The fourth industrial revolution in the food industry—part II: Emerging food trends
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
The food industry has recently been under unprecedented pressure due to major global challenges, such as climate change, exponential increase in world population and urbanization, and the worldwide spread of new diseases and pandemics, such as the COVID-19. The fourth industrial revolution (Industry 4.0) has been gaining momentum since 2015 and has revolutionized the way in which food is produced, transported, stored, perceived, and consumed worldwide, leading to the emergence of new food trends. After reviewing Industry 4.0 technologies (e.g. artificial intelligence, smart sensors, robotics, blockchain, and the Internet of Things) in Part I of this work (Hassoun, Aït-Kaddour, et al. 2022. The fourth industrial revolution in the food industry—Part I: Industry 4.0 technologies. Critical Reviews in Food Science and Nutrition, 1–17.), this complimentary review will focus on emerging food trends (such as fortified and functional foods, additive manufacturing technologies, cultured meat, precision fermentation, and personalized food) and their connection with Industry 4.0 innovations. Implementation of new food trends has been associated with recent advances in Industry 4.0 technologies, enabling a range of new possibilities. The results show several positive food trends that reflect increased awareness of food chain actors of the food-related health and environmental impacts of food systems. Emergence of other food trends and higher consumer interest and engagement in the transition toward sustainable food development and innovative green strategies are expected in the future.
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 | 0,008 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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