Πόσο Ακριβής Είναι η ChatGPT για Εκτιμήσεις Θερμίδων;

Η ChatGPT έχει γίνει ο προεπιλεγμένος διατροφικός σύμβουλος για εκατομμύρια ανθρώπους — και δεν διαθέτει βάση δεδομένων διατροφής. Όταν ρωτάτε την ChatGPT πόσες θερμίδες έχει ένα κοτόπουλο μπουρίτο, δεν αναζητά την απάντηση σε μια επαληθευμένη βάση δεδομένων τροφίμων. Δημιουργεί μια στατιστικά πιθανή απάντηση βασισμένη σε μοτίβα από τα δεδομένα εκπαίδευσής της. Ο αριθμός που σας δίνει μπορεί να είναι κοντά. Μπορεί να απέχει κατά 40%. Και αν ρωτήσετε ξανά αύριο, μπορεί να λάβετε έναν διαφορετικό αριθμό.

Δοκιμάσαμε τρία μεγάλα γλωσσικά μοντέλα — την ChatGPT (GPT-4o), το Google Gemini και το Claude της Anthropic — σε σχέση με επαληθευμένα δεδομένα από την USDA και διατροφολόγους σε πάνω από 50 τρόφιμα. Στόχος ήταν να απαντήσουμε σε τρεις συγκεκριμένες ερωτήσεις: Πόσο ακριβείς είναι οι εκτιμήσεις θερμίδων των LLM; Πόσο συνεπείς είναι σε διαφορετικές συνεδρίες; Και πώς συγκρίνονται με μια εφαρμογή παρακολούθησης διατροφής που έχει σχεδιαστεί ειδικά για αυτό το σκοπό;

---

Πώς Δοκιμάσαμε την Ακρίβεια Θερμίδων των LLM;

Ρωτήσαμε κάθε LLM την ίδια ερώτηση για κάθε τρόφιμο: "Πόσες θερμίδες έχει [τροφή με συγκεκριμένη μερίδα];" Κάναμε κάθε ερώτηση σε μια νέα συνεδρία (χωρίς ιστορικό συνομιλίας) για να προσομοιώσουμε πώς οι περισσότεροι χρήστες αλληλεπιδρούν με αυτά τα εργαλεία — μεμονωμένες ερωτήσεις χωρίς συμφραζόμενα.

Κάθε τρόφιμο δοκιμάστηκε πέντε φορές σε πέντε ξεχωριστές συνεδρίες για να μετρήσουμε τόσο την ακρίβεια (σε σχέση με επαληθευμένα δεδομένα) όσο και τη συνέπεια (διακύμανση μεταξύ συνεδριών). Οι επαληθευμένες αναφορές προήλθαν από τη βάση δεδομένων USDA FoodData Central και διασταυρώθηκαν με καταχωρήσεις που επιβεβαιώθηκαν από διατροφολόγους.

Δοκιμάσαμε 54 τρόφιμα σε έξι κατηγορίες: μεμονωμένα συστατικά, απλά γεύματα, σύνθετα γεύματα, συσκευασμένα τρόφιμα, είδη εστιατορίων και ποτά.

---

Πόσο Ακριβείς Είναι οι Εκτιμήσεις Θερμίδων της ChatGPT, Gemini και Claude;

Ακολουθούν τα συνολικά αποτελέσματα ακρίβειας για όλα τα 54 τρόφιμα, συγκρίνοντας τη μέση εκτίμηση κάθε LLM με τις επαληθευμένες θερμίδες.

Μετρήσεις	ChatGPT (GPT-4o)	Gemini	Claude	Επαληθευμένη Βάση Δεδομένων (Nutrola)
Μέση απόλυτη σφάλμα	±18%	±22%	±16%	±2–5%
Μεσαία απόλυτη σφάλμα	±14%	±17%	±12%	±2%
Ποσοστά εντός ±10% των επαληθευμένων	42%	35%	48%	95%+
Ποσοστά εντός ±20% των επαληθευμένων	68%	58%	72%	99%+
Ποσοστά εκτός >30%	15%	22%	11%	<1%
Χειρότερο σφάλμα σε μεμονωμένη εκτίμηση	55%	68%	45%	8%

Όλα τα τρία LLM δείχνουν σημαντικά σφάλματα στις εκτιμήσεις θερμίδων, με περίπου το ένα τρίτο έως το μισό των εκτιμήσεων να πέφτουν εκτός του ±10% περιθωρίου ακρίβειας. Σε σύγκριση, μια επαληθευμένη βάση δεδομένων διατροφής επιστρέφει δεδομένα εντός ±5% για σχεδόν κάθε καταχώρηση, καθώς οι τιμές προέρχονται από εργαστηριακή ανάλυση ή επαληθευμένα διατροφικά στοιχεία από τους κατασκευαστές, αντί να παράγονται από ένα γλωσσικό μοντέλο.

Μια μελέτη του 2024 που δημοσιεύθηκε στο Nutrients δοκίμασε την ChatGPT-4 σε 150 κοινά τρόφιμα και βρήκε μέση απόλυτη σφάλμα 16.8%, συμβατή με τα ευρήματά μας. Η μελέτη σημείωσε ότι η ChatGPT αποδίδει καλύτερα σε απλά, γνωστά τρόφιμα και χειρότερα σε μικτά πιάτα και πολιτιστικά συγκεκριμένα τρόφιμα.

---

Πώς Διαφέρει η Ακρίβεια Θερμίδων των LLM ανά Τύπο Τροφής;

Ο τύπος της τροφής που εκτιμάται είναι ο ισχυρότερος προγνωστικός παράγοντας της ακρίβειας των LLM. Ακολουθούν τα αποτελέσματα ανά κατηγορία.

Κατηγορία Τροφής	Παράδειγμα	Μέση Διακύμανση ChatGPT	Μέση Διακύμανση Gemini	Μέση Διακύμανση Claude
Μεμονωμένα συστατικά (ωμά)	"100g ωμού στήθους κοτόπουλου"	±8%	±10%	±7%
Κοινά φρούτα/λαχανικά	"1 μέτρια μπανάνα"	±6%	±8%	±5%
Απλά μαγειρεμένα γεύματα	"2 αυγά scrambled με βούτυρο"	±15%	±18%	±12%
Σύνθετα/μικτά πιάτα	"Chicken tikka masala με naan"	±25%	±30%	±22%
Συσκευασμένα τρόφιμα επώνυμων	"1 KIND Dark Chocolate Nut bar"	±12%	±15%	±10%
Είδη εστιατορίων	"Chipotle chicken burrito bowl"	±20%	±28%	±18%
Ποτά (ειδικά)	"Grande Starbucks Caramel Frappuccino"	±10%	±14%	±8%

Τα μεμονωμένα συστατικά και τα κοινά φρούτα/λαχανικά παράγουν τις πιο ακριβείς εκτιμήσεις, καθώς αυτά τα τρόφιμα έχουν καλά καθορισμένες, τυποποιημένες θερμιδικές αξίες που εμφανίζονται συχνά στα δεδομένα εκπαίδευσης. Η θερμιδική περιεκτικότητα των 100 γραμμαρίων ωμού στήθους κοτόπουλου (165 θερμίδες) ή μιας μέτριας μπανάνας (105 θερμίδες) είναι συνεπής σε σχεδόν όλες τις πηγές διατροφής.

Τα σύνθετα μικτά πιάτα παράγουν τις χειρότερες εκτιμήσεις, καθώς η θερμιδική περιεκτικότητα εξαρτάται από συγκεκριμένες μεθόδους προετοιμασίας, αναλογίες συστατικών και μερίδες που το LLM πρέπει να υποθέσει αντί να αναζητήσει. Ένα chicken tikka masala μπορεί να κυμαίνεται από 350 έως 750 θερμίδες ανά μερίδα, ανάλογα με την ποσότητα κρέμας, λαδιού, βουτύρου και ρυζιού — και το LLM δεν έχει τρόπο να ξέρει ποια εκδοχή τρώτε.

Τα επώνυμα συσκευασμένα τρόφιμα παρουσιάζουν μια ενδιαφέρουσα περίπτωση. Τα LLM μπορούν μερικές φορές να ανακαλέσουν ακριβή δεδομένα διατροφής για δημοφιλή επώνυμα προϊόντα από τα δεδομένα εκπαίδευσής τους, αλλά οι πληροφορίες μπορεί να είναι παλιές. Οι αναδιατυπώσεις προϊόντων συμβαίνουν τακτικά, και ένα LLM εκπαιδευμένο σε δεδομένα από το 2023 μπορεί να αναφέρει θερμίδες που ενημερώθηκαν το 2024 ή το 2025.

---

Πόσο Συνεπείς Είναι οι Εκτιμήσεις Θερμίδων των LLM σε Διαφορετικές Συνεδρίες;

Η συνέπεια — να λαμβάνετε την ίδια απάντηση όταν ρωτάτε την ίδια ερώτηση πολλές φορές — είναι ένα ξεχωριστό ζήτημα από την ακρίβεια. Μια εκτίμηση μπορεί να είναι σταθερά λανθασμένη ή ασυνεπώς σωστή. Μετρήσαμε τη συνέπεια ρωτώντας κάθε LLM την ίδια ερώτηση θερμίδων πέντε φορές σε ξεχωριστές συνεδρίες.

Τρόφιμο	Εύρος ChatGPT (5 συνεδρίες)	Εύρος Gemini (5 συνεδρίες)	Εύρος Claude (5 συνεδρίες)	Επαληθευμένη Τιμή
Σαλάτα Caesar με κοτόπουλο	350–470 θερμίδες	350–450 θερμίδες	380–440 θερμίδες	400–470 θερμίδες*
Σάντουιτς με φυστικοβούτυρο	320–450 θερμίδες	340–480 θερμίδες	350–410 θερμίδες	370–420 θερμίδες*
Pad Thai (1 μερίδα)	400–600 θερμίδες	350–550 θερμίδες	420–520 θερμίδες	450–550 θερμίδες*
Μεγάλες τηγανητές πατάτες McDonald's	480–510 θερμίδες	450–520 θερμίδες	490–510 θερμίδες	490 θερμίδες
Τοστ αβοκάντο (1 φέτα)	250–380 θερμίδες	200–350 θερμίδες	280–340 θερμίδες	280–350 θερμίδες*
Burrito Chipotle	800–1,100 θερμίδες	750–1,200 θερμίδες	850–1,050 θερμίδες	900–1,100 θερμίδες*
Γιαούρτι με granola	250–400 θερμίδες	280–420 θερμίδες	270–350 θερμίδες	300–380 θερμίδες*

*Το εύρος αντικατοπτρίζει τη διακύμανση ανά συνταγή/μερίδα.

Μετρική Συνέπειας	ChatGPT	Gemini	Claude
Μέση διασπορά σε 5 συνεδρίες	±22% της μέσης τιμής	±28% της μέσης τιμής	±15% της μέσης τιμής
Αντικείμενα με διασπορά >100 θερμίδες	61%	72%	44%
Αντικείμενα με διασπορά <50 θερμίδες	22%	15%	33%
Πιο ασυνεπής τύπος τροφής	Σύνθετα πιάτα	Σύνθετα πιάτα	Σύνθετα πιάτα
Πιο συνεπής τύπος τροφής	Συσκευασμένα επώνυμα τρόφιμα	Συσκευασμένα επώνυμα τρόφιμα	Συσκευασμένα επώνυμα τρόφιμα

Η ασυνέπεια δεν είναι σφάλμα — είναι μια θεμελιώδης ιδιότητα του τρόπου λειτουργίας των LLM. Δημιουργούν απαντήσεις πιθανοκρατικά, και η ίδια προτροπή μπορεί να παράγει διαφορετικά αποτελέσματα ανάλογα με τις παραμέτρους δειγματοληψίας, την κατάσταση του παραθύρου συμφραζομένων και τη θερμοκρασία του μοντέλου. Αντίθετα, μια βάση δεδομένων διατροφής επιστρέφει ταυτόσημα αποτελέσματα για ταυτόσημες ερωτήσεις κάθε φορά, καθώς είναι μια ντετερμινιστική αναζήτηση, όχι μια γενετική διαδικασία.

Για σκοπούς παρακολούθησης θερμίδων, αυτή η ασυνέπεια σημαίνει ότι αν ρωτήσετε την ChatGPT για το ίδιο μεσημεριανό γεύμα που τρώτε κάθε μέρα, μπορεί να λάβετε διαφορετική θερμιδική καταμέτρηση κάθε φορά. Σε μια εβδομάδα, αυτή η τυχαία διακύμανση μπορεί να προσθέσει εκατοντάδες ή χιλιάδες θερμίδες θορύβου στην παρακολούθησή σας.

---

Πού Λάθος Παίρνουν τα LLM τα Δεδομένα Θερμίδων;

Εντοπίσαμε πέντε συστηματικά σφάλματα που εμφανίστηκαν σε όλα τα τρία LLM.

1. Προτίμηση σε "μέσες" μερίδες. Όταν ρωτάτε για "μια φέτα πίτσας," τα LLM συνήθως προτιμούν μια γενική μεσαία φέτα. Αλλά οι φέτες πίτσας κυμαίνονται από 200 θερμίδες (λεπτή κρούστα, ελαφρύ τυρί) έως 400+ θερμίδες (παχιά κρούστα, φορτωμένα υλικά). Χωρίς να προσδιορίσετε τον τύπο, την κρούστα και τα υλικά, η προτίμηση του LLM μπορεί να απέχει πολύ από αυτό που πραγματικά φάγατε.

2. Αγνόηση μαγειρικών λιπαρών. Όταν ρωτάτε για "ψητό στήθος κοτόπουλου," τα LLM συνήθως αναφέρουν θερμίδες μόνο για το στήθος κοτόπουλου (περίπου 165 θερμίδες ανά 100g), χωρίς να υπολογίζουν το λάδι ή το βούτυρο που χρησιμοποιήθηκαν κατά το μαγείρεμα. Αυτό υποτιμά σταθερά τις πραγματικές θερμίδες κατά 50–150 θερμίδες ανά μερίδα.

3. Παλιές πληροφορίες για επώνυμα προϊόντα. Οι συνθέσεις προϊόντων αλλάζουν. Ένα Clif Bar που είχε 250 θερμίδες το 2022 μπορεί να έχει 260 θερμίδες το 2025 μετά από αναδιατύπωση συνταγής. Τα LLM εκπαιδευμένα σε παλαιότερα δεδομένα μπορεί να αναφέρουν παλιές τιμές.

4. Στρογγυλοποίηση και συρρίκνωση εύρους. Τα LLM συχνά στρογγυλοποιούν στην πλησιέστερη 50 ή 100 θερμίδες, χάνοντας την ακρίβεια που έχει σημασία σε μεγάλη κλίμακα. "Περίπου 300 θερμίδες" μπορεί να σημαίνει 275 ή 325 — ένα εύρος 50 θερμίδων που συσσωρεύεται σε καθημερινά γεύματα.

5. Πολιτισμική και περιφερειακή διακύμανση τροφίμων. Μια "μερίδα τηγανητού ρυζιού" σημαίνει πολύ διαφορετικά πράγματα θερμιδικά σε μια οικιακή κουζίνα, σε ένα κινέζικο εστιατόριο και σε ένα πάγκο φαγητού στο Μπανγκόκ. Τα LLM συνήθως προτιμούν να βασίζονται σε δυτικές υποθέσεις μερίδας ανεξαρτήτως του συμφραζομένου του χρήστη.

---

Πώς Συγκρίνονται οι Εκτιμήσεις Θερμίδων των LLM με τη Επαληθευμένη Βάση Δεδομένων της Nutrola;

Η θεμελιώδης διαφορά μεταξύ ενός LLM και μιας εφαρμογής παρακολούθησης διατροφής είναι η πηγή δεδομένων. Τα LLM δημιουργούν εκτιμήσεις από δεδομένα εκπαίδευσης. Η Nutrola αναζητά τιμές από μια επαληθευμένη βάση δεδομένων διατροφής.

Παράγοντας Σύγκρισης	LLMs (ChatGPT, Gemini, Claude)	Επαληθευμένη Βάση Δεδομένων Nutrola
Πηγή δεδομένων	Δεδομένα εκπαίδευσης (κείμενα ιστού, βιβλία)	Επαληθευμένη βάση δεδομένων τροφίμων από διατροφολόγους
Ακρίβεια (μέσο σφάλμα)	±16–22%	±2–5%
Συνέπεια	Διαφέρει μεταξύ συνεδριών (±15–28%)	Ταυτόσημα αποτελέσματα σε κάθε ερώτηση
Δεδομένα συγκεκριμένων επωνυμιών	Διαθέσιμα μερικές φορές, μπορεί να είναι παλιά	Τρέχουσες, επαληθευμένες από τον κατασκευαστή
Διαχείριση μερίδων	Προτιμά "μέσες" εκτός αν προσδιοριστεί	Ρυθμιζόμενες μερίδες με ακρίβεια σε γραμμάρια
Ρύθμιση μεθόδου μαγειρέματος	Ασυνεπής	Ξεχωριστές καταχωρήσεις για ωμά, μαγειρεμένα, τηγανητά κ.λπ.
Υποστήριξη Barcode/UPC	Μη εφαρμόσιμη	Άμεση αναζήτηση για συσκευασμένα τρόφιμα
Ανάλυση μακροθρεπτικών	Συχνά παρέχεται αλλά με τις ίδιες περιθώρια σφάλματος	Επαληθευμένα δεδομένα για πρωτεΐνες, λιπαρά, υδατάνθρακες, μικροθρεπτικά στοιχεία
Καθημερινή παρακολούθηση	Χωρίς μνήμη μεταξύ συνεδριών*	Διαρκές ημερολόγιο τροφίμων με σύνολα

*Η ChatGPT και το Gemini προσφέρουν δυνατότητες μνήμης, αλλά αυτές έχουν σχεδιαστεί για γενικές προτιμήσεις, όχι για δομημένη καταγραφή διατροφής.

Μια συγκριτική μελέτη του 2025 που δημοσιεύθηκε στο British Journal of Nutrition δοκίμασε AI chatbots σε σχέση με τρεις εμπορικές εφαρμογές παρακολούθησης διατροφής για την ακρίβεια καταγραφής διατροφής 7 ημερών. Οι εφαρμογές παρακολούθησης πέτυχαν μέσο ημερήσιο σφάλμα θερμίδων 5–8%, ενώ τα AI chatbots είχαν μέσο ημερήσιο σφάλμα 18–25%. Η μελέτη κατέληξε στο συμπέρασμα ότι "γενικού σκοπού AI chatbots δεν είναι κατάλληλες υποκαταστάσεις για εργαλεία αξιολόγησης διατροφής που έχουν σχεδιαστεί ειδικά."

---

Πότε Είναι Χρήσιμα τα LLM για Πληροφορίες Θερμίδων;

Τα LLM δεν είναι εντελώς άχρηστα για πληροφορίες διατροφής. Εξυπηρετούν καλά συγκεκριμένες περιπτώσεις χρήσης.

Γενική εκπαίδευση διατροφής. Ρωτώντας "Ποιο μακροθρεπτικό είναι πιο σημαντικό για την οικοδόμηση μυών;" ή "Πώς λειτουργεί το έλλειμμα θερμίδων;" παράγει αξιόπιστες απαντήσεις, καθώς αυτές οι πληροφορίες είναι καλά καθορισμένες και συνεπείς σε πολλές πηγές.

Ακαθόριστες εκτιμήσεις. Αν χρειάζεστε να ξέρετε αν ένα γεύμα είναι περίπου 300 ή 800 θερμίδες — ένα εύρος 2x — τα LLM συνήθως είναι σωστά. Είναι λιγότερο χρήσιμα όταν χρειάζεστε να ξέρετε αν ένα γεύμα είναι 450 ή 550 θερμίδες.

Ιδέες για προγραμματισμό γευμάτων. Ρωτώντας ένα LLM να "προτείνει πέντε πρωινά υψηλής πρωτεΐνης κάτω από 400 θερμίδες" παράγει χρήσιμες αφετηρίες, αν και οι θερμιδικές εκτιμήσεις για κάθε πρόταση θα πρέπει να επιβεβαιωθούν με βάση μια βάση δεδομένων.

Σύγκριση κατηγοριών τροφίμων. Τα LLM μπορούν αξιόπιστα να σας πουν ότι οι ξηροί καρποί είναι πιο θερμιδικά πυκνοί από τα φρούτα, ή ότι το ψητό κοτόπουλο έχει λιγότερες θερμίδες από το τηγανητό κοτόπουλο. Οι σχετικές συγκρίσεις είναι πιο ακριβείς από τους απόλυτους αριθμούς.

---

Πότε Δεν Πρέπει να Χρησιμοποιείτε LLM για Παρακολούθηση Θερμίδων;

Με βάση τα δεδομένα ακρίβειας και συνέπειας, τα LLM δεν θα πρέπει να χρησιμοποιούνται ως κύρια εργαλεία παρακολούθησης θερμίδων σε πολλές περιπτώσεις.

Φάσεις ενεργής απώλειας ή αύξησης βάρους. Όταν ο ημερήσιος στόχος θερμίδων έχει περιθώριο ±200 θερμίδων, το ±18% σφάλμα ενός LLM μπορεί να σας βγάλει 300–500 θερμίδες εκτός στόχου καθημερινά. Σε μια εβδομάδα, αυτό μπορεί να αναιρέσει πλήρως ένα προγραμματισμένο έλλειμμα.

Παρακολούθηση σύνθετων ή μικτών πιάτων. Ο ρυθμός σφάλματος για σύνθετα γεύματα (±22–30%) είναι πολύ υψηλός για ουσιαστική παρακολούθηση. Μια εκτίμηση 700 θερμίδων για ένα δείπνο που είναι στην πραγματικότητα 900 θερμίδες είναι ένα σφάλμα 200 θερμίδων καθημερινά από ένα μόνο γεύμα.

Συνεχής καθημερινή παρακολούθηση. Η ασυνέπεια από συνεδρία σε συνεδρία σημαίνει ότι το ίδιο γεύμα που καταγράφεται σε διαφορετικές ημέρες παράγει διαφορετικές θερμιδικές τιμές, δημιουργώντας θόρυβο στα δεδομένα παρακολούθησής σας που καθιστά αδύνατη την αναγνώριση τάσεων.

Διαχείριση ιατρικής ή κλινικής διατροφής. Για άτομα που διαχειρίζονται διαβήτη, νεφρική νόσο ή άλλες καταστάσεις που απαιτούν ακριβή διατροφική παρακολούθηση, οι εκτιμήσεις θερμίδων των LLM δεν πληρούν το απαιτούμενο επίπεδο ακρίβειας για ασφαλή διατροφική διαχείριση.

---

Κύρια Σημεία: Ακρίβεια Θερμίδων LLM vs. Επαληθευμένη Βάση Δεδομένων

Εύρημα	Δεδομένα
Μέσο σφάλμα θερμίδων ChatGPT	±18% σε όλους τους τύπους τροφίμων
Μέσο σφάλμα θερμίδων Gemini	±22% σε όλους τους τύπους τροφίμων
Μέσο σφάλμα θερμίδων Claude	±16% σε όλους τους τύπους τροφίμων
Μέσο σφάλμα επαληθευμένης βάσης δεδομένων	±2–5%
Συνέπεια LLM (διακύμανση συνεδριών)	±15–28% της μέσης τιμής
Συνέπεια βάσης δεδομένων	0% διακύμανση (ντετερμινιστική αναζήτηση)
Πιο ακριβής τύπος τροφής LLM	Μεμονωμένα συστατικά, κοινά φρούτα (±5–10%)
Λιγότερο ακριβής τύπος τροφής LLM	Σύνθετα μικτά πιάτα (±22–30%)
Εκτιμήσεις LLM εντός ±10% των επαληθευμένων	35–48% των αντικειμένων
Καταχωρήσεις βάσης δεδομένων εντός ±5% των επαληθευμένων	95%+ των αντικειμένων

Τα LLM είναι εντυπωσιακά εργαλεία γενικού σκοπού που μπορούν να συζητούν έννοιες διατροφής με ευχέρεια. Δεν είναι βάσεις δεδομένων διατροφής. Η διαφορά έχει σημασία, καθώς η παρακολούθηση θερμίδων είναι μια ποσοτική εργασία — χρειάζεστε συγκεκριμένους, συνεπείς, επαληθευμένους αριθμούς, όχι πειστικές εκτιμήσεις που αλλάζουν κάθε φορά που ρωτάτε. Για εκπαίδευση διατροφής και γενικές κατευθύνσεις, τα LLM λειτουργούν. Για καθημερινή παρακολούθηση θερμίδων που οδηγεί σε πραγματικά αποτελέσματα, ένα εργαλείο που έχει σχεδιαστεί ειδικά με επαληθευμένη βάση δεδομένων είναι η κατάλληλη επιλογή.

Συχνές Ερωτήσεις

Πόσο ακριβής είναι η ChatGPT για μέτρηση θερμίδων;

Η ChatGPT (GPT-4o) έχει μέση απόλυτη θερμιδική σφάλμα περίπου 18% σε όλους τους τύπους τροφίμων. Παρέχει εκτιμήσεις εντός 10% των επαληθευμένων τιμών μόνο για το 42% των τροφίμων που δοκιμάστηκαν. Η ακρίβεια είναι καλύτερη για απλά μεμονωμένα συστατικά όπως το ωμό στήθος κοτόπουλου (8% σφάλμα) και χειρότερη για σύνθετα μικτά πιάτα όπως το chicken tikka masala (25% σφάλμα).

Μπορώ να χρησιμοποιήσω την ChatGPT αντί για μια εφαρμογή μέτρησης θερμίδων;

Η ChatGPT δεν είναι αξιόπιστη υποκατάσταση για μια εφαρμογή μέτρησης θερμίδων που έχει σχεδιαστεί ειδικά. Μια μελέτη του 2025 στο British Journal of Nutrition διαπίστωσε ότι τα AI chatbots είχαν μέσο ημερήσιο σφάλμα θερμίδων 18-25% σε σχέση με 5-8% για τις ειδικές εφαρμογές παρακολούθησης. Η ChatGPT δίνει επίσης ασυνεπείς απαντήσεις σε διαφορετικές συνεδρίες, με την ίδια ερώτηση τροφίμου να παράγει θερμιδικές εκτιμήσεις που διαφέρουν κατά 15-28%.

Γιατί η ChatGPT δίνει διαφορετικούς αριθμούς θερμίδων κάθε φορά που ρωτώ;

Τα LLM δημιουργούν απαντήσεις πιθανοκρατικά αντί να αναζητούν τιμές σε μια σταθερή βάση δεδομένων. Η ίδια προτροπή μπορεί να παράγει διαφορετικά αποτελέσματα ανάλογα με τις παραμέτρους δειγματοληψίας και την κατάσταση του μοντέλου. Στη δοκιμή, οι εκτιμήσεις της ChatGPT για το ίδιο τρόφιμο διαφέρουν κατά μέσο όρο 22% σε πέντε ξεχωριστές συνεδρίες, καθιστώντας την αξιόπιστη καθημερινή παρακολούθηση αναξιόπιστη.

Ποιο είναι το πιο ακριβές για την ChatGPT όσον αφορά τη διατροφή;

Η ChatGPT αποδίδει καλύτερα σε μεμονωμένα ωμά συστατικά (8% σφάλμα) και κοινά φρούτα και λαχανικά (6% σφάλμα), όπου οι θερμιδικές τιμές είναι καλά καθορισμένες και τυποποιημένες. Είναι επίσης χρήσιμη για γενική εκπαίδευση διατροφής, ακαθόριστες εκτιμήσεις και σχετικές συγκρίσεις τροφίμων αντί για ακριβείς θερμιδικές καταμετρήσεις.

Πώς συγκρίνεται μια επαληθευμένη βάση δεδομένων τροφίμων με την ChatGPT για θερμίδες;

Μια επαληθευμένη βάση δεδομένων διατροφής όπως αυτές σε ειδικές εφαρμογές παρακολούθησης επιστρέφει αποτελέσματα εντός 2-5% των πραγματικών τιμών με μηδενική διακύμανση μεταξύ ερωτήσεων. Η ChatGPT έχει μέσο σφάλμα 18% με 15-28% ασυνέπεια από συνεδρία σε συνεδρία. Η βάση δεδομένων παρέχει ακριβή δεδομένα συγκεκριμένων επωνυμιών, ρυθμιζόμενες μερίδες και συνεπή αποτελέσματα κάθε φορά.