MétaCan
Menu
Retour à la cohorte
Enregistrement W4310055744 · doi:10.1080/02702711.2022.2149644

Language of Early Reading Instruction: A Correlate of Print Exposure

2022· article· en· W4310055744 sur OpenAlexaff
Monyka L. Rodrigues, Stephanie Kozak, Sandra Martin‐Chang

Notice bibliographique

RevueReading Psychology · 2022
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueChild Development and Digital Technology
Établissements canadiensConcordia University
Organismes subventionnairesnon disponible
Mots-clésReading (process)PleasurePsychologyNeuroscience of multilingualismLearning to readLiteracyWord recognitionFocus (optics)Shared readingLinguisticsTask (project management)Pedagogy

Résumé

récupéré en direct d'OpenAlex

The Matthew effects suggest that children who struggle when learning to read are less likely to read for pleasure later in life compared to children who ease into reading quickly. One aspect of early literacy instruction that might hamper reading progress is learning to read simultaneously in two languages. Despite the long-lasting and widespread benefits of bilingualism, early setbacks in reading development might carry lasting effects for later reading habits. We investigated whether present-day print exposure of adults who learned to read in their first language were different from those who learned to read in two languages. Adults completed: Bilingual Author Recognition, Viewing Recognition, and English and French Word Recognition Tests. Participants who reported that reading instruction took place in their first language recognized more authors than those who learned to read in two languages. These first-language learners were also better at identifying real English words. Bilingual learners were superior at identifying real French words on the corresponding task. Lastly, both groups demonstrated similar viewing habits. The findings from this retrospective study align with the Matthew effects and suggest that a focus on first language reading instruction in Grades 1 and 2 remains correlated with print exposure 25 years later.

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)0,000
score de la tête « metaresearch » (Gemma)0,007
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 enseignants0,004
Score d'incertitude au seuil0,014

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,022
Tête enseignante GPT0,324
Écart entre enseignants0,301 · 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

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueReading PsychologyMême sujetChild Development and Digital TechnologyTravaux en français237 207