MétaCan
Menu
Retour à la cohorte
Enregistrement W4413162974 · doi:10.1111/jfpe.70140

Assessing Set‐Style Yogurt Quality After Vibration or Altitude Postproduction Treatment Using Noninvasive Methods

2025· article· en· W4413162974 sur OpenAlexafffund
William Thibault, Alain Clément, Marie‐Rose Van Calsteren, Louis J. Sasseville, Sébastien Villeneuve, Marie‐Claude Gentès

Notice bibliographique

RevueJournal of Food Process Engineering · 2025
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueMeat and Animal Product Quality
Établissements canadiensCegep de Saint HyacintheAgriculture and Agri-Food Canada
Organismes subventionnairesAgriculture and Agri-Food CanadaGovernment of Canada
Mots-clésStyle (visual arts)Quality (philosophy)Set (abstract data type)VibrationAltitude (triangle)Computer scienceAcousticsMathematicsArtPhysicsVisual arts

Résumé

récupéré en direct d'OpenAlex

ABSTRACT The impact of vibration or altitude on set‐style yogurt after production was assessed on a technology platform simulating the conditions encountered during road and air transportation. Rheological (apparent viscosity, firmness, stress relaxation, frequency dependence of elastic, and viscous moduli) and physicochemical (pH and syneresis) properties of yogurts were evaluated for 22 days. Noninvasive methods (visible near‐infrared reflectance and nuclear magnetic resonance) were also evaluated. The rheological and physicochemical properties were not significantly affected by altitude or vibration compared with control yogurt (no treatment). Apparent viscosity, firmness, and frequency dependence of both moduli significantly increased by 13%, 5%, and 3%, respectively, during storage, probably due to gel restructuring. The transverse relaxation time constant T21, measured by nuclear magnetic resonance, significantly decreased by 13% in control and altitude conditions after 22 days. Yogurt with vibration condition showed constant T21 values, suggesting that vibration affected the restructuring process of yogurt during storage. Both noninvasive techniques were able to significantly differentiate (p < 0.01) yogurts with postproduction treatments from control (69.2% and 87.0% accuracy) by partial least squares‐discriminant analysis. This was not observed with conventional methods. Predicted correlation between conventional and noninvasive methods by partial least squares regression was found with R2 cross‐validation of 0.69 for visible near‐infrared reflectance and pH, 0.83 for stress relaxation, 0.79 for firmness, and 0.73 for apparent viscosity with nuclear magnetic resonance. The better sensitivity of the noninvasive methods compared with conventional analysis offers potential for the detection of quality control deviation in set‐style yogurts during transportation.

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)0,001
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: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,105
Tête enseignante GPT0,394
Écart entre enseignants0,289 · 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
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Food Process EngineeringMême sujetMeat and Animal Product QualityTravaux en français237 207