What Makes Young Children Happy? Exploring Well-Being Through Children’s Perspectives in Early Childhood Education
Notice bibliographique
Résumé
Early Childhood Education and Care (ECEC) environments play a crucial role in fostering young children’s well-being, yet limited research has explored well-being from children’s perspectives, especially in countries outside of WEIRD (Western, Educated, Industrialized, Rich, and Democratic) contexts. This study aims to fill this gap by capturing the experiences of 316 children (ages 4–7 years) from public and private kindergartens in Kazakhstan using the Draw, Write, and Tell (DWT) technique. Thematic analysis, guided by the PERMA-H framework, identified key dimensions shaping children’s well-being, including Positive Emotions (e.g., nature, play, toys), Engagement (e.g., imaginative play, artistic activities, learning), and Relationships (e.g., peers, teachers, family). While Meaning, Accomplishment, and Health were mentioned less frequently, they provided insight into how children derive well-being from celebrations, achievements, and physical activities. The findings suggest that the PERMA-H model usefully translates the broad concept of well-being into tangible and educationally meaningful dimensions. However, it does not fully align with young children’s lived realities that favour the “here-and-now” as well as the joyful, engaging, and socially supportive experiences as central to their well-being. The study contributes to the global discourse on early childhood well-being by amplifying young children’s voices from a non-WEIRD context. We present contextually grounded insights for educators and policymakers to enhance children’s positive experiences and holistic development in early learning settings.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,003 | 0,007 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».