MétaCan
Menu
Retour à la cohorte
Enregistrement W2139371829 · doi:10.1111/ijfs.12176

Experiments on dough rheology to improve screening of bread wheat cultivars

2013· article· en· W2139371829 sur OpenAlexaff
Pierre Gélinas, Carole McKinnon

Notice bibliographique

RevueInternational Journal of Food Science & Technology · 2013
Typearticle
Langueen
DomaineNursing
ThématiqueFood composition and properties
Établissements canadiensAgriculture and Agri-Food Canada
Organismes subventionnairesnon disponible
Mots-clésFarinographAscorbic acidFood scienceRheologyPreservativeBread makingWheat flourMixing (physics)ChemistryMathematicsMaterials scienceComposite material

Résumé

récupéré en direct d'OpenAlex

Summary The bread‐making potential of flour may be roughly estimated by dough rheology, especially its tolerance to over‐mixing as determined with the farinograph. The objective of this study was to identify the relative effects of experimental conditions likely to affect dough mixing stability: mixer speed, temperature, salt, yeast and bread additives such as ascorbic acid and preservatives. The addition of 1–2% salt or ascorbic acid (50 mg kg −1 flour) improved dough mixing stability and counteracted the negative effect of bread preservatives. Mixing salted dough at slow speed (63 rpm) and 25 °C might be a more realistic bread‐making procedure for performing dough rheology assays with equipment such as the farinograph, compared to official methods (only flour and water, no salt; 30 °C). Amongst five bread wheat cultivars, differences existed in dough strengthening response to both salt and ascorbic acid, a property that may find application in wheat breeding and screening.

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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,097
Score d'incertitude au seuil0,357

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0010,000
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 Opus0,024
Tête enseignante GPT0,313
Écart entre enseignants0,288 · 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

Citations10
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Food Science & TechnologyMême sujetFood composition and propertiesTravaux en français237 207