[论文解读] Geometric and statistical techniques for projective mapping of chocolate chip cookies with a large number of consumers

David Orden, Encarnación Fernández‐Fernández+2 more|arXiv (Cornell University)|Aug 24, 2020

Sensory Analysis and Statistical Methods参考文献 40被引用 11

一句话总结

本研究提出一种结合图论与统计距离分析的新型混合方法，用于项目映射（Projective Mapping）分析，数据来自349名未经训练的消费者对九种巧克力曲奇的评价。该方法——基于成对距离的SensoGraph——在稳定性与一致性方面表现优异，与MFA和SensoGraph-Gabriel方法相当，且在约200名消费者时达到0.95的稳定性阈值，证明即使在大规模、未经训练的评价小组中也具有鲁棒性。

ABSTRACT

The so-called rapid sensory methods have proved to be useful for the sensory study of foods by different types of panels, from trained assessors to unexperienced consumers. Data from these methods have been traditionally analyzed using statistical techniques, with some recent works proposing the use of geometric techniques and graph theory. The present work aims to deepen this line of research introducing a new method, mixing tools from statistics and graph theory, for the analysis of data from Projective Mapping. In addition, a large number of n=349 unexperienced consumers is considered for the first time in Projective Mapping, evaluating nine commercial chocolate chips cookies which include a blind duplicate of a multinational best-selling brand and seven private labels. The data obtained are processed using the standard statistical technique Multiple Factor Analysis (MFA), the recently appeared geometric method SensoGraph using Gabriel clustering, and the novel variant introduced here which is based on the pairwise distances between samples. All methods provide the same groups of samples, with the blind duplicates appearing close together. Finally, the stability of the results is studied using bootstrapping and the RV and Mantel coefficients. The results suggest that, even for unexperienced consumers, highly stable results can be achieved for MFA and SensoGraph when considering a large enough number of assessors, around 200 for the consensus map of MFA or the global similarity matrix of SensoGraph.

研究动机与目标

• 开发并验证一种新型混合方法，用于分析基于图论与统计距离的项目映射数据。
• 评估由大规模未经训练消费者（n=349）产生的感官共识图的稳定性。
• 比较多重因子分析（MFA）、基于Gabriel聚类的SensoGraph与一种新型基于成对距离的SensoGraph变体的性能。
• 评估在使用未经训练参与者进行项目映射时，获得稳定、可靠感官图所需的最少消费者数量。
• 提供一个公开可获取的大规模消费者研究数据集，以支持未来的方法论研究。

提出的方法

• 提出SensoGraph的一种新变体，使用样本间的成对欧几里得距离代替Gabriel图聚类来构建全局相似性矩阵。
• 通过100次随机重采样（n=10至n=349）的自助法（bootstrapping）评估结果的稳定性。
• 使用RV系数衡量重采样小组与完整小组在MFA中生成的共识图之间的一致性。
• 使用Mantel系数衡量重采样小组与完整小组在SensoGraph中生成的全局相似性矩阵之间的相似性。
• 对完整数据集执行多重因子分析（MFA），以生成消费者感知的共识图。
• 通过检查盲样重复（样本2与样本5）是否位置接近来验证结果的可靠性，以反映方法的有效性。

实验结果

研究问题

• RQ1 基于成对距离的混合几何-统计方法是否能相比MFA与SensoGraph，提升项目映射结果的稳定性和一致性？
• RQ2 在项目映射中，达到稳定感官共识图所需的未经训练消费者最少数量是多少？
• RQ3 在MFA、SensoGraph-Gabriel与新型SensoGraph-距离方法之间，稳定性度量（RV系数与Mantel系数）的比较结果如何？
• RQ4 未经训练的消费者在评价市售巧克力曲奇时，能否产生可靠且一致的感官图？
• RQ5 所提出的方法是否能可靠识别盲样重复，从而作为方法论有效性的基准？

主要发现

• 使用成对距离的新型SensoGraph变体在约200名消费者时达到0.95的Mantel系数，表明具有高度稳定性。
• MFA在使用前两个维度时，约在200名消费者时达到0.95的RV系数阈值；使用四个维度时，150名消费者即可达到该阈值。
• 基于Gabriel聚类的SensoGraph需要约300名消费者才能达到0.95的Mantel系数阈值，表明其稳定性低于新型基于距离的变体。
• 三种方法——MFA、SensoGraph-Gabriel与SensoGraph-距离——均产生相同的样本分组，且盲样重复（样本2与样本5）位置最近。
• 结果表明，当样本量超过约200名时，即使对于巧克力曲奇等复杂食品，未经训练的消费者也能生成稳定可靠的感官图。
• 本研究提供了来自大规模消费者研究（n=349）的公开数据集，支持结果的可重复性与未来的方法论验证。