USE OF A PANEL KNOWLEDGEABLE IN MATERIAL SCIENCE TO STUDY SENSORY PERCEPTION OF TEXTURE
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.
Notice bibliographique
Résumé
ABSTRACT This research assessed the relations between sensory and instrumental measures of the texture of solid foods when using a panel with previous knowledge of material science and fracture mechanics. Twelve commercial products varying in texture were evaluated by two panels; one panel was comprised of 11 engineering students who were familiar with material science, and a descriptive analysis panel of 15 experienced trained panelists. The engineering panel evaluated the products for attributes of hardness, stiffness, brittleness, viscoelasticity and toughness, while the descriptive panel evaluated the samples using terms generated through free choice profiling. Analysis of the data showed that texture evaluations of the products were consistent between the two panels. Certain mechanical properties such as hardness and stiffness were closely related to instrumental measures. However, other measures such as toughness were not well correlated with instrumental measures. PRACTICAL APPLICATIONS The applications of this research are twofold. First, this research shows that panelists, regardless of experience, use similar words with similar meanings during the assessment of texture of solid foods. Second, this research also more closely aligns sensory measures with material science by showing that sensory scores may be related to instrumental measures of texture in various ways. Sensory properties, such as hardness and stiffness, can be directly measured using a material science approach. Indirect relations between sensory panel scores and instrumental measurements may also exist, e.g., between crisp and crunchy. Lastly, instrumental measures may not adequately measure sensory perception of textures, particularly those related to toughness and viscoelasticity.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,000 | 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 découle