MétaCan
Menu
Retour à la cohorte
Enregistrement W2910877143 · doi:10.22092/ijfs.2018.117675

Effects of different cooking methods on minerals, vitamins and nutritional quality indices of grass carp (Ctenopharyngodon idella)

2019· article· en· W2910877143 sur OpenAlexfundno aff
Sara Golgolipour, Ainaz Khodanazary, Kamal Ghanemi

Notice bibliographique

RevueAquaDocs (United Nations Educational, Scientific and Cultural Organization) · 2019
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAquaculture Nutrition and Growth
Établissements canadiensnon disponible
Organismes subventionnairesOrganization for Security and Co-operation in EuropeInstituto Colombiano de Bienestar FamiliarSveriges RegeringInter-American Development BankJapan International Cooperation AgencyEuropean CommissionCanadian Institute for Theoretical Astrophysics
Mots-clésGrass carpFood scienceChemistryProximateVitaminCooking methodsFatty acidVitamin CFish <Actinopterygii>BiologyFisheryBiochemistry

Résumé

récupéré en direct d'OpenAlex

This study aimed to evaluate the nutritional value (proximate composition, fatty acid profiles, vitamins and minerals) contents and also nutritional quality indices (NQI)) of grass carp (Ctenopharyngodon idella) prepared according to common consumer techniques: raw, poached, steamed, microwaved, pan-fried and deep-fried (in olive oil). In comparison to raw fish fillets, when grass carp was cooked there was an increase in protein, lipid and ash contents. Cooking methods had no significant effect on total n-3 fatty acids except for frying fillets. Lowest and highest content of n-3 was shown in deep-fried and pan-fried samples, respectively. Total n-6 fatty acid of cooked samples increased in comparison to raw samples. Na, K, Mg, P and Zn contents of boiled fish fillets significantly decreased. None of cooking methods had a significant effect a vitamin D. However, vitamin A, B_1 and B_3 contents of cooked fish significantly decreased.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
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)0,0010,000

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 Opus0,016
Tête enseignante GPT0,284
Écart entre enseignants0,268 · 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'étudeObservationnel
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

Citations15
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAquaDocs (United Nations Educational, Scientific and Cultural Organization)Même sujetAquaculture Nutrition and GrowthTravaux en français237 207