Development of a Canadian Food Composition Database of Gluten-Free Products
Notice bibliographique
Résumé
Country-specific food composition data are needed for gluten-free (GF) food products to assess nutritional adequacy and diet quality. This research aimed to develop a comprehensive GF food composition database for key GF foods consumed in Canada. Average nutrient data from 167 products were estimated from Nutrition Fact Panel labels and the commercial ingredient list, using an iterative and systematic approach. The database reports mean values for energy and 29 nutrients per 100 g for 33 GF commercial grain-based foods. Nutrient values were evaluated with Health Canada's nutrient content claims per standard reference serving. On average, GF products were, at minimum, a source of thiamin (73%), riboflavin (70%), niacin (58%), iron (58%), fibre (55%), magnesium (48%), folate (36%), zinc (19%), and calcium (15%). Most GF products were low in saturated fat (85%) and cholesterol (64%) but only 15% were low in total fat and 6% were free of sugar. Micronutrient enrichment and the use of nutrient-dense whole grain flours, legume flours, oil seed husks, and functional fibre ingredients varied within and between categories and brands but appeared to contribute to nutrient content. This database provides a new tool to enhance GF diet assessment in individuals or populations in Canada.
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 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 | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».