AI and Apps in Early Childhood: The Role of the Family
Notice bibliographique
Résumé
This research is part of a project that aims to map datafication and platformization in the early years of life. Analyzing the educational quality and privacy protection of apps for children was considered fundamental for the project. Children are constantly exposed to technology, especially when using digital applications (Rocha and Nunes, 2020). Some scholars have focused on the problem of data extraction and monetization, with the pervasive use of applications even in the domestic sphere (Barassi, 2020; Pangrazio and Mavoa, 2023). According to several studies, parents' digital exposure and decisions on children's digital footprint are crucial (Jibb et al., 2022; Pimienta et al., 2023; Raffaghelli, 2022). The research follows a postpositivist approach (Petter and Gallivan, 2004), which is useful for understanding phenomena through data collection, categorization, and analysis. Data were collected on 30 apps, and the applications were evaluated according to different categories using a systematic database. Data analysis was based on quantitative processing through descriptive and inferential statistics. Empirical validation was carried out using inter-rater agreement, and a reliability analysis was introduced in the results. The results highlighted some critical issues regarding the use of technological consumption within families and a disparity between the evaluations of the apps carried out by the general population and those carried out by expert educators. The research highlights the need for parents to be more vigilant when choosing apps for their children, considering learning value, clarity of information, security and ethical use of data.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,006 | 0,004 |
| Communication savante | 0,007 | 0,006 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 source (Gemma direct ou Codex distillé), 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 ».