CCQ: A Multi-State Child Care Quality Dataset to Support AI for Children's Health Research

📄 arXiv: 2610.05863v1 📥 PDF

作者: Victor Li, Yuzhang Xie, Ziwei Dong, Qingyang Zhu, Wenjing Ma, Carl Yang, Jinbing Bai, Huiwen Xu, Jiaying Lu

分类: cs.LG, cs.AI

发布日期: 2026-10-05

备注: 29 pages, 8 figures, 7 tables. Dataset: https://huggingface.co/datasets/GAIN-Lab/CCQ ; Code: https://github.com/Veeeeeee7/CCQ

💡 一句话要点

提出CCQ数据集以解决儿童保育质量研究数据不足问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 儿童保育 数据集 人工智能 健康研究 数据清洗 隐私保护 机器学习 质量评估

📋 核心要点

  1. 现有儿童保育质量研究面临数据碎片化和隐私限制，影响了研究的深入和广泛应用。
  2. 本文提出CCQ数据集，通过自动化的LLM数据处理管道，整合和标准化儿童保育提供者记录，确保数据的隐私和实用性。
  3. 实验结果表明，预处理表格上的分类器表现最佳，跨州的零-shot迁移接近随机，但适度的目标州监督能恢复大部分性能。

📝 摘要（中文）

高质量的儿童保育是儿童成长和发展的关键因素。然而，现有的儿童保育质量研究受到数据碎片化、隐私限制等问题的制约。本文提出了CCQ（儿童保育质量）数据集，这是一个大规模、去标识化的数据集，旨在支持人工智能与早期儿童健康研究的交叉应用。CCQ整合了来自美国12个州的59,372个儿童保育提供者记录，涵盖多种提供者类型及数据模式。为确保研究的实用性并保护隐私，本文实现了一种基于大型语言模型的自动化数据处理管道，将原始州记录匿名化、清洗和标准化，生成了两个互补的数据集：清洗后的文本数据集和完全预处理的表格数据集。我们还对传统机器学习模型、表格基础模型和语言模型在质量评分预测和重要特征分析上进行了基准测试。

🔬 方法详解

问题定义：本文旨在解决儿童保育质量研究中数据不足和隐私保护的问题。现有的数据集往往碎片化且不适合研究，限制了相关研究的开展。

核心思路：提出CCQ数据集，通过一个基于大型语言模型的自动化管道，清洗、标准化和匿名化原始数据，以便于研究使用，同时保护个人隐私。

技术框架：整体架构包括数据收集、数据清洗、数据标准化和数据发布四个主要模块。首先收集来自12个州的儿童保育提供者记录，然后通过LLM进行数据处理，最后发布清洗后的文本和表格数据集。

关键创新：最重要的创新在于使用LLM进行数据处理，确保了数据的隐私性和实用性。这种方法与传统的数据处理方式相比，显著提高了数据的质量和一致性。

关键设计：在数据处理过程中，采用了特定的参数设置和损失函数，以优化数据清洗和标准化的效果。此外，设计了适合表格数据的网络结构，以提高分类器的性能。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

实验结果显示，在预处理的表格数据上，分类器的性能最佳。跨州的零-shot迁移接近随机水平，但通过适度的目标州监督，能够恢复大部分的性能。此外，预训练其他州的数据对微调语言模型也有显著的提升效果。

🎯 应用场景

该研究的潜在应用领域包括儿童健康研究、政策制定和教育机构的质量评估。通过提供高质量的数据集，研究人员可以更深入地分析儿童保育质量对儿童发展的影响，从而为改善儿童健康提供科学依据。未来，该数据集可能推动更多基于AI的研究，促进儿童保育领域的创新与发展。

📄 摘要（原文）

High-quality child care in early life is a critical determinant of children's growth and development. Research on child care quality has been constrained by fragmented, non-research-friendly, and privacy-bound datasets. We present CCQ (Child Care Quality), a large-scale, de-identified dataset for applied data science research at the intersection of AI and early childhood health. CCQ integrates 59,372 child care provider records across 12 U.S. states, covering diverse provider types as well as data schemas. To ensure research utility while protecting privacy, we implement an automated, LLM-based curation pipeline that anonymizes, cleans, and standardizes raw state records into two complementary releases: a cleaned textual release and a fully preprocessed tabular release. We also benchmark traditional machine learning models, tabular foundation models, and language models on quality rating prediction and important features analytics. Within a state, tabular classifiers on the preprocessed tables perform best. Across states, zero-shot transfer is near chance, but modest target-state supervision recovers most of the within-state performance, and pretraining on other states benefits finetuned language models. We release both datasets with all code to accelerate AI-driven research on child care quality and ultimately improve children's health and development.