دقة تتبع السعرات الحرارية بالذكاء الاصطناعي حسب المطبخ: اختبرنا 500 طبق من 20 مطبخًا

تم تدريب معظم نماذج تعرف الطعام بالذكاء الاصطناعي بشكل أساسي على الأطعمة الغربية. وهذا يعني أن سلطة الدجاج المشوي من مطعم في لوس أنجلوس وبيتزا البيبروني من نيويورك يتم التعرف عليهما بدقة قريبة من الكمال، بينما قد يترك وعاء من الدورو وات الإثيوبي أو طبق من السيسغ الفلبيني الخوارزمية في حيرة. أردنا أن نعرف مدى اتساع هذه الفجوة في الدقة، لذا أجرينا اختبارًا محكمًا: 500 طبق حقيقي، 20 مطبخًا، تم وزن كل طبق ومراجعته مقابل القيم المحسوبة من قبل أخصائي تغذية. إليك ما وجدناه.

المنهجية: كيف اختبرنا 500 طبق

صممنا هذه الدراسة لتكون قريبة من ظروف العالم الحقيقي قدر الإمكان. إليك كيف تم ذلك:

• 500 طبق إجمالي، 25 لكل مطبخ، تم الحصول عليها من المطاعم والمطابخ المنزلية.
• 20 مطبخًا تم اختيارها لتمثيل نطاق جغرافي وطهوي واسع.
• تم تصوير كل طبق تحت ظروف قياسية — إضاءة طبيعية، طبق واحد، زوايا من الأعلى وزاوية 45 درجة — باستخدام كاميرا هاتف ذكي (بدون إعداد استوديو).
• تم وزن كل طبق على ميزان مطبخ معاير وتم تحليل مكوناته بواسطة أخصائي تغذية مسجل لإنتاج عدد السعرات المرجعي.
• تم تقديم الصور إلى الذكاء الاصطناعي لـ Nutrola's Snap & Track لتقدير السعرات.
• قمنا بمقارنة تقدير الذكاء الاصطناعي مع المرجع الخاص بأخصائي التغذية وقمنا بقياس: متوسط انحراف السعرات (كنسبة مئوية)، معدل التعرف على الطعام (هل تمكن الذكاء الاصطناعي من تسمية الطبق أو مكوناته الرئيسية بشكل صحيح)، ونسبة الأطباق التي تقع ضمن 10% و15% من القيمة المرجعية.

هذه ليست دراسة مختبرية ولا ندعي دقة طبية. لكن 500 طبق توفر بيانات كافية لكشف أنماط واضحة حول أين يتفوق تعرف الطعام بالذكاء الاصطناعي وأين يفشل.

المطابخ الـ 20 التي تم اختبارها

اخترنا المطابخ بناءً على ثلاثة معايير: الشعبية العالمية، تنوع طرق الطهي، وتمثيل الفئات الغذائية غير الممثلة في بيانات تدريب الذكاء الاصطناعي.

1. أمريكي
2. إيطالي
3. مكسيكي
4. صيني
5. ياباني
6. كوري
7. هندي
8. تايلاندي
9. فيتنامي
10. شرق أوسطي / لبناني
11. تركي
12. يوناني
13. إثيوبي
14. نيجيري
15. برازيلي
16. فرنسي
17. ألماني
18. إسباني
19. فلبيني
20. كاريبي

تم تمثيل كل مطبخ بـ 25 طبقًا تم اختيارها لتغطية نطاق ذلك المطبخ — المقبلات، الأطباق الرئيسية، الأطباق الجانبية، وأطعمة الشارع. قمنا عمدًا بتضمين أطباق "صورة جيدة" (أطباق السوشي، التاكو الفردي) وأطباق صعبة (الكاري، الحساء، الأطباق المطبوخة في الفرن).

النتائج الكاملة: جميع المطابخ الـ 20 مرتبة حسب الدقة

إليك النتائج، مرتبة من الأكثر دقة إلى الأقل دقة حسب متوسط انحراف السعرات:

الترتيب	المطبخ	الأطباق المختبرة	متوسط انحراف السعرات	معدل التعرف على الطعام	ضمن 10%	ضمن 15%
1	ياباني	25	5.8%	96%	84%	96%
2	أمريكي	25	6.2%	98%	80%	92%
3	إيطالي	25	6.5%	96%	80%	92%
4	كوري	25	7.1%	92%	76%	88%
5	ألماني	25	7.4%	92%	72%	88%
6	يوناني	25	7.9%	88%	68%	84%
7	فرنسي	25	8.3%	88%	64%	84%
8	إسباني	25	8.6%	88%	64%	80%
9	مكسيكي	25	9.1%	84%	60%	80%
10	فيتنامي	25	9.4%	84%	60%	76%
11	برازيلي	25	9.8%	80%	56%	76%
12	تركي	25	10.2%	80%	52%	72%
13	صيني	25	10.7%	80%	48%	72%
14	شرق أوسطي	25	11.3%	76%	48%	68%
15	فلبيني	25	12.1%	72%	44%	64%
16	كاريبي	25	12.8%	68%	40%	60%
17	نيجيري	25	13.4%	64%	36%	56%
18	تايلاندي	25	13.9%	68%	36%	56%
19	هندي	25	14.6%	64%	32%	52%
20	إثيوبي	25	15.8%	56%	28%	48%

المتوسط العام عبر جميع الأطباق الـ 500: 9.8% انحراف في السعرات، 78% معدل التعرف على الطعام، 56% ضمن 10%، 74% ضمن 15%.

أفضل 5 مطابخ دقيقة (ولماذا)

1. ياباني (5.8% متوسط انحراف)

تعتبر الأطعمة اليابانية من أكثر المطابخ ملاءمة للذكاء الاصطناعي في العالم. تقدم لفائف السوشي، شرائح الساشيمي، قطع التيمبورا، وصناديق البنتو الطعام بشكل متميز بصريًا، مقسمة بشكل فردي. يتم تقديم الأرز عادةً كحصة محددة بوضوح. يمكن للذكاء الاصطناعي حساب القطع، وتقدير الأحجام، ومطابقتها مع قاعدة بيانات تدريب مكتظة. كما أن ثقافة الطعام في اليابان تفضل العرض القياسي — لفافة كاليفورنيا في مطعم تبدو متطابقة تقريبًا مع لفافة كاليفورنيا في مطعم آخر.

أفضل النتائج: سوشي نيجيري (3.2% انحراف)، إدامامي (2.9%)، أونيغيري (4.1%) أضعف النتائج: رامِن (11.4% — من الصعب تقدير سعرات المرق)، أوكونومياكي (9.8%)

2. أمريكي (6.2% متوسط انحراف)

تستفيد الأطعمة الأمريكية من ميزتين رئيسيتين: تمثيل كبير في بيانات تدريب الذكاء الاصطناعي ونسبة عالية من العناصر المعبأة، الموحدة، أو من مطاعم السلسلة. يبدو أن البرجر الكبير هو نفسه في كل مكان. النقانق لها أبعاد متوقعة. تميل السلطات إلى أن تتكون من مكونات معروفة ومفصولة. حتى الطهي المنزلي الأمريكي — البرغر، الدجاج المشوي، البطاطا المخبوزة — يتكون من مكونات متميزة بصريًا.

أفضل النتائج: البرغر (3.8%)، صدر الدجاج المشوي (4.1%)، سلطة سيزر (5.2%) أضعف النتائج: الأطباق المطبوخة في الفرن (12.3%)، الناتشوز المحملة (10.9%)

3. إيطالي (6.5% متوسط انحراف)

تحصل الأطعمة الإيطالية على درجات عالية لأسباب مشابهة لليابانية — العديد من الأطباق لها شكل موحد، يمكن التعرف عليه بصريًا. تعتبر بيتزا المارجريتا، طبق السباغيتي، سلطة الكابريزي، ووعاء الريزوتو جميعها متميزة بصريًا وممثلة بشكل كبير في مجموعات صور الطعام. يمكن التعرف على أشكال المعكرونة، وتميل الإضافات إلى الجلوس فوق الأطباق بدلاً من أن تكون مختلطة.

أفضل النتائج: بيتزا مارجريتا (3.5%)، سلطة كابريزي (4.0%)، بروشيتا (4.8%) أضعف النتائج: لازانيا (11.2% — الأطباق المكونة تخفي الجبنة واللحم)، كاربونارا (9.6% — محتوى الكريمة والبيض يختلف)

4. كوري (7.1% متوسط انحراف)

فاجأتنا الأطعمة الكورية بالتصنيف الرابع. العامل الرئيسي: تُقدم الوجبات الكورية عادةً كأطباق صغيرة متعددة (بانشان) بجانب الطبق الرئيسي، مما يسهل التعرف على العناصر الفردية. يقدم البيبيمباب المكونات في أقسام متميزة بصريًا فوق الأرز. يتم تقطيع الكيمباب إلى دوائر يمكن التعرف عليها. الكيمتشي والأطباق المخللة متميزة بصريًا.

أفضل النتائج: كيمباب (4.2%)، بيبيمباب (5.8%)، كيمتشي (3.1%) أضعف النتائج: ججيغاي/الحساء (12.7%)، توبوككي مع الصلصة (10.1%)

5. ألماني (7.4% متوسط انحراف)

تتميز الأطعمة الألمانية بأجزاء كبيرة، متميزة بصريًا — النقانق، الشنيتزل، البريتزل، وكرات البطاطس — مما يسهل على الذكاء الاصطناعي التعرف عليها وتقدير حجمها. تميل الأطباق إلى أن تتكون من مكونات منفصلة بدلاً من الأطباق المختلطة. يمكن تمييز أنواع النقانق بصريًا عن بعضها البعض، وللمنتجات الخبزية أشكال وأحجام قياسية.

أفضل النتائج: براتورست (4.5%)، بريتزل (4.9%)، شنيتزل (6.2%) أضعف النتائج: إينتوبف/الحساء (11.8%)، سلطة البطاطا مع تتبيلات مختلفة (9.4%)

أقل 5 مطابخ دقة (ولماذا)

20. إثيوبي (15.8% متوسط انحراف)

كانت الأطعمة الإثيوبية الأكثر تحديًا للذكاء الاصطناعي عبر كل مقياس. المشكلة الأساسية: الوجبات المعتمدة على الإينجيرا تقدم عدة أنواع من الحساء (واتس) وأطباق الخضار تُقدم معًا على قطعة كبيرة من الخبز المسطح، وغالبًا ما تتداخل وتختلط. يكافح الذكاء الاصطناعي لتحديد مكان انتهاء طبق وبدء آخر. الدورو وات، الميسير وات، والكيطو متشابهة بصريًا — أطباق داكنة وغنية بالصلصات مع ميزات سطحية قليلة تميزها. محتوى الزبدة (نيتر كيبي) والزيت غير مرئي تحت الصلصة.

تعكس نسبة التعرف المنخفضة على الطعام (56%) فجوة حقيقية في بيانات التدريب. لا تزال الأطعمة الإثيوبية غير ممثلة بشكل كافٍ في مجموعات بيانات صور الطعام العالمية.

19. هندي (14.6% متوسط انحراف)

تقدم الأطعمة الهندية عاصفة مثالية من التحديات للذكاء الاصطناعي. الكاري غير شفاف بصريًا — لا يمكن للصورة أن تكشف عن كمية السمن، الكريمة، أو حليب جوز الهند داخل دجاج الزبدة. يمكن أن تتراوح السعرات الحرارية في الدال من 150 إلى 400 سعرة حرارية لكل حصة اعتمادًا على الزيوت المستخدمة في التحضير. تبدو الصلصات متشابهة عبر الأطباق: يمكن أن يبدو الكورما، تيكا ماسالا، وروغان جوش متشابهة تقريبًا في الصور بينما تختلف بمئات السعرات.

الخبز هو متغير آخر. تحتوي الروتي العادية على حوالي 100 سعرة حرارية؛ بينما يمكن أن تتجاوز نان الزبدة من مطعم 300 سعرة. تبدو متشابهة في الصور لكن الفرق في السعرات كبير.

عامل السمن: تنتهي العديد من الأطباق الهندية بكمية كبيرة من السمن تُضاف وتصبح غير مرئية. أظهرت قيمنا المرجعية من أخصائي التغذية أن السمن والزيت ساهمت بنسبة 25-40% من إجمالي السعرات في العديد من الأطباق — سعرات لا يمكن للذكاء الاصطناعي رؤيتها.

18. تايلاندي (13.9% متوسط انحراف)

تواجه الأطعمة التايلاندية العديد من نفس التحديات التي تواجه الأطعمة الهندية: الكاري المعتمد على حليب جوز الهند مع محتوى دهون مخفي، القلي مع كميات متغيرة من الزيت، والصلصات التي تخفي المكونات. يمكن أن تتراوح السعرات الحرارية في الكاري الأخضر من 300 إلى 600 سعرة حرارية لكل وعاء اعتمادًا على نسبة حليب جوز الهند. تتقلب السعرات الحرارية في باد تاي بشكل كبير بناءً على معجون التمر الهندي، الفول السوداني، والزيت — المكونات التي تتوزع في جميع الأنحاء بدلاً من أن تكون مرئية في الأعلى.

تضيف صلصة السمك والسكر، وهما من التوابل الأساسية في المطبخ التايلاندي، سعرات حرارية غير مرئية تمامًا في الصورة.

17. نيجيري (13.4% متوسط انحراف)

تواجه الأطعمة النيجيرية تحديين: تمثيل محدود في بيانات التدريب وطرق الطهي الغنية بالسعرات. يمتص الأرز الجولوف الزيوت أثناء الطهي التي لا تكون مرئية على السطح. تُصنع شوربة الإغوسي من بذور البطيخ المطحونة وزيت النخيل، وهما مكونان غنيان بالسعرات يندمجان في الطبق. يام مطحون (فوفو) هو نشاء غني بالسعرات يبدو خفيفًا بشكل خادع.

كافح الذكاء الاصطناعي لتمييز بين أنواع الشوربات النيجيرية المختلفة — كانت شوربة الأوغبو، الإغوسي، وشوربة البامية تبدو متشابهة في الصور ولكن لها ملفات سعرات مختلفة بشكل كبير بسبب الاختلافات في زيت النخيل ومحتوى البذور.

16. كاريبي (12.8% متوسط انحراف)

يجمع المطبخ الكاريبي بين العديد من العناصر الصعبة: اللحوم المطبوخة مع دهون مخفية (ذيل الثور، لحم الماعز بالكاري)، أرز مع حليب جوز الهند، الموز المقلي مع امتصاص زيت متغير، والأطباق التي تُطهى في وعاء مثل البيلاو. أدت أداء جيدًا على دجاج الجرك (علامات الشواء المرئية، الشكل القابل للتعرف عليه) ولكنها أدت بشكل سيئ على الأطباق المطبوخة بالصلصة والأطباق الكاري حيث أخفت الصلصة البروتين.

مشكلة السعرات المخفية: أي المطابخ تخدع الذكاء الاصطناعي أكثر

أحد أهم النتائج من هذا الاختبار هو ما نسميه "فجوة السعرات المخفية" — الفرق بين ما يمكن للذكاء الاصطناعي رؤيته وما هو موجود فعليًا في الطبق. قمنا بقياس ذلك من خلال النظر إلى المطابخ التي كانت لديها أكبر فجوة بين تقدير الذكاء الاصطناعي وعدد السعرات الفعلي، مدفوعة بشكل خاص بالدهون والزيوت غير المرئية.

المطبخ	متوسط السعرات الحرارية المخفية (لكل طبق)	% من إجمالي السعرات من الدهون المخفية	تقدير الذكاء الاصطناعي بسبب الدهون المخفية
هندي	187 سعرة حرارية	34%	-22%
إثيوبي	165 سعرة حرارية	31%	-20%
تايلاندي	152 سعرة حرارية	29%	-18%
نيجيري	148 سعرة حرارية	28%	-17%
صيني	134 سعرة حرارية	24%	-14%
شرق أوسطي	128 سعرة حرارية	23%	-13%
كاريبي	124 سعرة حرارية	22%	-12%
فلبيني	118 سعرة حرارية	21%	-11%
تركي	112 سعرة حرارية	20%	-10%
برازيلي	98 سعرة حرارية	17%	-8%

النمط واضح: المطابخ التي تعتمد بشكل كبير على زيوت الطهي، السمن، حليب جوز الهند، والصلصات المعتمدة على المكسرات تخدع بشكل منهجي متتبعات السعرات الحرارية بالذكاء الاصطناعي لتقدير أقل. هذه ليست عيبًا فريدًا من نوعه لـ Nutrola — إنها قيود أساسية لتقدير السعرات بناءً على الصور. لا يمكن للكاميرا رؤية الدهون المذابة.

النتيجة العملية: إذا كنت تتناول بانتظام الأطعمة في النصف العلوي من هذه الجدول، يجب أن تتوقع أن تقديرات الذكاء الاصطناعي ستكون منخفضة وتفكر في إضافة تصحيح يدوي بنسبة 10-20% للأطباق الغنية بالصلصات والأطباق المطبوخة في الفرن.

كيف تحسن Nutrola الدقة للأطعمة غير الممثلة

نحن لا ننشر هذه البيانات لتبرير الأداء الضعيف — نحن ننشرها لأن الشفافية تدفع التحسين. إليك ما نقوم به بنشاط:

توسيع بيانات التدريب للأطعمة غير الممثلة

لقد كانت قناتنا لتدريب الصور تاريخيًا موجهة نحو الأطعمة في أمريكا الشمالية وأوروبا. نحن نتعاون بنشاط مع مصوري الطعام وقواعد بيانات الوصفات في جنوب آسيا، غرب إفريقيا، شرق إفريقيا، جنوب شرق آسيا، ومنطقة الكاريبي لتوسيع مجموعة تدريبنا بشكل كبير للأطعمة التي حصلت على درجات أقل من 80% في التعرف على الطعام.

شراكات قاعدة بيانات الطعام الإقليمية

تقدير السعرات الحرارية جيد فقط بقدر البيانات الغذائية التي تدعمه. نحن نبني شراكات مع مؤسسات البحث الغذائي في الهند، نيجيريا، إثيوبيا، وتايلاند لدمج بيانات غذائية إقليمية محددة. إن "دجاج الزبدة" المصنوع في دلهي له ملف سعرات مختلف عن النسخة البريطانية من المطعم، ويجب أن تعكس قاعدة بياناتنا ذلك.

مطالبات الذكاء الاصطناعي الخاصة بالمطبخ

عندما يكتشف الذكاء الاصطناعي لـ Nutrola فئة مطبخ (مثل الهندي، التايلاندي، الإثيوبي)، فإنه الآن يطبق عوامل تصحيح خاصة بالمطبخ. إذا حدد النظام كاري، فإنه يقوم تلقائيًا بتعديل تقدير السعرات للأعلى بسبب الدهون المخفية المحتملة. هذه ليست حلًا مثاليًا، لكن اختباراتنا الداخلية تظهر أنها تقلل متوسط الانحراف للأطعمة الهندية من 14.6% إلى 11.2% وللأطعمة التايلاندية من 13.9% إلى 10.8%.

حلقات تغذية راجعة من المستخدمين

في كل مرة يقوم فيها مستخدم لـ Nutrola بتصحيح تقدير الذكاء الاصطناعي يدويًا، يتم إدخال هذا التصحيح في نموذجنا. المطابخ التي لديها قواعد مستخدمين أكثر نشاطًا تتحسن بشكل أسرع. نحن أيضًا نقوم بإجراء حملات مستهدفة لتجنيد مستخدمين من مناطق المطابخ غير الممثلة للمساعدة في تدريب النموذج.

نصائح للمستخدمين الذين يتتبعون الأطعمة الدولية

استنادًا إلى هذه البيانات، إليك استراتيجيات عملية للحصول على أدق النتائج عند تتبع الأطعمة غير الغربية:

1. أضف "عازل الزيت المخفي" للأطعمة الغنية بالصلصات

إذا كنت تتناول الأطعمة الهندية، التايلاندية، الإثيوبية، النيجيرية، أو الصينية، أضف 10-15% إلى تقدير الذكاء الاصطناعي لأي طبق يحتوي على صلصة أو مرق مرئي. هذا التعديل الواحد يغلق معظم فجوة الدقة.

2. قم بتصوير المكونات الفردية عند الإمكان

بدلاً من تصوير طبق إثيوبي مشترك بالكامل، قم بتصوير كل وات على حدة إذا استطعت. بدلاً من التقاط صورة كاملة للثالي، قم بالتقاط كل وعاء بشكل فردي. يعمل الذكاء الاصطناعي بشكل أفضل بكثير عندما يمكنه عزل الأطباق الفردية.

3. استخدم ميزة التعديل اليدوي

يتيح لك Nutrola تعديل تقديرات الذكاء الاصطناعي لأعلى أو لأسفل بعد المسح. استخدم هذا للأطباق التي تتناولها بانتظام — بمجرد أن تعرف أن الكاري الأخضر من مطعمك التايلاندي المحلي يزيد بنسبة 15% عما يعتقده الذكاء الاصطناعي، يمكنك تطبيق هذا التصحيح في كل مرة.

4. تحقق من الوصفات المعروفة

إذا كنت تطبخ الأطعمة الدولية في المنزل، قم بتسجيل الوصفة مرة واحدة مع القياسات الدقيقة (بما في ذلك جميع الزيوت والسمن). احفظها كوجبة مخصصة في Nutrola. من تلك النقطة فصاعدًا، يمكنك تسجيلها على الفور بدقة مؤكدة بدلاً من الاعتماد على تقدير الصورة.

5. احترس من "الأطعمة الشبيهة بالسعرات"

بعض الأطباق تبدو متشابهة تقريبًا في الصور ولكن تختلف بشكل كبير في السعرات. نان مقابل روتي. كاري جوز الهند مقابل كاري معتمد على الطماطم. الموز المقلي مقابل الموز المسلوق. عندما يقدم الذكاء الاصطناعي تقديره، تحقق مرة أخرى من أنه قد حدد طريقة التحضير الصحيحة.

6. تتبع المشروبات بشكل منفصل

تتضمن العديد من المطابخ الدولية مشروبات غنية بالسعرات — لاسي المانجو، شاي التايلاندي المثلج، هورتشاتا، زوبو النيجيري — التي قد يغفلها الذكاء الاصطناعي إذا كانت في حافة الإطار. قم بتصوير المشروبات بشكل منفصل للحصول على أفضل النتائج.

ماذا يعني هذا لمستقبل تتبع الطعام بالذكاء الاصطناعي

يكشف هذا الاختبار عن مدى تقدم تتبع السعرات الحرارية بالذكاء الاصطناعي ومدى المسافة التي لا تزال بحاجة إلى قطعها. بالنسبة للمطابخ ذات الأطعمة المتميزة بصريًا والمُوثقة جيدًا — اليابانية، الأمريكية، الإيطالية، الكورية — يعد تتبع الصور بالذكاء الاصطناعي دقيقًا بشكل ملحوظ، حيث يعمل ضمن 6-7% من تقييم أخصائي التغذية اليدوي. هذا جيد بما يكفي ليكون مفيدًا حقًا لتتبع يومي.

بالنسبة للمطابخ التي تحتوي على دهون مخفية، وأطباق متداخلة، وبيانات تدريب محدودة — الهندية، الإثيوبية، التايلاندية، النيجيرية — هناك فجوة دقة ذات مغزى يجب أن يكون المستخدمون على دراية بها. الفجوة ليست كبيرة بما يكفي لجعل تتبع الذكاء الاصطناعي غير مجدي لهذه المطابخ، لكنها كبيرة بما يكفي لتكون مهمة إذا كنت تحاول الحفاظ على عجز دقيق في السعرات.

الخبر السار هو أن هذه المشكلة قابلة للحل. إنها في الأساس مشكلة بيانات، وليست مشكلة خوارزمية. مع توسع مجموعات بيانات التدريب وتحسين قواعد البيانات الغذائية الإقليمية، ستتقارب الدقة للأطعمة غير الممثلة مع أفضل النتائج. هدفنا في Nutrola هو تقليل هذه الفجوة إلى أقل من 8% متوسط انحراف لجميع المطابخ الـ 20 بحلول نهاية عام 2026.

في غضون ذلك، فإن الجمع بين تقدير الذكاء الاصطناعي ووعي المستخدم والتصحيح اليدوي يوفر لك مستوى من الدقة يكفي لتتبع التغذية بشكل ذي مغزى — بغض النظر عن المطبخ الذي تتناوله.

تتوفر ميزة Snap & Track من Nutrola في جميع الخطط، بدءًا من 2.50 يورو شهريًا، بدون إعلانات وبدخول كامل إلى محرك تعرف الطعام بالذكاء الاصطناعي الذي يتطور باستمرار. كلما زادت تنوع الأطباق التي يصورها مستخدمونا، زادت ذكاء النظام للجميع.

---

ملاحظة منهجية: تم إجراء هذا الاختبار داخليًا بواسطة فريق Nutrola في مارس 2026. تم حساب قيم السعرات المرجعية بواسطة اثنين من أخصائيي التغذية المسجلين الذين عملوا بشكل مستقل، وتم حل التباينات بالتوافق. تم توليد جميع تقديرات الذكاء الاصطناعي باستخدام ميزة Snap & Track في Nutrola v3.2. نخطط لتكرار هذا الاختبار ربع سنوي ونشر نتائج محدثة.