MétaCan
Menu
Retour à la cohorte
Enregistrement W4281398725 · doi:10.1111/joss.12751

Temporal ranking for characterization and improved discrimination of protein beverages

2022· article· en· W4281398725 sur OpenAlexaff
Heather R. M. Keefer, Will S. Harwood, John C. Castura, M.A. Drake

Notice bibliographique

RevueJournal of Sensory Studies · 2022
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueSensory Analysis and Statistical Methods
Établissements canadiensUniversity of Guelph
Organismes subventionnairesnon disponible
Mots-clésRanking (information retrieval)SucraloseRank (graph theory)Computer scienceSensory systemFood sciencePaired comparisonMathematicsArtificial intelligenceStatisticsPsychologyChemistryCognitive psychology

Résumé

récupéré en direct d'OpenAlex

Abstract We propose a new temporal sensory method called temporal ranking (TR) in which assessors indicate and rank the three most noticeable sensations at every time point. The TR method was compared to temporal‐check‐all‐that‐apply (TCATA) in two trained‐panel studies, one study involving six ready‐to‐mix (RTM) protein beverages and one study involving seven ready‐to‐drink (RTD) protein beverages. In each study, the same attributes were used in both methods; six attributes were evaluated for RTMs and 10 attributes for RTDs. A trained sensory panel (n = 10) completed TCATA and temporal ranking (TR) training exercises, then evaluated each beverage in triplicate using each method in a replicated balanced randomized design. To evaluate each temporal method (TR and TCATA), each test beverage was compared with the sucrose‐ or sucralose‐sweetened control beverage within each study (RTM and RTD). Although results from TR and TCATA often coincided, TR better differentiated the protein beverage formulations on more sensory attributes and detected differences between the test and control beverages (p < .05) when TCATA did not. Overall, TR was found to be more sensitive in detecting sensory differences than TCATA, and thus could improve the guidance for the development and formulation of foods. Practical applications This study proposes a new temporal method, temporal ranking, which has assessors continuously rank the three most noticeable attributes when evaluating a beverage. Temporal ranking data can give improved guidance, especially for products that might have side flavors, such as natural nonnutritive sweeteners or alternative protein sources. Further application of findings and methodologies from this study may help guide development and formulation of foods.

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)0,003
score de la tête « metaresearch » (Gemma)0,005
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 enseignants0,004
Score d'incertitude au seuil0,014

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,005
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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 Opus0,082
Tête enseignante GPT0,318
Écart entre enseignants0,236 · 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

Citations5
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Sensory StudiesMême sujetSensory Analysis and Statistical MethodsTravaux en français237 207