Big Data Study for Gluten-Free Foods in India and USA Using Online Reviews and Social Media
Notice bibliographique
Résumé
Celiac disease, gluten-allergy or gluten-sensitivity is caused due to glutamine protein from the grains like wheat, rye and barley (collectively called gluten). This protein damages the small intestine and causes stomach pain, bloating, weakness etc. Celiac disease, gluten-allergy or gluten-sensitivity has never really been taken seriously in developing countries like India. However, in developed nations like UK, USA, Canada and other parts of Europe, gluten-free foods have become quite popular. With a prevalence rate of about one in 100 - 133 people worldwide, celiac disease is widespread across the globe and life-long consumption of gluten-free food is recommended treatment for this allergy. Apart from celiac-disease patients, gluten-free foods are also consumed by health conscious people for weight management and high protein diet and by the patients for diabetes, autism and food allergies. Apart from gluten-free flour, biscuits, cookies and snacks, product innovations like gluten-free beers are becoming very popular. Big data including online blogs, articles, and reviews have played a major role in increased sales of gluten-free foods. Thus, analysis of editorial and social media content becomes essential to understand the leading trends in gluten-free foods. This study provided deep insights about positive, negative and neutral sentiments related to gluten-free foods using the data from Perspectory Media Insights and Google Trends. This study also revealed that most of the consumers talked and expected product innovation in food sections like snacks, fast food (pizza, pasta and noodles) and desserts through comments on social and editorial media. Searches were divided into developed (e.g., U.S.A.) and developing nations (e.g., India) to get more details about the consumer preferences. This study would help manufacturers of gluten-free foods to develop food products according to the choices and preferences of consumers. The study is very unique in itself since it combines big data to niche food market of gluten-free foods to draw the valuable consumer preferences using online platforms.
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 | 0,002 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,009 | 0,016 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».