MétaCan
Menu
Back to cohort
Record W2887850400 · doi:10.24323/akademik-gida.449600

Kırmızı ve Yeşil Mercimekten Elde Edilen Diyet Liflerinin Karakterizasyonu ve Fonksiyonel Özellikleri

2018· article· tr· W2887850400 on OpenAlex

Why this work is in the frame

A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.

affAt least one author lists a Canadian institution in the pinned OpenAlex snapshot.

Bibliographic record

VenueAkademik Gıda · 2018
Typearticle
Languagetr
FieldAgricultural and Biological Sciences
TopicSensory Analysis and Statistical Methods
Canadian institutionsStantec (Canada)
Fundersnot available
KeywordsMedicine

Abstract

fetched live from OpenAlex

Bu çalışmada, kırmızı ve yeşil mercimeklerin içerdikleri diyet liflerinin taneden izole edilmesi ve mercimek diyet liflerinin gıda ürünlerinde fonksiyonel bileşen olarak kullanılabilirliğinin belirlenmesi amaçlanmıştır. Mercimekteki diyet liflerini (kabuk diyet lifleri, çözünür olmayan kotiledon diyet lifleri ve çözünür kotiledon diyet liflerini) elde etmek üzere üç farklı yöntem uygulanmıştır. Elde edilen liflerin kompozisyonu ve verimi yanı sıra su tutma kapasitesi, yağ tutma kapasitesi, emülsiyon oluşturma kapasitesi ve şişme kapasitesi gibi fonksiyonel özellikleri araştırılmıştır. Ayrıca, elde edilen liflerin termal özellikleri de Diferansiyel Taramalı Kalorimetre (DSC) cihazı ile belirlenmiştir. Yeşil mercimek ununun %6.83’ü kabuk diyet lifi, %1.78’i çözünür olmayan kotiledon diyet lifi, %8.00’i ise çözünür kotiledon diyet lifi olarak izole edilmiştir. Kırmızı mercimek ununun ise %5.16’sı kabuk diyet lifi, %0.62’si çözünür olmayan kotiledon diyet lifi, %7.08’i çözünür kotiledon diyet lifi olarak izole edilmiştir. Kotiledon unundan çözünür olmayan diyet lifi eldesinin kırmızı mercimekte yeşil mercimeğe göre daha düşük verimli olduğu görülmüştür. Yeşil mercimekten elde edilen liflerde toplam diyet lifi içerikleri; kabuk lifleri, çözünür kotiledon diyet lifleri ve çözünür olmayan kotiledon diyet lifleri için sırasıyla; %23.76, 11.51 ve 72.81 olarak bulunmuştur. Kırmızı mercimek için ise sırasıyla; %20.30, 11.06 ve 43.68 olarak elde edilmiştir. Diyet liflerinin fonksiyonel özellikleri incelendiğinde, çözünür olmayan kotiledon diyet liflerinin diğer izole diyet liflerine kıyasla daha yüksek su tutma, yağ tutma ve şişme kapasitesi gösterdiği belirlenmiştir. Emülsiyon oluşturma kapasiteleri mercimek diyet lifleri için genel olarak zayıf bulunmuştur, ancak çözünür kotiledon diyet liflerinin emülsiyon oluşturma kapasitelerinin çözünür olmayan kotiledon diyet lifleri ve kabuk diyet liflerine kıyasla daha yüksek olduğu görülmüştür.

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.

Full frame distilled prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.

metaresearch head score (Codex)0.001
metaresearch head score (Gemma)0.001
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesMeta-epidemiology (narrow), Insufficient payload (model declined to judge)
Consensus categoriesInsufficient payload (model declined to judge)
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Not applicable · Consensus signal: none
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.555
Threshold uncertainty score1.000

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0010.001
Meta-epidemiology (narrow)0.0010.000
Meta-epidemiology (broad)0.0010.001
Bibliometrics0.0000.001
Science and technology studies0.0010.001
Scholarly communication0.0000.000
Open science0.0010.000
Research integrity0.0010.001
Insufficient payload (model declined to judge)0.0120.004

Machine scores (provisional)

The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.

Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.

Opus teacher head0.058
GPT teacher head0.311
Teacher spread0.253 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it