CCQ: un dataset multistatale sulla qualità dei servizi per l’infanzia a sostegno della ricerca sull’IA per la salute dei bambini

Abstract degli autori

La qualità dei servizi per l’infanzia nei primi anni di vita è un fattore determinante per la crescita e lo sviluppo dei bambini. La ricerca su questa qualità è stata limitata da dataset frammentati, poco adatti alla ricerca e soggetti a vincoli di privacy. Presentiamo CCQ (Child Care Quality), un dataset di grandi dimensioni, privato dei dati identificativi, destinato alla ricerca applicata nella scienza dei dati all’incrocio tra IA e salute nella prima infanzia. CCQ integra 59.372 record relativi a fornitori di servizi per l’infanzia in 12 stati degli Stati Uniti, comprendendo diverse tipologie di fornitori e diversi schemi di dati. Per rendere i dati utili alla ricerca tutelando al contempo la privacy, abbiamo realizzato una pipeline automatizzata basata su LLM che anonimizza, ripulisce e standardizza i record statali grezzi, producendo due versioni complementari: una testuale ripulita e una tabellare interamente pre-elaborata. Confrontiamo inoltre, mediante benchmark, modelli tradizionali di machine learning, modelli di base per dati tabellari e modelli linguistici nella previsione dei punteggi di qualità e nell’analisi delle caratteristiche importanti. All’interno di uno stesso stato, i classificatori tabellari applicati alle tabelle pre-elaborate ottengono i risultati migliori. Nel trasferimento tra stati, le prestazioni zero-shot sono prossime al caso, ma una supervisione limitata con dati dello stato di destinazione consente di recuperare gran parte delle prestazioni ottenute all’interno di un singolo stato; inoltre, il preaddestramento sui dati di altri stati giova ai modelli linguistici sottoposti a fine-tuning. Rendiamo disponibili entrambi i dataset e tutto il codice per accelerare la ricerca sulla qualità dei servizi per l’infanzia basata sull’IA e, in ultima analisi, migliorare la salute e lo sviluppo dei bambini.