Hair loss treatment and restoration: Online interest trends and video‐based social media content
Notice bibliographique
Résumé
BACKGROUND: Public interest in hair loss topics and treatments can be observed by examining online trends, such as those monitored by Google Trends. Social media has also gained the interest of the dermatology community. Video-based social media sites are being used to provide the public with informational content related to hair loss and treatments, but it may not always be unbiased or reliable. AIMS: This research examined the interest in hair loss and treatment related trends in recent years through Google Trends, as well as examined what videos from YouTube and TikTok that the average person may encounter when performing searches related to hair loss and treatments. RESULTS: Google Trends showed that the COVID-19 pandemic had an initial negative impact on interests of hair loss and treatment related topics, both worldwide and in the United States. External events, such as a celebrity receiving a hair transplant, can influence the interests of the general public with the topic. The social media sites showed that there was a high level of interest in the topics, approximately 25% of videos involved a medical professional, and many involved personal experiences or natural remedies. CONCLUSIONS: Interest in hair loss and treatments continues to grow. Clinicians should do their best to follow the current public interests and be aware of where patients may be obtaining information. Being aware of general interest trends online can benefit clinicians by allowing them to prepare their clinics for potential influxes.
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 | 0,001 |
| 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 | 0,001 | 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 ».