Development of Soy‐Based Bread with Acceptable Sensory Properties
Notice bibliographique
Résumé
UNLABELLED: Consumption of soy protein has been associated with benefits related to numerous areas of health. Due to the widespread consumption of bread, one means of contributing to the health of individuals is through the incorporation of soy protein into bread. To this end, soy flour (SF) or soy protein isolates (SPIs) in 20% and 12% substitution levels, respectively, were added to flour during bread manufacture. The developed breads were tested using a consumer panel for acceptability, using a refined white bread as a control. These data were compared to attribute intensity data collected by the trained panel to identify specific flavor and texture characteristics affecting liking. The sensory profile of the 20% SF bread was acceptable and comparable to the control bread, despite a significantly stronger beany flavor. No significant differences in sensory properties of the SF and control breads were detected by the trained panel for many sensory attributes. The SPI bread, however, had a sensory profile that was significantly more firm, dense, sour, beany, bitter, and astringent with a strong aftertaste in comparison to the wheat control bread. Consumer liking scores for the SPI bread was significantly lower than the liking of the control and the SF added bread. PRACTICAL APPLICATION: Many soy-enriched foods, while contributing positively to health, are considered unacceptable by consumers. This is due to negative sensory properties, such as beany, painty, and astringent notes, often perceived by consumers. This study provides information on the level of SF that can be included in bread in an amount that does not detract from consumer acceptability. This level also allows for a Food and Drug Administration (FDA) health claim to be made.
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 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 | 0,000 |
| 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».