Variation in orosensation and liking of sampled foods with thermal tasting phenotype
Notice bibliographique
Résumé
Flavour is a key driver of liking, purchase behaviour and consumption of food and beverages. Determining how individuals differ in their perception of flavour is important to fully understanding dietary choices and habitual diet-related health outcomes. Thermal tasting—the capacity to experience a phantom taste when small areas of the tongue are rapidly heated or cooled—associates with greater orosensory acuity for tastants in aqueous solutions. This study sought to extend this finding and establish whether thermal-taster status also associates with the perceived intensities of oral sensations elicited by sampled food. Twenty-five thermal tasters (TTs) and 19 thermal non-tasters (TnTs) scored liking (generalized degree of liking scale) and the intensity (generalized visual analogue scale) of the dominant orosensations elicited by 20 food and beverage items in duplicate using a randomized complete block design. Multiple analysis of variance (MANOVA) showed that overall, TTs rated the intensity of orosensory food groups higher than did TnTs, although this was significant only for foods that were predominantly bitter-eliciting (ANOVA). Overall liking scores approached significance (MANOVA) but differed between TTs and TnTs only for the grainy orosensory food grouping (ANOVA). These findings are discussed in the context of diet-related health outcomes and directions for further research concerned with taste phenotypes, flavour perception and consumption behaviours.
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 | 0,001 |
| 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) | 0,002 | 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 ».