Pea, Lentil and Chickpea Protein Application in Bread Making
Notice bibliographique
Résumé
The objective of the present study was to determine if wheat flour could be successfully substituted with lentil, pea, and chickpea (pulses) proteins in bread making and to study the characteristics of the breads produced. Results of the study showed that addition of pulse proteins affected bread mass volume, color and hardness. The highest bread mass volume (4.27 ± 0.07 mL/g) was obtained with the control (unsupplemented) bread. Mass volumes decreased at the 3% supplementation level for all supplemented breads and no significant differences (P>0.05) were observed between the pulse proteins. At the 6% and 9% supplementation levels, significant differences were observed between the mass volumes of the breads. Chickpea protein gave the highest mass volume at both the 6% and 9% supplementation levels (3.72 ± 0.21 and 3.84 ± 0.27 mL/g, respectively) followed by lentil protein (3.43 ± 0.19 and 3.43 ± 0.07 mL/g, respectively). Breads supplemented with pea protein generally had the lowest mass volume. Bread crumb and white became darker as supplementation level was increased and in the lentil supplemented bread, a greener color appeared at the 6% and 9% supplementation levels. Hardness of the bread white for all supplemented samples was close to the control at the 3% supplementation level but significantly increased at the 9% supplementation level. Overall, pea proteins had the most significant effect on bread hardness and mass volume whereas chickpea protein concentrate showed the greatest potential for use as an ingredient in bread making.
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 | 0,002 | 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 | 0,001 |
| 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 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 ».