Nutritional quality and acceptability of sweet potato–soybean–moringa composite porridge
Notice bibliographique
Résumé
Purpose – The purpose of this paper was to formulate porridge using orange-fleshed sweet potato (OFSP), soybean and moringa ingredients that optimizes its nutritional quality and acceptability. Design/methodology/approach – A 16-run constrained D-optimal mixture design was used to evaluate proximate compositions and sensory acceptability of the products. Each composition and acceptability response variable was optimized separately, and then, the sweet spot that optimizes all was determined. Findings – The protein, fiber, total ash, carbohydrate, iron and carotenoid contents as well as major sensory quality indicators were significantly affected by soybean, moringa and OFSP blends. However, the influence of the mixture on fat content was weak. Sensory acceptability was high for porridges processed from high OFSP and soybean, but higher nutritional quality was obtained from higher moringa levels. Graphical optimization showed that blends containing 68-75 per cent OFSP, 17-26 per cent soybean and 5-8 per cent moringa have produced nutrient enriched porridges with desirable sensory quality. Originality/value – The study showed that OFSP, soybean and moringa have a potential for making protein, carbohydrate, dietary fiber, pro-vitamin A carotenoids and iron enriched product that will contribute to the fight against malnutrition in developing nations such as Ethiopia. In addition, having OFSP in the blend masks undesirable odor and taste imparted by moringa.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 | 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) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».