Online comment‐based prediction of cosmetic ingredient's sensory irritation using gradient boosting algorithm
Notice bibliographique
Résumé
BACKGROUND: The worldwide prevalence of "sensitive skin" group is estimated at being close to 40%. The main trigger for sensitive skin is the misuse of cosmetics products. Majority of the in vitro studies on cosmetic ingredients developed for topical application to the skin are not able to describe sensory irritation, such as stinging, burning, itching, and tingling. Besides, most of the in vivo tests often encounter problems such as limited number of subjects and usage scenarios deviate from reality. OBJECTIVE: A gradient boosting algorithm is adopted in our context to integrate multisource of information including skin types, sensory response, and cosmetics ingredients to predict sensory irritation. METHOD: In this study, online comments were preprocessed to construct a multi-dimensional structured data including skin types, sensory response, and cosmetics ingredients. A gradient boosting regression model was developed where sensory response was predicted based on the abovementioned structured input. The predictions were validated by in vivo test and were shown favorably when comparing with the state-of-the-art results from related works. RESULT: ). In addition, this model was validated using data from in vivo studies and presented a value of 75% on specificity, 88.9% on sensitivity, and 82.4% on accuracy. CONCLUSION: Our approach that is based on a variant of the gradient boosting algorithm provided an adequate solution for understanding the sensory irritation of cosmetic ingredients.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 ».