MétaCan
Menu
Retour à la cohorte
Enregistrement W1522502861 · doi:10.1111/j.1745-4603.2011.00300.x

OPTIMIZING THE TEXTURE ATTRIBUTES OF A FAT‐BASED SPREAD USING INSTRUMENTAL MEASUREMENTS

2011· article· en· W1522502861 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueJournal of Texture Studies · 2011
Typearticle
Langueen
DomaineNursing
ThématiqueFood composition and properties
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésResponse surface methodologyFactorial experimentPenetration (warfare)MathematicsTexture (cosmology)Food scienceMaterials scienceStatisticsComputer scienceArtificial intelligenceChemistry

Résumé

récupéré en direct d'OpenAlex

ABSTRACT Response surface methodology (RSM) was used to investigate the effects of a commercial stabilizer and hemp oil content on the texture of pumpkin seed oil press‐cake spreads, using a penetration test as part of instrumental texture profile analysis. The response variables were the most significant spread texture attributes: hardness, penetration work, elasticity and adhesiveness. Spreads were formulated according to a central composite, two factorial experimental designs on five levels. Both independent variables significantly affected the texture of the obtained spreads, which had an appearance and texture comparable to commercial peanut butter. In terms of the selected texture attributes determined by the instrumental analysis, the optimum combination of variables with 1–1.2% of added stabilizer and 20–40% of added hemp oil produced desirable spreads that mimic commercial peanut butter; however, they were not sticky. RSM helped to optimize the composition of the spreads to obtain the product with the minimum hardness, penetration work and adhesiveness with the maximum value for elasticity. PRACTICAL APPLICATIONS This paper describes how the texture attributes of a novel fat‐based spread can be predicted using instrumental measurements, specifically a penetration test, while having peanut butter as a control sample to set desired value boundaries for each texture attribute separately. The penetration test was used to predict the texture of the spreads, compared with commercial peanut butter, without conducting the expensive and time‐consuming sensory evaluation of the product. The use of the response surface methodology and mathematical models could describe and predict experimental data of the component's content and to optimize the variables that mostly affected the spreads' texture. The described process can help in designing the spreads based on the pumpkin seed oil press‐cake with optimum texture properties. This screening technique can help the food industry to select formulations when new products are developed without using sensory panels at the product designing stage.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,325
Score d'incertitude au seuil0,411

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,217
Tête enseignante GPT0,328
Écart entre enseignants0,111 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle