Flavour over preservation: a label analysis examining the use of food additives in animal-based foods marketed in Brazil
Notice bibliographique
Résumé
Packaging animal-based foods often necessitates the use of additives for preservation. No study has yet focused on the usage of food additives across different animal-based foods. This study aimed to examine food additives declared on labels of animal-based foods (n = 1702) sold in Brazil. Data was collected through a census of food labels conducted in a supermarket in 2020. The number and prevalence of additives were determined by functional class, food group, and food subgroup. Additives were identified in 71% of the analysed labels. Excluding fresh foods, the prevalence of additives was 84%. The food groups with the highest prevalence of additives were dairy products (89%), ready-to-eat dishes (88%), and animal fats (60%). A total of 240 different food additives were identified, with a median of three additives per food. The most reported functional classes across all food groups were flavourings (20%), stabilisers (19%), preservatives (14%), and colourings (9%). These results showed that additives were primarily used for sensory reasons, such as altering taste, smell, colour, and texture, rather than for preservation purposes. These findings may promote discussions and a review of regulations on the use of food additives in animal-based foods.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».