Using check‐all‐that‐apply to evaluate wine and food pairings: An investigation with white wines
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 Growing consumer interest in food and wine pairing leads to a need for more studies to be conducted evaluating consumers' perception of food pairings. Many studies have used trained panelists to evaluate food and wine pairings; however, this study sought to determine how consumers evaluate food and wine pairings using the check‐all‐that‐apply (CATA) method. The participants ( n = 112) were asked to evaluate five white wines for their liking of the wine, their sensory perception of the wines and identify which food items they would pair with the wine using a CATA question. The participants separated the wines based on their sweetness and dryness, as well as their acidity. The participants liked sweet, citrus, fruity and floral white wines, and disliked earthy and sour attributes. When the participants paired the wine with hard cheeses and chocolate their liking increased; however, when the wines were paired with French fries, steak, and lemon pie, it detracted from their liking. Future research should ask participants to explain their pairing choices using open‐ended comment questions. Practical Applications Very few studies have explored consumers' food and wine pairing preferences. This study identified which food consumers pair with different white wines and how food items can positively or negatively impact consumers' liking of the wine. The results of this study are important to those working in the food and wine service industry. The findings of this study contribute to the gap in knowledge of consumers' preferred food pairings and investigate the use of a check‐all‐that‐apply question to evaluate food and wine pairings. Future research should ask consumers to explain their food pairings, as well as evaluate how wine knowledge and familiarity with wine impact their pairing decisions.
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 | 0,000 |
| 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 | 0,000 |
| 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