읽기 장애가 있는 중학생 영어 학습자를 위한 2년 집중 읽기 중재의 효과 (TCLD)

1차 가설: RISE 중재를 받는 학생은 치료 2년차 말에 단어 읽기, 유창성 및 이해력을 포함한 읽기 관련 요소에서 BAU(Business as Usual) 교육을 받는 학생을 능가할 것입니다.

2차 가설: RISE 개입을 받는 학생은 1년의 치료 후 단어 읽기 및 읽기 유창성 측정에 대한 BAU(Business As Usual) 교육을 받는 학생보다 더 나은 성과를 낼 것입니다.

연구 설계 개요

코호트 1 참가자는 2018년 가을(6학년 및 7학년)에 모집되고 코호트 2 참가자는 2020년 가을(6학년 및 7학년)에 모집됩니다. 자격 기준을 충족하는 참가자는 다음 두 가지 조건 중 하나에 무작위로 배정됩니다. (1) RISE 개입(45~50분 수업 1회, 주당 5일) 또는 (2) BAU 비교 조건. 장애가 있고 모든 기준을 충족하는 특수 교육을 받는 것으로 확인된 학생은 연구에 참여할 수 있으며 추가 개입이 문서화됩니다. 치료 교사는 조사관에 의해 고용되고 훈련됩니다. 통제 조건의 참가자는 일반적으로 해당 수업 기간 동안 선택 과목(예: 요리, 음악)에 참여하고 때로는 주 고위험 시험 준비 수업에 참여합니다. 교사는 한 학교에 배정되어 3명에서 12명 사이의 그룹으로 학생들에게 교육을 제공할 책임이 있습니다.

참가자들

프로젝트 3 샘플은 오스틴/샌안토니오와 휴스턴에 있는 6개의 중등도에서 극빈도 중학교의 6학년 및 7학년 학생들과 제2언어로서 영어를 배우는 많은 학생들로 구성될 것입니다. 1차 가설을 평가하기 위해, 겹치지 않는 참가자 코호트 2개를 통합하는 무작위 대조 시험(2년 개입)을 수행할 것입니다. 조사관은 포함/제외 기준에 설명된 대로 현존하는 학교 기록을 사용하여 샘플 참가자를 식별합니다.

코호트 1은 2018년 가을(1년차)에 시작하여 2년차(7학년 또는 8학년 학생)에 할당된 상태를 지속하는 410명의 Els로 구성됩니다. 학년). 코호트 2는 동일한 포함/제외 기준을 사용하여 식별되고 개입(RISE) 또는 개입 없음 BAU 비교 조건에 무작위로 할당되고 2년 동안 해당 조건에 남아 있는 410명의 학생으로 구성된 겹치지 않는 샘플입니다. 통제에 할당된 학생은 BAU를 받을 수 있습니다. 서비스(연구원 문서화)는 학교에서 제공하지만 연구원이 제공하는 읽기 개입은 받지 않습니다. 이 두 코호트(N = 820명의 학생)는 데이터 분석을 완전히 강화하기 위한 샘플을 제공합니다.

측정 및 평가 절차

프로젝트 3의 데이터는 각 코호트에 대해 4개의 시점(1년차와 2년차의 시작과 끝)에서 수집되어 1년과 2년의 치료 후 치료 효과를 분석할 수 있습니다(개입 설명 참조). 학교에서 데이터 수집을 고용, 교육 및 감독하고 학교 및 참가자 모집을 담당하는 연구팀은 경험이 풍부하고 지난 10년 동안 함께 일했습니다. 데이터 수집자는 참가자의 무작위 할당 조건을 보지 못합니다.

1차 및 2차 결과 측정은 섹션 9(결과 측정)에 설명되어 있습니다.

개입 절차

중재는 섹션 8(무기, 그룹 및 중재)에 자세히 설명되어 있습니다.

구현의 충실도. 구현의 충실도는 개입 교사당 최소 1년에 세 번 평가됩니다. 모든 개입 교사는 모든 개입 수업을 오디오로 녹음합니다. 기록의 무작위 샘플이 선택되고 코더가 개입 구현 준수 및 구현 품질의 주요 지표를 평가합니다. 모든 코더는 교육을 받고 독립 코딩 전에 신뢰성이 확립됩니다.

개입 교사. 각 사이트에서 조사관이 고용하고 감독하는 고도로 훈련된 직원이 모든 치료를 제공합니다. 이 교사들은 구현 전에 20시간의 교육을 받은 후 매월 최소 10시간 동안 지속적인 교육과 현장 지원을 제공받을 것입니다. 모든 트리트먼트는 매일 50분 동안 약 8-11명의 학생 그룹으로 제공됩니다.

BAU(Business As Usual) 비교 조건. BAU 또는 비교 조건에 배정된 학생은 음악, 요리, 영화, 학습 시간 또는 고위험 시험 준비와 같은 옵션을 포함하는 선택 수업에 참여하게 됩니다. 이 학생들은 학교에서 완전한 규범 교육 프로그램에 참여하지만 연구팀으로부터 어떠한 지시도 받지 않습니다.

데이터 관리

데이터 취득. 데이터 관리 팀은 데이터 수집 양식과 해당 양식을 작성하기 위한 지침을 구성합니다. 절차 또는 양식에 대한 수정이 필요한 경우 데이터 관리 직원은 이러한 변경 사항을 각 사이트의 직원에게 전달하고 절차 및 양식 매뉴얼이 적절하게 업데이트되도록 합니다. 데이터 관리 직원은 또한 양식 레이아웃, 양식 개정 및 양식 번호 매기기의 일관성을 보장하기 위해 노력할 것입니다. 데이터 관리 및 통계 직원은 데이터 관리자와 협력하여 데이터 감사를 수행하여 모든 데이터 필드에서 오류율을 무시할 수 있도록 합니다.

데이터 관리. 데이터 관리 담당자는 모든 프로젝트 데이터가 TIMES(Texas Institute for Measurement, Evaluation, and Statistics) 데이터 웨어하우스에 기록되는 방식으로 모든 데이터베이스 설계, 관리 및 수집 관련 활동을 수행합니다. 웨어하우스는 프로젝트 내외에서 최대 데이터 무결성 및 표준화를 위해 설계되었으며 동시에 TIMES 프로젝트의 설계와 특정 측정 및 방법에 필요한 유연성을 허용합니다. 웨어하우스를 기본 프로젝트 관리 데이터 구조로 사용하면 프로젝트 전반에서 표준화가 향상됩니다. 또한 웨어하우스는 단일 데이터 요소의 수정으로 이어지는 모든 데이터 관리 활동의 전자 감사 추적을 자동으로 구성하며, 이는 표준화와 함께 전자 데이터베이스의 품질 관리에 필수적입니다.

데이터 분석

전반적인 전략, 방법론 및 분석. 데이터의 설명적 특징은 분석 전에 검사됩니다. 비정규 종속 변수는 필요에 따라 적절하게 변환(로그, 제곱근, 역 등)됩니다. 이상값은 수정된 z-점수 분석을 사용하여 식별되고 특정 모델에서 영향력과 영향력에 따라 사례별로 처리됩니다. 오류가 정상적으로 분포되고, 등분산적이며, 모델의 샘플링 단위와 수준에 걸쳐 독립적이라는 가정은 잔차 분석을 통해 평가됩니다. 더 높은 수준의 잔차는 일반적으로 다변량 정규이고 더 낮은 수준 오류와 무관하다고 가정합니다. 조사관은 영향 진단을 통해 잔류 분석을 강화할 것입니다. 이질성은 적절하고 필요한 경우 예측 변수 및/또는 종속 변수의 비선형 변환을 사용하여 명백한 원인에 따라 처리됩니다. 조사관은 다중 그룹(RISE 개입 대 BAU), 다중 수준 회귀 및 구조 방정식 모델(SEM)의 맥락에서 주요 연구 가설을 다룰 것입니다.

분석 계획. 다중 그룹, 다단계 회귀 및 SEM은 1) 개입 1년 후 단어 읽기 및 유창성 결과 및 개입 2년 후 단어 읽기, 유창성 및 이해력에 대한 치료의 주요 효과를 추정하는 데 적합합니다. 각 모델에 대해 사전 테스트 점수는 적절하게 중앙에 배치되고 수준 1 공변량으로 사용됩니다. 사전 테스트에서 학교 수준의 평균은 학교 수준의 변동성을 최소화하고 통계적 검정력을 향상시키기 위해 "맥락적 효과"로 포함됩니다. 중첩 모델의 맥락에서 RISE 그룹과 BAU 그룹에 대한 조건부 사후 테스트 평균을 비교하여 학생 수준에서 치료 주요 효과(치료 의도 모델을 가정)를 추정합니다. 그룹별 모델(즉, 각 그룹에 대해 추정된 고유한 사후 테스트 평균) 및 제한된 모델(즉, 사후 테스트는 처리 및 그룹 간에 동일하게 고정된 평균)에 대한 적합 지수를 비교하고 차이(Δχ2)를 모델 간 자유도 차이(Δdf)에 해당하는 임계값입니다. 효과 크기는 헤지 g로 계산됩니다.

검정력 및 효과 크기. 데이터 시뮬레이션을 활용하여 학생 결과에 대한 주요 효과에 대한 통계적 검정력을 추정했습니다. 이는 모든 기본 및 보조 결과에 적용할 수 있는 예입니다. 전력 추정을 위해 사이트 및 코호트 수준의 중첩은 무시됩니다. 유사한 학교의 이전 연구에서 클래스 내 상관 관계가 사전 테스트를 제어할 때 무시할 수 있었기 때문입니다. 또한, 이 두 사이트에서 구현된 다중 코호트, 다년 중재 및 부분적으로 중첩된 설계에 대한 이전 결과를 기반으로 부분 중첩이 무시되었습니다. 학교를 차단하고 학교 수준에서 공변량을 통제할 때 사이트, 코호트 및 소규모 교육 그룹의 클러스터링 효과는 이해 관련 결과에 대해 사소했습니다(부분 중첩이 있는 2년 개입의 경우 .00-.01). 효과 크기의 변동성은 통계적으로 0과 다르지 않았습니다(σδ2 < .0001). 고정 치료 효과를 제안합니다.

전력 분석은 6개 학교(n=205/학교)에 걸쳐 820명의 학생의 시간 1 샘플을 가정했습니다. 인구 모델에서 조사관은 사례를 치료 또는 학교 내 BAU에 무작위로 할당했습니다. 조사관은 학생 감소를 .10으로 지정했습니다. 조건 또는 조건과 관련된 상호 작용에 의한 차등 감소가 없는 사이트 및 코호트 전체의 조건에 대해 매년, 평가 시간 2(봄 1년)에 약 740명의 학생 샘플과 평가 시간 4(봄 2년)에 670명의 샘플을 제안합니다. 연간 감소율 10%는 유사한 학교의 연구팀이 수행한 이전 연구와 일치합니다. 조사관은 검정력을 최대화하기 위해 사전 테스트에 대한 학교 수준의 공변량을 모델링했습니다. 이전 작업에서 학생 읽기 결과(즉, 단어 읽기, 이해력 등)의 사전 테스트 측정은 결과 분산의 약 75%를 차지했습니다. 사후 테스트 읽기 점수는 치료되지 않은 모집단에서 평균이 0이고 분산이 1인 다변량 정상으로 모델링되었습니다. 치료에 할당된 하위 모집단의 경우 사후 테스트 평균은 .20으로 설정되었으며 이는 치료와 대조군 간의 모집단 수준 표준화 평균 차이를 나타냅니다. 문해력 관련 치료 효과 .20은 단어 수준의 읽기 측정과 읽기 이해, 철자 및 쓰기 결과 모두에 대해 이 모집단에서 의미 있는 영향을 나타냅니다.

샘플 모델에서 연구자는 모집단 값을 시작 값으로 사용하여 처리 및 비교 조건에서 자유 매개변수로 사후 테스트 평균을 추정했습니다. 740 및 670 샘플에 대해 효과를 고정(σδ2 = 0)으로 모델링할 때 귀무 가설이 거짓일 때 기각할 확률(즉, 통계적 검정력)은 .99였습니다. 추정자의 편향72은 1% 미만이었습니다. 동일한 가정 하에서 .10의 표준화된 평균 차이는 최소 .80의 검정력과 연관되었습니다. 전력 추정치는 통계적 유의성에 대한 독립적인 테스트를 위해 계산되었습니다. 그러나 위의 대조 중 많은 부분이 독립적이지 않습니다. 다중 비교와 관련된 부풀려진 유형 1 오류를 제어하기 위해 조사관은 개별 테스트 통계의 종속 구조를 활용하고 처리를 위한 대안보다 더 강력한 접근 방식을 제공하는 다단계 및 혼합 효과 모델 및 계층적 데이터에 대한 단계 M 접근 방식을 제안합니다. 중첩 데이터의 가족 단위 오류입니다.