A Meta‐Analysis of Enriched Pasta: What Are the Effects of Enrichment and Process Specifications on the Quality Attributes of Pasta?
Notice bibliographique
Résumé
Pasta products enriched with ingredients to improve their nutritional value or functionality have become increasingly popular, and substantial research efforts have been directed towards the development of new enriched pasta products. In this work, a meta-analysis was conducted to quantify the impact of enrichment and process specifications on the quality attributes of pasta. A literature search revealed 66 studies on enriched pasta. Process specifications and quality attributes, namely proximate composition, dough, drying, cooking, and mechanical properties, color, and sensory attributes, were extracted from the studies and compiled in a data set. Analysis of the data set revealed significant differences between pasta enriched with high-fiber ingredients and pasta enriched with pulse flour. High-fiber ingredients generally preserved the quality attributes of pasta more effectively than pulse flour. Comparisons based on the drying temperature showed that high drying temperatures generally improve the cooking properties of enriched pasta. Sensory evaluations indicated that enrichment levels below 10% generally do not affect consumer acceptance, but higher enrichment levels significantly decrease it. Pearson correlation coefficients showed that the gelatinization temperature and Farinograph properties are useful indicators of the mechanical properties and sensory attributes of pasta. The meta-analysis revealed the need to better understand the impact of the processing history of the enrichment ingredient on the quality attributes and the health benefits of enriched pasta.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».