Comparing preferred attribute elicitation to trained panelists' evaluations using a novel food product
Notice bibliographique
Résumé
Abstract The present study compares a new rapid sensory method, preferred attribute elicitation (PAE), to a trained panelists' evaluations, using cookies containing green tea extract (GTE) as a model. The cookies contained added amounts of 0, 2, 4, 7, and 9% GTE based on the weight of flour. Ten trained panelists evaluated the cookies. The panelists were trained for 10 one‐hour sessions followed by three replicates of testing. Additionally, 43 panelists in two different sessions (n = 25 and 18), evaluated the five samples following the PAE method. RV coefficients were used to provide a numerical value for the degree of similarity between the descriptive data obtained from the PAE sessions and the descriptive analysis panel. The RV coefficient for the two PAE sessions was .843, indicating a very high similarity between the sessions. However, the RV coefficient comparing the two PAE sessions to the descriptive analysis data were .554 and .179, respectively. These results indicate that the PAE method was not comparable to the trained panelists' evaluations. Future work needs to identify when PAE is the most suitable method to use and to modify the existing methodology to make it a more efficient method. Practical applications Preferred attribute elicitation (PAE) is a rapid sensory analysis method that uses untrained panelists to evaluate attributes of a product and determine what attributes drive consumer liking. This study investigates how the technique (using untrained panelist) compares to a trained panel when testing baked products differing in flavor intensity. There was not a relationship between the PAE sessions and trained panel for the flavors of this particular product. More work must be done to determine why the evaluations of the flavor was not consistent if PAE is to be used in future sensory trials.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».