Comparing Phonological Processing Contributions to Reading Across Orthographic Depth: Urdu-English Biscriptal Bilinguals
Notice bibliographique
Résumé
Purpose: Current reading research remains Latin script-centric in a monoliterate context, and may not be generalizable to the significant percentage of school-aged children growing up as biscriptal bilinguals globally. To address this, we examined the early stages of reading development in bilingual readers of an under-studied language combination that differs across orthographic depth and script. Specifically, our longitudinal study compared within-language contributions of three phonological processing skills to reading outcomes in Urdu-English bilingual children. Method: We assessed 154 Urdu-English readers in Pakistan and Canada on their phonological awareness, phonological memory, and rapid automatized naming (RAN) skills at Timepoint 1 (Senior Kindergarten) and word/non-word reading accuracy and fluency outcomes at Timepoint 2 (Grade 1) in Urdu (orthographically-transparent language with Perso-Arabic script) and English (orthographically-opaque language with Latin script). Results: Our multivariate multiple linear regression analyses demonstrate the importance of phonological awareness and RAN for reading, across orthographic depth/script and type of reading outcome measure. Predictive strength differences were also evident. Phonological awareness accounted for greater variance in the reading accuracy measure across both languages and particularly in Urdu, with RAN contributing greater variance to Urdu reading fluency. Phonological memory was not a significant predictor in either language. Conclusions: Our study contributes to the generalizability of dominant reading models, such as the Psycholinguistic Grain Size Theory (PGST), Orthographic Depth Hypothesis (ODH), and Speed-of-Processing theoretical account of RAN-reading fluency relationship, beyond monoliterate readers of Latin scripts. Particularly, we demonstrate the importance of phonological awareness and RAN for reading outcomes in biliterate readers of a transparent orthography with a Perso-Arabic script.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».