Development and Testing of Gluten-Free Pasta Based on Rice, Quinoa and Amaranth Flours
Notice bibliographique
Résumé
The goal of this study was to make high quality gluten-free pasta using amaranth, quinoa and rice flours, water and eggs using extrusion processing, and to compare these with gluten-free pasta already commercialized. The difficulty was to reproduce the texture provided by the gluten network without using gluten. To do that, an experimental design was created in order to make samples with different quantities of each grain, egg whites and water. Samples were manufactured and various tests (e.g., color analysis, water activity, cooking loss, texture, etc.) were carried out in order to find the best formulation, namely the formulation which was closest to Barilla or Andean dream gluten-free commercial pasta. With Rcommander software, results were analyzed and it was determined that the best pasta formulation was 10% amaranth flour, 40% quinoa flour, and 50% rice flour, with 18% eggs whites and 39% water. This optimal formulation was manufactured and subjected to sensory analysis with other commercial samples (Barilla, Andean Dream). Statistical analyses were conducted and it was shown that, even though this formulation did not quite achieve Barilla or Andean Dream pastas quality, it approached closely in some parameters. Indeed, 80% of consumers did not refuse to eat this pasta again, and with addition of tomato sauce, no differences were seen between the spaghettis. However, individual sample analysis did indicate that consumers did not appreciate the formulation’s sticky texture, thus this parameter would have to be reworked to achieve higher quality.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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) | 0,000 | 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 ».