Development and validation of a color evaluation process for sweet potato preference characterization
Notice bibliographique
Résumé
Abstract This study reports on the development of a process to objectively evaluate color using descriptive analysis. Panelists established a color lexicon (hue, lightness, evenness) and a two‐dimensional reference tool. The lexicon was applied to 23 baked sweet potato cultivars, along with a flavor lexicon. Color attributes all differentiated the products; most of the variation was due to color evenness. A consumer acceptance test (n = 204) was conducted on a subset of the products and showed a strong bias for specific color attributes. Consumers liked even, light‐orange hue; however, small changes in color dimensions impacted visual appeal. Overall characterization of products is described by a three‐factor principal component analysis solution. F1 (44% variance) correlated to moist texture and a redder‐orange hue and inversely correlated to stickiness. F2 (30% variance) correlated with high evenness and inverse correlation with acidic, bitter taste, and earthy aroma. F3 (15% variance) correlated to high sweet taste and caramel aroma. Practical applications For consumers, food color is an indicator of key aspects of quality such as freshness, nutritional value, and sensory properties, and thus it is critically important for consumer liking. After creation and validation of a process for the evaluation of perceived color using a trained descriptive panel, an external preference map, which included the aspects of color, was able to identify three consumer segments with a complex preference pattern. This approach could be applied to more fully characterize other horticultural or food products where color is critical to the consumer sensory experience.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,018 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».