Clarifying links to literacy: How does morphological awareness support children’s word reading development?
Notice bibliographique
Résumé
Abstract We know a great deal about children’s first steps into reading. Here, we explore how they become more sophisticated readers, learning to read complex words. Theoretical accounts predict that one key factor is morphological awareness, or awareness of the minimal units of meaning in language. And yet empirical studies have yet to clarify whether morphological awareness has a stronger relation to the development of reading skill for words with multiple morphemes in particular (i.e., morphological decoding) or to the reading of a whole range of words. We examined this question in this study by contrasting the role of morphological awareness in the development of morphological decoding and of broader word reading skill. Participants were 197 English-speaking children who were followed from Grade 3 to 4. We conducted longitudinal analyses that included stringent autoregressive controls to capture the determinants of gains over time, as well as controls for vocabulary and phonological awareness. Structural equation modeling (SEM) path analysis with this set of controls revealed that morphological awareness predicted significant unique gains in morphological decoding from Grade 3 to 4 with no such unique contributions to broader word reading skill. These findings clarify the role of morphological awareness in supporting children in developing the ability to read morphologically complex words, supporting a more targeted role for morphology in theories of word reading development.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».