MétaCan
Menu
Retour à la cohorte
Enregistrement W3015701520 · doi:10.2196/18295

Consumer Preference of Products for the Prevention and Treatment of Stretch Marks: Systematic Product Search

2020· article· en· W3015701520 sur OpenAlex
Pengyi Zhu, Andrew Fung, Benjamin K.P. Woo

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

venuePublié dans une revue dont le pays d'attache est le Canada.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevueJMIR Dermatology · 2020
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueBee Products Chemical Analysis
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésProduct (mathematics)PreferenceIngredientAdvertisingMarketingBusinessFood scienceMathematicsStatisticsChemistry

Résumé

récupéré en direct d'OpenAlex

Background Striae distensae, or stretch marks, are a common and distressing condition affecting females two-and-a-half times more frequently than males. Despite the numerous products available for stretch mark prevention and treatment, there have been few studies that consider consumer product preference. Objective The aim of this study was to determine which products were preferred by consumers for the prevention and treatment of stretch marks based on product vehicle and product ingredients. Methods In January 2020, a search was conducted on internet retailer Amazon for products related to stretch marks. The top products were identified as those with 100 reviews or greater and a rating of 4 or higher. The products were classified as either stretch mark–specific or non stretch mark–specific. Price, rating, type of vehicle, and specific ingredients of both product groups were compared. Vehicle-type and ingredients in both product groups were compared with two-tailed two-sample proportion tests to determine if certain vehicles or ingredients were more likely to be found in stretch mark–specific products. P<.05 indicated statistical significance. Results Out of over 10,000 products, 184 were selected as the top products according to the review and rating criteria of which 117 (63.6%) were stretch mark–specific and 67 (36.4%) were non stretch mark–specific. Oil was the most common vehicle (131/184, 71.2%) while vitamin E was the most common ingredient (58/184, 31.5%). Oil, as a vehicle, was more likely to be found in stretch mark–specific products than in non stretch mark–specific products (P=.001). Olive oil (P=.02) and cocoa butter (P=.08), Centella asiatica (P=.01), and shea butter (P=.003) were the ingredients more likely to be found in stretch mark–specific products than in non stretch mark–specific products. Conclusions This study demonstrated that there are many products available for the prevention and treatment of stretch marks and identified specific ingredients in the products preferred by customers. There are few studies investigating the effectiveness of the major ingredients in the stretch mark products that are preferred by consumers. Future studies can focus on the effectiveness of the ingredients found in the products that are preferred by consumers.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,044
Score d'incertitude au seuil0,117

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,079
Tête enseignante GPT0,270
Écart entre enseignants0,192 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle