Notice bibliographique
Résumé
Taste phenotypes have long been studied in relation to alcohol intake, dependence, and family history, with contradictory findings. However, on balance - with appropriate caveats about populations tested, outcomes measured and psychophysical methods used - an association between variation in taste responsiveness and some alcohol behaviors is supported. Recent work suggests super-tasting (operationalized via propylthiouracil (PROP) bitterness) not only associates with heightened response but also with more acute discrimination between stimuli. Here, we explore relationships between food and beverage adventurousness and taste phenotype. A convenience sample of wine drinkers (n=330) were recruited in Ontario and phenotyped for PROP bitterness via filter paper disk. They also filled out a short questionnaire regarding willingness to try new foods, alcoholic beverages and wines as well as level of wine involvement, which was used to classify them as a wine expert (n=110) or wine consumer (n=220). In univariate logisitic models, food adventurousness predicted trying new wines and beverages but not expertise. Likewise, wine expertise predicted willingness to try new wines and beverages but not foods. In separate multivariate logistic models, willingness to try new wines and beverages was predicted by expertise and food adventurousness but not PROP. However, mean PROP bitterness was higher among wine experts than wine consumers, and the conditional distribution functions differed between experts and consumers. In contrast, PROP means and distributions did not differ with food adventurousness. These data suggest individuals may self-select for specific professions based on sensory ability (i.e., an active gene-environment correlation) but phenotype does not explain willingness to try new stimuli.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».