Smell and Tell: The emergence of olfactory expertise in perfumery students
Notice bibliographique
Résumé
Developing olfactory expertise is essential in professions like perfumery, where the ability to describe, categorize, and conceptualize odors is critical. This study investigates how academic training during a 1.5-year program at a perfumery school (ISIPCA) shapes olfactory expertise of perfumery students. Forty students were assessed at three time points, focusing on odor description, evocation, recognition, discrimination, and categorization tasks. Results show that training significantly enhanced language abilities related to odor description and categorization. Students developed a richer and more precise vocabulary to characterize odors, aligning more closely with expert’s terminology and contributing to the formation of a shared olfactory lexicon. Semantic similarity within and between students, as well as with expert references, increased, emphasizing the importance of consistent language use in expertise development. Advanced natural language processing and machine learning tools revealed that the richness of verbal descriptions and semantic similarity were strong predictors of expertise acquisition. In contrast, improvements in non-verbal tasks, such as odor discrimination and recognition, were more limited, suggesting that perceptual abilities may require more extensive training or specialized methods. Building on these results, we propose potential enhancements to olfactory training including reinforced language practice, mental imagery exercises, and sensory discrimination tasks, along with personalized training strategies. These findings highlight the central role of language in the emergence of olfactory expertise and the importance of computational methods for optimizing training programs and advancing educational practices in olfactory science
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 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».