Effect Size Thresholds in Early Literacy: Defining Benchmarks for Phonemic Awareness Research
Notice bibliographique
Résumé
Effect size (ES) helps assess intervention effectiveness, often interpreted using Cohen’s thresholds for small (0.20), medium (0.50), and large effects (0.80). However, these thresholds must be contextualized. This study derived new ES thresholds in early literacy research, focusing on phonemic awareness (PA). Data from three recent meta-analyses on the effects of PA instruction and intervention on PA and reading outcomes in pre-K through Grade 1 children were used. We extracted Hedges’ g data and calculated an ES distribution, deriving thresholds at the 25th, 50th, and 75th percentiles (small, medium, and large effects). Additional thresholds were derived for various subgroups (risk status, use of letters, outcome measures, alignment between PA skills taught and measured, group size, interventionist). Research Findings: From 199 ESs on PA outcomes and 119 ESs on reading outcomes, the ES thresholds were at 0.262, 0.507, 0.817, and −0.014, 0.361, 0.670 for small, medium, and large effects, respectively, with no evidence of publication bias. ES distributions across subgroups were similar to overall results, though differences were found across PA outcomes measuring decoding-proximal vs. decoding-distal PA skills and interventionists. Practice or Policy: Cohen’s benchmarks are generally representative of current PA research on PA outcomes but are overestimated for reading outcomes by around 0.2 standard deviations.
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 | 0,513 | 0,743 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,009 | 0,014 |
| Bibliométrie | 0,025 | 0,016 |
| Études des sciences et des technologies | 0,003 | 0,011 |
| Communication savante | 0,009 | 0,012 |
| Science ouverte | 0,009 | 0,010 |
| Intégrité de la recherche | 0,010 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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; l’étiquette directe de Gemma et le classifieur distillé Codex 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 ».