Exploring the Effects of Culturally Responsive Instruction on Reading Comprehension, Language Comprehension, and Decoding with Bayesian Multilevel Models
Notice bibliographique
Résumé
Reading comprehension (RC) can be predicted from language comprehension (LC) and decoding, and all three constructs are responsive to structured teaching. Culturally responsive instruction, which explicitly connects students’ lived experiences with school experiences, can also effectively support literacy learning. However, little is known about how structured and culturally responsive approaches work in tandem, and whether positive effects may occur through the path of LC or decoding, or directly on RC. Further, does culturally responsive teaching support transfer from local, personalized learning materials to standardized measures? This study investigates the impact of structured and culturally responsive teaching on standardized measures of RC, LC, and decoding among 263 students in grades 1 through 3. Participants were assigned to one of three groups: (1) generic structured teaching approach that used mainstream materials, (2) a structured culturally responsive approach that centered students’ interests, cultures, and sense of belonging, and (3) a waitlisted business-as-usual control group. Over 10 weeks, students received small-group teaching focused on decoding and LC. Bayesian multilevel ANCOVA models indicate all groups grew, with differential positive effects for LC for the culturally responsive treatment group. The findings suggest benefits to integrating cultural relevance into structured literacy teaching and that a multifaceted approach may be effective. Implications and limitations 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.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 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) | 0,000 | 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 ».