Hair loss treatment information on Facebook: Content analysis and comparison with other online sources
Notice bibliographique
Résumé
BACKGROUND: Facebook is the biggest online social networking platform, and it is being utilized by patients for peer support as well as to explore treatment options. Hair loss patients can experience negative psychological effects and are likely to turn to social networking platforms for support and treatment information. AIMS: To evaluate the type and quality of Facebook hair loss treatment information that can be accessed by hair loss patients. METHODS: In August 2020, we searched Google for publicly accessible Facebook hair loss treatment content using the terms hair loss, alopecia, hair loss treatment, hair restoration, and hair transplant. We retrieved 133 Facebook pages and ranked them based on the number of visitors who received regular content updates. Content posted on the Top 5 most popular pages was analyzed based on type (advertising vs informational) and information quality (unsupported or supported by medical evidence). RESULTS: Most Facebook hair loss pages advertised products or hair restoration clinics, or were aimed at fundraising for alopecia organizations. There was high interest in natural hair loss treatments and follicular unit excision (FUE) procedures, consistent with global online search trends. Some products advertised as "natural" contained minoxidil. "Before & after" images of FUE procedures were popular with users. Only 3%-13% of hair loss treatment posts were supported by medical evidence and user engagement with this content was low. CONCLUSION: There is high user interest in hair loss treatment content on Facebook. Hair restoration specialists should discuss online sources of treatment information with potential patients.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 ».