06/04/2026
感官科學能解釋飲食文化嗎?這篇研究既然觸及了飲食文化的風味特徵,我就以這個角度來詮釋研究的結論:
1. 風土印記:風味的歸屬感
風味並非分子的隨機組合,而是土地與生活的映射。每一口味道都帶有鮮明的地緣特徵,讓感官在數據中找到了清晰的「歸屬」。
2. 文化指紋:中國風味的獨特性
中國風味在分子層面展現出極強的辨識力與完整性。它如同一枚獨特的「文化指紋」,在數據模型中自成一格,是難以被輕易混淆的文化底蘊。
3. 味覺橋樑:跨國界的共鳴
數據打破了文化孤島的想像。中、美風味的重疊訊號,證明了風味具備跨越國界的潛力,讓不同背景的人都能在餐桌上找到共鳴的基石。
——————————————
感官認識學 第一堂課 新時代的感官圖譜
課程連結:
https://www.facebook.com/share/1BFFRHszNc/?mibextid=wwXIfr
#風味散策
#感官認識論
[感官趨勢019]
跨越國界的分子美味:大數據揭示中、美、德風味偏好之謎
【學術前沿報導】 飲食決策是一個受文化深度影響的複雜過程。近期發表於國際期刊《Foods》的一項研究指出,透過分析大規模線上食譜數據,研究人員已成功在分子層面上解碼不同文化間的風味偏好 。該研究針對中國、美國及德國三大文化區域,利用機器學習技術揭示了跨文化風味的差異性與潛在的共通模式。
分子映射:從食材到化學化合物的精準分析
研究團隊捨棄了傳統的食物配對理論,改採更為微觀的「分子映射」法 。透過將食材對接至授權數據庫(FlavorDB),研究人員分析了 2,254 種風味分子與食材間的關聯。
大規模樣本分析:研究從中國的「下廚房」、美國的「Allrecipes」及德國的「Kochbar」三大門戶網站中,各隨機抽取 25,000 篇食譜作為分析樣本。
數據向量化處理:利用 TF-IDF 與 Word2Vec 技術將食譜轉化為數學向量,藉此量化食材頻率與風味特徵。
機器學習建模**:研究採用邏輯回歸(LOG)與隨機森林(RF)等演算法進行分類任務,其中 TF-IDF 向量在預測任務中表現最為卓越 。
---
核心發現:中國風味的獨特性與中美間的奇妙連結
實驗結果顯示,不同文化間的風味特徵具有顯著的辨識度。
1. 來源判別準確度:訓練後的模型在區分食譜來源國家的三分類任務中,達到 77% 的準確度(隨機基準僅為 33.3%) 。
2. 文化獨特性:中國食譜在食材使用與風味組成上展現出最強的獨特性,機器識別的準確率(81%~84%)高於美國(75%~79%)與德國(72%~80%)。
3.跨文化共通性:研究發現中國與美國用戶在風味偏好上存在潛在的相似性,而德國則展現出較為孤立的偏好模式 。
甜與鹹的博弈:跨文化偏好的具體傾向
透過構建食材互補網路(Ingredient Complement Networks),研究進一步分析了各文化對「甜」與「鹹」味的接受程度。
美國市場:Allrecipes 用戶展現出對鹹味食譜的強烈偏好,其在受歡迎(Appreciated)食譜中佔比達 60% 。反之,甜味食譜在不受歡迎(Less appreciated)的組別中佔比高達 75% 。
德國市場:Kochbar 用戶偏好則呈現相反趨勢。受歡迎的食譜中包含較多如巧克力、杏仁等甜味特徵食材(甜味化合物比例達 0.58)。
中國市場:下廚房用戶對甜味與鹹味食譜的偏好分布較為均衡,反映出多元且包容的風味結構。
產業應用:優化跨文化食品推薦系統
此項研究為食品科技與餐飲產業提供了重要的實踐指導。
個人化推薦:開發者可將文化背景作為關鍵的情境因子,優化食品推薦演算法,使其更符合在地風味期待。
風味協同過濾:基於跨文化共通性(如中美偏好信號),可協助企業在不同市場間進行產品定位與推廣 。
產品研發支持:透過分子級別的建模,研發團隊能更精準地掌握「品質穩定」與「風味吸引力」之間的科學數據 。
Zhang, Q., Elsweiler, D., & Trattner, C. (2025). Decoding Global Palates: Unveiling Cross-Cultural Flavor Preferences Through Online Recipes. *Foods*, *14*(8), 1411. (https://doi.org/10.3390/foods14081411)