CCQ：支持儿童健康研究中人工智能应用的多州儿童保育质量数据集

高质量的早期儿童保育是决定儿童成长与发展的关键因素。由于数据集零散、不适合研究使用且受到隐私限制，儿童保育质量研究一直受到制约。我们推出了 CCQ（Child Care Quality），这是一个大规模、去标识化的数据集，用于人工智能与幼儿健康交叉领域的应用数据科学研究。CCQ 整合了来自美国 12 个州的 59,372 条儿童保育服务提供者记录，涵盖多种提供者类型和数据模式。为在保护隐私的同时确保研究实用性，我们实施了一套基于 LLM 的自动化整理流程，将各州原始记录进行匿名化、清洗和标准化，并形成两种互补的数据发布版本：清洗后的文本版和经过完整预处理的表格版。我们还在质量评级预测和重要特征分析任务上，对传统机器学习模型、表格基础模型和语言模型进行了基准测试。在州内，基于预处理表格的表格分类器表现最佳。在跨州场景中，零样本迁移的表现接近随机水平，但仅需少量目标州监督数据即可恢复州内表现的大部分水平；在其他州数据上进行预训练也能提升微调语言模型的性能。我们发布这两个数据集及其全部代码，以加速儿童保育质量领域的人工智能驱动研究，并最终改善儿童的健康与发展。