MétaCan
Menu
Retour à la cohorte
Enregistrement W2716855437 · doi:10.5539/jfr.v6n4p83

Omega-3 Fatty Acid Oil Enhancement of a Protein-Based Recovery Beverage: Sensory Analysis with Athletes

2017· article· en· W2716855437 sur OpenAlexvenueno aff
Jessica Marie MacMartin, W. E. Buckley, David A. Cranage, Tim Bream, Peter L. Bordi

Notice bibliographique

RevueJournal of Food Research · 2017
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueMeat and Animal Product Quality
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésAftertasteTasteFood scienceSweetnessFlavorAthletesAromaFatty acidPopulationSensory systemChemistryPsychologyMedicineBiochemistryEnvironmental healthPhysical therapy

Résumé

récupéré en direct d'OpenAlex

Essential omega-3 fatty acids must be consumed through the diet to meet the body’s nutrition requirement. Daily-recommended intake of omega-3 fatty acids for adults is 270 milligrams/day. These fatty acids are commonly consumed through fish, but it is known that the United States population at large is not meeting their recommended daily intake. Supplements containing these important acids should be considered to close the gap between recommendations and actual intake. To create a product with these beneficial acids, sensory analysis was conducted to see if non-trained male and female athlete panelists could notice the difference in several key sensory characteristics (appearance, initial taste, color, sweetness, consistency, chocolate flavor, aftertaste, overall quality and overall liking) in a chocolate protein-based recovery beverage. The sensory-neutral oil was added into the beverage and athletes (n=95) were asked to taste the omega-3 and original beverage and rank each characteristic on hedonic and just-about-right scales. Color of the drink, aftertaste, overall quality and overall liking were rated significantly higher for the omega-3 added drink. Overall, the addition of the omega-3 fatty acids improved the beverage in several key attributes and can be added into the final formulation of the product.

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: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,127
Tête enseignante GPT0,342
Écart entre enseignants0,215 · 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'étudeObservationnel
Domainenon disponible
GenreEmpirique

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

En bref

Citations0
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Food ResearchMême sujetMeat and Animal Product QualityTravaux en français237 207