Evaluating and Classifying Apple Brand Names: Criteria and Trends over a Century
Notice bibliographique
Résumé
Globally, fruit breeders and marketers create trademarked brand names for new varieties which can be protected indefinitely, extending returns on breeding investments. Brand names help promote and differentiate fruits, acting as quality signifiers and simplifying consumer choices. This study introduces brand name evaluation criteria, identifies name classification frameworks, and audits North American and international apple names, covering plant varietal denominations and both trademarked and non-trademarked names. Key criteria for a good brand name include trademarkability, memorability (simplicity, distinctiveness, meaningfulness, sound associations, mental imagery, and emotional impact), and marketability (appropriate brand image and marketing support). Two modified frameworks were used to classify apple names. The audit revealed that the prevalence of using ‘Namesake’ names associated with ‘Real or Fictitious Persons/Places’ has significantly decreased (North America: 4.9 times since the 1920s). The use of ‘Compounding’ names has remained frequent (North America: 25% in the 2020s). Some categories have seen an increased usage as follows: ‘Product Unrelated—Metaphoric’ (North America: 17.5 times) and ‘Unusual Spellings’ (not recorded until the 1980s, recently 6%) names. Since the 1960s, the following categories have remained consistent: ‘Sensory’, ‘Product/Benefit Related’, ‘Product Unrelated—Non-Metaphoric’, and ‘Blending’ names. The findings support fruit and vegetable industries in distinguishing their products through effective brand naming.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».