Using a 3D food printer as a teaching tool: Focus groups with dietitians, teachers, and nutrition students
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 Three‐dimensional (3D) food printing is a new technology that can be used to produce personalized and customized food products. However, very little research has been completed on how 3D food printers could be used as educational tools. As such, the objective of this study was to evaluate how teachers ( n = 6), dietitians ( n = 6), and nutrition students ( n = 11) envision the use of 3D food printers when disseminating information about food and nutrition. Focus groups were conducted with teachers, dietitians, and nutrition students. Initially, the participants were introduced to the concept of 3D food printing and then they were asked how they could use a 3D food printer in their teachings. The participants did not feel that a 3D food printer would enhance their teaching and instead felt it could confuse or frighten people. Also, all of the participants were worried about learning how to 3D print foods. The participants did state that people would be interested in watching a 3D food printer. Furthermore, the teachers and nutrition students indicated they thought a demonstration of a 3D food printer would lead to more interest in food and nutrition. Additionally, they thought a 3D food printer could be used to create visually appealing foods. Overall, until 3D food printers are found in residential and commercial kitchens, the participants did not think it would enhance their teachings; however, they did indicate that 3D food printing demonstrations could lead to students being interested in the food and nutrition fields.
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 | 0,000 | 0,000 |
| 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 | 0,001 |
| 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