Le temps d’écran et les enfants d’âge préscolaire : la promotion de la santé et du développement dans un monde numérique
Bibliographic record
Abstract
Résumé La COVID-19 a transformé l’environnement médiatique familial et suscité des recherches sur les effets de l’exposition aux médias sur écran et de leur utilisation chez les jeunes enfants. La présente mise à jour d’un document de principes de la SCP publié en 2017 passe de nouveau en revue les bienfaits et les risques potentiels des médias sur écran chez les enfants de moins de cinq ans et s’attarde sur leur santé développementale, psychosociale et physique. Quatre principes reposant sur des données probantes — limiter le temps d’écran, en atténuer les effets négatifs, les utiliser en pleine conscience et donner l’exemple d’habitudes saines — continuent d’orienter l’expérience précoce des enfants dans un paysage médiatique en rapide évolution. Les connaissances sur l’apprentissage et le développement des jeunes enfants éclairent les pratiques exemplaires recommandées aux professionnels de la santé et aux professionnels de la petite enfance (p. ex., éducatrices à la petite enfance, fournisseurs de services de garde). Les conseils préventifs devraient désormais inclure l’utilisation des écrans par les enfants et les familles en contexte de pandémie (et par la suite).
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.013 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.013 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".