MétaCan
Menu
Retour à la cohorte
Enregistrement W4313592939 · doi:10.1021/acsfoodscitech.2c00372

Boosting Food System Sustainability through Intelligent Packaging: Application of Biodegradable Freshness Indicators

2023· article· en· W4313592939 sur OpenAlexafffund
Zhilong Yu, Valeriya Boyarkina, Ziyu Liao, Mengshi Lin, Wei‐Cai Zeng, Xiaonan Lu

Notice bibliographique

RevueACS Food Science & Technology · 2023
Typearticle
Langueen
DomaineNeuroscience
ThématiqueOlfactory and Sensory Function Studies
Établissements canadiensMcGill University
Organismes subventionnairesMcGill University
Mots-clésFood wasteFood packagingSustainabilityActive packagingBusinessFood systemsEnvironmental scienceEnvironmental economicsRisk analysis (engineering)Waste managementEngineeringFood securityAgriculture

Résumé

récupéré en direct d'OpenAlex

World hunger is getting worse, while one-third of foods produced around the globe is wasted and never consumed. It is vital in reducing food waste to promote the sustainability of agri-food systems. Intelligent packaging embedded with freshness indicators can monitor food freshness in a real-time manner and be deployed for cutting food waste produced due to predetermined expiration date and informing consumers of food safety. Biodegradable halochromic films have been increasingly utilized as freshness indicators because of their low environmental impact. In this review, recent advances in biodegradable halochromic indicators for intelligent packaging are reported. The pH-responsive behaviors of natural pigments, the development of biodegradable solid supports for freshness indicators, the colorimetric response of freshness indicators to food products and simulated models, and future challenges in this field are discussed. Particularly, novel technologies coupled with halochromic indictors are highlighted, including sensor arrays, nanocomposites, smartphone-assisted detection, and ink-free printing.

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)0,000
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: aucune
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,002

Scores du classifieur distillé par catégorie (deux têtes)

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

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.

Tête enseignante Opus0,079
Tête enseignante GPT0,294
Écart entre enseignants0,215 · 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

Citations75
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueACS Food Science & TechnologyMême sujetOlfactory and Sensory Function StudiesTravaux en français237 207