Effects of Different Solar Drying Methods on Quality Attributes of Dried Meat Product (Kilishi)
Notice bibliographique
Résumé
<p>This study was conducted to evaluate the efficiency of four methods of sundrying kilishi after preparation. They included Direct Sundrying Method (DSM) as control, Gujarat Energy Development Agency Method (GEDAM), National Institute of Oceanography Method (NIOM) and Kwatia Drying Method (KDM) each of the methods constituted a treatment viz, A, B, C and D. Meat (Beef) weighing 640 g was purchased and used for this study. The meat was divided into 4 equal parts of 160 g per treatment. They were sliced into length between 0.17 and 0.20 cm in thickness and dried between 4 and 5 hours to reduce the moisture to at least 40% before slurry infusion. The slurry ingredient components were ground and mixed to form a paste. Semi-dried meat were immersed in the slurry for one hour and later stabilized by roasting on charcoal fire for 5 minutes and later dried out in drying media tested in this study. The yield, chemical and sensory properties of kilishi were determined. The results showed that method B gave the highest (P &lt; 0.05) yield of kilishi, chemical attributes as well as sensory properties of kilishi followed by method C. It is suggested that method B and C be developed and produced in commercial quantity for use in drying kilishi in the tropics due to their high efficiency.</p>
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 | 0,007 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».