MétaCan
Menu
Retour à la cohorte
Enregistrement W3156422060 · doi:10.9755/ejfa.2021.v33.i2.2257

Novel Food legislation and consumer acceptance - importance for the food industry

2021· article· en· W3156422060 sur OpenAlexaboutno aff
Nada Knežević, Slavka Grbavac, Marina Palfi, Marija Badanjak Sabolović, Suzana Rimac Brnčić

Notice bibliographique

RevueEmirates Journal of Food and Agriculture · 2021
Typearticle
Langueen
DomaineMedicine
ThématiqueConsumer Attitudes and Food Labeling
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésLegislationFood safetyBusinessEuropean unionFood industryProduct (mathematics)Novel foodMarketingFood processingFood packagingFood safety risk analysisBiotechnologyFood scienceInternational tradePolitical scienceLaw

Résumé

récupéré en direct d'OpenAlex

Novel foods are defined as food and food ingredients that have not been used to any significant extent in a particular country. This paper offers a brief overview of the current novel food legislation in European Union, Great Britain, USA, Australia and New Zealand, Canada and China. Prior to sale, food business operators (manufacturers or importers) are required, under different regulations and procedures, to submit information to Food Safety Authority about the product in question for a safety assessment. The approaches and specific information used to assess the safety of novel foods are outlined in national Guidelines. Generally, applicant should provide a detailed description of the novel food (identity of the novel food, production process, compositional data, proposed uses and use levels and anticipated intake of the novel food, history of use of the novel food and/or of its source, absorption, distribution, metabolism and excretion, nutritional information, toxicological information and allergenicity) for the safety assessment and market approval of a novel food.

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)0,006
score de la tête « metaresearch » (Gemma)0,016
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 enseignants0,008
Score d'incertitude au seuil0,032

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,016
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,004
Communication savante0,0040,003
Science ouverte0,0000,002
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0080,001

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.

Tête enseignante Opus0,027
Tête enseignante GPT0,266
Écart entre enseignants0,239 · 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

Citations15
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEmirates Journal of Food and AgricultureMême sujetConsumer Attitudes and Food LabelingTravaux en français237 207