Can Cold Brew Coffee Be Convenient? A Pilot Study For Caffeine Content in Cold Brew Coffee Concentrate Using High Performance Liquid Chromatography
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Cold brew coffee is a brewing method that is increasing in prevalence. While it has been anecdotally suggested that this method may provide a more aromatic and flavourful coffee product, there is little research published that looks at the concentration of caffeine or other coffee substituents in cold brew coffee. The potential alteration in chemical composition in cold brew provides a few interesting avenues for research. Can caffeine in cold brew be quantified by conventional methods? If so, how does the caffeine profile of cold brews relate to hot brew methods? Here we report the caffeine content and variability in small batch cold brew coffee and show that HPLC/UV-Vis, a standard method for quantitation of caffeine in other extraction methods, is useful for detection of caffeine in cold brew coffee. The mean concentration of caffeine in an average 355 mL serving was found to be 207.22 ± 39.17 mg over five distinct batches of cold brew coffee concentrate. Cold brew preparation methods produce similar quantities of caffeine as hot brew preparation, yet may have increased storage capabilities including improved retention of flavonoids and other secondary metabolites. Therefore, cold brew may provide utility in clinical trials examining caffeine and the effect of other components of coffee as it is commonly consumed.
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.
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) | 0,001 | 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 | 0,001 | 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 découle