MétaCan
Menu
Retour à la cohorte
Enregistrement W2087826635 · doi:10.13031/2013.29152

Effects of Storage Temperature, Time, and Pre-Treatments on Dehulling Quality of Red Lentils

2009· article· en· W2087826635 sur OpenAlexaboutno aff
Dagmara Head, Daniella Alejo-Lucas, Heng Liu, Stefan Cenkowski, Susan D. Arntfield

Notice bibliographique

RevueASABE/CSBE North Central Intersectional Meeting · 2009
Typearticle
Langueen
DomaineEngineering
ThématiqueTree Root and Stability Studies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMoistureFood scienceWater contentTemperingCultivarChemistryAgronomyBiologyMaterials science

Résumé

récupéré en direct d'OpenAlex

Abstract: Red lentils produced in Canada undergo biochemical changes when exported to countries with different climates. This may adversely affect their end-use as chemical composition affects dehulling quality. Therefore, there is a need to develop a knowledge base on the effects of storage conditions and storage pre-treatments on dehulling quality of Canadian red lentils. In this study, effects of storage time (up to 12 months), storage temperature (5 and 25oC), and storage pre-treatments (moisture tempering, drying, cycles of freezing-thawing, and cycles of rewetting) on dehulling quality of red lentils (Redberry cultivar) were investigated. The rewetting cycles had the most deleterious effect on dehulling efficiency of lentils, evident especially after 12 months of storage. The samples subjected to freezing and thawing cycles possessed dehulling efficiency values that were most similar to those of the un-treated stored lentils at the 12 months storage period. Storage time had the most significant effect on the dehulling parameters of the pre-treated samples stored for 12 months. In most cases, storage moisture content was the second most important contributor affecting the dehulling parameters of lentils. Storage temperature had a marginal effect on dehulling efficiency of stored red lentils subjected to the moisture tempering and drying pre-treatments.

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 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: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,310
Score d'incertitude au seuil0,779

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 Opus0,008
Tête enseignante GPT0,231
Écart entre enseignants0,223 · 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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueASABE/CSBE North Central Intersectional MeetingMême sujetTree Root and Stability StudiesTravaux en français237 207