Projective mapping and ultra‐flash profile studies should include a list of descriptors and definitions: An investigation into descriptors used by untrained panelists
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 Projective mapping (PM) and ultra‐flash profile (UFP) have been used to evaluate various products, including wine. However, the meaning or definition of the descriptor participants use during a UFP task can be unknown. This study's objective was to have participants ( n = 81) evaluate white wine (seven different wines and one duplicate sample) using PM and UFP. After completing the task, the 10 most commonly used descriptors were included in a survey, and the participants were asked to define the descriptors using open‐ended questions. The survey was sent to all participants, but only 62 participants completed it. The results of the survey indicated the participants used different definitions to define the descriptors. In future research using PM and UFP, sensory researchers could provide a list of descriptors and their definitions for the participants, especially when they are untrained, or ask the participants to concentrate on only one sensory modality (appearance, taste, aroma, mouthfeel). Practical Applications Projective mapping and ultra‐flash profile trials can generate much information about a large number of products rapidly. However, these methods also have some limitations, including understanding the definition of the descriptors provided by the participants during the ultra‐flash profile task. This study hoped to overcome this limitation by asking the participants to complete a follow‐up survey to define the most frequently used descriptors from the ultra‐flash profile task. Unfortunately, the participants supplied contrasting definitions for the attributes. Future studies may want to supply the participants with a list of descriptors and definitions to lead to more consensus in the results.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 découle