介紹
新的 SCAA 咖啡品鑑師風味輪背後的科學故事非常引人入勝。這個故事包括明星陣容，包括世界咖啡研究 (WCR)、堪薩斯州立大學 (KSU)、德克薩斯農工大學 (TX A&M)、加州大學戴維斯分校 (UC Davis)，以及 SCAA 的主要成員和志願者。它強調了研究 SCAA 確定了需要、開創和解釋，導致備受期待的風味輪的修訂，我們都知道和喜愛了 20 多年。 SCAA 致力於其成員——以及整個行業的進步——參與越來越多的數據驅動和科學方法，這促使我們尋找經得起時間考驗並基於紮實科學研究的解決方案.我們對結果非常滿意，並希望您對這一寶貴的新資源同樣充滿熱情。
什麼是風味輪？
風味輪由以圓形形式排列的單詞組成。為什麼我們不使用風味樹或風味金字塔或風味選擇您自己的冒險？這似乎與第一個風味輪有關，該輪在 1970 年代後期由化學家 Morten C. Meilgaard 博士（Meilgaard 等人 1979）開發，用於啤酒。緊隨其後的是 1980 年代中期，加州大學戴維斯分校的 Ann C. Noble（Noble 等人 1987；Noble 等人 1984 年）的葡萄酒。從那時起，許多其他行業也紛紛效仿，包括我們自己的行業。車輪中使用的詞用於圍繞產品或產品類別創建詞彙表，標準化培訓，並促進圍繞風味和感知的一般討論。輪子在品酒師、設施、出口商和進口商以及消費者之間提供關於產品的清晰和共同的交流，僅舉幾例。
要創建風味輪，您需要單詞並且需要排列它們。事實證明，有很多方法可以做到這一點。許多現有的輪子沒有將科學研究作為其開發的一部分。有些是基於行業或貿易團體的共識，有些是由個人創造的。最初的 SCAA 輪是使用這些方法中的一些方法創建的。幾年前，SCAA 很容易通過一個特別的特別委員會來修改輪子。畢竟，這符合我們車輪的起源，也是許多其他車輪繼續被創造出來的方式。根據我過去幾年對這個主題的研究，似乎咖啡行業在全心全意和普遍採用一個輪子方面頗為獨特，這讓我們在提高咖啡質量方面做了很多有意義的工作。或許這是因為最初的 SCAA 輪子由 Ted Lingle 於 1995 年問世——在特色食品和飲料輪子領域相對較早。為此，泰德獲得了巨大的讚譽。在我對這個主題的研究中，我發現很少有其他的輪子植根於科學探究。一些值得注意的輪子也源於感官詞典（Lawless 等人 2012；Noble 等人 1987；Koch 等人 2012 年；Suffet 等人 1999 年；Gawel 等人 2000 年）。然而，沒有其他輪子使用我們將在下面詳述的方法，因此我們進行了開創性的研究。
對於構成輪子的詞，您現在可能已經知道 SCAA 採用了世界咖啡研究 (WCR) 感官詞典。這是一項開創性的研究，由 KSU 和 TX A&M 的感官科學家及其訓練有素的小組領導。您都可以閱讀有關作品、感官描述性分析、訓練有素的面板，並查看已發布的詞典以了解更多相關信息。我個人鼓勵您閱讀 WCR 發表的一些內容豐富的文章， WCR 感官詞典是什麼,它不是什麼，最後， 如何使用它來推進咖啡研究.附帶說明一下，如果您喜歡 WCR 在這裡取得的成就，我鼓勵大家參與資助未來的研究。作為咖啡烘焙師，有一種非常簡單的方法可以改變現狀，那就是通過 檢查程序.
由此，您知道感官描述分析是一種強大的工具，可以提供產品的文字描述和比較產品感官異同的定量基礎（Meilgaard 等 2007；Stone 等 2012）。今天，它是感官科學中最強大、定量、複雜和廣泛使用的方法之一。描述產品的感官特徵有助於做出明智的業務決策、指導產品開發、進行基準測試、質量控制和跟踪產品隨時間的變化。它在學術研究方面也很有價值，它可以建立與分析測量的相關性，從而更好地了解風味背後的機制。創建詞典是此過程的第一步（Lawless and Civille 2013）。使用這種方法進行研究將使我們能夠將特定變量與風味的特定變化聯繫起來（即建立因果關係）。對我來說，這意味著我們最終將能夠開始解決咖啡行業的一些核心教條，即為什麼咖啡的味道如此。這是令人興奮的進步。
在了解了 WCR Sensory Lexicon 的力量和潛力之後，我們知道我們想要採用和推廣它作為一個協會。行業可以而且應該立即接受詞典的各個方面，包括詞彙、定義和標準參考的基本使用，以校準咖啡品嚐者。因此，SCAA 看到了修改 Coffee Taster's Flavor Wheel 的絕佳機會。 WCR 的研究實力清楚地表明，使 SCAA 風味輪與詞典兼容並為咖啡行業帶來新工具至關重要。隨著 WCR 感官詞典的定稿，我們有了描述風味屬性的詞。我們所沒有的是關於如何在輪子上排列單詞的信息。即使在詞典的開發過程中，將屬性歸入類別通常也是基於小組意見，根據對該過程的審查，這不是詞典開發的嚴格或重要部分（Lawless and Civille 2013）。這些信息給我們留下了很多問題。畢竟，我們不想採用最科學的咖啡風味資源並濫用它，或者乾脆閉門決定如何放置這些詞。我們想找到一種方法，以與創建詞典相同的尊重、勤奮和科學來對待詞典的排列。因此，我們著手探索感官科學的前沿。沒錯——大膽去往前無人去過的地方。
事實上，感官科學是一門年輕且發展迅速的學科。來自我自己在完成加州大學戴維斯分校的學習 應用感官和消費者科學證書課程 我了解到，這個領域的發展速度似乎與科技世界一樣快，這並非巧合。隨著技術、統計和信息管理以更有效的方式使用，可供科學家使用的數據收集工具、軟件和分析技術的數量呈指數級增長。 SCAA 需要一個願意創造性思考並進行紮實研究的研究合作夥伴，以幫助我們了解如何在層級/級別以及位置方面安排詞典。鑑於加州大學戴維斯分校進行的感官科學研究享譽世界，以及我們與校園咖啡計劃的持續關係，我們聯繫了食品科學和技術部門，看看是否有任何感官科學實驗室可以開展這個項目。 Jean-Xavier Guinard 博士和他的博士生 Molly Spencer 接受了挑戰。
加州大學戴維斯分校詞典排序研究
在與 Molly 和 Jean-Xavier Guinard 博士進行了一些討論後，很明顯，沒有任何預先存在的“千篇一律”感官科學方法對於我們想要完成的目標來說是立即合適或可行的。因此，Guinard 博士和 Molly 開始工作，檢查其他已發表的研究，進行背景研究，並對我們非常具體的問題集思廣益。他們確定可以使用改進的自由多重排序方法來理解詞典風味屬性之間的關聯和關係。通過這種方式，我們可以了解行業如何看待這些術語，以及訓練有素的感官描述小組成員將如何對這些詞典屬性進行分組。為了量化層次分組，加州大學戴維斯分校的研究人員創建了一個在線程序供參與者遠程使用，該程序將繪製出所有關聯詞典屬性的實例。最後，我們將了解主要風味類別（或輪子的層/級別）應該是什麼，以及哪些風味類別顯示出關係，表明它們可以圍繞輪子彼此相鄰放置。
排序練習
排序是一種分類方法。畢竟，將事物分組是人類思維中最常見的操作之一（Coxon 1999）。自由排序程序最初也是作為單詞排序創建的（Steinberg 1967），但後來被用於感官分析（Lawless 等人 1995）。對於我們當前的項目，雖然我們將要分類的變量（屬性）基於咖啡的感官評價（品嚐），但分類練習只是詞彙之一，不包括品嚐。通過這種方式，我們的分類練習是根據參與者的經驗進行的。
在自由多重分類 (FMS) 方法中，傳統上要求評估員以對他們個人而言有意義的方式將食品或其他產品樣品分為多個組。他們將樣本分類為主題選擇的組/類別數（Coxon 1999；Dehlholm 等人 2012）。在執行任務時，評估員可以對同一樣本集進行額外的排序，直到他們覺得已經涵蓋了所有排序的可能性（Steinberg 1967）。在我們的研究中，我們修改了方法，因此不是自己對食物樣品進行分類，而是要求小組成員將屬性（帶有定義）分類到類別和子類別中，並且每個小組成員只完成一次分類任務。此外，小組成員將以分層方式將屬性分為類別和子類別，直到他們覺得沒有更多的子類別需要排序。創建了一個用戶友好的 Web 界面（參見圖 1）以允許對 99 個屬性進行簡單、高效的排序。然後，用戶將看到說明和屬性列表，每個都在最右側帶有一個信息氣泡，並帶有一個滾動彈出窗口，其中包括 KSU 和 TX A&M 定義的該屬性的定義/描述。如果小組成員不清楚詞典中某個詞的含義，他們可以滾動信息氣泡以訪問定義。參與者能夠將屬性拖放到類別和子類別中，因為他們認為需要盡可能多的層次級別。
由於要排序的屬性數量多，專家小組成員的數量比大多數感官描述方法（72 名小組成員）高，以及本實驗的最終目標（風味輪），因此確定每個小組成員僅完成排序任務一次。這種方法是從典型的 FMS 方法修改而來的，在這種方法中，少數描述性小組成員 (8 – 15) 每個人可能對同一樣本集執行相同的排序任務多次，直到他們覺得他們已經用盡了排序的可能性。多次分揀會導致需要分揀的 99 個項目的小組成員感到疲勞，並且需要考慮感官專業知識和咖啡行業專業知識，因此新風味輪的最佳利益是容納大量參與者包括來自兩個領域的投入、經驗和專業知識。排序完成後，我們重點進行了三個統計分析，以幫助我們了解結果。
圖 1. 9 個（共 99 個可能的）屬性的已完成排序任務的示例用戶界面。
我們有兩個研究組，最終能夠根據結果將其分組為一個群體。第一組由 29 名經過培訓、經驗豐富的感官小組成員組成，他們在加州大學戴維斯分校從事巧克力和葡萄酒小組工作。這些小組成員不需要接受過專門的咖啡培訓，但他們都參與了感官研究，並接觸了咖啡清單上的大部分風味屬性。他們收到書面說明，從他們的個人計算機遠程和單獨地在網絡上執行免費的多重分類任務。
為了確保結果能夠準確反映行業的需求，我們知道我們必須邀請咖啡人員為這項研究做出貢獻並創建數據。 SCAA 邀請了數百名我們最親近和最親愛的咖啡專業人士參與這項工作，包括我們的董事會、委員會和理事會、主題專家和 SCAA 講師、WCR 附屬機構和利益相關者、Q 講師、CQI 和 ACE 的同事以及其他行業領導者.最終，SCAA 從咖啡行業招募的 43 名評委執行了與加州大學戴維斯分校小組成員相同的在線程序。
分析
這項工作的重點是了解風味屬性之間的密切關係，正如一組感官專家小組成員和咖啡行業的一致判斷。為了組織原始數據，我們使用 Ruby 編程語言編寫了一個程序，將排序數據轉換為可用於分析的矩陣。對於下面詳述的兩種方法，為每個參與者創建了前兩個二元矩陣（如果關係存在則為 1，如果關係不存在則為 0），一個用於“兄弟姐妹”關係的矩陣，其中屬性出現在相同的子類別，以及一個“父子”關係矩陣，其中一個屬性出現在另一個屬性下的子類別中。因此，這些類型的關係是我們的相似性標準。有關此示例，請參見表 1。從收集的所有個人排序數據中，為 72 名參與者編制了一個對稱的接近（相似性）矩陣，其中包含屬性在“兄弟”關係或“父子”關係中一起出現的次數的總和。然後使用該相似性矩陣來完成以下分析。
表 1. 一位研究參與者的相似性矩陣示例摘錄，突出顯示 7 個屬性
首先，我們需要比較兩個研究組（小組成員與行業）。我們想知道訓練有素的小組成員對詞典的排列是否與我們的行業小組不同。我們知道任何一個結果都會以自己的方式有趣，但假設這些組會根據他們不同的背景和訓練得到不同的結果。為此，使用了兩個相似性矩陣，一個用於 UCD 小組成員，另一個用於行業參與者，用於運行兩個單獨的 5 維多維縮放 (5D-MDS) 分析。 5D-MDS 分析的結果用於運行多因素分析 (MFA)，這是一種比較兩個數據集的技術。這些分析在 XLSTAT® 2015 中進行了競爭。執行 MFA 並表明加州大學戴維斯分校的小組成員和工業組之間沒有顯著差異。我們知道這一點是因為 RV 係數大於 0.70，這意味著這兩個群體是相關的並且來自同一群體。考慮到這一點，我們可以根據 72 名小組成員和行業參與者對風味屬性之間的關係進行評估。
使用相似矩陣對數據進行凝聚層次聚類 (AHC) 分析。 AHC 根據相似性標準將屬性分為不同級別的不同類別和子類別。 AHC 聚類通常以樹狀圖的形式可視化。典型的例子是物種分類或遺傳聯繫，我們習慣於在樹狀圖中看到。凝聚層次聚類從單個“集群”中的每個對像開始。執行未加權的對組平均鏈接聚集方法以將屬性重新鏈接在一起，一次一對，從底部（最相似）到頂部（最不相似）。在每次連續迭代（鏈接）中，它通過滿足指定的相似性標準來聚集（合併）最接近的一對對象（一個個體或一個組的平均值），直到所有數據都屬於一個大類別。在樹狀圖上，這些聯繫中的每一個都由一條水平線表示。樹狀圖的 y 軸表示合併的集群的特定相似度（0 到 72 之間）。主類的數量可由用戶指定或由軟件確定。在這種情況下，XLSTAT® 2015 軟件最初將主要類別的數量指示為 4，但這對於風味輪來說是不夠的，並且沒有足夠清晰地分離大量屬性。在觀察數據後，指定了 9 個類，因為這被確定為在統計上清晰地分離 99 個屬性同時仍保持直觀性的主類的最佳數量。
分析排序任務數據的最常用方法是多維縮放 (MDS)（Lawless 等人 1995）。對相似性矩陣進行 MDS 以獲得風味屬性之間關係的二維表示。此 MDS 分析還使用所有 72 名參與者的數據（來自完整的相似性矩陣）進行，以創建視覺輔助工具，以查看屬性彼此接近的位置。具體來說，執行了非度量（序數）MDS，這意味著為相似矩陣計算的“距離”的順序（使用 Kruskal 的應力值）與表示空間（圖）中距離的順序/排名相匹配。這樣做是為了補充 AHC 數據並指導主類（簇）圍繞圓形風味輪的順序。所有分析均在 XLSTAT® 2015 中完成。
結果
對於所有參與者，AHC 在九個主要類別中被截斷（見圖 2）。圖 3 描繪了所有 72 名參與者的編譯數據的 MDS 圖。這導致了風味輪的主要建議風味類別和層次結構。然而，樹狀圖不做的是命名水平鏈接（或更大的組），因此，需要 9 個主要類別的某些“總括”術語。
圖 2. 代表對屬性排序結果進行 AHC 分析結果的樹狀圖。
圖 3. 二維 5D-MDS 圖。
設計輪子
車輪的開發也需要一種定性的方法。事實是必須解釋任何統計結果。這就是我們從樹狀圖和 MDS 圖到輪子的方式。如您所見，沒有完全準確的方法來實現這一目標。口譯是一項人類活動。幸運的是，我們有很多聰明人可供我們使用，包括加州大學戴維斯分校、WCR、SCAA 和 KSU 的感官科學家。在我們的結果完成後，我們花了很多時間檢查輪子的可能迭代。我們對四層與三層輪的優點充滿詩意。我們考慮了樹狀圖和將關係分組的固有挑戰。我們必須共同努力才能就整體（內環）風味類別與 WCR 和 KSU 達成一致。而這正是我們所做的。
為了創建適合車輪的模板，我們使用樹狀圖為每個主要風味類別創建了一個圖表（示例參見下面的圖 4、5、6 和 7）。然後，我們回到 MDS 並比較所有結果，分組和單獨，以循環評估 9 種風味類別中的每一種。這有助於我們了解輪子的哪些部分是連續的。因此，輪盤的設計不僅可以顯示 9 種主要風味類別之間的關係，還可以顯示各個屬性之間的關係，直至輪盤上第三個環的順序和位置。在 MDS 圖中彼此靠近的類別被認為是相似的（基於 72 名參與者），因此通常在新車輪上彼此靠近。例如，在果味中，柑橘類水果通常被認為與 MDS 圖中的酸味屬性密切相關，因此輪子的這些部分是連續的。
根據 KSU 科學家和小組成員的建議，從詞典中提取了包含樹狀圖頂部更廣泛類別的一般詞（例如，“甜”或“果味”）。在某些情況下，有必要將兩個詞典術語放在一起作為類別標題，在這種情況下，使用斜線 (/) 來區分這兩個術語。由於 WCR 感官詞典和這個項目同時完成，一些術語被移動、重新命名或添加到詞典中，因此形成了最終組織的風味輪。請參見圖 8（下圖）了解新咖啡品嚐師風味輪的最終迭代。
圖 4. Nutty/Cocoa 風味類別中樹狀圖的解釋示例，彩色圓圈表示在圖表層次結構中具有級別的匹配集群。
圖 5. 花卉風味類別中樹狀圖的解釋示例，彩色圓圈表示在圖表層次結構中具有級別的匹配集群。
圖 6. 水果風味類別中樹狀圖的解釋示例，彩色圓圈表示在圖表層次結構中具有級別的匹配集群。
圖 7. 甜口味類別中樹狀圖的解釋示例，彩色圓圈表示在圖表層次結構中具有級別的匹配集群。
綜上所述
該項目的最終目標是以簡化描述咖啡的詞的選擇的方式對給定的咖啡風味屬性進行排序，無論是一般的還是更詳細的術語。使用這些分類方法開發的類別和子類別用於創建新的咖啡風味輪。 AHC 分析提供了一個層次結構，而 MDS 提供了主要風味類別應如何圍繞風味輪排列的可視化表示。如果您是風味輪的學生，您可能會注意到，WCR Sensory Lexicon 和新風味輪與其他車輪之間有很多共同點，描述了不同的產品。前面提到的原始酒輪具有許多與我們的新輪相同的主要風味類別，包括香料、果味、花香、植物味和堅果味（Noble 等人 1984）。這並不是因為葡萄酒和咖啡有許多應該詳述的相似之處。而是因為 我們實際記錄和量化的是人類的感官體驗.作為工具，人類在對食物和飲料的感知中發現了許多相似之處——我們只是在捕捉體驗。
總之，我們創建了 Coffee Taster's Flavor Wheel 的修訂版。我們製作了一個適用於咖啡杯製作者和行業的輪子，也適用於描述性小組成員培訓和產品開發人員。也許最重要的是，它是與客戶和消費者溝通的可靠工具。它代表了描述性小組成員、感官科學家、工業界、WCR、SCAA 和加州大學戴維斯分校之間的真正合作。它是在感官科學方法和分析的前沿解決問題的創造性和協作方法的產物。我們都可以為為這項工作做出貢獻而感到自豪——因為每一個到達本文結尾段落的人都絕對是這個過程的一部分。我們為您創建了這個工具。你已經啟發了它。供您使用、分享和成長。因此，我們創建了一個完全修訂的 SCAA 咖啡品嚐師風味輪。
如何重新發明輪子：科學與工業的故事
