Beef and Lamb carcass grading to underpin consumer satisfaction
Notice bibliographique
Résumé
Le « Meat Livestock Australia » et l’INRA ont organisé un congrès international sur la prédiction de la qualité sensorielle de la viande bovine et ovine pour le consommateur. Durant deux jours, 19 présentations ont souligné que, de nos jours, la viande de ruminant doit répondre aux attentes gustatives des consommateurs qui achètent de la viande rouge pour leurs repas. L'accent a été mis sur le système de prédiction de la qualité MSA (pour Meat Standards Australia) qui a été conçu comme un système de prévision de la qualité sensorielle pour les viandes cuites à consommer dans diverses occasions sans pour autant nécessiter de connaissances spécifiques de la part des consommateurs. Ce congrès a reconnu unanimement la nécessité d’un tel système de prédiction de la qualité des viandes bovines et ovines afin de fidéliser les acheteurs parfois tentés de consommer des viandes blanches moins chères. Les 80 participants au congrès de 17 pays (Australie, Brésil, Canada, Chine, République tchèque, Danemark, France, Italie, Japon, Irlande, Pologne, Portugal, Afrique du Sud, Espagne, Thaïlande, Royaume-Uni, USA) ont travaillé de façon dynamique et collective. En effet, il a été décidé de créer un groupe de travail international avec les pays actuellement impliqués tout en étant ouvert à de nouveaux partenaires afin de mettre en oeuvre les recommandations issues du congrès.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».