当前位置: 主页 > 神经科学 > 感觉与知觉

颠覆传统认知:听觉加工与理解性知识才是预测阅读成功的核心能力

2026-11-04 08:14 Daniel Hajovsky, Chr Journal of Intelligence / Texa 阅读 0
核心摘要: 一项迄今规模最大的认知—阅读关系研究,整合137套认知与成就测验中的5万条相关系数,采用元结构方程模型重新审视阅读能力的认知基础。研究发现,视觉加工与阅读能力无实质关联,一般智力的作用被显著高估;而听觉加工与理解性知识(词汇、概念与背景知识)对解码和阅读理解具有最强的特异性预测力。该结果挑战了以智力或视觉功能解释阅读困难的长期假设,提示阅读障碍应被视为特定技能短板而非整体能力低下,为差异化教学与家庭干预提供了实证依据。

长期以来,关于儿童阅读困难的解释往往围绕两个因素展开:智力与视觉信息加工能力。阅读轻松的孩子常被默认为更聪明,而阅读吃力的孩子则容易被贴上能力不足的标签;另一种流行观点认为,阅读障碍主要源于对纸面文字与字母的视觉解读出了问题。然而,德州农工大学教育心理学系副教授Daniel Hajovsky领衔的一项迄今规模最大的认知能力与阅读表现关系研究,对这一系列假设提出了系统性挑战。该研究联合堪萨斯大学、圣约翰大学、蒙特克莱尔州立大学与天普大学的科学家共同完成,相关成果发表于《Journal of Intelligence》。

五万条相关系数构建的统一模型:方法学上的关键突破

既往研究结论之所以相互冲突,很大程度上源于样本规模、测验工具与统计模型的异质性。为克服这一局限,研究团队将来自137套认知与成就测验的约50,000条相关系数整合进单一统计模型,采用元结构方程模型(meta-structural equation modeling)进行再分析。这一方法的核心优势在于:它并非简单地把各研究结果平均,而是在统一潜变量框架下同时估计一般智力与各广泛认知能力对阅读成绩的直接效应,从而剥离能力之间的共变,识别出真正的特异性预测因子。正是这种对共变结构的建模能力,使研究者得以澄清以往元分析中智力效应被高估的问题。

结果呈现出若干出人意料的发现。视觉加工在整个分析中与阅读能力未表现出有意义的相关,这直接动摇了“阅读困难源于视觉解读缺陷”的流行看法。一般智力确实与阅读表现相关,但其影响幅度明显小于部分早期元分析所提示的水平。Hajovsky指出:“一个值得注意的发现是,一般智力的主导性不如某些早期元分析那样强。理解性知识和听觉加工这类广泛能力,在一般智力之外对阅读发挥着强有力的特异性作用,尤其是在解码与理解方面。”

两个被忽视的核心能力:听觉加工与理解性知识

研究识别出两个此前较少被强调、却对阅读成功最具预测力的能力。其一是听觉加工,即识别与区分口语单词中各个独立语音的能力。儿童若要理解书面字母与语音之间的对应关系,必须先能分辨一个词内部的不同音素,这一能力直接支撑解码——即把书面词形转换为读音的过程。其二是理解性知识,指儿童通过学习与日常经验积累的词汇、概念与背景信息。这一知识基础使儿童能够通达单词、句子乃至长篇幅文本的意义。

二者结合,对阅读表现的预测力超过研究中考察的任何其他技能。记忆、推理与心理加工速度等认知功能同样参与阅读发展,但更多扮演支持性角色。这一模式表明,阅读并非整体智力或视觉加工效率的简单映射,而是多种相互关联能力的协同产物,其中语言相关技能居于核心地位。

对教育干预与家庭支持的启示

该研究对教育实践具有直接的转化价值。教师不应把所有阅读问题视为同质现象,而可依据认知剖面识别具体薄弱环节,提供针对性教学。对家庭而言,结论同样具有鼓励意义:阅读吃力的孩子未必智力较低,也并非无法成为优秀读者,困难可能仅反映某些特定能力尚需额外发展。Hajovsky强调:“在家中强化基础技能,即便是看似简单的那些,也能对更高级的阅读能力产生实质影响。阅读困难不是低能力的标志,而往往反映在一个协同运作的大系统中,某一特定技能需要被加强。”

研究者进一步指出,最有效的路径是学校、家庭与社区的合作。阅读通过一个相互连接的技能网络发展,逐步夯实这些基础,能帮助儿童成为更自信、更有能力的阅读者。这一框架将阅读障碍的评估从“整体能力判断”转向“技能剖面诊断”,为差异化干预提供了可操作的认知靶点。


Journal Reference:
Daniel B. Hajovsky, Christopher R. Niileksela, Dawn P. Flanagan, Vincent C. Alfonso, William Joel Schneider, Jacob Robbins. Toward a Consensus Model of Cognitive–Reading Achievement Relations Using Meta-Structural Equation Modeling. Journal of Intelligence, 2025; 13 (8): 104. DOI: 10.3390/jintelligence13080104

Story Source: Materials provided by Texas A&M University. Original written by Ryan McCullar.
    发表评论