Self-Rated Aversion to Taste Qualities and the PROP Taster Phenotype Associate with Alcoholic Beverage Intake and Preference
Notice bibliographique
Résumé
Consumers often identify “taste” as an important factor when selecting alcoholic beverages. Although it is assumed that reduced alcohol consumption in PROP super-tasters is due to a greater dislike of the nominally aversive sensations that they experience more intensely (e.g., bitterness) when compared to PROP non-tasters, this question has not been specifically asked to them. Therefore, we examined consumers’ self-reported aversion towards specific sensory attributes (bitter, hot/burn, dry, sour, sweet, carbonation) for four alcoholic beverage types (white wine, red wine, beer, spirits) using a convenience sample of U.S. wine consumers (n = 925). Participants rated 18 statements describing different combinations of sensory attributes and alcoholic beverages on a 5-point Likert scale (e.g., Beer tastes too bitter for me). Individuals who tended to agree more strongly with the statements (i.e., they were more averse; p(F) < 0.05) tended to (i) consume less of all beverage types, (ii) consume a higher proportion of white wine (p(r) < 0.05), and (iii) were more likely to be female or PROP super-tasters. The results suggest that self-reported aversion to specific sensory attributes is associated with not only lower overall intake of alcoholic beverages, but also a shift in the relative proportions of beverage type consumed; a key finding for studies investigating how taste perception impacts alcohol consumption.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».