Cross-language transfer in cross-country contexts: Examining longitudinal relationships between Urdu phonological processing and English reading in Pakistan and Canada
Notice bibliographique
Résumé
Purpose This study examines whether kindergarten-level Urdu phonological processing predicts the future Grade 1 English word/non-word reading accuracy skills of Urdu-English bilinguals in Pakistan and Canada.Method At Timepoint 1 of this longitudinal study, we assessed 154 Urdu-English kindergarten-aged bilinguals in Pakistan (n = 104; Experiment 1) and in our exploratory study in Canada (n = 50; Experiment 2) on their Urdu phonological awareness and rapid automatised naming skills via the Urdu Phonological Tele-Assessment Tool. At Timepoint 2, we tested their English word and non-word reading accuracy skills at the Grade 1 level.Result Hierarchical linear regressions generally demonstrated significant cross-language transfer effects between Urdu phonological awareness and the English word/non-word reading accuracy measures in both Pakistan and Canada. Predictive strength differences were demonstrated between rapid automatised naming and reading outcomes based on country-specific contexts.Conclusion Our findings demonstrate that languages learnt in both a societal or heritage context (i.e. Urdu) contribute to early reading skills in another language (i.e. English). This study emphasises the role of cross-language transfer for facilitating equitable access to early assessment for bilingual populations. We highlight that Urdu phonological processing skills can be used to identify bilingual children’s future English reading abilities, rather than waiting until the child demonstrates adequate language proficiency for completing traditional English phonological assessments.
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 | 0,002 | 0,002 |
| 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) | 0,000 | 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 tête enseignante, 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 ».