“It’s important to have windows so you can get sunlight”: Understanding children’s perceptions of quality in early childhood education and care settings
Notice bibliographique
Résumé
Across the globe young children are increasingly spending time in early childhood education and care (ECEC) settings. Exposure to ECEC settings is associated with positive developmental outcomes when they are of high quality. Quality rating and improvement systems (QRIS) measure and improve the quality of children’s experiences in ECEC settings. However, they rarely include children’s perspectives directly. This is at least in part due to the challenges associated with interviewing young children, and a lack of guidance on how to utilise their feedback. This study employed photovoice methodology to understand children’s preferences and perspectives related to their experiences in their ECEC setting. We then qualitatively mapped children’s responses onto a classroom level, measure of quality as a way of understanding overlap in children’s perspectives on quality in ECEC and those held by professionals in the field. Twenty-one children were interviewed from five ECEC programmes in Halifax, Canada. Children largely reported that their favourite parts of care included (1) materials/activities; (2) descriptions of the uses of physical spaces in their ECEC settings; and (3) other characteristics. Qualitative differences were found in children’s preferences based on their care setting. Some children preferred activities in designated areas, whereas other children preferred materials. Interestingly, few children stated preferences for socialising with peers or educators. The potential of this method for eliciting children’s input on their experiences and implications for policy and practice are discussed.
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 | 0,006 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».