Wine Cuality?——一种由专家评估葡萄酒感官品质的替代方法

《Food Research International》：Wine Cuality? – An alternative method for the assessment of wine sensory quality by experts

　　

Wine Cuality?方法解构并解释了100分制体系中的质量评分。该方法将质量评分与JAR量表（Just-About-Right scale）分配合适度评分及CATA（Check-All-That-Apply）勾选法相结合。该方法能够评估专家在质量评分方面的表现。研究人员运用Wine Cuality?评估了多种葡萄酒类型和风格的感官品质。

研究背景与意义

葡萄酒质量评价在消费者购买决策、酒庄市场营销以及行业赛事评审中均具有核心地位。目前广泛采用的100分制评分体系虽为消费者提供了直观的价格信号与质量参考，却普遍缺乏对评分依据的明确解构与系统说明。不同评分体系之间的一致性差，专家个体偏好和主观性也使得分数难以真正反映葡萄酒的客观品质。同时，传统感官评估往往忽略视觉线索，或仅关注缺陷检测，未将消费者感知质量、酿酒工艺技术与专家术语充分衔接。为解决上述问题，研究者开发了Wine Cuality?方法，旨在将100分制质量评分与JAR（Just-About-Right）合适度评分、CATA（Check-All-That-Apply）勾选法以及开放评论结合起来，并辅以多变量统计手段，系统地解构、量化并解释葡萄酒质量的构成要素。此外，该方法还可用于评估评分专家之间的一致性，从而为葡萄酒质量评估提供一种可解释、可验证的替代路径。该研究发表于《Food Research International》。

研究人员开展的研究

研究人员在加州招募了82名葡萄酒专家（包括酿酒师、酿酒学家、侍酒师和葡萄酒采购商），分别在纳帕谷的Culinary Institute of America at Copia和莫德斯托的E&J Gallo酒庄进行感官评估。研究酒样以烟雾污染程度不同的赤霞珠（Cabernet Sauvignon）、仙粉黛（Zinfandel）和霞多丽（Chardonnay）科研用酒为主，涵盖不锈钢罐发酵酒与橡木桶陈酿酒，另加入商业酒作为暖场和对照样本。专家使用电子化红白葡萄酒Wine Cuality?评分卡，在结构化酒组中完成质量评分、JAR评分、CATA选择和自由评论。研究遵循赫尔辛基宣言并经加州大学戴维斯分校机构审查委员会批准。

主要技术方法

本研究采用了以下关键技术方法：①JAR合适度评分：对颜色、香气、风味、酸度、甜度、酒体、橡木、单宁/涩感、余味等属性进行5点合适度评价；②CATA勾选法：从风味、口感、整体/享乐性及缺陷四类属性列表中勾选适用项；③100分制整体质量评分，部分酒款在评分卡完成后进行二次评分以验证首次印象的稳定性；④多元统计分析：方差分析（ANOVA）与Fisher最小显著差数法（LSD）、主成分分析（PCA）构建内部质量图，层次聚类分析专家评分模式，惩罚分析（penalty analysis）评估JAR非合适度对质量分的影响，惩罚提升分析（penalty-lift analysis）量化CATA属性对质量分的正负贡献，对应分析（correspondence analysis）构建感官图，词云分析展示高频描述词。

研究结果

3.1 葡萄酒整体质量差异

单因素方差分析显示，所有实验酒组内的质量评分均存在显著差异（F值范围10.71至26.93，p<0.001）。不锈钢罐处理酒的评分显著低于橡木桶陈酿酒（Fisher's LSD，p<0.05）。烟雾污染最重的葡萄酒质量评分最低，商业霞多丽也因残余糖分偏高而得分偏低。内部质量图主成分分析（PCA）显示，专家评分向量大体沿远离重度烟熏酒的方向一致排列；不锈钢罐酒组中专家对齐程度高于橡木桶陈酿酒组。层次聚类进一步揭示了三类评分模式相近的专家亚群，表明专家间总体共识度较高，个别偏差可通过评分卡上的JAR与CATA数据获得合理解释。

3.2 识别质量的关键正负驱动因素

惩罚分析结果显示，在不锈钢罐赤霞珠和霞多丽中，“香气过强”“风味过强”“余味过长”是显著降低质量分的惩罚项；在桶陈霞多丽中上述项同样重要，而“酒体过薄”“酸度不足”接近惩罚阈值。惩罚提升分析表明，红色和白色葡萄酒的共同正质量驱动因素包括“平衡”“愉悦”“柔顺”“甜美”“丝滑”“深色水果”；负因素包括“香烟烟雾”“灰烬余味”“甜烧烤”“溶剂”“熟蔬菜”。值得注意的是，“橡木/木香”和“霉味”在桶陈酒中为正驱动，而在不锈钢罐酒中为负驱动，说明酿酒处理改变了同一属性的质量含义。白葡萄酒的惩罚幅度普遍高于红葡萄酒，与“焦油”“灰烬余味”“软木塞污染”“臭鸡蛋”“香烟烟雾”相关的惩罚超过20分。

3.3 酒样感官差异的可视化

基于全部CATA属性的对应分析感官图显示，中度和重度烟熏污染酒与“灰烬余味”“雪茄烟雾”“液体烟熏”“甜烧烤”等负面属性密切关联，而低污染酒则与“平衡”“果酱”“红色水果”等正面属性关联。仅基于缺陷属性的感官图将酒样划分为“无缺陷”和“有缺陷”两类，重度烟熏酒和部分商业酒被明确归入缺陷组。词云分析直观展示了各酒款中被专家高频选用的描述词，如桶陈纳帕赤霞珠商业酒中突出呈现“黑醋栗”“深色水果”“香草”“复杂”等词汇，而重度烟熏霞多丽则集中出现“烟味”“灰烬”“化学味”等负面词汇。开放评论的关键学习总结进一步印证了评分结果：优质酒被认为具有浓郁果香、良好结构、柔和单宁和复杂度，而烟熏瑕疵酒则被形容为“烟熏至无法挽救”，风味被烟雾挥发物所压覆，口感粗糙干涩。

3.4 解构总体质量评分

通过整合质量评分、JAR合适度评分与CATA选择，Wine Cuality?能够将单一总分分解为具体感官属性的贡献。研究发现，香气、风味和余味过分强烈往往对应“灰烬余味”“香烟烟雾”等负面CATA属性，从而显著降低质量分。专家在同一酒样上于评分卡前后所给质量分无显著差异，表明基于首次品尝的整体质量第一印象是稳定可靠的。该方法还能区分总分相近但感官特征不同的酒款，为精细化的质量管理提供依据。

讨论总结

Wine Cuality?的价值在于将JAR、CATA、惩罚分析、对应分析和词云等常用感官与消费测试工具集成到一个结构化的可解释框架中，而非发明全新的感官统计方法。该框架充分考虑了酿酒阶段对质量定义的影响，并可与单一专家或专家小组配合使用。研究者指出，未来需在不同产区、更多品种及非烟雾污染主题的商业酒中验证评分卡的适用性，并针对起泡酒、甜酒、加强酒和氧化型酒单独设计评分卡。为提高质量评估的纯度，下一版评分卡将移除“愉悦”这一享乐性属性，并将开放评论改为“是什么让这款酒成为高质量/低质量酒”，以明确区分品质判断与个人偏好。该方法已在咖啡品类中得到成功应用，可作为跨品类质量评估的通用框架。

结论翻译

参与本研究的82位专家基于感官质量对葡萄酒进行了一致而有效地区分。Wine Cuality?为研究中的白葡萄品种和红葡萄品种提供了对感官质量正负驱动因素的全面理解。总体而言，这些结果证明了Wine Cuality?作为一种由专家评估葡萄酒感官质量的替代方法具有适用性和实用性。