MétaCan
Menu
Retour à la cohorte
Enregistrement W2111277301 · doi:10.5539/jas.v7n12p120

Effect of Nitrite Substitution with Olive Leaves Extract on Color and Sensory Properties of Beef Mortadella

2015· article· en· W2111277301 sur OpenAlexvenueno aff
Khalid Al Marazzeq, M.S.Y. Haddadin, Basem Al Abdullah, Malak Angor

Notice bibliographique

RevueJournal of Agricultural Science · 2015
Typearticle
Langueen
DomaineChemistry
ThématiqueEdible Oils Quality and Analysis
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésNitriteSodium nitriteChemistryFood scienceTendernessLightnessFlavorNitrate

Résumé

récupéré en direct d'OpenAlex

<p>Six mortadella treatments were prepared for studying the effect of olive leaf extract (OLE) at a level of 240 mg OLE/100 g meat as nitrite alternative on the color and sensory characteristics. These treatments were: control with the addition of 120 ppm sodium nitrite only, and the second one with the addition of 240 mg OLE/100 g meat but without the addition of sodium nitrite as a negative control, the other four treatments were combination of 240 mg OLE/100 g meat with 80, 60, 40 and 20 ppm sodium nitrite, respectively. All samples were stored at 5 °C for 1, 3, 6, 9, and 12 weeks.<strong></strong></p><p>There were no significance differences (P > 0.05) between all mortadella treatments regarding their proximate parameters.<strong> </strong>Hunter lightness (<em>L</em>), redness (<em>a</em>), and yellowness (<em>b</em>) color, and sensory attributes including the appearance, color, tenderness, juiciness, flavor, and overall acceptability showed that 80 and 60 ppm nitrite in combination with OLE at 240 mg/100 g meat had the best results in comparison with the other four treatments indicating an additive combined effect of the OLE with nitrite that enhanced mortadella characteristics.</p><p>These results revealed the ability to substitute 50% of the used nitrite in mortadella stored at 5 °C when using combinations of 60 ppm nitrite with 240 mg OLE/100 g meat.</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 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)0,001
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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,199

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
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 Opus0,029
Tête enseignante GPT0,261
Écart entre enseignants0,232 · 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'étudeExpérimental (laboratoire)
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

Citations11
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Agricultural ScienceMême sujetEdible Oils Quality and AnalysisTravaux en français237 207