MétaCan
Menu
Retour à la cohorte
Enregistrement W3047695241 · doi:10.1111/ijfs.14763

Effects of food gums and pre‐drying on fat content of fabricated fried chips

2020· article· en· W3047695241 sur OpenAlexfundno aff
Jane Cantre Lumanlan, Warnakulasuriya Mary Ann Dipika Binosha Fernando, Weeraya Karnpanit, Vijay Jayasena

Notice bibliographique

RevueInternational Journal of Food Science & Technology · 2020
Typearticle
Langueen
DomaineChemistry
ThématiqueEdible Oils Quality and Analysis
Établissements canadiensnon disponible
Organismes subventionnairesWestern University
Mots-clésXanthan gumFood scienceGuar gumOrganolepticChemistryGellan gumWater contentTasteMaterials scienceRheologyComposite material

Résumé

récupéré en direct d'OpenAlex

Summary Deep‐frying contributes to the unique taste and texture of fried products. However, they are low in nutritional value. Food industries actively trying to find ways to reduce the fat content while maintaining organoleptic properties of fried foods. In this work, effects of pre‐drying and adding food gums on the moisture and fat contents of chips were evaluated. The chips were pre‐dried for 60 and 90 min, and gellan gum, guar gum, methylcellulose and xanthan gum were added at the concentration of 0.25, 0.75, 1 and 2 % w/w. The xanthan gum was the most effective gum for fat reduction. The addition of 0.25 % w/w xanthan gum and at 90 min pre‐drying reduced the fat content from 20 % (control) to 15 % w/w. The results also indicated that the reduction of moisture content after frying was not affected by the type of gums but the method of pre‐drying.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,334

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,037
Tête enseignante GPT0,281
Écart entre enseignants0,244 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
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

Citations24
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Food Science & TechnologyMême sujetEdible Oils Quality and AnalysisTravaux en français237 207