Sensory characterization of conifer-based extracts in a culinary use perspective
Notice bibliographique
Résumé
Wild foods have increased in popularity among Quebec’s chefs and the general public. Tree products, such as conifer needles and buds, are abundant resources that are very characteristic of Quebec’s forests. They are underutilized in culinary applications despite their great flavour potential. The purpose of this study was to characterize the sensory properties of conifer-based extracts for culinary purposes. The extracts’ sensory properties were characterized by chefs and student chefs. In addition, suggestions for their culinary value were collected in order to further encourage the use of conifer products in cooking. Needles and buds from three conifer species (Balsam fir, White spruce, Black spruce) were prepared following three methods: aqueous (maceration [4°C-48h], decoction [100°C-1min]) or lipid (sous-vide [55°C-90min]) extraction methods. Projective mapping combined with ultra-flash profiling was performed. Respondents specifically focused on odours and aromas. Culinary arts teachers and advanced students (n=21) evaluated 14 samples. Standard projective mapping data analysis methods (lemmatizing, semantic clustering) were applied, using R-packages (SensoMineR, FactoMineR and Factoshiny) for statistical procedures. The descriptors were grouped based on categories from existing sensory vocabularies, and systematic differences between samples as a function of extraction method, tree part and tree species were seen (See figure). Lipid extracts were described with roasted, milky, fresh herbs notes and saltiness, while aqueous extracts were woodsy, resinous, earthy, bitter and astringent. Needles extracts were sweet, acidic with fruity and confectionery/pastry notes, whereas buds extracts were herbaceous (aromatic herbs, dry herbs, leaves). Black spruce buds maceration and Balsam fir needles maceration were the most frequently identified to have good culinary potential, with 57 and 47% of participants, respectively. Varied proposals for culinary uses were collected, ranging from incorporation in an emulsion or a sauce to accompany halibut or duck, to use in a sorbet or a cranberry cocktail.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».