Betaiinin penetroituminen vaalennettuun hiukseen
Bibliographic record
Abstract
Tutkimuksen tavoitteena oli selvittää, onko vaalennetussa hiuksessa vähemmän betaiinia kuin käsittelemättömässä hiuksessa. Toinen tavoite oli selvittää kasvaako betaiinin määrä tässä vaalennetussa hiuksessa kuuden viikon sampoon ja hoitoaineen käytön jälkeen. Tutkimus on tehty toimeksiantona Finnfeeds Finland Oy:lle, joka on osa suurempaa kansainvälistä Danisco -konsernia. Finnfeeds Finland Oy kehittää, valmistaa ja markkinoi maailmanlaajuisesti sokerijuurikaspohjaisista liuoksista eristettyä betaiinia muun muassa kosmetiikkateollisuuden raaka-aineeksi. \n \nTutkimuksessa käytettiin kvantitatiivista tutkimusmenetelmää. Hiusten betaiinipitoisuus analysoitiin nestekromatografista analyysitekniikkaa käyttäen. Tutkimukseen osallistui kymmenen testihenkilöä, joilla oli kaikilla puolipitkät tai pitkät, käsittelemättömät hiukset. Heiltä kerättiin hiusnäytteet lähtötilanteessa, hiusten vaalentamisen jälkeen sekä kuuden viikon betaiinipitoisen sampoon ja hoitoaineen käytön jälkeen. \n \nTutkimustulokset eivät osoittaneet väheneekö betaiinin määrä hiuksessa sitä vaalennettaessa. Tämä mitä todennäköisimmin johtuu siitä, että betaiinin määrä hiuksessa oli niin pieni sekä lähtötilanteessa että vaalennuksen jälkeen. Muutamissa tapauksissa betaiinia oli jopa enemmän vaalennuksen jälkeen kuin lähtötilanteessa. \n \nTutkimustulosten perusteella voi todeta, että hiusten betaiinipitoisuus saadaan lisääntymään betaiinipitoisia tuotteita käyttämällä.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.033 | 0.009 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".