MétaCan
Menu
Retour à la cohorte
Enregistrement W4384932980 · doi:10.1111/ijfs.16601

Effect of cold plasma on lipid oxidation of fish and fish‐based products: a review

2023· review· en· W4384932980 sur OpenAlexaff
Jing Wu, Chun Cui, Chunsheng Li

Notice bibliographique

RevueInternational Journal of Food Science & Technology · 2023
Typereview
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueMeat and Animal Product Quality
Établissements canadiensMinistry of Agriculture
Organismes subventionnairesNational Natural Science Foundation of China
Mots-clésFish <Actinopterygii>Lipid oxidationFisheryFish productsChemistryFood scienceBiologyBiochemistryAntioxidant

Résumé

récupéré en direct d'OpenAlex

Summary Lipid oxidation is a major concern in preserving fish and its products, as it affects their quality, shelf life, and consumer acceptance. Cold plasma technology has emerged as a promising method for extending the shelf life of perishable products, including fish. However, the impact of cold plasma on lipid oxidation remains uncertain, as studies have reported conflicting findings. This review provides an up‐to‐date overview of the effects of cold plasma treatment on lipid oxidation in fish and fish‐based products, synthesising existing literature in the field. A comprehensive analysis of factors such as plasma generation techniques, treatment parameters, fish species, and lipid composition is conducted to elucidate the observed discrepancies in outcomes. In conclusion, current research suggests that moderate oxidation does not have adverse effects on overall sensory quality and may even enhance the flavour of fish. The degree of oxidation can be controlled through plasma parameters, thereby improving the quality of fish and fish products.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,003
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,973
Score d'incertitude au seuil0,407

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,068
Tête enseignante GPT0,345
Écart entre enseignants0,278 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeAutre devis
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations16
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Food Science & TechnologyMême sujetMeat and Animal Product QualityTravaux en français237 207