Unraveling the links between rapid automatized naming (RAN), phonological awareness, and reading.
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
It is well established that phonological awareness (PA) and rapid automatized naming (RAN) tasks reliably predict children’s developing word reading abilities, across a wide range of languages. However, existing research has not yet demonstrated unequivocally whether RAN and PA are independently and causally linked to reading, nor fully explored the underlying cognitive mechanisms. Most existing research has assessed PA and RAN in children who may already have some reading skill, making direction of influence hard to ascertain. To address this, the current longitudinal research initially assessed RAN and PA in a very young sample of 91 English children (mean age: 3;11; SD = 3.7 months), demonstrated to be non-readers. Children were reassessed on RAN, PA, and word-level reading, 18 months (Time 2) and then a further year later (Time 3). To explore underlying mechanisms, separate measures of reading accuracy and fluency were taken, and reading tasks varied according to the extent to which they required alphabetic decoding and lexical, orthographic knowledge. Path analyses revealed that from Time 1 to Time 2 both RAN and PA predicted word reading, indicating temporal precedence, though there was some degree of reciprocity in these relationships. However, by Time 3, while RAN still predicted accuracy and fluency of reading, PA only predicted reading accuracy. Furthermore, findings suggested that while RAN was robustly related to both alphabetic decoding and lexical, orthographic aspects of reading, PA’s relationship was restricted to alphabetic decoding accuracy. Theoretical and practical implications are 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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle