MétaCan
Menu
Retour à la cohorte
Enregistrement W3007678714 · doi:10.1111/joss.12568

Investigating the effect of extrinsic cues on consumers' evaluation of red wine using a projective mapping task

2020· article· en· W3007678714 sur OpenAlexafffund
Heather Jantzi, Lydia Hayward, Alanah Barton, Connor D. Richardson, Matthew B. McSweeney

Notice bibliographique

RevueJournal of Sensory Studies · 2020
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueSensory Analysis and Statistical Methods
Établissements canadiensAcadia University
Organismes subventionnairesDepartment of Agriculture, Nova Scotia
Mots-clésWineBottlePerceptionPsychologyFood scienceAffect (linguistics)AdvertisingCommunicationChemistryBusinessGeography

Résumé

récupéré en direct d'OpenAlex

Abstract Consumers' perception (intrinsic sensory characteristics) of wine can be affected by extrinsic cues. This study aimed to determine the influence of extrinsic cues (price and label information/bottle) on consumers' sensory perception of red wine blends. A total of 202 participants (regular consumers of red wine), evaluated six red wine blends. Projective mapping (PM) and ultra‐flash profile (UFP) were used to characterize the wines in three separate sessions: blinded, presented with the bottle, and presented with their price. Participants separated the red wine blends based on sweet, fruity, bitter, and peppery attributes. RV coefficients indicated that the presentation of the bottle and label information affected the participants' results, and the PM sessions were not significantly correlated (RV = 0.500). The participants' results were affected by the brand name presented on the wine bottle. However, the blinded and price PM sessions were correlated (RV = 0.733). The consumers were able to evaluate the wines using the PM and UFP method. The extrinsic cues, except for the brand name, did not affect consumers' descriptions of the different wines. Practical Applications Projective mapping (PM) asks participants to express similarities and differences between samples, as well as position samples on a two‐dimensional plane. PM is usually paired with ultra‐flash profiling and allows researchers to identify the main attributes that account for differences among the samples. This study investigates the effect of extrinsic cues (bottle/label information and price) on consumers' evaluation of red wines blends. Brand names were found to affect consumers' evaluations. Understanding how consumers use label information and price when making their purchase decision is vital to both winemakers and for package design of wines.

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)0,001
score de la tête « metaresearch » (Gemma)0,008
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 enseignants0,003
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,008
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 savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,301
Tête enseignante GPT0,395
Écart entre enseignants0,093 · 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

Citations18
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Sensory StudiesMême sujetSensory Analysis and Statistical MethodsTravaux en français237 207