Notice bibliographique
Résumé
In the current scientific literature, one can find >100 different methods to evaluate water-holding capacity in fresh and cooked meat. The main concepts are based on removing some of the water by either gravity, application of pressure (e.g., centrifugal force), and heating while measuring water exudate to predict the water holding capacity (WHC) during storage, processing, cooking, and/or distribution. More sophisticated methods include nuclear magnetic resonance (NMR) in which the relaxation of water molecules within a meat protein/gel system is measured to predict how the water (75% in lean meat) will behave during processing. Overall, the number of tests reported is also so high because there are quite big variations in test conditions (e.g., 750-30,000 g for centrifugal testing). The aim of this article (outcome of a symposium on methods for poultry meat characterization) is to help the reader navigate through the different setups and suggest standardized testing based on scientific principles. The recommended WHC test is the application of low centrifugal force (750 g so sample is not permanently deformed) to a protein gel, while the sample is placed on a screen platform to avoid reabsorbing the liquid separating during the slowing down of the centrifuge. It is also recognized that some meat samples (e.g., high in fat) might require a different g-force, so it is recommended to employ both the conditions mentioned above and the lab-specific conditions. Our overall goal should always be to increase uniformity in test procedures, which will enhance our capabilities to compare results among research groups.
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 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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».