MétaCan
Menu
Retour à la cohorte
Enregistrement W4402782648 · doi:10.1079/fsncases.2024.0013

How Does Aversion to Insects Intersect with Sustainable Production and Consumption?

2024· article· en· W4402782648 sur OpenAlexaff
Paul Manning, Matthew B. McSweeney

Notice bibliographique

RevueFood Science and Nutrition Cases · 2024
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueInsect Utilization and Effects
Établissements canadiensAcadia UniversityDalhousie University
Organismes subventionnairesnon disponible
Mots-clésConsumption (sociology)Production (economics)Sustainable productionEconomicsMicroeconomicsSociologySocial science

Résumé

récupéré en direct d'OpenAlex

Abstract Damage by insect pests reduces the quantity and quality of harvestable food, making pest management a major challenge for sustainable food production. Perception of insects in association with food is known to cause negative emotions including disgust and fear. These negative emotional responses are likely to alter perception and reduce enjoyment of food. Here, we introduce the concept of insect pests and highlight some of the ways that pests reduce the quality and quantity of harvestable food. Next, we discuss the different sensory properties of food, emotional responses to food and how different factors can impact humans’ perception of food products. Finally, we share the results of our study where the intersection of disgust and sensory perception is explored through an exploration of the blueberry maggot ( Rhagoletis mendax ), a fly that lays eggs in ripening blueberries. Collectively this work demonstrates that merely learning about the existence of an insect pest negatively impacts the perception of fresh fruit, in terms of taste characteristics, and emotional response. These results reinforce the necessity of effective pest management to ensure that consumers maintain a positive affinity towards foods. Information © The Authors 2024

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: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,026

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,001
Communication savante0,0020,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0080,000

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 Opus0,018
Tête enseignante GPT0,226
Écart entre enseignants0,207 · 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'étudeObservationnel
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

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFood Science and Nutrition CasesMême sujetInsect Utilization and EffectsTravaux en français237 207