Summary of the AOAC-Sponsored Workshop Series Related to the Global Understanding of Food Fraud (GUFF): Mobilization of Resources for Food Authenticity Assurance and Food Fraud Prevention and Mitigation
Notice bibliographique
Résumé
BACKGROUND: Reports of incidents associated with the misrepresentation of food products as well as the adulteration of their composition leading, at times, to significant public health impacts are being recorded. OBJECTIVE: This paper aims at summarizing the outputs of three workshops dedicated to the theme "Global Understanding of Food Fraud" (GUFF), held in Quebec City in Canada (April 2017), Beijing in the People's Republic of China (October 2017) and Dubai in the United Arab Emirates (October 2018). METHOD: Based on the contributions made at these workshops, the paper reviews current knowledge related to food fraud shared by experts and stakeholders representing the food industry sector, food regulators both domestically and internationally and scientists from Academia. It also discusses approaches available to the industry across the food supply chain to predict, prevent, and possibly mitigate food fraud, inclusive of targeted and non-targeted methods of analysis. RESULTS AND CONCLUSIONS: The paper offers a discussion on areas warranting the mobilization of efforts and resources of the food stakeholder community to reach consistent and accessible guidance on food fraud prevention, validated analytical methods along with an increased emphasis on prevention in food regulatory measures targeting food fraud. Further development is needed to reach consistent and accessible guidance on food fraud prevention, validated analytical methods, along with an emphasis on food fraud prevention. HIGHLIGHTS: Food fraud is receiving increased attention from consumers, regulators, and industry. International food fraud experts were invited to three workshops. Contributions and conclusions from the workshops are reported and discussed.
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 | 0,001 | 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 | 0,000 |
| 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 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 ».