Natural Is Not Always Better: The Prevalence of Allergenic Ingredients in “Clean” Beauty Products
Notice bibliographique
Résumé
BACKGROUND: Consumers seek "clean" and "natural" products based on their perception of safety. However, there is no standard, scientific basis, or regulatory oversight in the marketing or ingredient use for "clean" products. OBJECTIVE: The aim of this study was to determine the prevalence of allergenic ingredients in "clean" products. METHODS: Target and Walgreens Web sites were queried for "clean" products with inclusion of 1470 products. Ingredient lists were analyzed for potential allergens. Analysis included descriptive statistics and χ2 test. RESULTS: The most common allergens were fragrances/botanicals (1218/1470, 82.9%), phenoxyethanol (591/1470, 40.2%), tocopherol (545/1470, 40.2%), benzoic acid and benzoates (434/1470, 29.5%), propylene glycol (369/1470, 25.1%), alkyl glucosides (305/1470, 20.7%), ethylhexylglycerin (304/1470, 20.7%), cetyl alcohol (282/1470, 19.2%), cocamidopropyl betaine (258/1470, 17.6%), and benzyl alcohol (232/1470, 15.8%). Among fragrances/botanicals, the most common ingredients found were fragrance/perfume/aroma (911/1470, 68.2%), citrus derivatives (375/1470, 25.5%), linalool (305/1470, 20.7%), limonene (279/1470, 19.0%), and benzyl alcohol (231/1470, 15.7%). A total of 93.8% of the products (1379/1470) contained at least 1 potential allergen. CONCLUSIONS: Most "clean" products contain a potential allergen, predominately fragrances and botanicals.
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) | 0,001 | 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 ».