Податоци за сензорна анализа — Вештачка интелигенција во инженерството за храна

Добивки:

Способност да се интерпретираат типови на сензорни панели, хедоничко/описно тестирање и доверливост на панелисти
Способност да се подготви резиме на сензорни податоци, екстракција на тема и статистичка интерпретација со вештачка интелигенција
Способност да се потврди статистичка интерпретација на вештачката интелигенција со необработени панел-податоци и пробен дизајн

Вие сте во лабораторијата за истражување и развој за ново развиен овошен јогурт со низок шеќер. Маркетинг тимот прашува „дали им се допаѓа на потрошувачите? тој прашува, а производството прашува: "Дали може да се разликува од референтниот производ?" се прашува тој. Тој има хедонски формулари од 9 точки пополнети од 60 панелисти на потрошувачи, резултати од QDA од обучен описен панел од 8 лица и резултати од тест за дискриминација на триаголник. Стотици редови со необработени резултати во Excel, плус поле за коментари со отворен крај за секој панелист. Изгледа примамливо да се праша асистент за вештачка интелигенција „да ги сумира овие податоци, дали им се допаѓаат на потрошувачите? Во оваа единица, ќе проучуваме како правилно да ги читаме сензорните податоци, да користиме вештачка интелигенција за резиме и екстракција на теми и што е најважно, да ја потврдиме статистичката интерпретација на вештачката интелигенција со необработени панелни податоци и пробен дизајн.

Видови сензорни тестови: поставете го вистинското прашање со вистинскиот тест

Најчеста грешка во сензорната анализа е да се помеша типот на прашањето со типот на тестот. Има три големи семејства и секое одговара на различно прашање.

Хедонски (афективни) тестови: "Колку се допадна?" одговара на прашањето. Класичниот инструмент е хедонската скала од 9 точки (1 = крајно не ми се допаѓа, 5 = ниту ми се допаѓа ниту не ми се допаѓа, 9 = исклучително ми се допаѓа). Панелистите се необразовани потрошувачи; Целта е да се измери прифаќањето/преферирањето. Општо земено, потребен е панел од 50-100 луѓе.
Описни тестови (QDA): "Кои карактеристики ги има производот и со каков интензитет?" одговара на прашањето. Обучен панел од 8-12 луѓе ги оценува карактеристиките што ги опишуваат (на пр. „кремаста конзистентност“, „киселост“, „овошен вкус“) на скала на интензитет од 0-15. Не мери лајкови, креира профили.
Тестови за дискриминација: „Дали двата производи се перцептивно различни? одговара на прашањето. Во тестот за триаголник, три примероци се дадени на панелот; два се исти, еден е различен, а панелистот го избира „различниот“. Идеален за тестирање дали е забележлива промена во формулацијата.

Совет: Пред да го изберете тестот, пополнете ја вашата реченица: „Сакам да знам дали ___“. Ако јазот е „дојден“, користете хедонски тест, ако е „различен“, користете тест за дискриминација, а ако „силно во која карактеристика“, користете описен тест. Ако не ја наведете оваа цел кога ги давате податоците на вештачката интелигенција, резимето ќе биде врамено на погрешен начин.

Доверливост на панелисти и пробен дизајн

Пред да можете да им верувате на необработените резултати, мора да му верувате на самиот панел. Неколку основни принципи:

Слеп тест: Панелистот не треба да знае кој примерок е „новиот производ“, а кој е „референцата“. Примерите се претставени со 3-цифрени случајни кодови (на пр. 417, 682).
Надомест за нарачката за презентација: Првиот вкусен примерок е генерално поволен (пристрасност во првиот примерок). Редоследот на презентација треба да биде избалансиран/рандомизиран меѓу панелистите.
Повторување: ако истиот панелист повторно го постигне истиот примерок со различни кодови, можете да ја измерите конзистентноста (повторливост). Во описниот панел, неконзистентниот панелист е преквалификуван или исклучен.
Референтна проверка: Ако има два идентични примероци претставени на слепо и панелистот ги бодува многу поинаку, податоците на тој панелист се сомнителни.

Пример резиме на хедонски податоци

Подолу е збирна табела на хедонскиот тест за 60 панелисти. Споредување на новата формула (шифра 417) со референцата (шифра 682).

карактеристика

Нова формула (417) просечно.

Референца (682) сред.

Std. отстапување (417)

Општа благодарност

7.1

7.4

1.3

Вкус/арома

6.8

7.3

1.5

конзистентност

7.3

7.2

1.1

Изглед

7.6

7.5

0,9

Намерата за купување (%)

58%

65%

Лесно е да се погледне оваа табела и да се каже „референцата е малку подобра, но разликата е мала“. Но, дали средната разлика од 0,3 е статистички значајна или бучава? Ова е местото каде што вештачката интелигенција произведува најмногу халуцинации.

Резиме, екстракција на теми и изготвување статистичка интерпретација со вештачка интелигенција

Можете да користите вештачка интелигенција како забрзувач за три задачи: изготвување нумерички апстракти, извлекување теми од отворени коментари и изготвување статистички толкувања. Но, во сите три, излезот е нацрт, а не одлука.

Моќно барање за извлекување теми од отворени коментари:

Улога: Вие сте сензорен аналитичар. Подолу се отворени коментари од 60 потрошувачи за овошен јогурт со низок шеќер (шифра 417). Ваша задача: 1) Групирајте ги коментарите во 5-7 теми (на пр. сладост, киселост, текстура, вкус на овошје).2) ИСМЕТАЈ колку коментари се позитивни/негативни/неутрални за секоја тема и напишете го бројот.3) Додајте директни цитати, сумирајте. НЕ измислувајте тема што не е спомната во коментарите.4) НЕ ИЗВЛЕЧУВАЈТЕ статистички заклучоци; Ова е квалитативно резиме. Излез како табела: | Тема | Позитивни | Негативни | Неутрален | Примерок на изјава |Коментари:[60 коментари залепени овде]

Сега да ја видиме разликата помеѓу слабата и силната брзина во статистичкото толкување:

СЛАБ ПРЕСТАВ: „Анализирај ги овие сензорни податоци, кажи ми дали новиот производ е подобар од референцата“. (АИ МОЖЕ да состави „да, подобро е“ или „има значајна разлика“ без да се знае големината на примерокот, типот на тестот, p-вредноста.) СИЛНО ПРЕКЛУЧУВАЊЕ: „Подолу се дадени необработените резултати на хедонскиот тест од 9 точки со 60 панелисти (колони 417 и 682). SPSS/R - Кој тест е соодветен и зошто (спарен или независен) - Како да ја поставам интерпретацијата поинаку ако излезе нумеричка рамка за толкување?

Моќното известување го прави советник за методот на вештачка интелигенција; Ти го пресметуваш бројот.

Статистичка значајност и валидација на примерокот

Да речеме дека резимето на вештачката интелигенција пишувало „новиот производ е оценет значително понизок од референцата“. Треба да го потврдите ова со необработени податоци. Ајде да ја видиме логиката на спарениот t-тест со едноставна пресметка:

увезете numpy како npfrom scipy увоз статистика# вкупни резултати на допаѓање на 60 панелисти (9-точка хедонска)new = np.array([7,8,6,7,7,6,8,7, ...]) # код 417, n=60референца = np.array([8,7,7, ...) 682, n=60# Истиот панелист ги постигна двата производа -> спарен t-testit_stat, p_value = stats.ttest_rel(new, reference)difference = new.mean() - reference.mean()print(f"Средна разлика: {разлика:.2f} резултат.")print(f"t = {ttest_state. Коментар: Ако p >= 0,05, тоа значи „нема статистички значајна разлика“.

Критична точка овде: средната разлика од 0,30 поени може да испадне незначителна со p = 0,18. Изјавата на АИ дека „референцата е подобра“ е толкување што не е статистички поддржано. Кога ја донесувате вашата одлука, треба да ги погледнете p-вредноста, големината на примерокот и претпоставките на тестот, а не само средната вредност.

Внимание: LLM може да произведат дефинитивни изјави како „p<0,05, разликата е значајна“ дури и кога не им се дадени необработени нумерички податоци. Ова е халуцинација. Не пишувајте никакви p-вредности, значајни коментари или пресуди „допаднаа на потрошувачите“ во извештајот врз основа на текстот на вештачката интелигенција; повторно пресметајте во вашиот сопствен статистички софтвер (R, SPSS, JASP, Python).

мини футрола

Во една компанија за пијалоци, сензорниот тим проценува нова формула која го намалува шеќерот во сокот од портокал за 15%. Тимот спроведува хедонски тест од 9 точки со 90 потрошувачи и ја дава суровата слика на вештачката интелигенција за да ги сумира резултатите. Извештајот за вештачка интелигенција вели „новата формула значително помалку се допадна (p<0,05)“ и тимот одлучи да ја укине формулата. Виш инженер ги повторува необработените податоци во R: вистинска разлика 7,0 наспроти 6,8, p = 0,31 - така што нема значајна разлика. Притоа, се забележува дека редоследот на презентација не е избалансиран, новата формула секогаш се вкусува на второ место и на неа влијае замор на вкус (адаптација). И ВИ ја сочинуваше p-вредноста и не успеа да ја забележи пробната грешка во дизајнот. Тимот го повторува тестот со избалансиран дизајн, а формулата со низок шеќер е прифатена. Свртувањето кон необработени податоци спаси добар производ од фрлање.

Вообичаени грешки

Збунувачки хедоничко (лајкување) тестирање со описно (профил) тестирање; Да се каже „висок резултат на киселост“ не значи дека не се допаѓа.
Внесување на изјавата за p-вредност или „значајна разлика“ смислена со вештачка интелигенција во извештајот без да се направи сурова пресметка.
Игнорирање на големината на примерокот; Генерализирање „тоа им се допадна на потрошувачите“ од хедонски тест од 12 лица.
Не балансирање на редоследот на презентација и превидување на пристрасноста за замор од прв примерок/вкус.
Дозволувајќи им на панелистите да знаат кој примерок е „новиот производ“ без слепо тестирање.
Неуспехот да се осигура дека вештачката интелигенција ги сумира отворените коментари против генерирање измислени цитати/теми.
Пондерирање на сите резултати подеднакво без проверка на веродостојноста на панелистите (конзистентност на слепи дупликати).

Сумирано

Во сензорниот тест, прво определете го прашањето: користете хедонски тест за вкус, тест за триаголник за разлика, описен тест (QDA) за профил.
Верувајте му на панелот пред да им верувате на необработените резултати: проверете ја веродостојноста со слепо тестирање, балансирање на редоследот на презентацијата, повторување и слепо дупликат.
Користете вештачка интелигенција за нумеричко резиме, екстракција на теми од отворени коментари и советување со статистички методи; но излезот е нацрт.
Просечната разлика не е иста со статистичката значајност; Малите средни разлики може да се покажат како незначителни со p-вредност.
Вештачката интелигенција може да произведе p-вредност, толкување на значењето и халуцинација на расудувањето „палците нагоре“; Повторно пресметајте го секој статистички резултат со необработени податоци во вашиот сопствен софтвер.
Одлука за финален производ/формула; Потврдената статистика, робусниот дизајн на пробите и веродостојноста на панелистите се разгледуваат заедно, не засновани на текст со вештачка интелигенција.

Задача за апликација

Дизајнирајте хедонски тест од 9 точки и тест за триаголник за 40-60 панелисти на самопроучен или хипотетички производ (на пр., супа со намалена сол, колач без глутен). Напишете го дизајнот на вашиот експеримент: колку панелисти, слепо кодирање, план за балансирање на редот на презентација и дали ќе користите слепи дупликати. Создадете реална табела со необработени податоци (најмалку 20 редови) и дајте ѝ на AI две различни потсетници: (1) екстракција на тема од коментари со отворен тип, (2) совети за статистички метод (експлицитно побарајте да не се надополнува p-вредноста). Потоа извршете го спарениот t-тест во Python/R/JASP и споредете го со толкувањето на вештачката интелигенција. Во белешка од една страница: Објаснете која од изјавите на вештачката интелигенција сте ја потврдиле, кои сте ги побиле со необработени податоци и на што сте ја засновале вашата одлука за конечниот производ. Во вашата белешка, опишете барем еден ризик од пристрасност во дизајнот на вашиот тест и како сте го намалиле.