MétaCan
Menu
Retour à la cohorte
Enregistrement W2597681380 · doi:10.1002/9781118590263.ch10

Methods for Removing Bitterness in Functional Foods and Nutraceuticals

2017· other· en· W2597681380 sur OpenAlexaff
Erin Goldberg, Jennifer Grant, Michel Aliani, Michael Eskin

Notice bibliographique

Revuenon disponible
Typeother
Langueen
DomaineNursing
ThématiqueBiochemical Analysis and Sensing Techniques
Établissements canadiensUniversity of Manitoba
Organismes subventionnairesnon disponible
Mots-clésNutraceuticalFunctional foodNovel foodHealth benefitsBitter tasteFood productsFood scienceMasking (illustration)TasteBusinessBiotechnologyMedicineTraditional medicineChemistryBiology

Résumé

récupéré en direct d'OpenAlex

Bitterness is the most complex and the least understood of the five basic tastes. Numerous compounds naturally present in food are responsible for the generation of bitter taste. Although a small amount of bitterness is considered desirable in some instances, for the majority of food products it remains unacceptable to consumers. This creates a challenge to promote health benefits of certain foods, especially functional foods where the added active ingredients are mostly bitter. Two options exist to ameliorate this problem; 1) the removal or reduction of the bitter compound(s), or 2) masking the bitterness through the addition of other ingredients. Unfortunately, both of these strategies often result in a less healthful product, therefore, care must be taken to ensure a complete functionality of the targeted compounds within functional foods. This chapter reviews recent studies that focus on reducing or masking bitterness in foods including functional foods as well as recent research related to bitter blockers.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,501
Score d'incertitude au seuil0,570

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,062
Tête enseignante GPT0,417
Écart entre enseignants0,355 · 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 tête enseignante, 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
GenreMéthodes

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

En bref

Citations6
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetBiochemical Analysis and Sensing TechniquesTravaux en français237 207