MétaCan
Menu
Retour à la cohorte
Enregistrement W2887850400 · doi:10.24323/akademik-gida.449600

Kırmızı ve Yeşil Mercimekten Elde Edilen Diyet Liflerinin Karakterizasyonu ve Fonksiyonel Özellikleri

2018· article· tr· W2887850400 sur OpenAlexaff
Dilara Nilufer‐Erdil, Sinem GEDİK

Notice bibliographique

RevueAkademik Gıda · 2018
Typearticle
Languetr
DomaineAgricultural and Biological Sciences
ThématiqueSensory Analysis and Statistical Methods
Établissements canadiensStantec (Canada)
Organismes subventionnairesnon disponible
Mots-clésMedicine

Résumé

récupéré en direct d'OpenAlex

Bu çalışmada, kırmızı ve yeşil mercimeklerin içerdikleri diyet liflerinin taneden izole edilmesi ve mercimek diyet liflerinin gıda ürünlerinde fonksiyonel bileşen olarak kullanılabilirliğinin belirlenmesi amaçlanmıştır. Mercimekteki diyet liflerini (kabuk diyet lifleri, çözünür olmayan kotiledon diyet lifleri ve çözünür kotiledon diyet liflerini) elde etmek üzere üç farklı yöntem uygulanmıştır. Elde edilen liflerin kompozisyonu ve verimi yanı sıra su tutma kapasitesi, yağ tutma kapasitesi, emülsiyon oluşturma kapasitesi ve şişme kapasitesi gibi fonksiyonel özellikleri araştırılmıştır. Ayrıca, elde edilen liflerin termal özellikleri de Diferansiyel Taramalı Kalorimetre (DSC) cihazı ile belirlenmiştir. Yeşil mercimek ununun %6.83’ü kabuk diyet lifi, %1.78’i çözünür olmayan kotiledon diyet lifi, %8.00’i ise çözünür kotiledon diyet lifi olarak izole edilmiştir. Kırmızı mercimek ununun ise %5.16’sı kabuk diyet lifi, %0.62’si çözünür olmayan kotiledon diyet lifi, %7.08’i çözünür kotiledon diyet lifi olarak izole edilmiştir. Kotiledon unundan çözünür olmayan diyet lifi eldesinin kırmızı mercimekte yeşil mercimeğe göre daha düşük verimli olduğu görülmüştür. Yeşil mercimekten elde edilen liflerde toplam diyet lifi içerikleri; kabuk lifleri, çözünür kotiledon diyet lifleri ve çözünür olmayan kotiledon diyet lifleri için sırasıyla; %23.76, 11.51 ve 72.81 olarak bulunmuştur. Kırmızı mercimek için ise sırasıyla; %20.30, 11.06 ve 43.68 olarak elde edilmiştir. Diyet liflerinin fonksiyonel özellikleri incelendiğinde, çözünür olmayan kotiledon diyet liflerinin diğer izole diyet liflerine kıyasla daha yüksek su tutma, yağ tutma ve şişme kapasitesi gösterdiği belirlenmiştir. Emülsiyon oluşturma kapasiteleri mercimek diyet lifleri için genel olarak zayıf bulunmuştur, ancak çözünür kotiledon diyet liflerinin emülsiyon oluşturma kapasitelerinin çözünür olmayan kotiledon diyet lifleri ve kabuk diyet liflerine kıyasla daha yüksek olduğu görülmüştür.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,018
Score d'incertitude au seuil0,060

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,004
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0010,001
Communication savante0,0040,002
Science ouverte0,0010,001
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0180,004

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 Opus0,058
Tête enseignante GPT0,311
Écart entre enseignants0,253 · 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 source (Gemma direct ou Codex distillé), 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

Citations4
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAkademik GıdaMême sujetSensory Analysis and Statistical MethodsTravaux en français237 207