MétaCan
Menu
← Retour à la cohorte
Enregistrement W4404998224 · doi:10.1016/j.ijgfs.2024.101078

Sensory characterization of conifer-based extracts for culinary uses

2024· article· en· W4404998224 sur OpenAlexafffund
Afia Boumail, François Girard, Katherine H. Tanaka, Michael Bom Frøst, Sylvie L. Turgeon, Véronique Perreault

Notice bibliographique

RevueInternational Journal of Gastronomy and Food Science · 2024
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueSensory Analysis and Statistical Methods
Établissements canadiensUniversité Laval
Organismes subventionnairesMitacs
Mots-clésSensory systemCharacterization (materials science)Food scienceBiological systemMathematicsChemistryBiologyMaterials scienceNanotechnologyNeuroscience

Résumé

récupéré en direct d'OpenAlex

Quebec’s forests cover more than half of its territory and offer a great diversity of wild edible products. Culinary professionals are becoming more and more interested in using conifer products as aromatics, but the sensory properties and culinary functionalities of these products are not yet fully known. The objective of this work was to study the sensory potential of conifer needles used as aromatics in cooking and to generate sensory descriptors for these resources. Extracts were prepared in a water-based (maceration, decoction) or oil-based (sous-vide) medium from buds or mature needles of balsam fir , black spruce or white spruce . Projective mapping combined with ultra-flash profiling was performed on 14 conifer extracts with culinary professionals as panelists. The consensus map of descriptors for these conifer extracts revealed a great diversity of smells and aromas. The panelists were able to differentiate the extracts and generated a wide range of sensory descriptors. Some of those descriptors were related to preparation variables. Each extract was chosen at least once as having the best culinary potential. Overall, the extracts have inspired a multitude of uses for conifers as aromatics in cooking.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,013

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,050
Tête enseignante GPT0,317
Écart entre enseignants0,267 · 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

Citations3
Publié2024
Routes d'admission2
Résumé présentnon

Explorer davantage

Même revueInternational Journal of Gastronomy and Food Science→Même sujetSensory Analysis and Statistical Methods→Travaux en français237 207→