Semplificare il sistema dei controlli per garantire che sulle tavole dei consumatori finiscano cibi che corrispondono, per qualità e origine, a quanto indicato in etichetta.

È il risultato di un lavoro di ricerca condotto da due ricercatori del Dipartimento di Statistica e Metodi Quantitativi dell’Università di Milano-Bicocca, Francesca Greselin e Andrea Cappozzo, in collaborazione con i colleghi Ludovic Duponchel dell’Università di Lille (Francia) e Brendan Murphy dell’University College Dublin (Irlanda).

I promettenti risultati dell’analisi condotta sono stati descritti in uno studio dal titolo “Robust variable selection in the framework of classification with label noise and outliers: Applications to spectroscopic data in agri-food” (DOI: 10.1016/j.aca.2021.338245), pubblicato da Analytica Chimica Acta, rivista nell’ambito della chimica analitica e della spettroscopia.

L’utilizzo della spettroscopia negli studi di “food authenticity”, negli ultimi decenni, ha consentito di analizzare le sostanze senza danneggiare il campione sottoposto a verifica. Grazie all’utilizzo di sistemi di “machine learning”, poi, è stato possibile semplificare l’analisi della grande mole di dati raccolti. Un ulteriore passo in avanti è quello frutto dello studio condotto dal team internazionale di ricercatori che hanno “testato” la metodologia su tre diverse tipologie di prodotti: lieviti, carne e olio. La tecnica messa a punto, infatti, consente di ridurre dall’ordine delle migliaia a quello delle decine il numero di misurazioni da acquisire dal segnale spettrometrico per un’accurata verifica che escluda adulterazioni delle sostanze. Tutto ciò con evidenti vantaggi sia in ordine di tempo che di costo delle operazioni di controllo