Evaluation of the Mineral Composition of Chia (Salvia Hispanica L.) Seeds from Selected Areas in Kenya
Notice bibliographique
Résumé
Chia (Salvia hispanica L.) seeds are gaining popularity among consumers and food processors, particularly in food fortification. Consequently, there has been an increased need to determine the mineral composition of chia seeds cultivated in different regions to ascertain their potential in various food applications. In this study, 20 chia seeds samples obtained from farmers practicing commercial farming of chia seeds in selected areas in Kenya during the two main chia seed planting seasons (April-August 2019) and (September-December 2019) were analyzed for their mineral content using Atomic Absorption Spectrophotometry (AAS). Values of sodium and potassium were determined using a Flame photometer using sodium chloride (NaCl) and potassium chloride (KCl) as the standards, while phosphorus was determined using the Vanodo-molybdate method. Chia seeds samples studied revealed the most predominant minerals as phosphorus (531 to 889 mg/100g), calcium (478 to 589 mg/100g), potassium (343 to 526 mg/100g) and, magnesium (322 to 440 mg/100g). The general linear model (GLM) used to determine the coefficient of variation on all chia seed growing sites showed that calcium, iron, and magnesium are the best-performing chia minerals in Kenya and hence should be the minerals of interest in food fortification using chia seeds.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 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 ».