Determining the accuracy of colorimetric pH testing compared to potentiometric methods
Notice bibliographique
Résumé
Background: Bacterial growth in foods can be prevented by applying various controls to the food product, including adjusting the acidity of the food. Research has indicated that a pH level of 4.6 or lower will be effective to prevent most bacterial growth. In order to verify this level has been achieved pH test strips (colorimetric) or a digital calibrated pH meter (potentiometric) can be used. This study attempted to quantify the degree of accuracy that pH test strips have compared to the calibrated pH meter. Method: MColorpHastTM pH indicator strips with a pH range of 0-14 were tested against a calibrated Extech pH100 meter. In this study 40 samples of rice were acidified to varying levels. Each sample was measured with both colorimetric and potentiometric method. Results were compared to determine the level of accuracy of the pH test strips. As well, test strips were used to measure pH in a variety of different coloured preserves. Results: A two-tailed test showed that there was a statistically significant difference between the readings from the pH test strips and the digital pH meter (P=0.0003). Conclusion: Based on the results, it can be concluded that both methods of measurement are not equally accurate. A calibrated pH meter will give more accurate readings of pH levels and should be used in most cases to confirm food safety with a high degree of confidence. In testing dark coloured jellies and preserves, pH test strips should not be relied on as they will be stained by the food, making the colorimetric reading difficult to determine accurately.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».