A cross-validated prevalence dataset of 87 cosmetic active ingredients from four public sources
تقدم هذه الورقة مجموعة بيانات تم التحقق من صحتها عبر التحقق المتقاطع لـ 87 مكوناً نشطاً تجميلياً مستمدة من أربعة مصادر عامة متنوعة، وتتميز بوجود أنطولوجيا مطابقة قائمة على القواعد عالية الدقة، وتُظهر توافقاً قوياً عبر القنوات لدعم الأبحاث القابلة للتكرار حول هياكل التركيبات التجميلية والتواجد المشترك للمكونات.
تخيل أنك تدخل مكتبة عملاقة وفوضوية، حيث كل كتاب فيها هو عبارة عن زجاجة كريم للوجه، أو شامبو، أو أحمر شفاه. في هذه المكتبة، تُنظم الرفوف وفق قواعد مختلفة: قسم مليء بالكتب التي كتبها معجبون متحمسون دونوا فيها كل مكون استطاعوا العثور عليه؛ وقسم آخر عبارة عن متجر راقٍ لا يُعرض فيه سوى الكتب "النظيفة" و"الفاخرة"؛ وقسم ثالث عبارة عن مستودع ضخم يسرد كل شيء من المتاجر المخفضة إلى عمالقة البيع عبر الإنترنت؛ وقسم رابع عبارة عن خزانة ملفات حكومية صارمة لا تسرد سوى المواد الكيميائية المعروفة بأنها قد تكون خطيرة. لسنوات، اضطر العلماء الذين يحاولون فهم ما يوجد حقاً داخل منتجات التجميل الخاصة بنا إلى اختيار قسم واحد فقط من هذه المكتبة والتخمين بأنه يمثل العالم بأكره. ولكن ماذا لو كان قسم المعجبين مليئاً بوصفات غريبة ومتخصصة، بينما يخفي قسم المتجر الراقي الأشياء الشائعة؟ لكي نحصل على صورة حقيقية لـ "الوصفة الكونية" للجمال، نحتاج إلى مراجعة جميع هذه الأقسام المختلفة للتأكد مما إذا كانت تروي القصة نفسها. هذا هو تحدي دراسة مكونات مستحضرات التجميل: معرفة أي المكونات هي أساسيات عالمية حقاً وأيها مجرد توجهات محلية، دون أن نقع في فخ حقيقة أن بعض الكتب قد تكون نُسخت من رف إلى آخر.
هذه الورقة البحثية تشبه المحقق البارع الذي قرر فتح جميع أقسام تلك المكتبة الأربعة في وقت واحد ومقارنة محتوياتها. لم يكتفِ المؤلف، ليجيان وانغ، بالتخمين؛ بل بنى ماسحاً آلياً ذكياً يعتمد على القواعد (يسمى "المطابق" أو "Matcher") يمكنه قراءة قوائم المكونات من هذه المصادر الأربعة المختلفة تماماً وترجمتها إلى لغة مشتركة. لقد ركزوا على 87 مكوناً "نشطاً" محدداً — وهي العناصر المؤثرة القوية مثل المرطبات، ومضادات الشيخوخة، والمواد الحافظة — التي تظهر في المنتجات الأكثر شعبية. تم اختبار الروبوت على 50 منتجاً حقيقياً وأصاب في كل مرة تقريباً، بدقة بلغت 100% واستدعاء بلغ 99.6% تقريباً، مما يعني أنه نادراً ما أغفل مكوناً حقيقياً ولم يتهم منتجاً بامتلاك مكون بشكل خاطً.
ما هو الاكتشاف الكبير؟ عندما قارن المؤلف ترتيبات هذه المكونات الـ 87 عبر المكتبات المختلفة، كانت النتائج متسقة بشكل مثير للدهشة. فعلى الرغم من أن "مكتبة المعجبين" (Open Beauty Facts) و"المكتبة الراقية" (Sephora) تمتلكان أجواءً مختلفة وزبائن مختلفين، إلا أنهما تتفقان على المكونات الأكثر شعبية. تُظهر الرياضيات وجود صلة قوية بينهما، مما يثبت أن شعبية مكونات مثل الجلسرين أو حمض الهيالورونيك ليست مجرد صدفة ناتجة عن متجر أو بلد معين؛ بل هي نمط عالمي حقيقي. كما قام المؤلف بحيلة ذكية للتأكد من أن هذا الاتفاق ليس ناتجاً فقط عن كون بعض المنتجات مدرجة في كل من قسم المتجر الراقي وقسم المستودع؛ حيث قام بإزالة المنتجات المشتركة وأصبح الاتفاق في الواقع أكثر قوة، مما يؤكد أن الإشارة حقيقية.
ومع ذلك، ترسم الورقة البحثية خطاً فاصلاً وحاداً في الرمال. فعندما قارنوا قوائم منتجات التجميل هذه مقابل "قائمة الخطر" الحكومية الصارمة (برنامج كاليفورنيا لمستحضرات التجمب الآمنة)، تلاشى الاتفاق. فالقائمة الحكومية تهتم فقط بعدد قليل من المواد الكيميائية المحددة، وليس لديها أدنى فكرة عما يستخدمه عالم التجميل بالفعل. وهذا النقص في الاتفاق هو في الواقع أمر جيد — فهو يثبت أن الروبوت لا يتخيل روابط حيث لا توجد روابط. كما ألقى البحث نظرة على المستقبل من خلال مراقبة كيفية تغير شعبية المكونات على مدار العقد الماضي. ووجد أن بعض المكونات، مثل حمض الهيالورونيك، تتسلق القوائم، بينما تتلاشى أخرى، مثل بعض أنواع السلفات. لكن المؤلف يشير بحذر إلى أن بعض هذه التوجهات، وتحديداً بالنسبة للنياسيناميد والفينوكسي إيثانول، قد تكون مهزوزة بعض الشيء لأنها متأثرة بشدة ببيانات السنوات الأخيرة فقط، لذا يجب أن نتعامل مع تلك التوجهات المحددة كإشارات مثيرة للاهتمام بدلاً من حقائق مطلقة.
في النهاية، هذه الورقة لا تعطيك مجرد قائمة من المكونات؛ بل تعطيك خريطة موثقة ومراجعة لعالم مستحضرات التجميل. إنها تثبت أنه يمكننا الوثوق بفهمنا لما يدخل في منتجاتنا، حتى عندما ننظر إليها من زوايد مختلفة، طالما أن لدينا الأدوات الصحيحة لترجمة البيانات. إنها أساس متين لأي شخص يريد فهم العلم وراء الزجاجة، وتُظهر أنه بينما عالم الجمال واسع ومتنوع، فإن الوصفات الأساسية متشابهة أكثر مما قد نعتقد.
ملخص تقني: مجموعة بيانات انتشار المكونات النشطة في مستحضرات التجميل (87 مكوناً) والمتحقق من صحتها عبر المقارنة المتقاطعة
بيان المشكلة اعتمدت الدراسات التاريخية حول التواجد المشترك لمكونات مستحضرات التجمில وتطور التركيبات على مصادر بيانات منفردة، وغالباً ما تكون منحازة (مثل مكتبة واحدة تعتمد على التعهيد الجماعي أو كتالوج لتاجر تجزئة واحد). ويخلق هذا الاعتماد عائقين أساسيين: (1) لا يمكن افتراض أن تصنيفات الانتشار المستمدة من مجتمع واحد يمكن تعميمها عبر الجغرافيات أو قنوات البيع بالتجزئة؛ و(2) بدون تكرار مستقل، يستح مستحيلاً التمييز بين الأنماط الحقيقية للتركيبات وبين الضجيج أو التداخل غير المقصود في مجموعات البيانات. تستخدم الأعمال الحالية في علوم الأغذية والطب التقليدي منطق التواجد المشترك، لكنها تظل محصورة في نطاقات محددة أو قوائم غير تابعة للمصطلحات الدولية القياسية لتكوين مستحضرات التجميل (INCI)، بينما تعتمد نهج الذكاء الاصطناعي وتعلم الآلة الحديثة على مجموعات بيانات مملوكة لا تتحقق من إمكانية تعميم التصنيفات عبر المجموعات السكانية المختلفة.
المنهجية تعمل هذه الدراسة على بناء مورد تجريبي قابل لإعادة الاستخدام ومتحقق من صحته عبر المقارنة المتقاطعة، وذلك من خلال دمج أربع مجموعات بيانات عامة تمثل "نيشات إيكولوجية" متميزة ورقابة سلبية تنظيمية:
مجموعة بيانات التعهيد الجماعي المائلة للاتحاد الأوروبي: (Open Beauty Facts - OBF، عدد المنتجات = 19,045).
نيش تجزئة أمريكا الشمالية:
كتالوج المنتجات الفاخرة: (Sephora، عدد المنتجات = 1,472).
كتالوج التجارة الإلكترونية متعدد المنصات: مجمع من (Ulta، Sephora، Amazon، وFlipkart) (عدد المنتجات = 6,600 منتج مع نصوص INCI).
الرقابة السلبية التنظيمية: برنامج كاليفورنيا لسلامة مستحضرات التجميل (CDPH، عدد السجلات على مستوى المنتج = 34,502)، والذي يعلن فقط عن المواد الكيميائية المحظورة بدلاً من التركيبات الكاملة.
معالجة البيانات والأنطولوجيا (علم التصنيف)
أنطولوجيا الـ 87 مفهوماً: قاموس منسق يربط 87 مفهوماً وظيفياً (مثل المرطبات، المفتحات، المواد الحافظة) بأسماء مستعارة من نوع INCI، والأسماء الشائعة، والأسماء اللاتينية. تم تحديد حدود الأنطولوجيا لضمان إمكانية تأليف وتدقيق كل نمط يدوياً.
خط معالجة المطابقة: يطبق نظام مطابقة قائم على القواعد (matchIngredientList) عملية تطبيع نصي (إزالة علامات التشكيل NFD، وتعبيرات نمطية للحدود) وقوائم استبعاد (مثل منع كلمة "alcohol" من المطابقة مع "benzyl alcohol") لتمييز وجود المفهوم.
إطار التحقق من الصحة:
المعيار الذهبي: تم إجراء ترميز يدوي لعينة عشوائية طبقية مكونة من 50 منتجاً. حقق نظام المطابقة دقة (Precision) بلغت 1.00 واستدعاء (Recall) بلغ 0.996 (F1 = 0.998) بعد إصلاح ثلاثة عيوب محددة (الإيجابيات الكاذبة على السلاسل الفرعية، والسلبيات الكاذبة بسبب مشكلات الفواصل، وأخطاء الحدود).
فحص التغطية: أكدت عينة تكميلية مستهدفة مكونة من 15 منتجاً أن جميع المفاهيم الـ 86 الموجودة في مجموعات البيانات قد تم تمييزها بشكل صحيح.
النهج الإحصائي: يتم قياس الاتفاق بين المصادر عبر المقارنة المتقاطعة باستخدام ارتباط سبيرمان (Spearman rank correlation) على ناقلات الانتشار. تعطي الدراسة الأولوية لـ "فلتر المشترك" (المفاهيم التي تزيد نسبة انتشارها عن 2% في مصدر واحد على الأقل) لتجنب التضخم الناتج عن الأصفار المشتركة، مع تقديم معاملات الـ 87 مفهوماً كاملة كحد أقصى. يتم تحديد الدلالة الإحصائية عبر اختبارات التبديل (2,000 تكرار) بدلاً من التوزيعات التقاربية.
النتائج الرئيسية
الاتفاق بين المصادر: لوحظ اتفاق قوي في التصنيف بين مصادر التركيبات الثلاثة. تحت "فلتر المشترك"، كانت معاملات ارتباط سبيرمان (ρ):
OBF × Sephora: 0.56
OBF × E-commerce: 0.65
Sephora × E-commerce: 0.81
فحص المتانة: أدى حذف 2,731 منتجاً مشتركاً بين Sephora وكتالوج التجارة الإلكترونية إلى رفع ارتباط Sephora × E-commerce إلى 0.92، مما يؤكد أن الاتفاق ليس ناتجاً عن تداخل البيانات.
التحقق من الرقابة السلبية: أظهر سجل CDPH ارتباطاً ضئيلاً مع مصادر التركيبة (تراوح ρ بين -0.03 و 0.13)، مما يؤكد أن خط المعالجة لا يصنع اتفاقات زائفة مع النماذج التنظيمية غير ذات الصلة.
أنماط الانتشار: أظهرت المكونات ذات الانتشار العالي (مثل الجلسرين، التوكوفيرول، الفينوكسي إيثانول) تصنيفات متسقة عبر المصادر. وتظهر الاختلافات الملحوظة، مثل انخفاض انتشار SLES في القنوات الفاخرة (Sephora: 0.9%) مقابل البيانات المستمدة من التعهيد الجماعي (OBF: 14.9%)، عن تموضع خاص بكل قناة وليس عن خطأ في البيانات.
الاتجاهات الزمنية (استكشافية): أشار تحليل سنوات استيعاب OBF (2016–2026) إلى اتجاهات صعودية كبيرة لحمض الهيالورونيك والنياسيناميد، واتجاهات هبوطية لـ SLES والدايميثيكون. ومع ذلك، كشف تحليل الحساسية المقتصر على الفترة 2016–2023 أن الاتجاهات الخاصة بالنياسيناميد والفينوكسي إيثانول مدفوعة إلى حد كبير ببيانات 2024–2026 الجزئية، مما يجعلها مجرد مؤشرات وليست حقائق ثابتة.
الأهمية والادعاءات تؤكد الورقة صراحةً أنها لم تقم بجمع بيانات خام جديدة أو اقتراح طرق إحصائية جديدة. بدلاً من ذلك، فإن مساهمتها هي مورد تجريبي جديد، مفتوح الترخيص، ومتحقق من صحته عبر المقارنة المتقاطعة، مما يجعل المستودعات العامة المتباينة قابلة للمقارنة.
تكمن الأهمية في طبقة التعيين المتحقق من صحتها (الأنطولوجيا وخط المعالجة) والتي تتيح:
دليل التعميم: إثبات أن تصنيفات المكونات الوظيفية تتعمم عبر النيشات الإيكولوجية المتميزة (التعهيد الجماعي في الاتحاد الأوروبي مقابل تجارة التجزئة في أمريكا الشمالية).
تقليل الضجيج: إثبات أن الاتفاقات الملحوظة ليست ناتجة عن تداخل مجموعات البيانات أو ضجيج المصدر الواحد، وهو ما تم التحقق منه عبر الرقابة السلبية وفحوصات المتانة.
قابلية التكرار: توفير خط معالجة كامل وقابل للتدقيق (السكربتات، عينات المعيار الذهبي، والإحصاءات) مما يسمح للباحثين المستقبليين بتطبيق نفس أنطولوجيا الـ 87 مفهوماً على مجموعات بيانات جديدة.
يؤكد المؤلف أن مجموعة البيانات تدعم الأبحاث القابلة للتكرار حول التواجد المشترك لمكونات مستحضرات التجميل وبنية التركيبات، لكنه يحذر من أن مستويات الانتشار المطلقة ليست قابلة للمقارنة مباشرة عبر المصادر بسبب اختلاف أنظمة الإعلان؛ بل إن ترتيب الأولويات هو القابل للمقارنة فقط.