MétaCan
Menu
Retour à la cohorte
Enregistrement W2091475102 · doi:10.1080/10408398.2010.542511

Modifying Bitterness in Functional Food Systems

2013· review· en· W2091475102 sur OpenAlexafffund
Nicole J. Gaudette, Gary J. Pickering

Notice bibliographique

RevueCritical Reviews in Food Science and Nutrition · 2013
Typereview
Langueen
DomaineNursing
ThématiqueBiochemical Analysis and Sensing Techniques
Établissements canadiensBrock University
Organismes subventionnairesOntario Ministry of Agriculture, Food and Rural Affairs
Mots-clésFunctional foodTasteFood industryIngredientFood productsFood scienceFood sectorBitter tasteNovel foodBusinessChemistryBiology

Résumé

récupéré en direct d'OpenAlex

The functional foods sector represents a significant and growing portion of the food industry, yet formulation of these products often involves the use of ingredients that elicit less than desirable oral sensations, including bitterness. Promising new functional ingredients, including polyphenolics, may be more widely and readily employed in the creation of novel functional foods if their aversive bitter taste can be significantly reduced. A number of approaches are used by the industry to improve the taste properties and thus the acceptance of conventional foods that elicit excessive bitterness. This article reviews the most commonly employed techniques, including the use of bitter-modifying additives, which may prove useful for successfully introducing new functional ingredients into this rapidly growing sector.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,002

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 Opus0,181
Tête enseignante GPT0,388
Écart entre enseignants0,207 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

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

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

En bref

Citations86
Publié2013
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueCritical Reviews in Food Science and NutritionMême sujetBiochemical Analysis and Sensing TechniquesTravaux en français237 207