Ανακριβής Βάση Δεδομένων Τροφίμων του Lose It; Γιατί Αποτυγχάνει η Συλλογή Δεδομένων από Χρήστες

Καταγράφετε μια "μεσαία μπανάνα" στο Lose It και βλέπετε 105 θερμίδες. Την επόμενη μέρα την καταγράφετε ξανά, επιλέγετε κατά λάθος μια διαφορετική καταχώρηση και βλέπετε 89 θερμίδες. Μια τρίτη καταχώρηση για το ίδιο τρόφιμο δείχνει 121 θερμίδες. Ποια είναι η σωστή; Δεν έχετε τρόπο να το ξέρετε, και το Lose It δεν σας ενημερώνει. Αυτό δεν είναι απλώς μια μικρή ενόχληση — είναι ένα θεμελιώδες πρόβλημα ακρίβειας που μπορεί να υπονομεύσει εβδομάδες προσεκτικής παρακολούθησης.

Η βάση δεδομένων τροφίμων του Lose It είναι βασισμένη σε δεδομένα από χρήστες, πράγμα που σημαίνει ότι οι καταχωρήσεις υποβάλλονται από χρήστες και όχι επαληθεύονται από διατροφολόγους. Αυτή η προσέγγιση έχει πλεονεκτήματα (η βάση δεδομένων μεγαλώνει γρήγορα και καλύπτει μια τεράστια γκάμα τροφίμων) αλλά και σημαντικά μειονεκτήματα (η ακρίβεια ποικίλλει δραματικά, οι διπλές καταχωρήσεις συσσωρεύονται και κανείς δεν ελέγχει τους υπολογισμούς).

Πώς Λειτουργεί Μια Βάση Δεδομένων Τροφίμων Βασισμένη σε Δεδομένα από Χρήστες;

Σε μια βάση δεδομένων που βασίζεται σε δεδομένα από χρήστες, οποιοσδήποτε χρήστης μπορεί να υποβάλει μια νέα καταχώρηση τροφίμου. Πληκτρολογεί το όνομα του τροφίμου, εισάγει τις διατροφικές πληροφορίες (συνήθως από μια ετικέτα προϊόντος ή από δική του εκτίμηση) και πατάει υποβολή. Αυτή η καταχώρηση είναι τώρα διαθέσιμη στη βάση δεδομένων για όλους τους άλλους χρήστες.

Το πρόβλημα είναι ότι δεν υπάρχει βήμα επαλήθευσης. Κανείς δεν ελέγχει αν ο χρήστης διάβασε σωστά την ετικέτα, αν εισήγαγε τα δεδομένα για τη σωστή μερίδα ή αν η καταχώρηση είναι διπλή. Με την πάροδο του χρόνου, η βάση δεδομένων συσσωρεύει χιλιάδες καταχωρήσεις για κοινά τρόφιμα, καθεμία με ελαφρώς διαφορετικά (και μερικές φορές δραματικά διαφορετικά) διατροφικά δεδομένα.

Έτσι καταλήγετε με 12 καταχωρήσεις για "στήθος κοτόπουλου" που κυμαίνονται από 128 έως 231 θερμίδες ανά 100 γραμμάρια. Ορισμένες καταχωρήσεις αφορούν ωμό κοτόπουλο, άλλες μαγειρεμένο, κάποιες περιλαμβάνουν δέρμα, κάποιες όχι, και καμία από αυτές δεν είναι σαφώς επισημασμένη.

Πώς Φαίνονται Αυτά τα Σφάλματα;

Ακολουθούν παραδείγματα των τύπων ασυνεπειών που συναντούν οι χρήστες στη βάση δεδομένων του Lose It. Αυτά είναι αντιπροσωπευτικά μοτίβα που αναφέρονται σε φόρουμ χρηστών και κριτικές.

Παράδειγμα 1: Το Πρόβλημα της Μπανάνας

Μια τυπική μεσαία μπανάνα (περίπου 118g) περιέχει περίπου 105 θερμίδες σύμφωνα με τον USDA. Σε μια βάση δεδομένων που βασίζεται σε δεδομένα από χρήστες, μπορεί να βρείτε καταχωρήσεις που δείχνουν από 72 έως 135 θερμίδες για μια "μπανάνα", επειδή οι χρήστες υποβάλλουν καταχωρήσεις με διαφορετικά μεγέθη, διαφορετικά επίπεδα ωρίμανσης ή απλά κάνουν λάθη στην καταχώρηση δεδομένων. Χωρίς ποιοτικό έλεγχο, όλες αυτές οι καταχωρήσεις παραμένουν για πάντα.

Παράδειγμα 2: Το Κενό με το Μαγειρικό Λάδι

Πολλές καταχωρήσεις για σπιτικά γεύματα δεν λαμβάνουν υπόψη το μαγειρικό λάδι. Μια καταχώρηση για "ψητό στήθος κοτόπουλου" μπορεί να δείχνει 165 θερμίδες (μόνο το ωμό κοτόπουλο) όταν το πραγματικό προετοιμασμένο πιάτο με ελαιόλαδο είναι πιο κοντά στις 220-250 θερμίδες. Οι χρήστες που βασίζονται σε αυτές τις καταχωρήσεις υπολογίζουν συστηματικά λιγότερες θερμίδες και λιπαρά.

Παράδειγμα 3: Η Διαφορετική Προϊόντων Ανά Περιοχή

Ένας χρήστης στο Ηνωμένο Βασίλειο καταγράφει μια συγκεκριμένη μάρκα γιαουρτιού αναζητώντας το όνομά της. Η καταχώρηση που εμφανίζεται έχει υποβληθεί από έναν χρήστη στις ΗΠΑ για ένα αμερικανικό προϊόν με την ίδια μάρκα αλλά διαφορετική σύνθεση. Ο υπολογισμός θερμίδων διαφέρει κατά 30-40 θερμίδες ανά μερίδα, αλλά ο χρήστης δεν έχει τρόπο να το γνωρίζει αυτό γιατί η καταχώρηση φαίνεται σωστή.

Παράδειγμα 4: Το Αναθεωρημένο Προϊόν

Οι κατασκευαστές τροφίμων αλλάζουν τακτικά τις συνταγές τους και ενημερώνουν τις ετικέτες διατροφής. Αλλά οι καταχωρήσεις στη βάση δεδομένων που βασίζεται σε δεδομένα από χρήστες σπάνια ενημερώνονται για να αντικατοπτρίζουν αυτές τις αλλαγές. Ένα πρωτεϊνικό μπαρ που έχει αναθεωρηθεί πριν από έξι μήνες μπορεί να δείχνει ακόμα τα παλιά διατροφικά δεδομένα στη βάση δεδομένων, επειδή ο αρχικός υποβάλλων δεν έχει υποχρέωση (ή κίνητρο) να το ενημερώσει.

Πόσο Σημαντικά Είναι Αυτά τα Σφάλματα;

Η επίδραση εξαρτάται από το πόσες καταχωρήσεις κάνετε καθημερινά και πόσο μεγάλες είναι οι αποκλίσεις. Ακολουθεί ένα ρεαλιστικό σενάριο.

Ας υποθέσουμε ότι καταγράφετε 15-20 τρόφιμα την ημέρα (τρία γεύματα συν σνακ, με πολλαπλά στοιχεία ανά γεύμα). Αν η μέση απόκλιση ανά καταχώρηση είναι ±10-15% — που είναι συντηρητικό για μια βάση δεδομένων που βασίζεται σε δεδομένα από χρήστες — το ημερήσιο σύνολο θερμίδων σας μπορεί να είναι λανθασμένο κατά 200-450 θερμίδες.

Σε μια εβδομάδα, αυτό σημαίνει 1,400-3,150 θερμίδες συνολικού σφάλματος. Για σύγκριση, ένα ημερήσιο έλλειμμα 500 θερμίδων υποτίθεται ότι παράγει περίπου 0.45 kg (1 lb) απώλειας λίπους την εβδομάδα. Αν τα σφάλματα της βάσης δεδομένων σας καταναλώνουν το μεγαλύτερο μέρος ή το σύνολο αυτού του ελλείμματος, η ζυγαριά σας δεν θα κουνηθεί.

Αυτό δεν είναι θεωρητικό. Είναι ο πιο κοινός λόγος που οι χρήστες που παρακολουθούν θερμίδες σταματούν να βλέπουν αποτελέσματα — παρακολουθούν συστηματικά, αλλά παρακολουθούν ανακριβώς.

Βάσεις Δεδομένων από Χρήστες vs Επαληθευμένες: Ποια Είναι η Διαφορά;

Η διάκριση μεταξύ βάσεων δεδομένων που βασίζονται σε δεδομένα από χρήστες και επαληθευμένων βάσεων δεδομένων είναι ο πιο σημαντικός παράγοντας στην ακρίβεια παρακολούθησης θερμίδων.

Χαρακτηριστικό	Βάση Δεδομένων από Χρήστες (Lose It, MFP)	Επαληθευμένη (Nutrola)	Επιμελημένη (Cronometer)
Ποιος υποβάλλει καταχωρήσεις	Οποιοσδήποτε χρήστης	Επαγγελματική ομάδα διατροφολόγων	Συνδυασμός επαγγελματιών και επιμελημένων πηγών
Διαδικασία αναθεώρησης	Καμία ή ελάχιστη	Κάθε καταχώρηση ελέγχεται από διατροφολόγο	Επαγγελματική επιμέλεια με βάση NCCDB
Διπλές καταχωρήσεις	Πολύ συχνές	Καμία (μία επαληθευμένη καταχώρηση ανά τρόφιμο)	Ελάχιστες
Μέση ακρίβεια	~75-85%	~95-98%	~90-95%
Συχνότητα ενημέρωσης	Σπάνια ενημερώνονται	Τακτικά συντηρημένες	Περιοδικά ενημερωμένες
Περιφερειακή ακρίβεια	Ασταθής	Κατάλληλη για την περιοχή	Εξαρτάται από την περιοχή
Αριθμός καταχωρήσεων	Πολύ μεγάλος (εκατομμύρια)	Μικρότερος αλλά ακριβής	Μεσαίος

Η επιλογή είναι σαφής. Οι βάσεις δεδομένων που βασίζονται σε δεδομένα από χρήστες είναι μεγαλύτερες αλλά λιγότερο ακριβείς. Οι επαληθευμένες βάσεις δεδομένων είναι μικρότερες αλλά κάθε καταχώρηση μπορεί να εμπιστευτεί. Για την παρακολούθηση θερμίδων, η ακρίβεια έχει πολύ μεγαλύτερη σημασία από το μέγεθος — δεν χρειάζεστε εκατομμύρια καταχωρήσεις για "στήθος κοτόπουλου", χρειάζεστε μία σωστή καταχώρηση.

Πώς Επηρεάζουν τα Σφάλματα της Βάσης Δεδομένων τα Αποτελέσματα Απώλειας Βάρους;

Η σχέση μεταξύ ακρίβειας βάσης δεδομένων και αποτελεσμάτων απώλειας βάρους είναι απλή αλλά συχνά παραβλέπεται.

Το Πρόβλημα της Συσσωρευμένης Απόκλισης

Τα σφάλματα της βάσης δεδομένων δεν είναι τυχαία. Τείνουν να είναι συστηματικά προκατειλημμένα σε συγκεκριμένες κατευθύνσεις. Οι καταχωρήσεις σπιτικών γευμάτων τείνουν να υποτιμούν τις θερμίδες (παραλείποντας τα μαγειρικά έλαια, τις σάλτσες και τα καρυκεύματα). Οι καταχωρήσεις "υγιεινών" τροφίμων τείνουν να έχουν περισσότερες επιλογές χαμηλών θερμίδων στη βάση δεδομένων επειδή τις υπέβαλαν χρήστες που προσέχουν την υγεία τους. Οι καταχωρήσεις γευμάτων εστιατορίων τείνουν να υποτιμούν τα μεγέθη μερίδων.

Αυτό σημαίνει ότι ακόμα και αν οι μεμονωμένες αποκλίσεις αθροίζονται σε μηδέν (κάποιες πολύ υψηλές, κάποιες πολύ χαμηλές), οι συστηματικές προκαταλήψεις σπρώχνουν το σύνολό σας σε μια συνεπή κατεύθυνση — συνήθως προς την υποεκτίμηση των θερμίδων. Νομίζετε ότι καταναλώνετε 1,800 θερμίδες αλλά στην πραγματικότητα καταναλώνετε 2,100-2,300.

Το Πρόβλημα της Ψευδούς Αυτοπεποίθησης

Όταν καταγράφετε κάθε γεύμα και βλέπετε μια καθαρή ημερήσια σύνοψη, νιώθετε σίγουροι για τους αριθμούς σας. Αυτή η αυτοπεποίθηση είναι δικαιολογημένη αν τα υποκείμενα δεδομένα είναι ακριβή. Αλλά αν τα δεδομένα είναι συστηματικά λάθος, αυτή η αυτοπεποίθηση είναι στην πραγματικότητα επιβλαβής — σας αποτρέπει από το να αμφισβητήσετε τους αριθμούς και να κάνετε προσαρμογές.

Οι χρήστες επαληθευμένων βάσεων δεδομένων δεν έχουν αυτό το πρόβλημα. Όταν κάθε καταχώρηση έχει ελεγχθεί από διατροφολόγο, οι αριθμοί στην οθόνη ταιριάζουν στενά με την πραγματικότητα. Αν η ζυγαριά δεν κινείται, γνωρίζετε ότι το πρόβλημα είναι τα μεγέθη μερίδων ή τα τρόφιμα που δεν έχουν καταγραφεί, όχι τα σφάλματα της βάσης δεδομένων.

Το Πρόβλημα της Εrosion Εμπιστοσύνης

Όταν οι χρήστες ανακαλύψουν τελικά ότι η βάση δεδομένων τους τους έχει δώσει λάθος αριθμούς, πολλοί χάνουν την εμπιστοσύνη τους στην παρακολούθηση θερμίδων συνολικά. "Κατέγραψα τέλεια για δύο μήνες και δεν συνέβη τίποτα, άρα η παρακολούθηση θερμίδων δεν λειτουργεί." Στην πραγματικότητα, η παρακολούθηση θερμίδων λειτουργεί — τα δεδομένα ήταν απλώς κακά.

Τι Κάνει τη Βάση Δεδομένων του Nutrola Διαφορετική;

Η Nutrola ακολουθεί μια θεμελιωδώς διαφορετική προσέγγιση στα δεδομένα τροφίμων. Αντί να επιτρέπει σε οποιονδήποτε χρήστη να υποβάλει καταχωρήσεις, κάθε τρόφιμο στη βάση δεδομένων της Nutrola εισάγεται και επαληθεύεται από εξειδικευμένους διατροφολόγους. Αυτό σημαίνει αρκετά πράγματα για εσάς ως χρήστη.

Όταν αναζητάτε ένα τρόφιμο, λαμβάνετε μια μόνο ακριβή καταχώρηση, όχι έναν τοίχο διπλών καταχωρήσεων με αντικρουόμενα δεδομένα. Οι διατροφικές πληροφορίες έχουν ελεγχθεί σε σχέση με επίσημες πηγές και ετικέτες προϊόντων. Οι καταχωρήσεις ενημερώνονται όταν τα προϊόντα αναθεωρούνται. Οι περιφερειακές παραλλαγές λαμβάνονται σωστά υπόψη.

Αυτή η προσέγγιση είναι πιο δαπανηρή στη συντήρηση, γι' αυτό και η Nutrola χρεώνει €2.50 το μήνα αντί να βασίζεται σε μια δωρεάν έκδοση που υποστηρίζεται από διαφημίσεις. Αλλά το αποτέλεσμα είναι μια βάση δεδομένων που μπορείτε πραγματικά να εμπιστευτείτε — και η εμπιστοσύνη είναι το θεμέλιο της αποτελεσματικής παρακολούθησης θερμίδων.

Η Nutrola συμπληρώνει επίσης τη verified βάση δεδομένων της με AI φωτογραφικής καταγραφής και φωνητικής καταγραφής, που προσθέτουν επιπλέον επίπεδα ακρίβειας. Η φωτογραφική AI μπορεί να εκτιμήσει οπτικά τα μεγέθη μερίδων, παρέχοντας έναν έλεγχο κατά της χειροκίνητης καταχώρησης. Η φωνητική καταγραφή σας επιτρέπει να περιγράφετε το γεύμα σας φυσικά και η AI το μεταφράζει σε ακριβείς καταχωρήσεις.

Πώς Συγκρίνεται η Βάση Δεδομένων του Cronometer;

Το Cronometer αξίζει αναφοράς γιατί επίσης δίνει προτεραιότητα στην ακρίβεια της βάσης δεδομένων, αν και με διαφορετική προσέγγιση. Η βάση δεδομένων του Cronometer βασίζεται στο NCCDB (Nutrition Coordinating Center Database), μια επαγγελματικά συντηρημένη βάση δεδομένων από το Πανεπιστήμιο της Μινεσότα. Αυτό δίνει στο Cronometer μια σταθερή βάση ακριβών, ερευνητικών διατροφικών δεδομένων.

Οι κύριες διαφορές μεταξύ Cronometer και Nutrola είναι στα χαρακτηριστικά παρά στην ποιότητα της βάσης δεδομένων. Το Cronometer δεν προσφέρει φωτογραφική καταγραφή AI, φωνητική καταγραφή ή εισαγωγή συνταγών από κοινωνικά δίκτυα. Το Cronometer διαπρέπει στην παρακολούθηση μικροθρεπτικών συστατικών (βιταμίνες και μέταλλα), ενώ η Nutrola επικεντρώνεται στο να κάνει την καταγραφή όσο το δυνατόν πιο γρήγορη και χωρίς τριβές μέσω AI.

Τι Πρέπει να Κάνετε Αν Υποψιάζεστε Ότι Η Βάση Δεδομένων του Lose It Σας Δίνει Λάθος Δεδομένα;

Ακολουθεί μια πρακτική προσέγγιση για τη διάγνωση και την επίλυση προβλημάτων ακρίβειας της βάσης δεδομένων.

Βήμα 1: Διασταυρώστε Κύρια Τρόφιμα

Πάρτε τα 10 τρόφιμα που καταγράφετε πιο συχνά και αναζητήστε τα διατροφικά τους δεδομένα στην ιστοσελίδα USDA FoodData Central (fdc.nal.usda.gov). Συγκρίνετε αυτές τις επίσημες τιμές με τις καταχωρήσεις που έχετε χρησιμοποιήσει στο Lose It. Αν βρείτε αποκλίσεις μεγαλύτερες από 10%, τα δεδομένα παρακολούθησής σας είναι σημαντικά ανακριβή.

Βήμα 2: Ποσοτικοποιήστε τη Συγκεντρωτική Απόκλιση

Αν τα πιο καταγεγραμμένα τρόφιμά σας είναι λανθασμένα κατά μέσο όρο 15%, και καταγράφετε 15 αντικείμενα την ημέρα με μέση θερμιδική αξία 150 θερμίδων το καθένα, το ημερήσιο σφάλμα σας είναι περίπου 337 θερμίδες. Σε μια εβδομάδα, αυτό σημαίνει 2,362 θερμίδες — σχεδόν μια ολόκληρη ημέρα φαγητού. Αυτός ο μόνος παράγοντας μπορεί να εξηγήσει την στασιμότητα στην απώλεια βάρους.

Βήμα 3: Σκεφτείτε να Μεταβείτε σε Επαληθευμένη Βάση Δεδομένων

Αν η διασταύρωση αποκαλύψει σημαντικά σφάλματα, έχετε δύο επιλογές. Μπορείτε να διορθώσετε χειροκίνητα κάθε καταχώρηση στο Lose It (που είναι χρονοβόρο και θα αναιρεθεί αν επιλέξετε κατά λάθος μια διαφορετική καταχώρηση), ή μπορείτε να μεταβείτε σε μια εφαρμογή με επαληθευμένη βάση δεδομένων όπου αυτό το πρόβλημα δεν υπάρχει.

Η Nutrola (€2.50/μήνα, επαληθευμένη από διατροφολόγους, φωτογραφική και φωνητική καταγραφή AI) και το Cronometer ($49.99/έτος, βασισμένο σε NCCDB, επικεντρωμένο σε μικροθρεπτικά συστατικά) είναι οι δύο πιο ισχυρές επιλογές για χρήστες που δίνουν προτεραιότητα στην ακρίβεια της βάσης δεδομένων.

Βήμα 4: Δώστε Στη Νέα Σας Βάση Δεδομένων Δύο Εβδομάδες

Όταν μεταβείτε σε μια επαληθευμένη βάση δεδομένων, οι θερμιδικοί σας συνολοί πιθανόν να αλλάξουν — πιθανότατα να αυξηθούν, επειδή υπολογίζατε λιγότερες θερμίδες. Αυτό δεν είναι λάθος της νέας εφαρμογής. Είναι η ανακρίβεια της παλιάς εφαρμογής που διορθώνεται. Δώστε στον εαυτό σας δύο εβδομάδες για να προσαρμόσετε τις προσδοκίες σας και να ανακατατάξετε τους στόχους σας με βάση τα ακριβή δεδομένα.

Το Σημαντικό

Η βάση δεδομένων τροφίμων του Lose It δεν είναι τρομερή — είναι μια λογική εκτίμηση για πολλά κοινά τρόφιμα. Αλλά η "λογική εκτίμηση" δεν είναι αρκετή όταν προσπαθείτε να χάσετε βάρος, να χτίσετε μυς ή να διαχειριστείτε μια κατάσταση υγείας. Οι ημερήσιες αποκλίσεις 200-400 θερμίδων που παράγουν οι βάσεις δεδομένων από χρήστες είναι αρκετές για να αναιρέσουν πλήρως ένα μέτριο θερμιδικό έλλειμμα.

Αν έχετε παρακολουθήσει συστηματικά στο Lose It χωρίς να βλέπετε τα αναμενόμενα αποτελέσματα, η βάση δεδομένων είναι το πρώτο πράγμα που πρέπει να εξετάσετε. Και αν διαπιστώσετε ότι σας έχει δώσει λάθος δεδομένα, η μετάβαση σε μια επαληθευμένη βάση δεδομένων είναι η πιο σημαντική αλλαγή που μπορείτε να κάνετε για την ακρίβεια της παρακολούθησής σας.

Συχνές Ερωτήσεις

Πόσο ανακριβής είναι η βάση δεδομένων τροφίμων του Lose It;

Οι βάσεις δεδομένων που βασίζονται σε δεδομένα από χρήστες όπως το Lose It έχουν συνήθως ποσοστά ακρίβειας 75-85%, σε σύγκριση με 95-98% για τις επαληθευμένες βάσεις δεδομένων από διατροφολόγους. Για κάποιον που καταγράφει 15-20 αντικείμενα την ημέρα με μέση απόκλιση 10-15% ανά καταχώρηση, η ημερήσια συνολική απόκλιση μπορεί να φτάσει 200-450 θερμίδες, που είναι αρκετές για να αναιρέσουν πλήρως ένα μέτριο θερμιδικό έλλειμμα.

Γιατί έχει το Lose It πολλές καταχωρήσεις για το ίδιο τρόφιμο με διαφορετικές θερμίδες;

Η βάση δεδομένων του Lose It είναι βασισμένη σε δεδομένα από χρήστες, πράγμα που σημαίνει ότι οποιοσδήποτε χρήστης μπορεί να υποβάλει μια καταχώρηση τροφίμου χωρίς επαλήθευση. Με την πάροδο του χρόνου, αυτό δημιουργεί δεκάδες διπλές καταχωρήσεις για κοινά τρόφιμα όπως το στήθος κοτόπουλου ή η μπανάνα, καθεμία με ελαφρώς διαφορετικά διατροφικά δεδομένα που αντικατοπτρίζουν διαφορετικές μεθόδους παρασκευής, μεγέθη μερίδων ή απλά λάθη στην καταχώρηση δεδομένων.

Μπορώ να διορθώσω ανακριβείς καταχωρήσεις στο Lose It;

Μπορείτε να δημιουργήσετε προσαρμοσμένα τρόφιμα με σωστά δεδομένα, αλλά δεν μπορείτε να επεξεργαστείτε υπάρχουσες καταχωρήσεις που βασίζονται σε δεδομένα από χρήστες. Οποιαδήποτε διόρθωση ισχύει μόνο για τον λογαριασμό σας, και διακινδυνεύετε να επιλέξετε κατά λάθος μια ανακριβή καταχώρηση σε μελλοντικές αναζητήσεις. Η μετάβαση σε μια εφαρμογή με επαληθευμένη βάση δεδομένων εξαλείφει αυτό το πρόβλημα εντελώς αντί να απαιτεί συνεχείς χειροκίνητες διορθώσεις.

Πώς μπορώ να ελέγξω αν τα δεδομένα παρακολούθησης θερμίδων μου είναι ακριβή;

Διασταυρώστε τα 10 πιο συχνά καταγεγραμμένα τρόφιμά σας με την ιστοσελίδα USDA FoodData Central (fdc.nal.usda.gov). Αν βρείτε αποκλίσεις μεγαλύτερες από 10%, η παρακολούθησή σας πιθανόν να είναι σημαντικά ανακριβής. Πολλαπλασιάστε το μέσο ποσοστό απόκλισης με την ημερήσια θερμιδική σας πρόσληψη για να εκτιμήσετε πόσο μακριά έχουν πάει τα συνολικά σας.

Εξηγεί πραγματικά η ανακρίβεια της βάσης δεδομένων τη στασιμότητα στην απώλεια βάρους;

Ναι. Μια συστηματική υποεκτίμηση 200-400 θερμίδων την ημέρα — κοινή με τις βάσεις δεδομένων που βασίζονται σε δεδομένα από χρήστες — μπορεί να εξαλείψει πλήρως ένα μέτριο θερμιδικό έλλειμμα. Έρευνα στο American Journal of Preventive Medicine διαπίστωσε ότι η συνεπής ημερήσια καταγραφή είναι ο πιο ισχυρός προγνωστικός παράγοντας της επιτυχίας στη διαχείριση βάρους, αλλά η συνεπής καταγραφή με ανακριβή δεδομένα παράγει τα ίδια στασιμότητα αποτελέσματα όπως η μη καταγραφή καθόλου.