Applying temporal check‐all‐that‐apply (TCATA) to mouthfeel and texture properties of red wines
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Temporal check‐all‐that‐apply (TCATA) has been used to characterize wines on a nonspecific basis using a range of attributes to investigate sensory differences between wines. The aim of this study was to ascertain whether TCATA, when focused on specific modalities, could distinguish red wines made from the same grape variety, according to mouthfeel and texture descriptors only. Two trained panels evaluated three wines, made from three grape varieties. A combined training approach that used tactile touch standards together with wine sensory evaluation was used to identify mouthfeel and texture sensations. Panelists identified four sensations relevant to all wines: grippy, fine, coarse, and astringent. Differences between wines produced from the same varieties were found for Pinot noir and Cabernet franc but not Cabernet sauvignon. Our results indicate that TCATA is a reliable technique to discriminate red wines according to their mouthfeel and texture profiles during consumption. Practical applications This study investigated the ability of the temporal check‐all‐that‐apply (TCATA) sensory method to distinguish between red wines made from the same grape variety based on mouthfeel and texture properties only. Results from the present work show that TCATA could be used to identify differences in monovarietal wines made from different winemaking techniques.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 découle