MétaCan
Menu
Retour à la cohorte
Enregistrement W2228347103 · doi:10.1146/annurev-food-041715-033225

Development, Characterization, and Utilization of Food-Grade Polymer Oleogels

2016· review· en· W2228347103 sur OpenAlexafffund
Maya Davidovich‐Pinhas, Shai Barbut, Alejandro G. Marangoni

Notice bibliographique

RevueAnnual Review of Food Science and Technology · 2016
Typereview
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueFood Chemistry and Fat Analysis
Établissements canadiensUniversity of Guelph
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésPolymerEthyl celluloseMaterials scienceRheologySolventPolymer scienceChemical engineeringFood productsStructuringCharacterization (materials science)Organic chemistryChemistryFood scienceNanotechnologyComposite materialBusiness

Résumé

récupéré en direct d'OpenAlex

The potential of organogels (oleogels) for oil structuring has been identified and investigated extensively using different gelator-oil systems in recent years. This review provides a comprehensive summary of all oil-structuring systems found in the literature, with an emphasis on ethyl-cellulose (EC), the only direct food-grade polymer oleogelator. EC is a semicrystalline material that undergoes a thermoreversible sol-gel transition in the presence of liquid oil. This unique behavior is based on the polymer's ability to associate through physical bonds. These interactions are strongly affected by external fields such as shear and temperature, as well as by solvent chemistry, which in turn strongly affect final gel properties. Recently, EC-based oleogels have been used as a replacement for fats in foods, as heat-resistance agents in chocolate, as oil-binding agents in bakery products, and as the basis for cosmetic pastes. Understanding the characteristics of the EC oleogel is essential for the development of new applications.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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 Opus0,035
Tête enseignante GPT0,287
Écart entre enseignants0,252 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations171
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAnnual Review of Food Science and TechnologyMême sujetFood Chemistry and Fat AnalysisTravaux en français237 207