CCQ：支持人工智能儿童健康研究的多州儿童保育质量数据集

生命早期的高质量儿童保育是儿童成长和发展的关键决定因素。儿童保育质量的研究受到碎片化、不利于研究和隐私保护的数据集的限制。我们推出 CCQ（儿童保育质量），这是一个大规模、去识别化的数据集，用于人工智能和幼儿健康交叉领域的应用数据科学研究。 CCQ 集成了美国 12 个州的 59,372 条儿童保育提供者记录，涵盖不同的提供者类型和数据模式。为了在保护隐私的同时确保研究实用性，我们实施了一个基于LLM的自动化管理管道，该管道将原始状态记录匿名、清理和标准化为两个互补的版本：清理后的文本版本和完全预处理的表格版本。我们还在质量评级预测和重要特征分析方面对传统机器学习模型、表格基础模型和语言模型进行基准测试。在一个状态内，预处理表上的表格分类器表现最佳。跨状态，零样本迁移是接近随机水平，但适度的目标状态监督可以恢复大部分状态内性能，并且对其他状态的预训练有利于微调语言模型。我们发布这两个数据集和所有代码，以加速人工智能驱动的儿童保育质量研究，并最终改善儿童的健康和发展。