Latent Factors Shaping Early Childhood Development: Insights from a Longitudinal Study in Gauteng, South Africa

Résumé Technique : Facteurs Latents Façonnant le Développement de la Petite Enfance

Énoncé du Problème et Lacune de la Recherche
Malgré une enquête académique approfondie sur le développement de l'enfant, une lacune critique de connaissances persiste concernant l'interaction dynamique entre les facteurs latents et les programmes d'intervention dans un cadre de systèmes écologiques. La littérature existante mène souvent des investigations « cloisonnées », se concentrant sur des dimensions isolées telles que les compétences cognitives ou la régulation émotionnelle sans considérer adéquatement leur influence collective sur la trajectoire holistique d'un enfant. De plus, des contradictions existent dans la littérature concernant l'efficacité des interventions précoces ; alors que certaines études rapportent des gains substantiels, d'autres suggèrent des résultats plus nuancés. Cette étude répond à la nécessité d'une compréhension globale de la manière dont les interventions des travailleurs sociaux aux étapes clés du développement interagissent avec les facteurs latents pour façonner les résultats de vie des enfants, particulièrement dans le contexte du Gauteng, en Afrique du Sud.

Méthodologie
L'étude emploie un plan de recherche longitudinal suivant des élèves de la classe de Grade R et de l'année 1 à travers cinq écoles primaires dans le Gauteng. L'échantillon se compose de 138 participants (spécifiquement la cohorte d'enfants avec une distribution de genre équilibrée et un âge moyen de 7 ans), aux côtés de données recueillies auprès d'éducateurs, de tuteurs et de praticiens de la santé. Les données ont été collectées à trois moments via l'application « Children Wellness Development Tracking App » (CWTT), un formulaire de compte rendu électronique (eCRF) développé par l'équipe de recherche pour capturer les dimensions de l'éducation, de la nutrition, de la santé, du bien-être matériel et de la protection.

L'analyse utilise une triade de techniques statistiques avancées :

1. Analyse Factorielle Exploratoire (AFE) : Utilisée pour identifier et extraire les facteurs latents à partir d'un large éventail de variables. L'étude a employé une extraction par maximum de vraisemblance avec une rotation oblimin directe pour tenir compte des corrélations entre les facteurs.
2. Modélisation par Équations Structurelles (SEM) : Implémentée via le package R « lavaan » pour tester les relations hypothétiques parmi les facteurs latents identifiés via l'AFE. Le modèle a évalué les voies directes et indirectes entre les programmes d'intervention, les facteurs latents et le bien-être de l'enfant.
3. Modélisation de Croissance Latente (LGM) : Également réalisée via « lavaan », cette technique a modélisé les trajectoires de développement au fil du temps. Il est crucial de noter que les auteurs précisent explicitement que l'analyse LGM n'a inclus que deux des six facteurs initialement considérés — la Régulation Émotionnelle et la Sécurité et le Bien-être — afin de démontrer l'application de ces techniques statistiques, plutôt que de fournir une analyse complète de la structure à six facteurs.

Résultats Clés

• Identification des Facteurs : L'AFE a révélé une structure stable à six facteurs capturant la nature multidimensionnelle du bien-être de l'enfant : (1) Régulation Émotionnelle et Bien-être, (2) Problèmes Comportementaux et Difficultés d'Attention, (3) Facteurs Ménagers et Économiques, (4) Soutien Social et Sentiment d'Appartenance, (5) Sécurité et Bien-être, et (6) Facteurs de Santé et Médicaux.
• Résultats de la SEM sur les Prédicteurs du Bien-être : Les résultats de la SEM ont remis en question les hypothèses selon lesquelles les déterminants structurels (revenus, accès aux soins de santé) sont les principaux moteurs du bien-être. Au lieu de cela, la Régulation Émotionnelle est apparue comme le prédicteur le plus fort ($\beta = 0,61, p < ,001$), suivie de la Sécurité ($\beta = 0,35, p < ,01$). Inversement, les Facteurs de Santé et Médicaux ont montré une association faible et non significative ($\beta = 0,12, p = ,21$).
• Interactions entre Facteurs : Bien que les effets directs sur le bien-être soient forts, les estimations de régression pour les interactions entre les facteurs latents étaient largement faibles et statistiquement non significatives. Cela suggère que si chaque domaine contribue au bien-être de manière indépendante, les relations croisées entre les domaines (par exemple, entre la régulation émotionnelle et les conditions économiques) peuvent être plus faibles ou plus spécifiques au contexte que ce que les cadres théoriques anticipaient.
• Ajustement du Modèle et Variance : Le modèle SEM a démontré des indices d'ajustement global robustes (CFI = 1,000, RMSEA = 0,000). Cependant, l'analyse de la variance au niveau des construits a révélé des « cas de Heywood » (estimations de variance négligeables ou négatives) pour les facteurs Comportementaux, de Sécurité et de Santé, indiquant des limitations potentielles de mesure ou une homogénéité de l'échantillon pour ces domaines spécifiques.
• Modélisation de Croissance Latente : Dans l'analyse LGM, la Régulation Émotionnelle a présenté des intercepts de base constants avec une pente rapportée de 0,85. Les mesures des variables observées pour ce facteur ont fluctué au fil du temps (1,87 au Temps 1, 1,43 au Temps 2, et 1,77 au Temps 3). Pour la Sécurité et le Bien-être, le Modèle 4 présentait le meilleur ajustement basé sur les valeurs de Chi-deux, tandis que le Modèle 5 présentait le SRMR le plus bas (0,254). L'analyse pour la Sécurité et le Bien-être a révélé une covariance significative entre l'intercept et la pente dans le Modèle 4. Le papier rapporte que les valeurs observées pour la Sécurité et le Bien-être ont été enregistrées à 2,1, 1,68 et 0,00 respectivement au Temps 1, Temps 2 et Temps 3, indiquant une tendance à la baisse dans ces scores observés spécifiques. Cependant, l'intercept latent pour ce facteur variait de 3,674 à 4,650 à travers les modèles, et l'analyse impliquait des variances contraintes, distinguant la trajectoire latente de la baisse des scores bruts observés.

Principales Contributions
L'étude contribue au domaine en :

• Fournissant un cadre holistique qui intègre les dimensions cognitives, émotionnelles et environnementales du développement de l'enfant à travers une modélisation statistique avancée.
• Démontrant l'utilité de combiner l'AFE, la SEM et la LGM pour découvrir les structures latentes et les trajectoires de développement.
• Soulignant que la sécurité psychologique et relationnelle (régulation émotionnelle et sécurité) peut être un prédicteur plus puissant du bien-être que les ressources matérielles dans le contexte étudié.
• Offrant une démonstration méthodologique de la manière dont les interventions des travailleurs sociaux peuvent être analysées dans un cadre de systèmes écologiques.

Signification et Revendications
Les auteurs affirment que leurs résultats soulignent l'importance de déplacer l'attention des interventions, passant uniquement des dispositions structurelles (accès économique et médical) au renforcement des fondements psychologiques et relationnels de la vie des enfants. L'étude postule que la capacité d'un enfant à réguler ses émotions et à se sentir en sécurité constitue le socle du bien-être, surpassant potentiellement l'impact des provisions matérielles externes.

Cependant, l'article maintient un ton modeste concernant sa généralisabilité. Les auteurs notent explicitement que les résultats de la LGM sont spécifiques aux deux facteurs inclus dans cette analyse et ne doivent pas être généralisés à tous les facteurs initialement investigués. De plus, ils reconnaissent que les estimations de variance négatives pour certains facteurs suggèrent la nécessité d'approches de mesure plus raffinées pour les recherches futures. L'étude conclut que, bien qu'elle éclaire les dynamiques complexes du développement de l'enfant, une exploration supplémentaire des données longitudinales et des évaluations d'interventions est nécessaire pour pleinement comprendre ces construits et éclairer les politiques fondées sur des preuves.