Industrial adoption of emerging food processing technologies: Insights from the Canadian agri-food sector
Notice bibliographique
Résumé
This project aimed to gather practical insights into the industrial adoption of 12 emerging food processing technologies: high pressure processing, pulsed electric fields, cold plasma, foam mat drying, electrolyzed water, microwave, ohmic heating, ozone, pulsed light, supercritical fluid extraction, ultrasound, and ultraviolet light. This was achieved through an online survey conducted in the Canadian agri-food sector where ten questions were asked and a co-creation workshop with key stakeholders within the food industry were asked to prioritize the findings. The collaborative approach was designed to leverage diverse expertise to support innovation in food processing. Key findings reflect the predominance of CEOs and business owners among survey respondents, highlighting the influence of decision-makers. Small and start-up companies were the most represented across various food sectors. Notably, start-ups appeared more inclined to adopt emerging technologies, probably due to their agility and innovation-driven culture. Cold plasma, pulsed electric fields, and supercritical fluid extraction were identified as the ones requiring more science-supported data. Microwave, ozone, and ultraviolet light were seen as more mature, while ohmic heating, ultrasound, and electrolyzed water were less commonly mentioned, indicating earlier stages of adoption. Major barriers to adoption included high equipment and maintenance costs, R&D expenses, and limited government financial support. Reliable data on performance, energy use, and techno-economic analysis were deemed crucial for scaling technologies to commercial readiness. These insights can guide research, policy, and investment to support sustainable innovation in the agri-food sector.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,016 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».