Testing the capability of generative artificial intelligence for parent and caregiver information seeking
Notice bibliographique
Résumé
Abstract Objective This study explored the quality of generative artificial intelligence (AI) responses to common parenting questions across diverse sources of digitally available information. Background The recent rise of generative AI, such as ChatGPT and other large language models (LLMs), which generate answers by synthesizing publicly available information, raises questions about the quality of digital responses and the effect on parenting and outcomes for children. Method We hypothesized that querying a professionally prepared parenting newsletter would have higher quality responses than an LLM. We explored this by running 11 tests with five common parenting and caregiving topics about young children across controlled and open data sources. We analyzed three Cs (correctness, clarity, and connection), reliability (artificiality, credibility, and citation quality), and readability to assess the quality of LLM responses. Results ChatGPT largely provided correct and clear answers although citations were frequently absent and inaccurate. LLM responses often lacked emphasis on parent–child connection and developmental context, and reading level difficulty increased steeply. Conclusion Generative AI offers reasonably good answers to general parenting questions. However, parents and caregivers need to contextualize the information. Implications Topical experts may help meet nuanced parenting needs with cultural relevance and plain language, but AI can be useful for summarizing open‐access content.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».