ADDING GRAPE SEED EXTRACT TO WINE AFFECTS ASTRINGENCY AND OTHER SENSORY ATTRIBUTES
Notice bibliographique
Résumé
ABSTRACT This research note explored the sensory and analytical effects of adding grape seed extract (GSE; 0.0, 0.5, 1.0, 2.5 and 5.0 g/L) to a commercial red wine. Total phenol, color intensity and hue analyses were conducted. Sensory profiling, using 12 trained judges, evaluated the intensity of astringency, fruity and woody/earthy aromas, and red color of the wines. Special care was taken to avoid perceptual biases among the sensory attributes, by conducting the astringent, aromatic and color determinations independently of one another. Analyses of variance were used to evaluate the sensory effects, while regression analyses were used to relate the mean sensory attributes to the GSE concentrations. Positive linear regressions were observed between GSE and astringency (R2 = 0.841), woody/earthy aroma (R2 = 0.933) and color (R2 = 0.925), while a negative linear regression was observed for fruity aroma (R2 = 0.911). The presence of GSE significantly enhanced the woody/earthy aroma and suppressed the fruity aroma. PRACTICAL APPLICATIONS This research note demonstrated that GSE not only influenced the mouthfeel of a wine, but also the color and aroma. Because the perceived sensory attributes (astringency, color, fruity and woody/earthy) are highly correlated [|0.801| ≤ R ≤ |0.982|] and dependent on the type of wine and GSE, winemakers are advised to conduct in‐house trials prior to tannin adjustments in the cellar. As demonstrated in this research note, the sensory changes can be successfully modeled using linear regression to allow winemakers to predict the change in aroma, color and astringent attributes, associated with the addition of GSE.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,002 | 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 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 ».