Determination of the Chemical Composition of Tea by Chromatographic Methods: A Review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
<p>Despite the fact that mankind has been drinking tea for more than 5000 years, its chemical composition has been studied only in recent decades. These studies are primarily carried out using chromatographic methods. This review summarizes the latest information regarding the chemical composition of different tea grades by different chromatographic methods, which has not previously been reviewed in the same scope. Over the last 40 years, the qualitative and quantitative analyses of high volatile compounds were determined by GC and GC/MS. The main components responsible for aroma of green and black tea were revealed, and the low volatile compounds basically were determined by HPLC and LC/MS methods. Most studies focusing on the determination of catechins and caffeine in various teas (green, oolong, black and pu-erh) involved HPLC analysis.</p> <p>Knowledge of tea chemical composition helps in assessing its quality on the one hand, and helps to monitor and manage its growing, processing, and storage conditions on the other. In particular, this knowledge has enabled to establish the relationships between the chemical composition of tea and its properties by identifying the tea constituents which determine its aroma and taste. Therefore, assessment of tea quality does not only rely on subjective organoleptic evaluation, but also on objective physical and chemical methods, with extra determination of tea components most beneficial to human health. With this knowledge, the nutritional value of tea may be increased, and tea quality improved by providing via optimization of the growing, processing, and storage conditions.</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.
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 | 0,008 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découle