Risk perception of personal care products: A scoping review of knowledge translation strategies in environmental health
Notice bibliographique
Résumé
Introduction: Personal care products (PCPs), including cosmetics and skincare products, have seen increased usage over the past two decades. Increasing evidence suggests that certain ingredients in PCPs pose health and environmental risks. For instance, parabens, commonly used as preservatives, are associated with increased cancer risks and reproductive toxicity among women. Despite the availability of safer alternatives, many lack the knowledge to identify harmful substances in PCPs and to seek out alternatives. Knowledge translation (KT) tools offer a solution to bridge this gap by simplifying complex information to improve risk perception. This review aimed to identify effective elements of mobile applications as KT tools focused on environmental health, to increase risk perception and promote behavior change. Methods: A comprehensive scoping review was conducted by searching various databases including PubMed, Google Scholar, Ovid Medline, and CINAHL, yielding 1092 articles. An additional 240 sources related to user-app reviews of 8 mobile apps were identified through a manual Google search. All sources underwent title and (if applicable) screening, followed by full-text review for eligibility. Results: The review included a total of 16 relevant articles, 7 websites, and 6 user app reviews. Key findings revealed 11 elements categorized into 4 main themes: toolkit accessibility and affordability, simplicity of presented information, personalization of features, and a clear focus on knowledge sharing. Conclusion: Using the elements identified in this research, future studies should focus on creating and evaluating environmental health toolkits to build capacity for effective knowledge translation that enhances environmental health awareness and health promotion.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,031 | 0,094 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,005 |
| Bibliométrie | 0,022 | 0,022 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,006 | 0,007 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».