MétaCan
Menu
Retour à la cohorte
Enregistrement W4401035603 · doi:10.54254/2753-8818/45/20240422

Explore the impact of free sulfur dioxide on red and white wine

2024· article· en· W4401035603 sur OpenAlexaff
Yuyang Tian, Jiahuizi Peng, Xinyue Li, Sirui Wang

Notice bibliographique

RevueTheoretical and Natural Science · 2024
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueHorticultural and Viticultural Research
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésWhite WineSulfur dioxideWineWhite (mutation)SulfurEnvironmental scienceChemistryFood scienceInorganic chemistryOrganic chemistryBiochemistry

Résumé

récupéré en direct d'OpenAlex

Today, red and white wine are essential symbols that motivate the world’s economy and are cultural symbols. Thus, the taste and process of alcohol during fermentation have become highly evocative to producers today. In this way, this article focuses on the effect of free sulfur dioxide on the concentration of fixed and volatile acids since fixed and volatile acids have a high impact on the taste of red and white wine, according to scientific research. This article also focuses on the PH value of both wines to investigate whether the free sulphate dioxide has a positive effect on the PH acidity of red and white wine. By paying attention to the acidity, the producers can further investigate the health impact of both wines and provide better choices and plans for the consumers. Using Cortez’s data, this article matches the linear regression model to compare the fixed and volatile groups between red and white wine. PH values of both wines are also laid out in the final linear regression model group. The linear regression model tests the difference between free sulfur dioxide’s effects on the two wine categories. Lastly, the RMSE value has been used to test whether the result is reliable.

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)0,002
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,024
Score d'incertitude au seuil0,048

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
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 savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,019
Tête enseignante GPT0,296
Écart entre enseignants0,276 · 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

Citations1
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTheoretical and Natural ScienceMême sujetHorticultural and Viticultural ResearchTravaux en français237 207