Boys and Beauty: Male Makeup Influencers in Tik Tok – A U.S. and China Comparison
Notice bibliographique
Résumé
Tik Tok, also known as Dou Yin in its Chinese version, has had a growing reputation in the social networking world since its launching in September 2016. While there are numerous content categories on Tik Tok that attract the many views and likes, beauty and skincare are within the top ten most popular content attracting billions of views. In what used-to-be female influencers dominated field, we witnessed the substantial growth of male makeup influencers with a proportion of them successfully integrated into the worldwide beauty market with high reputation and fame. The objective of this study is to analyze the differences between American and Chinese male makeup influencers as a means to reflect how they differ in aesthetic preference and social factors when creating beauty-related contents. This study employed a mixed-method with both content analyses of the Tik Tok posts as well as a structured scoring system for the appearance of the influencers. The results of the scoring are 7.1 for U.S. influencers and 7.2 for Chinese influencers. Both countries have a very similar feminine appearance with Chinese influencers resulting a slight higher scoring than U.S. influencers. The conclusion of this study rests on the fact that both American and Chinese influencers are emerging in this arena with their own definition of beauty using makeup and other beauty-related products; though they exemplified certain differences in aesthetics preference of appearance, they demonstrated a beauty revolution that is unseen before – through social media which aim to challenge how the society perceive beauty and gender presentation.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».