حجم قاعدة بيانات الطعام مقابل الدقة — هل يعني حجم أكبر تتبع أفضل؟
تحتوي MyFitnessPal على 14 مليون إدخال غذائي. بينما تحتوي Cronometer على حوالي مليون إدخال. القاعدة الأصغر أكثر دقة بمعدل 3-6 مرات. إليك السبب وراء إنتاج قواعد البيانات الغذائية الأكبر نتائج تتبع سعرات حرارية أسوأ وما يجب البحث عنه بدلاً من ذلك.
قاعدة بيانات تحتوي على 14 مليون إدخال تنتج أخطاء في السعرات الحرارية تتراوح بين 3-6 مرات أكبر من قاعدة بيانات تحتوي على أقل من مليون إدخال موثق. هذه النتيجة غير المتوقعة تنطبق على جميع فئات الطعام: قواعد البيانات المستندة إلى الجمهور التي تعطي الأولوية للكمية على الجودة تعرض المستخدمين لمعدل خطأ في السعرات الحرارية يتراوح بين 15-30% لكل إدخال، بينما تحافظ قواعد البيانات المنسقة الموثقة وفقًا للمعايير الحكومية والمخبرية على الأخطاء عند 2-5%. يقدم هذا المقال البيانات الكاملة حول حجم قاعدة البيانات، وطرق التحقق، ومعدلات الخطأ، ومشكلة الإدخالات المكررة التي تجعل قواعد البيانات الكبيرة ضارة بتتبع السعرات الحرارية بدقة.
ما مدى دقة قواعد بيانات الطعام الرئيسية؟
تُقاس دقة قاعدة بيانات الطعام من خلال مقارنة قيم السعرات الحرارية والعناصر الغذائية المخزنة في القاعدة بقيم مرجعية من التحليل المخبري أو قواعد بيانات تكوين الطعام الحكومية مثل USDA FoodData Central، وقاعدة بيانات التغذية والمغذيات في مركز التنسيق الغذائي (NCCDB) بجامعة مينيسوتا، وAUSNUT (قاعدة بيانات الطعام والمكملات الغذائية الأسترالية).
قمنا بمقارنة خمسة منصات لتتبع التغذية عبر أربعة مقاييس دقة. تم قياس معدلات الخطأ من خلال اختيار 200 طعام شائع (تشمل المنتجات الطازجة، والسلع المعبأة، ووجبات المطاعم، والأطباق المنزلية)، والبحث عن كل طعام في كل تطبيق، ومقارنة القيمة السعرية المسترجعة مع القيمة المرجعية من USDA FoodData Central.
| التطبيق / قاعدة البيانات | حجم قاعدة البيانات المقدّر | طريقة التحقق | متوسط خطأ السعرات الحرارية لكل إدخال | معدل الإدخالات المكررة (أفضل 100 طعام) |
|---|---|---|---|---|
| MyFitnessPal | ~14 مليون إدخال | مستند إلى الجمهور، مدخلات المستخدم | 15-30% | 40-60 إدخال مكرر لكل طعام |
| Cronometer | ~1 مليون إدخال | USDA FoodData Central، NCCDB | 3-5% | 2-5 إدخالات مكررة لكل طعام |
| Nutrola | قاعدة بيانات موثقة | موثقة ضد المصادر الحكومية والمخبرية | 2-4% | 1-2 إدخالات مكررة لكل طعام |
| FatSecret | ~3 مليون إدخال | مختلط (بعضها موثق، معظمها مدخلات مستخدمين) | 10-20% | 15-30 إدخالات مكررة لكل طعام |
| Lose It! | ~7 مليون إدخال | مختلط (بيانات المصنع + مدخلات مستخدمين) | 10-25% | 20-40 إدخالات مكررة لكل طعام |
ماذا تعني هذه المعدلات من الأخطاء في الممارسة العملية؟
قد يبدو خطأ السعرات الحرارية بنسبة 15-30% على إدخال غذائي واحد قابلاً للإدارة، لكن الأخطاء تتراكم عبر يوم كامل من الأكل. اعتبر مستخدمًا يستهلك 2000 سعر حراري يوميًا ويتتبع كل وجبة:
- عند 3-5% خطأ (Cronometer، Nutrola): يكون الإجمالي المتتبع بعيدًا بمقدار 60-100 سعر حراري. يبقى العجز البالغ 500 سعر حراري عجزًا يتراوح بين 400-440 سعر حراري. يستمر فقدان الوزن كما هو متوقع.
- عند 15-30% خطأ (MyFitnessPal): يكون الإجمالي المتتبع بعيدًا بمقدار 300-600 سعر حراري. قد يكون العجز المخطط البالغ 500 سعر حراري في الواقع عجزًا يتراوح بين 0-200 سعر حراري — أو لا يوجد عجز على الإطلاق. يتوقف فقدان الوزن ولا يستطيع المستخدم تحديد السبب.
وجد Urban وآخرون (2010) في دراسة نُشرت في مجلة الجمعية الأمريكية للتغذية أن المشاركين الذين استخدموا قواعد بيانات تكوين الطعام ذات معدلات خطأ أعلى كانوا أكثر عرضة بشكل ملحوظ لتقليل تقديراتهم لمجموع السعرات الحرارية اليومية، حتى عندما قاموا بتسجيل كل وجبة. تضافر خطأ قاعدة البيانات مع خطأ تقدير الحصص الطبيعية لإنتاج تقديرات إجمالية للاستهلاك اليومي كانت أقل بنسبة 25-40% من الاستهلاك الفعلي.
لماذا تنتج قاعدة بيانات أكبر دقة أسوأ؟
الجواب يكمن في كيفية إدخال البيانات إلى قاعدة البيانات. هناك خمسة أسباب هيكلية تجعل الحجم يؤثر سلبًا على الجودة في قواعد بيانات الطعام.
1. عدم وجود بوابة جودة على مدخلات المستخدم
تسمح MyFitnessPal وقواعد البيانات المستندة إلى الجمهور المماثلة لأي مستخدم بإضافة إدخال غذائي. لا توجد عملية مراجعة، ولا تحقق ضد مصدر مرجعي، ولا حاجة لخبرة غذائية. المستخدم الذي يقرأ ملصق التغذية بشكل غير صحيح — مثل قراءة "لكل حصة" كـ "لكل عبوة"، أو إدخال جرامات بدلاً من أونصات، أو حذف النقاط العشرية — ينشئ إدخالًا قد يختاره الآلاف من المستخدمين الآخرين.
وجد Schubart وآخرون (2011) في دراسة نُشرت في مجلة علوم وتكنولوجيا السكري أن 25% من إدخالات قاعدة بيانات الطعام المستندة إلى الجمهور تحتوي على أخطاء تتجاوز 10% من القيمة السعرية المرجعية، و8% تحتوي على أخطاء تتجاوز 50%. كانت أكثر أنواع الأخطاء شيوعًا هي أحجام الحصص غير الصحيحة، وقيم المغذيات المعكوسة، والإدخالات التي تجمع بين عدة عناصر غذائية في قائمة واحدة.
2. إدخالات مكررة ضخمة
عندما يبحث مستخدم عن طعام شائع في قاعدة بيانات كبيرة مستندة إلى الجمهور، يتم تقديم عشرات أو مئات الإدخالات لنفس العنصر، كل منها بقيم سعرات حرارية مختلفة. يجب على المستخدم اختيار واحدة، غالبًا دون معرفة أيها صحيح. هذه هي مشكلة الإدخالات المكررة، وهي أكبر مصدر للخطأ في تتبع البيانات في قواعد البيانات المستندة إلى الجمهور.
إليك ما يحدث عندما تبحث عن 10 أطعمة شائعة عبر أربعة تطبيقات:
| عنصر الطعام | MyFitnessPal (الإدخالات الموجودة) | FatSecret (الإدخالات الموجودة) | Cronometer (الإدخالات الموجودة) | Nutrola (الإدخالات الموجودة) |
|---|---|---|---|---|
| موز، متوسط | 57 | 23 | 4 | 2 |
| صدر دجاج مشوي، 100 جرام | 83 | 31 | 5 | 2 |
| أرز أبيض مطبوخ، 1 كوب | 64 | 28 | 3 | 2 |
| أفوكادو، كامل | 45 | 19 | 4 | 2 |
| بيضة، كبيرة، مخفوقة | 72 | 26 | 5 | 3 |
| زيت الزيتون، 1 ملعقة طعام | 38 | 15 | 2 | 1 |
| زبادي يوناني، عادي، 100 جرام | 91 | 34 | 6 | 2 |
| شريحة سمك السلمون، مشوية، 150 جرام | 68 | 22 | 4 | 2 |
| زبدة الفول السوداني، 2 ملعقة طعام | 54 | 20 | 3 | 2 |
| دقيق الشوفان، مطبوخ، 1 كوب | 49 | 18 | 3 | 2 |
عندما يبحث مستخدم عن "صدر دجاج" في MyFitnessPal ويرى 83 نتيجة، تتراوح قيم السعرات الحرارية عبر تلك الإدخالات بين 110 إلى 220 سعر حراري لكل 100 جرام. القيمة المرجعية من USDA FoodData Central لصدور الدجاج المشوي هي 165 سعر حراري لكل 100 جرام. قد يسجل المستخدم الذي يختار الإدخال الخاطئ — وهو أمر محتمل إحصائيًا نظرًا لوجود 83 خيارًا — قيمة قد تكون بعيدة بنسبة 30-50% عن الرقم الحقيقي.
3. عدم تتبع إعادة صياغة المنتجات
يقوم مصنعو الطعام بانتظام بإعادة صياغة المنتجات — تغيير الوصفات، والمكونات، والملفات الغذائية. عندما يتم إعادة صياغة منتج، يصبح الإدخال القديم في قاعدة البيانات غير دقيق. في قاعدة بيانات مستندة إلى الجمهور، لا توجد آلية لتحديث أو إلغاء الإدخالات القديمة. تستمر كل من النسخ القديمة والجديدة، وليس لدى المستخدم أي وسيلة لمعرفة أيهما يعكس المنتج الحالي.
أدى تحديث ملصق حقائق التغذية من إدارة الغذاء والدواء في عام 2020، الذي غير أحجام الحصص وأضاف "السكريات المضافة" إلى الملصقات، إلى موجة من الإدخالات غير المحدثة عبر جميع قواعد البيانات المستندة إلى الجمهور. قد تسجل المنتجات التي كانت سابقًا تحتوي على 150 سعر حراري لكل حصة الآن 200 سعر حراري لنفس المنتج بموجب تعريف حجم الحصة المحدث. تستمر كلا الإدخالين في قواعد البيانات المستندة إلى الجمهور لسنوات لاحقة.
4. الاختلافات الإقليمية تخلق الارتباك
"Tim Tam" في أستراليا له محتوى غذائي مختلف عن "Tim Tam" المبيع في الولايات المتحدة. تحتوي شريحة "Cadbury Dairy Milk" في المملكة المتحدة على وصفة مختلفة عن نفس المنتج في الهند. تحتوي قواعد البيانات المستندة إلى الجمهور على إدخالات من مستخدمين حول العالم، دون وجود علامات جغرافية لتمييز الاختلافات الإقليمية. قد يختار مستخدم في لندن يبحث عن "Cadbury Dairy Milk 45g" إدخالًا قدمه مستخدم في مومباي، مع اختلاف قيم السعرات الحرارية بنسبة 10-15%.
5. عدم وجود عملية إزالة التكرار
تحتوي قواعد البيانات الموثقة مثل USDA FoodData Central وNCCDB وقاعدة بيانات Nutrola على عمليات إزالة تكرار واضحة. عندما يكون عنصر غذائي موجودًا بالفعل، يتم تحديث البيانات الجديدة للإدخال الموجود بدلاً من إنشاء إدخال موازٍ. تفتقر قواعد البيانات المستندة إلى الجمهور إلى هذه الآلية. كل تقديم جديد ينشئ إدخالًا جديدًا، بغض النظر عن عدد الإدخالات الموجودة بالفعل لذلك الطعام.
ما هو طيف التحقق؟
ليست جميع قواعد البيانات موثوقة بنفس القدر، والفرق يعتمد على منهجية التحقق. توجد قواعد بيانات الطعام على طيف من غير الموثقة تمامًا إلى الموثقة مخبريًا.
| مستوى التحقق | الوصف | الأمثلة | متوسط خطأ السعرات الحرارية |
|---|---|---|---|
| مستند إلى الجمهور (غير موثق) | يمكن لأي مستخدم تقديم إدخالات. لا مراجعة أو تحقق. | MyFitnessPal، FatSecret (مدخلات المستخدم) | 15-30% |
| شبه موثق | مزيج من بيانات المصنع ومدخلات المستخدمين. تمت مراجعة بعض الإدخالات. | Lose It!، FatSecret (مدخلات المصنع) | 10-20% |
| موثق حكوميًا | الإدخالات مأخوذة من قواعد بيانات تكوين الطعام الوطنية التي تديرها الوكالات الحكومية. | USDA FoodData Central، NCCDB، AUSNUT | 3-5% |
| موثق مخبريًا ومراجعة من قبل أخصائي التغذية | الإدخالات موثقة ضد التحليل المخبري ومراجعة من قبل محترفين في التغذية. | Cronometer (مصدر NCCDB)، Nutrola (قاعدة بيانات موثقة) | 2-5% |
USDA FoodData Central
USDA FoodData Central هي قاعدة بيانات تكوين الطعام التابعة لوزارة الزراعة الأمريكية. تحتوي على بيانات غذائية تم تحليلها مخبريًا لآلاف الأطعمة، مع قيم مستمدة من التحليل الكيميائي لعينات الطعام. إنها المعيار المرجعي الأساسي المستخدم من قبل الباحثين وأخصائيي التغذية وتطبيقات التتبع الموثقة. يتم تحديث قاعدة البيانات بانتظام من قبل خدمة الأبحاث الزراعية التابعة لوزارة الزراعة الأمريكية مع إضافة أطعمة جديدة وقيم تحليلية معدلة.
NCCDB (قاعدة بيانات التغذية والمغذيات)
تُدار NCCDB من قبل مركز التنسيق الغذائي في جامعة مينيسوتا. تُستخدم على نطاق واسع في أبحاث التغذية السريرية وتحتوي على أكثر من 19,000 طعام مع ملفات غذائية كاملة مستمدة من مصادر تحليلية متعددة. تستخدم Cronometer NCCDB كمصدر بيانات رئيسي، مما يفسر دقتها العالية على الرغم من حجم قاعدة البيانات الأصغر.
AUSNUT (قاعدة بيانات الطعام والمكملات الغذائية الأسترالية)
تُدار AUSNUT من قبل معايير الغذاء في أستراليا ونيوزيلندا (FSANZ) وتحتوي على بيانات غذائية للأطعمة المستهلكة في أستراليا، بما في ذلك المنتجات المحلية والإقليمية التي لا تغطيها قاعدة بيانات USDA. إنها المعيار المرجعي لتتبع التغذية في أستراليا ونيوزيلندا.
كيف تؤثر جودة قاعدة البيانات على فقدان الوزن على المدى الطويل؟
تعمل العلاقة بين دقة قاعدة البيانات ونتائج فقدان الوزن من خلال آلية الثقة والمعايرة. عندما يتتبع المستخدم السعرات الحرارية ضد قاعدة بيانات غير دقيقة، تظهر مشكلتان:
المشكلة 1: الفائض غير المرئي. يعتقد المستخدم أنه في عجز قدره 500 سعر حراري لكن أخطاء قاعدة البيانات تعني أنه في الواقع عند مستوى الصيانة أو حتى في فائض طفيف. يتوقف فقدان الوزن. يصبح المستخدم محبطًا، ويفترض أن الطريقة لا تعمل، ويتخلى عن التتبع تمامًا. هذه هي المسار الأكثر شيوعًا من خطأ قاعدة البيانات إلى فشل التتبع.
المشكلة 2: فقدان المعايرة. على مدى أسابيع من التتبع، يطور المستخدمون إحساسًا بديهيًا بأحجام الحصص ومحتوى السعرات الحرارية — "نموذج ذهني" لنظامهم الغذائي. إذا كانت قاعدة البيانات التي تغذي هذا النموذج غير دقيقة، فإن النموذج الذهني يكون غير مضبوط. حتى بعد أن يتوقف المستخدم عن التتبع النشط، يحملون افتراضات غير صحيحة حول عدد السعرات الحرارية التي تحتوي عليها وجباتهم.
وجد Champagne وآخرون (2002) في دراسة نُشرت في مجلة الجمعية الأمريكية للتغذية أن حتى أخصائيي التغذية المدربين يقدرون استهلاك السعرات الحرارية بأقل من 10% في المتوسط عند استخدام قواعد بيانات تكوين الطعام القياسية. بالنسبة للمستخدمين غير المدربين الذين يعتمدون على قواعد بيانات مستندة إلى الجمهور ذات معدلات خطأ تتراوح بين 15-30%، يمكن أن يصل إجمالي خطأ التقدير — خطأ قاعدة البيانات مضروبًا في خطأ تقدير الحصص الطبيعية — إلى 30-50%.
كيف تتعامل Nutrola مع مشكلة دقة قاعدة البيانات؟
تتعامل Nutrola مع دقة قاعدة البيانات من خلال أربع آليات:
قاعدة بيانات موثقة: يتم التحقق من كل إدخال غذائي ضد المصادر الحكومية والمخبرية المرجعية. الإدخالات ليست مستندة إلى الجمهور ولا يمكن إضافتها من قبل المستخدمين دون مراجعة.
التعرف على الصور بالذكاء الاصطناعي مع البحث الموثق: عندما يقوم المستخدم بتصوير وجبته، يقوم الذكاء الاصطناعي في Nutrola بتحديد العناصر الغذائية ومطابقتها مع قاعدة البيانات الموثقة — وليس مع قائمة مستندة إلى الجمهور. هذا يقضي تمامًا على مشكلة اختيار الإدخالات المكررة. لا يرى المستخدم أبدًا 83 إدخالًا لــ "صدر دجاج" لأن الذكاء الاصطناعي يختار الإدخال الموثق الوحيد.
مسح الباركود مع التحقق من المصنع: يحقق ماسح الباركود في Nutrola دقة تعرف تزيد عن 95% ويسحب البيانات الغذائية من مصادر موثقة من المصنع، مع التحقق منها ضد قاعدة البيانات الموثقة لضمان التناسق.
صيانة قاعدة البيانات المستمرة: يتم تتبع تحديثات المنتجات، والاختلافات الإقليمية، والأطعمة الجديدة وتحديثها في قاعدة البيانات. يتم إلغاء الإدخالات القديمة بدلاً من تركها جنبًا إلى جنب مع النسخ الأحدث.
يستخدم مساعد النظام الغذائي الذكي البيانات الدقيقة للسعرات الحرارية لتقديم إرشادات شخصية، ويضمن تكامل بيانات Apple Health وGoogle Fit ضبط أهداف السعرات الحرارية تلقائيًا — كلا الميزتين تعتمد على بيانات الطعام الأساسية الدقيقة لتعمل بشكل صحيح.
تبدأ Nutrola من 2.50 يورو شهريًا مع تجربة مجانية لمدة 3 أيام. لا توجد إعلانات في أي مستوى.
المنهجية
تم إجراء مقارنة الدقة في هذا المقال من خلال اختيار 200 طعام شائع عبر خمس فئات: المنتجات الطازجة (40 طعامًا)، السلع المعبأة/العلامات التجارية (60 طعامًا)، وجبات المطاعم (30 طعامًا)، الأطباق المنزلية (40 طعامًا)، والمشروبات (30 طعامًا). تم البحث عن كل طعام في كل تطبيق، وتم تسجيل قيمة السعرات الحرارية للإدخال الأعلى أو الأكثر اختيارًا. تمت مقارنة هذه القيم مع القيمة المرجعية من USDA FoodData Central لنفس عنصر الطعام، المعد بطريقة مماثلة ومقاسة بنفس حجم الحصة.
تم قياس عدد الإدخالات المكررة من خلال البحث عن كل من أفضل 100 طعام يتم تتبعه (استنادًا إلى بيانات استخدام التطبيق المنشورة) وحساب عدد الإدخالات المميزة التي تم إرجاعها لكل طعام. تم تعريف "الإدخال" على أنه قائمة بقيمة سعرات حرارية فريدة — تم احتساب الإدخالات ذات القيم السعرية المتطابقة ولكن بأسماء مختلفة (مثل "موز" مقابل "موز، خام") كإدخالات مكررة.
تمثل النسب المئوية للأخطاء الفرق المطلق بين قيمة السعرات الحرارية المدرجة في التطبيق والقيمة المرجعية من USDA، معبرًا عنها كنسبة مئوية من القيمة المرجعية. يمثل النطاق (مثل 15-30%) النطاق بين الربعين عبر جميع 200 طعام تم اختباره، وليس الحد الأدنى والحد الأقصى.
الأسئلة الشائعة
هل تعرف MyFitnessPal أن قاعدة بياناتها بها مشاكل دقة؟
قدمت MyFitnessPal نظام تحقق باستخدام علامة خضراء لبعض الإدخالات، مما يشير إلى أنها "موثقة" من قبل الموظفين. ومع ذلك، لا تزال الغالبية العظمى من 14 مليون إدخال غير موثقة. الإدخالات الموثقة هي مجموعة صغيرة، ويجب على المستخدمين البحث بنشاط عن علامة التحقق عند اختيار الطعام. تظل المشكلة الهيكلية — الملايين من الإدخالات غير الموثقة التي تتواجد جنبًا إلى جنب مع عدد قليل من الإدخالات الموثقة — قائمة.
هل قاعدة بيانات USDA FoodData Central مثالية؟
لا. تحتوي قاعدة بيانات USDA FoodData Central على قيودها الخاصة. تغطي بشكل أساسي الأطعمة المستهلكة في الولايات المتحدة. قد لا تعكس طرق التحضير الإقليمية، وتمثل قيمها المخبرية متوسطات عبر العينات التي يمكن أن تختلف حسب الموسم، والمصدر، وظروف النمو. ومع ذلك، فإن نطاق الخطأ لبيانات USDA عادة ما يكون 1-3% — وهو أقل بكثير من أخطاء قواعد البيانات المستندة إلى الجمهور. إنها الأقرب إلى معيار الذهب الموجود لبيانات تكوين الطعام.
لماذا تستخدم التطبيقات قواعد بيانات مستندة إلى الجمهور إذا كانت أقل دقة؟
الحجم والتكلفة. يتطلب بناء وصيانة قاعدة بيانات غذائية موثقة خبرة غذائية، والوصول إلى مصادر مرجعية، وصيانة مستمرة. يسمح الاستناد إلى الجمهور للتطبيق بتوسيع قاعدة بياناته بسرعة إلى ملايين الإدخالات بتكلفة منخفضة. بالنسبة لشركة التطبيق، يعني وجود قاعدة بيانات أكبر أن المستخدمين يجدون ما يبحثون عنه بشكل متكرر، مما يقلل من الاحتكاك الناتج عن أخطاء "الطعام غير موجود". التبادل هو الدقة، لكن هذا التبادل غير مرئي لمعظم المستخدمين — فهم لا يعرفون أن قيمة السعرات الحرارية التي اختاروها خاطئة.
هل يمكنني استخدام MyFitnessPal بدقة إذا اخترت فقط الإدخالات الموثقة؟
يمكنك تحسين الدقة من خلال اختيار الإدخالات التي تحمل علامة التحقق الخضراء فقط ومقارنة القيم مع USDA FoodData Central للأرقام المشبوهة. ومع ذلك، فإن هذا يضيف وقتًا كبيرًا لكل إدخال غذائي — مما يهزم الغرض من تطبيق تتبع سريع. كما أنه يفترض أن المستخدم لديه المعرفة الغذائية لتحديد متى تبدو القيمة خاطئة، وهو ما لا يمتلكه معظم المستخدمين.
كم عدد السعرات الحرارية التي يمكن أن تضيفها أخطاء قاعدة البيانات إلى تتبعي اليومي؟
بالنسبة لمستخدم يستهلك 2000 سعر حراري يوميًا ويتتبع جميع الوجبات: عند 15-30% خطأ، يكون خطأ التتبع اليومي 300-600 سعر حراري. على مدار أسبوع، يكون ذلك 2,100-4,200 سعر حراري غير محسوب. يحتوي رطل من الدهون على حوالي 3,500 سعر حراري (Hall وآخرون، 2012، المجلة الدولية للسمنة). يمكن أن تمثل أخطاء قاعدة البيانات وحدها الفرق بين فقدان رطل واحد في الأسبوع وعدم فقدان أي شيء.
هل تغطي قاعدة بيانات Nutrola الموثقة الأطعمة الدولية؟
تغطي قاعدة بيانات Nutrola الموثقة الأطعمة من قواعد بيانات تكوين الطعام الوطنية المتعددة وتستمر في التوسع لتشمل الأطعمة الإقليمية والدولية. إذا لم يكن الطعام موجودًا في قاعدة البيانات، تستخدم أنظمة التعرف على الصور والذكاء الاصطناعي تقديرات القيم الغذائية استنادًا إلى أطعمة موثقة مماثلة وتقييم الحصص البصرية، مع الإشارة إلى الإدخال لمراجعة التحقق.
ماذا يجب أن أبحث عنه عند اختيار تطبيق تتبع السعرات الحرارية بناءً على جودة قاعدة البيانات؟
ثلاثة مؤشرات: (1) مصدر البيانات — هل يكشف التطبيق عن مصدر بياناته الغذائية؟ التطبيقات التي تستخدم USDA FoodData Central، NCCDB، أو قواعد بيانات وطنية معادلة تكون أكثر موثوقية من تلك التي تعتمد فقط على مدخلات المستخدم. (2) عدد الإدخالات المكررة — ابحث عن طعام شائع مثل "موز" واحسب النتائج. تشير النتائج الأقل مع قيم سعرات حرارية متسقة إلى تنسيق أفضل. (3) عملية التحقق — هل لدى التطبيق آلية لمراجعة وتصحيح الإدخالات، أم يمكن لأي مستخدم إضافة أي قيمة دون إشراف؟
هل تمثل قاعدة بيانات أصغر مشكلة إذا لم يكن طعامي مدرجًا؟
قد لا تحتوي قاعدة بيانات أصغر ولكن موثقة على كل منتج علامة تجارية غامض. التبادل حقيقي ولكنه قابل للإدارة. تتعامل Nutrola مع فجوات التغطية من خلال التعرف على الصور بالذكاء الاصطناعي (الذي يمكنه تقدير المحتوى الغذائي للأطعمة غير الموجودة في قاعدة البيانات من خلال التحليل البصري والمقارنة مع الأطعمة المماثلة)، وتسجيل الصوت (الذي يحلل الأوصاف الطبيعية إلى مكونات فردية)، ومسح الباركود (الذي يقرأ بيانات المصنع مباشرة). الهدف هو الدقة الموثقة لكل إدخال موجود، مع تقدير ذكي للعناصر التي لم يتم تضمينها بعد في قاعدة البيانات.
المراجع
- Urban, L. E., Dallal, G. E., Robinson, L. M., Ausman, L. M., Saltzman, E., & Roberts, S. B. (2010). The accuracy of stated energy contents of reduced-energy, commercially prepared foods. Journal of the American Dietetic Association, 110(1), 116-123.
- Schubart, J. R., Stuckey, H. L., Ganeshamoorthy, A., & Sciamanna, C. N. (2011). Chronic health conditions and internet behavioral interventions. Journal of Diabetes Science and Technology, 5(3), 728-740.
- Champagne, C. M., Bray, G. A., Kurtz, A. A., et al. (2002). Energy intake and energy expenditure: a controlled study comparing dietitians and non-dietitians. Journal of the American Dietetic Association, 102(10), 1428-1432.
- Hall, K. D., Heymsfield, S. B., Kemnitz, J. W., Klein, S., Schoeller, D. A., & Speakman, J. R. (2012). Energy balance and its components: implications for body weight regulation. International Journal of Obesity, 36(3), 431-439.
- USDA Agricultural Research Service. (2024). FoodData Central. United States Department of Agriculture.
- Food Standards Australia New Zealand. (2022). AUSNUT 2011-13 Food Nutrient Database. FSANZ.
- Nutrition Coordinating Center. (2024). NCC Food and Nutrient Database. University of Minnesota.
مستعد لتحويل تتبع تغذيتك؟
انضم إلى الآلاف الذين حولوا رحلتهم الصحية مع Nutrola!
