Preparation of rice paper enriched with laver (Pyropia sp.) and tapioca starch with process optimization using response surface methodology
Notice bibliographique
Résumé
The objective of the present study is to enhance the nutritional value of rice paper by enriching it with laver (Pyropia sp.) and tapioca starch to meet the global demand for processed laver products. The conditions of the prepared laver and tapioca starch-enriched rice paper (LTRP) were optimized using a central composite design (CCD) of response surface methodology (RSM). For the preparation of LTRP, the optimal ingredients were 23.10 g laver powder, 60.08 g tapioca starch, and 12.10 g rice powder. Sensory evaluation of the LTRP based on the CCD indicates that laver powder positively influences taste, flavor, and appearance. Furthermore, the physicochemical analysis revealed that the LTRP has a higher protein content (11.87 ± 0.22%) and a higher amount of essential amino acids (3513.21 mg/100 g) than commercial rice paper (CRP). The antioxidant and total phenolic contents of the LTRP, compared to that of the CRP, significantly increased (p < 0.001). The results suggest that the nutritional value and the sensory characteristics of the LTRP improved as a result of the enrichment with laver powder and tapioca starch. The prospect outlined in this study is likely to usher in a new era in the rapidly growing laver industry.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 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 ».