Lentil (<scp><i>Lens culinaris</i></scp>Medik) as nutrient‐rich and versatile food legume: A review
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
Abstract Lentil is one of the most important food legumes consumed widely throughout the world. Lentils are produced in diverse agroecological regions, such as Asia, North and South America, Africa, and Oceania. During the last two decades (2001–2020), world production of lentils increased by 107%, from 3.15 to 6.54 million metric tons. Canada leads lentil producing countries (with 44% share of the global output), followed by India and Australia having 18% and 8% share, respectively. Being a rich source of protein, complex carbohydrates, dietary fiber, and folic acid, lentils are considered a healthy food nutritionally. Lentils also contain a number of bioactive phytochemicals, such as flavonoids, total phenolics, phytate, saponins, and tannins. Dehulling and splitting of lentils are the most‐commonly used basic processing methods. Additional value‐added operations include milling of whole or dehulled lentils and isolating fractions that are rich in protein and starch that can be used as ingredients in diverse food applications. Lentils are aligned well with the changing consumer trends towards meat alternatives, plant‐based diets, and healthy food options. Furthermore, due to increased environmental concerns for the production of meat, consumers are minimizing or even excluding meat consumption and opting for non‐meat foods produced in a sustainable manner. This review article provides an overview of lentil's production/trade, consumption trends, nutritional profile, value‐added processing, emerging research and development trends, and the role of lentil production in environmental sustainability.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 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 découle