MétaCan
Menu
Retour à la cohorte
Enregistrement W4312215554 · doi:10.48184/2304-568x-2022-4-99-105

Research and Development of the Refreshing Whey Drinks Technology

2022· article· en· W4312215554 sur OpenAlexaboutno aff
Gulmira Zhakupova, Т. Ch. Tultabayeva, A. B. Nurtayeva, Nazigul Kundyzbayeva, А. Т. Sagandyk

Notice bibliographique

RevueThe Journal of Almaty Technological University · 2022
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueFood Industry and Aquatic Biology
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésFood scienceRaw materialDairy industryOrganolepticRaw milkFood technologyBusinessHealth benefitsBiotechnologyChemistryBiology

Résumé

récupéré en direct d'OpenAlex

The production of whey drinks is of interest in all countries with a developed dairy industry . The basis of beverages – whey – is a valuable secondary raw material of the dairy industry , which is not utilized by every enterprise . In the world , this problem is solved by manufacturing various products , especially beverages . The relevance of these studies lies in the processing of whey , which helps to reduce the harm caused to the environment by waste from the dairy industry . Also , purposefully whey drinks were enriched with plant components of local juicy vegetable raw materials , which will expand the range of products . As vegetable raw materials , berries of saskatoon berry , chokeberry and sea buckthorn , rich in polyphenols , are used . The purpose of this study is to research and develop technologies for milk whey-based powders enriched with juices of wild berries . The article presents the results of a study of beverages based on whey enriched with natural juices from wild raw materials of Northern Kazakhstan. The study used modern physico-chemical , organoleptic , technological and statistical methods for the study of raw materials and finished products . According to the data obtained , the studied wheybased beverages fully comply with GOST.

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)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0020,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,067
Tête enseignante GPT0,238
Écart entre enseignants0,172 · 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'étudeExpérimental (laboratoire)
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

Citations3
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Journal of Almaty Technological UniversityMême sujetFood Industry and Aquatic BiologyTravaux en français237 207