Oral vocabulary and reading comprehension: An intricate affair
Bibliographic record
Abstract
Résumé Un nombre important de recherches actuelles observe des relations -de modérées à fortes- entre les mesures de vocabulaire oral et de celles de compréhension en lecture. Cette recherche a pour objectif de préciser notre compréhension des interactions entre le langage oral et le langage écrit en examinant la nature du lien entretenu par le vocabulaire oral et la compréhension en lecture avec des définitions et des mesures plus précises de différents composants du vocabulaire qui sont également motivés théoriquement. Différents composants du système de vocabulaire oral ont ainsi été définis et évalués séparément à partir de modèles du lexique qui distinguent le nombre d’entrées lexicales (l’étendue du vocabulaire) et l’étendue des connaissances sémantiques (profondeur du vocabulaire). Le concept de profondeur du vocabulaire a été développé de sorte à inclure à la fois des mesures de définition de mots et de conscience des associations entre mots ; cette dernière mesure étant destinée à évaluer l’organisation du système lexico-sémantique. Des tests de connaissances en vocabulaire ainsi que des tests de conscience phonémique, de lecture de mots et de compréhension en lecture ont été administrés à 100 élèves de 6e année. Les résultats ont montré que les performances de compréhension en lecture sont influencées directement par celles de conscience phonémique, de lecture de mots et d’étendue du vocabulaire et, indirectement, par celles relatives à l’organisation lexico-sémantique qui prédisent une part unique de variance en lecture de mots. Ces résultats reflètent la complexité des relations entretenues par le vocabulaire oral et la compréhension de textes écrits, et soulignent la pertinence des mesures d’étendue et de profondeur du vocabulaire dans l’explication des différences individuelles en lecture.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.013 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.007 | 0.005 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.024 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".