Can the Identification of Odorants Within a Mixture Be Trained?
Notice bibliographique
Résumé
Identifying odors within mixtures is a difficult task: humans are able to recognize only up to 4 odors within a mixture. We wanted to test the effects of olfactory training on this ability. We used 7 odorants to create 35 olfactory stimuli of 1, 2, 3, 4, or 5 odorants. The task consisted of identifying the odorants present within the mixture. We trained novices on this task for 5 days: they came to the laboratory to perform the task once a day before coming back for the final testing. Then, we compared them to sommeliers, thus olfaction experts, and untrained novices. Results showed that sommeliers outperformed the other groups with mixtures of up to 4 odorants but not with mixtures of 5 odorants. The short olfactory training allowed trained participants to perform as well as sommeliers when it came to identifying single odorants but was not enough to improve their performance when stimuli were mixtures of 2 or more odorants. This study supports the idea that the number of odors we can recognize within a mixture is limited but suggests training can improve the performance: a short olfactory training is enough to enhance the ability to identify single odorants, whereas expertise refines identification ability of mixtures of up to 4 odorants.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 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 ».