Correlating Sensory Assessment of Smoke-Tainted Wines with Inter-Laboratory Study Consensus Values for Volatile Phenols
Notice bibliographique
Résumé
Vineyard exposure to wildfire smoke can taint grapes and wine. To understand the impact of this taint, it is imperative that the analytical methods used are accurate and precise. This study compared the variance across nine commercial and research laboratories following quantitative analysis of the same set of smoke-tainted wines. In parallel, correlations between the interlaboratory consensus values for smoke-taint markers and sensory analyses of the same smoke-tainted wines were evaluated. For free guaiacol, the mean accuracy was 94 ± 11% in model wine, while the free cresols and 4-methylguaiacol showed a negative bias and/or decreased precision relative to guaiacol. Similar trends were observed in smoke-tainted wines, with the cresols and glycosidically bound markers demonstrating high variance. Collectively, the interlaboratory results show that data from a single laboratory can be used quantitatively to understand smoke-taint. Results from different laboratories, however, should not be directly compared due to the high variance between study participants. Correlations between consensus compositional data and sensory evaluations suggest the risk of perceivable smoke-taint can be predicted from free cresol concentrations, overcoming limitations associated with the occurrence of some volatile phenols, guaiacol in particular, as natural constituents of some grape cultivars and of the oak used for barrel maturation.
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 | 0,007 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».