a questionnaire on the frequency of shared book reading and the number of children's books at home, recording their daily parent–child reading activities (diary), and completing the children's title and author recognition checklists. Results of exploratory factor analysis indicated that the measures of print exposure were loading on three interrelated factors. The items measuring the frequency of shared book reading at home along with diary formed one factor, the children's title recognition checklist and number of children's books at home formed a second factor, and children's knowledge of book titles formed a third factor. In addition, the results of hierarchical regression analyses indicated that whereas all factors accounted for unique variance (3–6%) in vocabulary breadth, only children's knowledge of book titles predicted vocabulary depth, after controlling for children's age, parents’ education and income, and children's nonverbal IQ . Taken together, these findings suggest that different measures of print exposure may capture different aspects of print exposure and that these aspects may exert a different role in vocabulary breadth and depth.
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.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle