MétaCan
Menu
Retour à la cohorte
Enregistrement W2803393532 · doi:10.5539/jfr.v7n4p23

Changes in Phenol Level and Antioxidant Activity of Cocoa Beans During Fermentation and Roasting

2018· article· en· W2803393532 sur OpenAlexvenueno aff
St. Sabahannur, Suraedah Alimuddin, Rahmawati Rahmawati

Notice bibliographique

RevueJournal of Food Research · 2018
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueFood Chemistry and Fat Analysis
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésFermentationRoastingFood scienceCOCOA BEANPolyphenolDPPHChemistryAntioxidantFlavonoidCatechinPhenolsPhenolCoffee beanBiochemistryOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Flavonoid, polyphenols, especially catechin and epicatechin,are major components in cocoa products, which are known for antioxidant properties. Cocoa bean requires fermentation process in order to obtain good taste. During the fermentation process, polyphenols are oxidized by polyphenol oxidase to form quinone and 2-quinon. The purpose of the research is to determine the total level of polyphenol and antioxidant activity of fermented and roasted cocoa beans. The experiment was using Completely Randomized Design (CRD) with fermentation treatment that includes: Without fermentation, three-day fermentation and five-day fermentation. Observation parameters include: Polyphenol level and antioxidant activity with DPPH method. The results showed that the total phenol level of cocoa bean changed during fermentation and after roasting. The highest phenol level was found in cocoa beans without fermentation, and there is a decrease of phenol level to 98% after fermentation and roasting. The fermentation affects the Inhibition Concentration (IC50) of cocoa beans. An unfermented bean showed a very strongly active antioxidant activity with IC50 of 7.848 ppm, whereas three-day fermentation showed a strong antioxidant activity with IC50 of 35.961 ppm, and five-day fermentation is moderately active with IC50 of 55.976 ppm.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,418
Score d'incertitude au seuil0,085

Scores Codex et Gemma par catégorie

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

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 Opus0,134
Tête enseignante GPT0,339
Écart entre enseignants0,205 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
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

Citations8
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Food ResearchMême sujetFood Chemistry and Fat AnalysisTravaux en français237 207