MétaCan
Menu
Retour à la cohorte
Enregistrement W2767393219

Using Coh-Metrix to Access Cohesion and Difficulty in High-School Textbooks

2006· article· en· W2767393219 sur OpenAlexaboutno aff
David F. Dufty, Erin J. Lightman, Philip M. McCarthy, Danielle S. McNamara

Notice bibliographique

RevueeScholarship (California Digital Library) · 2006
Typearticle
Langueen
DomaineComputer Science
ThématiqueText Readability and Simplification
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCohesion (chemistry)ComprehensionLinguisticsArgument (complex analysis)MemphisComputer sciencePsychologyPhilosophyChemistry
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Using Coh-Metrix to Assess Cohesion and Difficulty in High-School Textbooks Philip M. McCarthy, Erin J. Lightman, David F. Dufty, and Danielle S. McNamara Department of Psychology Memphis. TN 38152 {pmccarthy, elightman, d.dufty, d.mcnamara} @mail.psyc.memphis.edu) Table 1). The results confirmed out hypothesis: Cohesion indices were higher for science texts than for history texts (LSA, F(1, 273) = 437.72, p < .01; argument overlap, F(1, 273) = 742.07, p<.01). The FKGL difficulty index showed no significant difference between genres. Across chapters, our results suggested science texts were less cohesive near the end of units, whereas history texts tended to be more cohesive (see Table 1). Our study suggests that Coh-Metrix can facilitate sophisticated analysis of texts, helping to establish benchmarks and typical patterns of textual cohesion and difficulty. With greater understanding of cohesion between genres and across textual units, Coh-Metrix stands to offer a broader assessment of text that may better facilitate assignments of text to readers. Recent research in text processing has emphasized the importance of the cohesion of a text in comprehension (e.g., McNamara, 2001). Cohesion is the degree to which ideas in the text are explicitly related to each other and facilitate a unified situation model for the reader. Such research has led to the development of a computational tool, Coh-Metrix, (Graesser et al., 2004) that delivers over 300 indices of textual cohesion and difficulty. We hypothesized that a Coh-Metrix analysis of texts would indicate that cohesion indices - more so than traditional, shallow difficulty indices such as Flesch-Kincaid Grade Level (FKGL, Klare, 1974-75) - would identify characteristics of texts. Specifically, we hypothesized that within the expository domain, science texts would demonstrate greater cohesion than history texts, as the former dealt with less familiar subjects and would be likely to employ greater redundancy. We further hypothesized that as the parts of a text (beginning, middle, and end) serve different rhetorical purposes, that the sophisticated indices of Coh-Metrix would identify these differences. To test our hypothesis, we sampled three representative 1000-word sections from the beginning, middle and end of each chapter of seven commonly used high-school text books (three from science and four from history). Each section was analyzed using Coh-Metrix indices of Cohesion (argument overlap, latent semantic analysis (LSA), and number of connectives) as well as FKGL to assess difficulty. Acknowledgements This research was supported by the Institute for Education Sciences (IES R3056020018-02). References Graesser, A.C., McNamara, D., Louwerse, M., & Cai, Z. (2004). Coh-Metrix: Analysis of text on cohesion and language. Behavioral Research Methods, Instruments, and Computers, 36, 193-202. Klare, G. R. (1974–1975). Assessing readability. Reading Research Quarterly, 10, 62-102. McNamara, D. S. (2001). Reading both high-coherence and low-coherence texts: Effects of text sequence and prior knowledge. Canadian Journal of Experimental Psychology, 55, 51-62. Results and Discussion We conducted an Analysis of Variance to assess differences between genres and across textual units (see Table 1. Results for Measures of Cohesion and Difficulty Science F-K LSA AO Con History Beginning Middle End Sig Beginning Middle End Notes: standard errors are in parentheses; * p<.05; ** p<.01 Sig

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,019
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,013
Score d'incertitude au seuil0,043

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,019
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0070,003
Études des sciences et des technologies0,0010,000
Communication savante0,0020,002
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0130,002

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 Opus0,025
Tête enseignante GPT0,251
Écart entre enseignants0,226 · 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 source (Gemma direct ou Codex distillé), 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

Citations1
Publié2006
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueeScholarship (California Digital Library)Même sujetText Readability and SimplificationTravaux en français237 207