كيف تحصل تطبيقات تتبع السعرات الحرارية على بيانات التغذية: تحليل تقني من وراء الكواليس

كلما قمت بتسجيل طعام في تطبيق تتبع السعرات الحرارية ورأيت رقم السعرات يظهر على الشاشة، فإن هذا الرقم جاء من مكان ما. لكن من أين بالضبط؟ كيف حدد التطبيق أن غداءك يحتوي على 487 سعرة حرارية، و32 جرامًا من البروتين، و18 ملليجرامًا من فيتامين C؟ الإجابة تعتمد تمامًا على التطبيق الذي تستخدمه، والاختلافات في منهجيات الحصول على البيانات تؤدي إلى مستويات دقة مختلفة بشكل ملحوظ.

تستعرض هذه المقالة خمس طرق رئيسية تستخدمها تطبيقات تتبع السعرات الحرارية لبناء قواعد بيانات الطعام الخاصة بها، وخط تدفق البيانات الذي يتطلبه كل أسلوب، ومقايضات التكلفة والدقة المعنية، وكيفية تنفيذ تطبيقات معينة لكل نهج.

خمس طرق للحصول على البيانات

الطريقة الأولى: قواعد بيانات التغذية الحكومية

المصدر: قواعد بيانات تكوين الطعام الوطنية التي تحتفظ بها الوكالات الحكومية، وعلى رأسها USDA FoodData Central (الولايات المتحدة)، NCCDB (جامعة مينيسوتا، الولايات المتحدة)، AUSNUT (معايير الغذاء في أستراليا ونيوزيلندا)، CoFID/McCance وWiddowson's (الصحة العامة في إنجلترا، المملكة المتحدة)، وCNF (الصحة في كندا).

خط التدفق:

المرحلة	العملية	مراقبة الجودة
1. الحصول على البيانات	تحميل أو الوصول عبر API إلى قاعدة البيانات الحكومية	التحقق من سلامة البيانات عند الاستيراد
2. توحيد التنسيق	مطابقة حقول البيانات الحكومية مع مخطط التطبيق	التحقق من صحة الحقول، وفحوصات تحويل الوحدات
3. توحيد حجم الحصة	تحويلها إلى حصص مناسبة للمستهلك	التحقق من صحة البيانات مقابل بيانات FNDDS
4. رسم العناصر الغذائية	مطابقة رموز العناصر الغذائية مع عرض التطبيق	التحقق من تغطية العناصر الغذائية بالكامل
5. اختبار التكامل	مقارنة القيم مع المصدر	الإبلاغ التلقائي عن الانحرافات
6. إدخال المستخدم	إدخال طعام قابل للبحث مع ملف كامل من العناصر الغذائية	مراقبة مستمرة للدقة

الدقة: الأعلى. تستخدم قواعد البيانات الحكومية طرق تحليل مختبرية موحدة (بروتوكولات AOAC الدولية). تمثل إدخالات USDA Foundation Foods المعيار الذهبي بقيم تحددها طرق قياس السعرات الحرارية، وتحليل كيلدال، وطرق الكروماتوغرافيا.

القيود: تغطي قواعد البيانات الحكومية الأطعمة العامة بشكل شامل ولكن لديها تغطية محدودة للمنتجات المعلبة، ووجبات المطاعم، والأطعمة الدولية. تحتوي قاعدة بيانات USDA FoodData Central للمنتجات الغذائية المعلبة على بيانات تم تقديمها من قبل الشركات المصنعة، والتي تخضع للتنظيم ولكن لا يتم التحقق منها بشكل مستقل.

التكلفة: تكلفة مباشرة منخفضة (البيانات الحكومية متاحة للجمهور)، لكن التكامل يتطلب جهدًا هندسيًا كبيرًا لتوحيد تنسيقات البيانات، والتعامل مع التحديثات، وإدارة المطابقة بين رموز الطعام الحكومية ومصطلحات البحث الخاصة بالمستهلك.

التطبيقات التي تستخدم هذه الطريقة كمصدر رئيسي: Nutrola (USDA + قواعد بيانات دولية، تم التحقق منها)، Cronometer (USDA + NCCDB)، MacroFactor (أساسيات USDA).

الطريقة الثانية: تقديمات بيانات ملصقات الشركات المصنعة

المصدر: بيانات لوحة الحقائق الغذائية من الشركات المصنعة، يتم الوصول إليها من خلال قواعد بيانات الباركود (Open Food Facts، واجهات برمجة التطبيقات للشركات المصنعة)، تقديمات مباشرة من الشركات المصنعة، أو قاعدة بيانات USDA للمنتجات الغذائية المعلبة.

خط التدفق:

المرحلة	العملية	مراقبة الجودة
1. الحصول على البيانات	مسح الباركود، تقديم الشركة المصنعة، أو OCR لصورة الملصق	التحقق من صحة الباركود، اكتشاف التكرارات
2. تحليل الملصق	استخراج قيم العناصر الغذائية من تنسيق الملصق	التحقق من التنسيق، توحيد الوحدات
3. إدخال البيانات	مطابقة القيم من الملصق مع مخطط قاعدة البيانات	فحص النطاق (الإبلاغ عن القيم غير المعقولة)
4. فحص الجودة	مقارنة القيم مع النطاقات التكوينية المتوقعة	اكتشاف تلقائي للبيانات الشاذة
5. إدخال المستخدم	إدخال طعام قابل للبحث للمنتجات المعلبة	الإبلاغ عن أخطاء المستخدم

الدقة: متوسطة. تسمح لوائح FDA (21 CFR 101.9) للقيم المعلنة بالسعرات الحرارية أن تتجاوز القيم الفعلية بنسبة تصل إلى 20 في المئة. أظهرت الدراسات أن المحتوى الفعلي من السعرات الحرارية ينحرف عن القيم المعلنة بمعدل 8 في المئة (Jumpertz et al., 2013, Obesity)، حيث أظهرت بعض العناصر انحرافات تتجاوز 50 في المئة في بعض الحالات. وجدت دراسة Urban et al. (2010) أن وجبات المطاعم أظهرت أكبر انحرافات عن القيم الغذائية المعلنة.

القيود: تشمل الملصقات فقط مجموعة فرعية من العناصر الغذائية (عادة 14-16 عنصرًا). العديد من العناصر الدقيقة، والأحماض الأمينية الفردية، والأحماض الدهنية الفردية، والفيتونutrients غير مدرجة. بالإضافة إلى ذلك، تعكس بيانات الملصق التركيبة في وقت وضع الملصق؛ قد لا تنعكس إعادة الصياغة على الفور في قاعدة البيانات.

التكلفة: منخفضة إلى متوسطة. تتطلب بنية مسح الباركود وتقنية OCR استثمارًا في التطوير، لكن تكلفة الإدخال لكل عنصر تكون ضئيلة بمجرد إنشاء الأنظمة.

التطبيقات التي تستخدم هذه الطريقة: تستخدم معظم التطبيقات هذه للمنتجات المعلبة، بما في ذلك Lose It! (تعتمد بشكل كبير على مسح الباركود)، MyFitnessPal (تكملة لجمع المعلومات من الجمهور)، وMacroFactor (إضافات مميزة للعلامات التجارية).

الطريقة الثالثة: التحليل في المختبر

المصدر: عينات غذائية فعلية تم شراؤها من متاجر التجزئة وتحليلها باستخدام طرق الكيمياء التحليلية الموحدة في مختبرات معتمدة.

خط التدفق:

المرحلة	العملية	مراقبة الجودة
1. شراء العينات	شراء عينات تمثيلية من مواقع متعددة	الالتزام ببروتوكولات أخذ العينات
2. إعداد العينات	تجانس العينة وفقًا لبروتوكولات AOAC	إجراءات التشغيل القياسية
3. التحليل التقريبي	تحديد الرطوبة، البروتين، الدهون، الرماد، الكربوهيدرات	تحليلات مكررة، مواد مرجعية
4. تحليل العناصر الدقيقة	HPLC، ICP-OES، AAS للفيتامينات والمعادن	معايير مرجعية معتمدة
5. تجميع البيانات	تسجيل النتائج مع تقديرات عدم اليقين	مراجعة الأقران للنتائج
6. إدخال البيانات في القاعدة	إدخال القيم الموثقة مع توثيق الأصل	مقارنة مع البيانات الموجودة

الدقة: أعلى مستوى ممكن. عادة ما يكون عدم اليقين التحليلي ضمن 2-5 في المئة للعناصر الغذائية الكبرى و5-15 في المئة للعناصر الدقيقة عندما تتوافق الطرق مع معايير AOAC الدولية.

القيود: مكلفة للغاية (500-2000 دولار أمريكي أو أكثر لكل عنصر غذائي للتحليل الكامل للعناصر الكبرى والدقيقة) وتستغرق وقتًا طويلاً (2-4 أسابيع لكل عينة). لا يمكن لأي تطبيق للمستهلك تحمل تحليل ملايين العناصر الغذائية بشكل مستقل.

التكلفة: مرتفعة بشكل غير معقول على نطاق تجاري. لهذا السبب تستفيد التطبيقات من التحليل الحكومي الموجود (USDA FoodData Central) بدلاً من إجراء تحليل مستقل.

التطبيقات التي تستخدم هذه الطريقة: لا يقوم أي تطبيق للمستهلك بإجراء تحليل مختبري مستقل. التطبيقات التي تستخدم بيانات تم تحليلها في المختبر تصل إليها من خلال قواعد البيانات الحكومية (USDA، NCCDB).

الطريقة الرابعة: تقديمات المستخدمين المستندة إلى الجمهور

المصدر: يقوم مستخدمو التطبيق بإدخال بيانات التغذية يدويًا من تغليف الطعام، أو الوصفات، أو التقديرات الشخصية.

خط التدفق:

المرحلة	العملية	مراقبة الجودة
1. إدخال المستخدم	يقوم المستخدم بكتابة أو مسح معلومات التغذية	التحقق الأساسي من التنسيق
2. التقديم	يتم إضافة الإدخال إلى قاعدة البيانات (غالبًا ما يكون متاحًا على الفور)	فحص النطاق التلقائي (اختياري)
3. مراجعة المجتمع	يمكن للمستخدمين الآخرين الإبلاغ عن الأخطاء	الإبلاغ من قبل المجتمع (غير متسق)
4. الإشراف	يتم مراجعة الإدخالات المبلغ عنها من قبل المشرفين	إشراف تطوعي أو مدفوع بشكل ضئيل
5. إدارة التكرارات	دمج التكرارات بشكل دوري	تلقائي ويدوي (غالبًا ما يكون متأخرًا)

الدقة: منخفضة إلى متوسطة. وجدت دراسة Urban et al. (2010) في Journal of the American Dietetic Association أن الأفراد غير المدربين الذين يدخلون بيانات تكوين الطعام أنتجوا معدلات خطأ متوسطة تتراوح بين 20-30 في المئة لمحتوى الطاقة. وجدت دراسة Tosi et al. (2022) أن الإدخالات المستندة إلى الجمهور في MFP انحرفت عن القيم المخبرية بنسبة تصل إلى 28 في المئة.

القيود: لا توجد مراقبة جودة منهجية. تتزايد الإدخالات المكررة بشكل أسرع مما يمكن دمجه. قد يحتوي نفس الطعام على عشرات الإدخالات مع قيم سعرات حرارية مختلفة. يتخذ المستخدمون الذين ليس لديهم تدريب في التغذية قرارات الإدخال التي تؤدي إلى أخطاء منهجية (الارتباك بين الأطعمة المتشابهة، أحجام الحصص غير الصحيحة، أخطاء في الفواصل العشرية).

التكلفة: قريبة من الصفر. يساهم المستخدمون في العمل مجانًا، وهو المحرك الاقتصادي وراء هيمنة هذا النموذج.

التطبيقات التي تستخدم هذه الطريقة كمصدر رئيسي: MyFitnessPal (أكثر من 14 مليون إدخال مستند إلى الجمهور)، FatSecret (نموذج مساهمة المجتمع).

الطريقة الخامسة: تقدير الذكاء الاصطناعي

المصدر: نماذج رؤية الكمبيوتر التي تحدد الطعام من الصور وتقدر المحتوى الغذائي بشكل خوارزمي.

خط التدفق:

المرحلة	العملية	مراقبة الجودة
1. التقاط الصورة	يقوم المستخدم بالتقاط صورة لوجبتهم	تقييم جودة الصورة
2. تحديد الطعام	تصنيف العناصر الغذائية باستخدام CNN/Vision Transformer	تسجيل الثقة
3. تقدير الحصة	تقدير العمق أو قياس كائن مرجعي	التحقق من المعايرة
4. مطابقة قاعدة البيانات	مطابقة الطعام المحدد مع إدخال قاعدة البيانات الغذائية	تسجيل ثقة المطابقة
5. حساب العناصر الغذائية	حجم الحصة × قيم العناصر الغذائية لكل وحدة	التحقق من التناسق

الدقة: متغيرة. أفاد Meyers et al. (2015) بأن دقة تحديد الطعام تراوحت بين 50-80 في المئة للوجبات المتنوعة في نظام Im2Calories. قيم Thames et al. (2021) نماذج أكثر حداثة ووجدوا دقة تصنيف محسنة ولكن تحديات مستمرة في تقدير حجم الحصة، حيث أبلغوا عن أخطاء متوسطة في الحجم تتراوح بين 20-40 في المئة. يمكن أن يؤدي الخطأ المركب الناتج عن عدم اليقين في التعرف مضروبًا في عدم اليقين في تقدير الحصة إلى تقديرات سعرات حرارية ذات فترات ثقة واسعة.

القيود: تعتمد دقة تقدير الذكاء الاصطناعي على كل من نموذج الرؤية وقاعدة البيانات التي يتم المطابقة ضدها. يمكن أن يؤدي التعرف المثالي على الطعام المرتبط بإدخال قاعدة بيانات غير دقيق إلى نتيجة غير دقيقة. تقلل الأطباق المختلطة، والأطعمة المتداخلة، والعروض غير المألوفة من دقة التصنيف.

التكلفة: استثمار أولي مرتفع في تدريب النموذج والبنية التحتية، لكن تكلفة التقدير الهامشية قريبة من الصفر.

التطبيقات التي تستخدم هذه الطريقة: Cal AI (الطريقة الرئيسية)، Nutrola (كطبقة تسجيل مريحة، مدعومة بقاعدة بيانات موثوقة)، وتطبيقات ناشئة متنوعة.

خط أنابيب Nutrola المتعدد المصادر

تجمع طريقة الحصول على البيانات في Nutrola بين مزايا عدة طرق مع تقليل عيوب كل منها.

مرحلة خط الأنابيب	نهج Nutrola	الغرض
1. الحصول على البيانات الأساسية	USDA FoodData Central	أساس تم تحليله في المختبر
2. التحقق المتبادل	AUSNUT، CoFID، CNF، BLS، وقواعد بيانات وطنية أخرى	تحقق متعدد المصادر
3. تحديد التباينات	مقارنة تلقائية عبر المصادر	اكتشاف الأخطاء
4. مراجعة احترافية	مراجعة أخصائي التغذية للتباينات المبلغ عنها	حل الخبراء
5. دمج المنتجات المعلبة	بيانات الشركات المصنعة مع التحقق من أخصائي التغذية	تغطية العلامات التجارية
6. تسجيل مدعوم بالذكاء الاصطناعي	التعرف على الصور وواجهة تسجيل الصوت	راحة المستخدم
7. مطابقة قاعدة البيانات	مطابقة الأطعمة المحددة بواسطة الذكاء الاصطناعي مع الإدخالات الموثوقة	ضمان الدقة
8. المراقبة المستمرة	ملاحظات المستخدم + إعادة التحقق الدورية	جودة مستمرة

التمييز الأساسي في خط أنابيب Nutrola هو الفصل بين واجهة التسجيل (التعرف على الصور والصوت، التي تعزز الراحة) وقاعدة البيانات الأساسية (مدعومة من USDA، تم التحقق منها من قبل أخصائي التغذية، التي تعزز الدقة). يضمن هذا الهيكل أن سرعة وسهولة تسجيل الذكاء الاصطناعي لا تأتي على حساب دقة البيانات، لأن كل إدخال يتطابق معه الذكاء الاصطناعي قد تم التحقق منه بشكل احترافي.

النتيجة هي قاعدة بيانات تحتوي على أكثر من 1.8 مليون إدخال موثق من قبل أخصائي التغذية، يمكن الوصول إليها من خلال عدة طرق تسجيل (التعرف على الصور بالذكاء الاصطناعي، تسجيل الصوت، مسح الباركود، البحث النصي) مقابل 2.50 يورو شهريًا بدون إعلانات.

ملخص مقايضات التكلفة والدقة

طريقة الحصول على البيانات	التكلفة لكل إدخال	الدقة (الكبيرة)	الدقة (الصغيرة)	القابلية للتوسع	سرعة الوصول إلى السوق
التحليل في المختبر	500-2000 دولار	±2-5%	±5-15%	منخفضة جدًا	بطيئة (أسابيع)
تكامل قاعدة البيانات الحكومية	10-30 دولار	±5-10%	±10-15%	متوسطة	متوسطة (أشهر)
مراجعة احترافية + تحقق متبادل	5-15 دولار	±5-10%	±10-20%	متوسطة	متوسطة
ملصقات الشركات المصنعة	1-3 دولارات	±10-20%	تغطية محدودة	عالية	سريعة (أيام)
جمع المعلومات من الجمهور	~0 دولار	±15-30%	غالبًا مفقودة	عالية جدًا	فورية
تقدير الذكاء الاصطناعي	<0.01 دولار	±20-40%	غير قابل للتطبيق	عالية جدًا	فورية

تكشف الجدول عن المقايضة الأساسية التي تواجه كل تطبيق تتبع السعرات الحرارية: الدقة تكلف المال، والتوسع رخيص. تعتمد التطبيقات التي تعطي الأولوية لحجم قاعدة البيانات على جمع المعلومات من الجمهور لأنها مجانية وسريعة. بينما تستثمر التطبيقات التي تعطي الأولوية للدقة في تكامل البيانات الحكومية والتحقق المهني.

كيف تعمل تحديثات قاعدة البيانات

قاعدة بيانات الطعام ليست منتجًا ثابتًا. تقوم الشركات المصنعة بإعادة صياغة المنتجات، وتدخل منتجات جديدة إلى السوق، وتتحسن العلوم التحليلية. تختلف آلية التحديث لكل طريقة الحصول على البيانات بشكل كبير.

تقوم قواعد البيانات الحكومية بالتحديث على دورات محددة. تطلق USDA FoodData Central تحديثات رئيسية سنويًا، مع تحديث مكون Foundation Foods كلما أصبحت بيانات تحليلية جديدة متاحة. يجب على التطبيقات التي تدمج البيانات الحكومية إعادة مزامنة قواعد بياناتها مع كل إصدار.

تتغير بيانات الشركات المصنعة كلما تم إعادة صياغة منتج. لا توجد نظام إشعار مركزي لإعادة الصياغة، لذا يجب على التطبيقات إما إعادة مسح المنتجات بشكل دوري أو الاعتماد على المستخدمين للإبلاغ عن الإدخالات القديمة.

تقوم قواعد البيانات المستندة إلى الجمهور بالتحديث باستمرار حيث يقوم المستخدمون بتقديم إدخالات جديدة، ولكن بدون مراقبة الجودة، فإن الإدخالات الجديدة قد تقدم أخطاء بنفس القدر الذي قد تصحح به.

تحسن نماذج الذكاء الاصطناعي من خلال إعادة التدريب الدورية على بيانات جديدة، لكن هذا يتطلب مجموعات بيانات تدريب منظمة وموارد حسابية. تحدث تحديثات النموذج على دورات هندسية بدلاً من دورات بيانات التغذية.

تدمج آلية تحديث Nutrola دورات إصدار USDA، وتحديثات قواعد البيانات الوطنية، والتحقق المستمر من إدخالات المنتجات المعلبة للحفاظ على تحديث بياناتها عبر 1.8 مليون إدخال.

لماذا يجب أن تكون منهجية الحصول على البيانات هي معيار الاختيار الأول لديك

عند تقييم تطبيقات تتبع السعرات الحرارية، يسأل معظم المستخدمين عن الميزات: هل يحتوي على مسح الباركود؟ هل يمكنني تسجيل الوصفات؟ هل يتزامن مع جهاز تتبع اللياقة البدنية الخاص بي؟ هذه الأسئلة معقولة ولكنها ثانوية. يجب أن يكون السؤال الأول دائمًا: من أين تأتي بيانات التغذية، وكيف يتم التحقق منها؟

تطبيق مصمم بشكل جميل مع ميزات شاملة يقدم بيانات غذائية غير دقيقة يعد عائقًا فعليًا. إنه يخلق ثقة زائفة في تقديرات السعرات الحرارية التي قد تنحرف عن الواقع بنسبة 20-30 في المئة. بالنسبة لمستخدم يستهدف عجزًا قدره 500 سعرة حرارية، يعني خطأ منهجي بنسبة 25 في المئة الفرق بين تحقيق العجز والحفاظ على الوزن الحالي.

توفر مقارنة منهجيات الحصول على البيانات في هذه المقالة الإطار اللازم لاتخاذ قرار مستند إلى الأدلة عند اختيار التطبيق. تقدم التطبيقات المرتبطة بـ USDA FoodData Central مع طبقات تحقق احترافية (Nutrola، Cronometer) مستوى مختلفًا تمامًا من موثوقية البيانات مقارنة بالبدائل المستندة إلى الجمهور (MFP، FatSecret) أو التقدير القائم على الذكاء الاصطناعي فقط (Cal AI).

الأسئلة الشائعة

كيف تحصل تطبيقات تتبع السعرات الحرارية على بيانات التغذية؟

تستخدم تطبيقات تتبع السعرات الحرارية خمس طرق رئيسية: تكامل قاعدة البيانات الحكومية (USDA FoodData Central، NCCDB)، تقديمات ملصقات الشركات المصنعة، التحليل في المختبر (الوصول من خلال قواعد البيانات الحكومية)، تقديمات المستخدمين المستندة إلى الجمهور، وتقدير الذكاء الاصطناعي من صور الطعام. كل طريقة لها ملفات دقة وتكلفة مختلفة. التطبيقات الأكثر دقة، بما في ذلك Nutrola وCronometer، تعتمد على بيانات مختبرية تم تحليلها حكوميًا وتضيف طبقات تحقق احترافية.

لماذا تحتوي بعض تطبيقات تتبع السعرات الحرارية على ملايين الإدخالات أكثر من غيرها؟

تُعزى الفروقات في حجم قاعدة البيانات بشكل أساسي إلى جمع المعلومات من الجمهور. تسمح التطبيقات مثل MyFitnessPal لأي مستخدم بتقديم إدخالات، مما يؤدي بسرعة إلى تضخم عدد الإدخالات إلى الملايين. ومع ذلك، فإن العديد من هذه الإدخالات مكررة أو تحتوي على أخطاء. تعطي التطبيقات ذات القواعد البيانية الأصغر ولكن الموثوقة (مثل 1.8 مليون إدخال موثق من قبل أخصائي التغذية في Nutrola، وبيانات USDA/NCCDB المنسقة في Cronometer) الأولوية للدقة لكل إدخال على حساب العدد الإجمالي للإدخالات.

هل تقدير السعرات الحرارية بواسطة الذكاء الاصطناعي دقيق مثل تتبع البيانات القائم على القاعدة؟

تشير الأبحاث الحالية إلى أن تقدير السعرات الحرارية المستند إلى الصور بواسطة الذكاء الاصطناعي أقل دقة من البحث عن الطعام في قاعدة بيانات موثوقة. أفاد Thames et al. (2021) بأن أخطاء تقدير حجم الحصة المتوسطة تراوحت بين 20-40 في المئة للأنظمة القائمة على الذكاء الاصطناعي. ومع ذلك، تعتمد دقة تقدير الذكاء الاصطناعي بشكل كبير على قاعدة البيانات التي يتم المطابقة ضدها. تستخدم Nutrola الذكاء الاصطناعي كواجهة تسجيل مريحة (التعرف على الصور وتسجيل الصوت) بينما تطابق الأطعمة المحددة مع قاعدة بيانات موثوقة، مما يجمع بين راحة الذكاء الاصطناعي ودقة قاعدة البيانات.

كم مرة تحتاج قواعد بيانات الطعام إلى التحديث؟

تقوم الشركات المصنعة بإعادة صياغة المنتجات بانتظام، وتقوم USDA بتحديث FoodData Central سنويًا. يجب على التطبيق دمج تحديثات قاعدة البيانات الحكومية الرئيسية على الأقل سنويًا وأن يكون لديه عملية لتحديث إدخالات المنتجات المعلبة عند حدوث إعادة صياغة. تقوم قواعد البيانات المستندة إلى الجمهور بالتحديث باستمرار ولكن بدون مراقبة الجودة، بينما تقوم القواعد البيانية المنسقة بالتحديث بشكل أقل تكرارًا ولكن بدقة موثوقة.

هل يمكنني التحقق من مصدر بيانات تتبع السعرات الحرارية الخاص بي؟

بعض التطبيقات شفافة بشأن مصادر بياناتها. تصنف Cronometer الإدخالات حسب مصدرها (USDA، NCCDB، أو الشركة المصنعة). اختبار مفيد هو البحث عن طعام شائع مثل "بروكلي خام، 100 جرام" والتحقق مما إذا كانت التطبيق يعيد إدخالًا واحدًا محددًا (مما يشير إلى قاعدة بيانات منسقة) أو إدخالات متعددة بقيم مختلفة (مما يشير إلى قاعدة بيانات مستندة إلى الجمهور مع مشاكل تكرار).