Harsch, C., & Hartig, J. (2015). Comparing C-tests and Yes/No vocabulary size tests as predictors of receptive language skills. Language Testing, 33, 555–575.

n Placement testの役割は学習者を適切なレベルのコースに振り分けることだけではなく、test batteryの効果を最大限高めることでもある。

n 本研究では、脱文脈化されたYes/No vocabulary testと文脈に埋め込まれたC-testのどちらが上記の目的に適しているかを検証する。

n C-test: 4～5個の短いテキストから成り、目標語を2分割しその後半を削除した状態で提示するテスト。

→先行研究 (e.g., Eckes, 2014) においてその妥当性は示されており、語彙知識や英語熟達度に対する予測力は高いとされている。

n Yes/No test: 目標語が単独で与えられ、その語を知っているかどうかを回答する形式のテスト。リストには擬似語も与えられる。

→「受容的な」語彙知識に対する予測力は高いとされている。

1. リスニング・リーディングの能力に関して、C-testとYes/No testから得られる結果はどのような関係にあるか。

2. C-testとYes/No testのどちらの方が、リスニング・リーディング能力に対する予測力がより高いのか。

n 協力者は14～16歳 (9～10年生) のドイツ語を母語とするドイツ人学生であり、英語熟達度は中級レベルである。

n 148クラスから計3404人の生徒をサンプリングした大規模実験であり、subsampleとして24クラスから計559人の生徒もサンプリングされた。

n C-test: 25個の項目を含む4つのテキストで構成され、20分で実施された。

n Vocabulary measure: 100個の目標語と20個の擬似語で構成され、20分で実施された。

n Reading test: リスニングテストと同様のレベルで、20分で実施された。

n Vocabulary measure: 100個の語彙項目のうちの正答の割合 (HR) と20個の擬似語のうちの誤答の割合 (FR) をそれぞれ算出した。

(1) 観測されたテストの点数に関して、リーディング・リスニングテストの点数を従属変数として線形回帰分析を行った (RQ1への回答)。

(2) 潜在レベルでの分析を行うため、構造方程式モデリングによる分析 (Figure 3) を実施した (RQ2への回答)。

→SEMを行うために、確認的因子分析 (CFA) も実施した (Table 2)。

n RQ1に関して、相関分析 (Table 3) と構造方程式モデリング (Figure3) を実施した。

n どちらの分析においてもC-testの方がX-Lex testよりもリーディング・リスニング能力との相関が高かった。

→最も相関が高いのはC-testとリスニングであり、次いでC-testとリーディング、リスニングとリーディングの相関が高かった。

n RQ2に関して、リスニング・リーディング能力をともに従属変数として回帰分析を行った (Table 5)。

n X-Lex testにおいてはリスニング・リーディングともに同様の結果が見られ、HRは正の効果を与えるが、FRは不の効果を持つことが予測される。

n C-testの点数はX-Lex testの点数より説明量が大きいと考えられる。

n 本研究ではC-testとYes/No test (X-Lex test) の機能を比較し、どちらがよりplacement testに適しているのかを検証した。

n RQ1に関して、どちらのテスト指標もリーディング・リスニング力と有意な相関が見られた。

n RQ2に関して、どちらのテスト指標もリーディング・リスニング力に対する予測力は高かったが、リスニングに対する予測力の方が高い傾向にあった。また、C-testの点数はX-Lex testの点数より説明量が大きかった。

n 結論として、受容的な能力を測定するテストとしては、C-testの方がYes/no testよりも優れていると考えられる。