AI מול מעקב קלוריות ידני: מה יותר מדויק?

יש שלוש שיטות עיקריות לרישום מזון באפליקציית מעקב קלוריות: זיהוי תמונות בעזרת AI, חיפוש ידני במאגרי נתונים, וסריקת ברקודים. לכל שיטה יש יתרונות וחסרונות שונים, כמו גם פרופילי טעויות שונים. במאמר זה נשווה בין השיטות לפי הפרמטרים החשובים למעקב בעולם האמיתי: דיוק, מהירות, עקביות לאורך זמן, וסוגי הטעויות שכל שיטה מציגה.

הנושא כאן אינו איזו שיטה היא הטובה ביותר בתיאוריה, אלא איזו שיטה מניבה את התוצאות הטובות ביותר כשמשתמשים בה אנשים אמיתיים במצבים אמיתיים, יום אחרי יום, במשך שבועות וחודשים.

הגדרת שלוש השיטות

מעקב בעזרת תמונות AI כולל צילום של הארוחה שלך. אלגוריתמים של ראיית מחשב מזהים את פריטי המזון, מעריכים את גודל המנות על סמך ניתוח ויזואלי ומחזירים נתוני תזונה. המשתמש מאשר או מתקן את התוצאה. יישומים מודרניים כמו Nutrola מבצעים את התהליך הזה בפחות משלוש שניות.

חיפוש ידני במאגרי נתונים כולל הקלדת שם המזון בשורת החיפוש של האפליקציה, בחירת הפריט הנכון מתוך רשימת התוצאות, והגדרת גודל המנה. זו השיטה המסורתית שמשתמשות בה רוב אפליקציות מעקב קלוריות מאז ימי הסמארטפונים המוקדמים.

סריקת ברקודים כוללת שימוש במצלמת הטלפון לסרוק את הברקוד של מזון ארוז, מה שמושך את נתוני התזונה ישירות מתווית היצרן. המשתמש מציין כמה מנות הוא צרך.

השוואת דיוק

דיוק מעקב בעזרת תמונות AI

דיוק זיהוי המזון בעזרת AI השתפר באופן דרמטי מאז היישומים המוקדמים. מערכות עכשוויות משיגות שיעורי דיוק בזיהוי מזון של 85 עד 95 אחוזים למזונות נפוצים, כאשר הטעויות שנותרו בדרך כלל נובעות מבלבול בין פריטים דומים ויזואלית, כמו אורז לבן מול אורז כרובית, או זיהוי שגוי של מנות מעורבות עם מרכיבים מוסתרים.

הערכת המנות מתמונות מציגה מקור נוסף לטעויות. מחקר על הערכת תזונה מבוססת תמונות, כולל סקירה שיטתית של מרינגר ואחרים (2018) שפורסמה ב-European Journal of Nutrition, מצא שהערכת מנות בעזרת תמונות השיגה דיוק בטווח של 10 עד 20 אחוזים ממדידות מזון מדודות עבור רוב סוגי המזון. קטגוריות מסוימות, במיוחד נוזלים ומזונות אמורפיים כמו קאסרולות, הראו שונות גבוהה יותר.

טווח הטעות הממוצע לארוחה: 10 עד 20 אחוזים.

היתרון הקריטי של מעקב בעזרת תמונות AI הוא שהטעויות שלו אקראיות ולא שיטתיות. ה-AI עשוי להעריך מעט גבוה מדי בארוחה אחת ולמעט נמוך בארוחה הבאה. במשך יום שלם של אכילה, טעויות אקראיות אלו נוטות להתבטל, ומניבות סך יומי הרבה יותר מדויק מאשר הערכות של מנות בודדות. מחקר של קורדיירו ואחרים (2015) מצא שסכומי הקלוריות היומיים ממעקב באפליקציה סטו בכ-10 אחוזים מהערכים המדודים, גם כאשר הערכות המנות הבודדות הראו טעויות גדולות יותר.

דיוק חיפוש ידני במאגרי נתונים

דיוק המעקב הידני תלוי בשני גורמים: איכות מאגר המזון ודיוק הערכת המנות של המשתמש.

איכות המאגר משתנה באופן דרמטי. מאגרי נתונים מבוססי קהל, שבהם כל משתמש יכול להוסיף רשומות מזון, מכילים שיעורי טעויות של 15 עד 25 אחוזים בערכי מקרו-נוטריינטים, לפי סקירה שפורסמה ב-2020 ב-Nutrients (אבן-אפול ואחרים). רשומות כפולות, נתונים מיושנים, טעויות הקלדה של משתמשים, ושונות אזורית יוצרות מצב שבו בחירה ברשומה שגויה יכולה להכניס 100 קלוריות או יותר של טעות על פריט בודד.

מאגרי נתונים מאומתים על ידי תזונאים מבטלים את רוב הטעויות מצד המאגר, ומביאים את תרומת המאגר לטעויות הכוללות ל-5 אחוזים או פחות.

הערכת המנות על ידי המשתמשים היא מקור הטעות המשמעותי יותר. מחקרים מראים באופן עקבי שאנשים לא מאומנים מעריכים את גודל המנות נמוך ב-20 עד 40 אחוזים עבור מזונות עתירי קלוריות ומעריכים גבוה מדי את המנות של מזונות דלי קלוריות. מחקר של צ'נדון ווונסינק (2007) שפורסם ב-Journal of Consumer Research מצא ששגיאות בהערכת מנות גדלות עם כמות המזון: ככל שהמנה האמיתית גדולה יותר, כך ההערכה נמוכה יותר.

טווח הטעות הממוצע לארוחה: 15 עד 40 אחוזים, תלוי במיומנות המשתמש ובאיכות המאגר.

החיסרון של המעקב הידני הוא שהטעויות שלו נוטות להיות שיטתיות ולא אקראיות. משתמשים מעריכים באופן עקבי נמוך מזונות עתירי קלוריות ומעריכים גבוה מזונות דלי קלוריות. הטיית השיטה הזו לא מתבטלת במהלך היום אלא מצטברת, ומניבה סך יומי נמוך יותר מהצריכה האמיתית.

דיוק סריקת ברקודים

סריקת ברקודים היא השיטה המדויקת ביותר עבור מזונות ארוזים, מכיוון שהיא מושכת נתונים ישירות מהמידע התזונתי שסיפק היצרן, אשר מפוקח על ידי ה-FDA בארצות הברית ובגופים מקבילים ברחבי העולם.

ה-FDA מתיר שונות של 20 אחוזים בערכים התזונתיים המצוינים, אך מחקר של אורבן ואחרים (2010) ב-Journal of the American Dietetic Association מצא שרוב המוצרים שנבדקו היו בטווח של 10 אחוזים מהערכים המצוינים. הדיוק של הנתונים הבסיסיים גבוה.

הטעויות מצד המשתמש בסריקת ברקודים נובעות כולן מהערכת המנות. אם התווית אומרת שמנה היא 30 גרם ואתה אוכל 45 גרם אך רושם מנה אחת, הכנסת טעות של 50 אחוזים עבור הפריט הזה. עבור מזונות הנצרכים ביחידות נפרדות, כמו חטיף גרנולה בודד, הטעות היא מינימלית. עבור מזונות הנצרכים בכמויות משתנות, כמו דגני בוקר שנשפכים מקופסה, הטעות יכולה להיות משמעותית.

טווח הטעות הממוצע לארוחה: 5 עד 10 אחוזים עבור פריטים ארוזים נפרדים, 15 עד 30 אחוזים עבור מזונות ארוזים בכמויות משתנות.

החיסרון של סריקת ברקודים הוא שהיא פועלת רק עבור מזונות ארוזים עם ברקודים. היא לא יכולה להתמודד עם מנות במסעדות, מזון מבושל בבית, פירות וירקות טריים, פריטי דליקטס, או כל מזון שאינו מגיע באריזת ברקוד. עבור רוב האנשים, זה מכסה רק 30 עד 50 אחוזים מצריכת המזון הכוללת שלהם.

השוואת מהירות

מהירות משפיעה ישירות על שמירה לאורך זמן. כל מחקר על שמירה במעקב מזהה את חיכוך הרישום כגורם מרכזי לנטישה. ככל שהשיטה מהירה יותר, כך הסיכוי שהמשתמשים ימשיכו בה לאורך שבועות וחודשים גבוה יותר.

מעקב בעזרת תמונות AI: 2 עד 5 שניות לארוחה. צלם, אשר, אשר. התהליך כמעט מיידי ודורש מאמץ קוגניטיבי מינימלי. עבור אדם שמבצע רישום של חמישה אירועי אכילה ביום, זמן המעקב היומי הכולל הוא כ-15 עד 25 שניות.

סריקת ברקודים: 5 עד 15 שניות לכל פריט. סרוק, אשר את מספר המנות. מהיר עבור חטיפים בודדים, אך איטי יותר עבור מנות הכוללות מרכיבים ארוזים רבים. ארוחה מבושלת בבית המשתמשת בחמישה מרכיבים ארוזים דורשת חמש סריקות נפרדות והתאמות מנות. זמן המעקב היומי הכולל: 1 עד 5 דקות בהתאם למורכבות הארוחה.

חיפוש ידני במאגרי נתונים: 30 שניות עד 3 דקות לכל פריט מזון. הקלד מונח חיפוש, גלול בתוצאות, בחר את ההתאמה הנכונה, ציין את גודל המנה. ארוחה טיפוסית עם שלושה עד ארבעה מרכיבים שונים לוקחת 2 עד 8 דקות לרישום ידני. זמן המעקב היומי הכולל: 10 עד 25 דקות.

ההבדלים במהירות מצטברים עם הזמן. בשבוע הראשון, כל שלוש השיטות מרגישות ניתנות לניהול כי המוטיבציה גבוהה. בשבוע הרביעי, השיטה שדורשת 20 דקות ביום מציגה שיעור נטישה גבוה בהרבה מהשיטה שדורשת 20 שניות ביום.

עקביות לאורך זמן

עקביות במעקב לאורך זמן היא המדד החשוב ביותר לתוצאות בריאותיות. שיטת מעקב שהיא מדויקת ב-95 אחוזים אך ננטשת לאחר שבועיים מניבה תוצאות גרועות יותר משיטה שהיא מדויקת ב-85 אחוזים ומוחזקת במשך שישה חודשים.

מחקרים על שמירה במעקב מראים דפוסים ברורים לפי שיטה.

מעקב בעזרת תמונות AI מציג את שיעורי השמירה הגבוהים ביותר לאורך זמן. ההשקעה המינימלית בזמן והעומס הקוגניטיבי הנמוך הופכים אותו לקיימא במגוון הקשרים של אכילה, כולל מסעדות, נסיעות, ארוחות חברתיות וימי עבודה עמוסים. משתמשים המאמצים את המעקב בעזרת AI שומרים על שיעורי רישום יומיים של 70 עד 85 אחוזים לאורך שישה חודשים.

סריקת ברקודים מציגה שמירה מתונה עבור משתמשים שאוכלים בעיקר מזונות ארוזים, אך יורדת באופן משמעותי עבור משתמשים עם תפריטים מגוונים. חוסר היכולת של השיטה להתמודד עם מזונות לא ארוזים יוצר פערים ברישום שמצטברים עם הזמן. משתמשים התלויים בעיקר בסריקת ברקודים שומרים על שיעורי רישום של 50 עד 65 אחוזים לאורך שישה חודשים.

חיפוש ידני במאגרי נתונים מציג את שיעורי השמירה הנמוכים ביותר לאורך זמן. ההשקעה בזמן לכל ארוחה יוצרת מחסום שמתרקם ככל שהמוטיבציה הראשונית מתפוגגת. מחקרים על אפליקציות יומן מזון ידניות מראים באופן עקבי ששיעור הרישום יורד בכ-50 אחוזים מהחודש הראשון לשלישי. שיעורי השמירה לאחר שישה חודשים לרישום ידני בלבד הם בדרך כלל 30 עד 45 אחוזים.

פרופילי טעויות לפי תרחישי אכילה

תרחישי אכילה שונים חושפים יתרונות וחסרונות שונים בכל שיטה.

ארוחות מבושלות בבית

מעקב בעזרת תמונות AI: מצלם את הצלחת המוגשת. הדיוק תלוי ביכולת ה-AI לזהות את המרכיבים השונים ולהעריך את המנות באופן ויזואלי. עובד היטב עבור פריטים ברורים כמו עוף בגריל, אורז וירקות. פחות מדויק עבור מנות מעורבות שבהן המרכיבים אינם ניתנים להבחנה ויזואלית. דיוק טיפוסי: 15 עד 20 אחוזים טעות.

חיפוש ידני: המשתמש מקליד כל מרכיב בנפרד. הדיוק תלוי אם המשתמש לוקח בחשבון שמנים, רטבים ותיבול. רבים מהמשתמשים רושמים את המרכיבים העיקריים אך מפספסים את שתי כפות שמן הזית (240 קלוריות) ששימשו בבישול. דיוק טיפוסי: 20 עד 35 אחוזים טעות, עם הטיה שיטתית כלפי הערכה נמוכה.

סריקת ברקודים: יכולה לסרוק מרכיבים ארוזים בודדים אך דורשת מהמשתמש לחשב את כמות כל מרכיב שנעשה בו שימוש. מדויק עבור המרכיבים שסורקו אך לא מצליחה לתפוס פריטים לא ארוזים כמו פירות וירקות טריים ושמנים. דיוק טיפוסי: 15 עד 25 אחוזים טעות, עם פערים משמעותיים.

ארוחות במסעדות

מעקב בעזרת תמונות AI: מצלם את המנה המוגשת. זהו התרחיש שבו למעקב בעזרת תמונות AI יש את היתרון הגדול ביותר. ה-AI יכול להעריך ארוחה במסעדה בשניות, בעוד שחיפוש ידני דורש או למצוא את המסעדה הספציפית במאגר, מה שאפשרי רק עבור מסעדות רשת, או להעריך כל מרכיב בנפרד. דיוק טיפוסי: 15 עד 25 אחוזים טעות.

חיפוש ידני: דורש או למצוא את הפריט המדויק בתפריט במאגר או לפרק את המנה למרכיביה ולהעריך כל אחד מהם. פריטים במסעדות רשת לרוב זמינים במאגרים, אך מסעדות עצמאיות rarely. השיטה הידנית לארוחות במסעדות היא איטית, לא בטוחה ותלויה מאוד בכישורי ההערכה של המשתמש. דיוק טיפוסי: 25 עד 45 אחוזים טעות.

סריקת ברקודים: לא רלוונטית עבור ארוחות במסעדות. משתמשים נאלצים לחזור לשיטות ידניות או מעקב בעזרת תמונות.

חטיפים ארוזים

מעקב בעזרת תמונות AI: יכולה לזהות הרבה חטיפים ארוזים נפוצים מתמונות, במיוחד אם האריזות נראות. הדיוק טוב עבור פריטים סטנדרטיים אך עשוי להיתקל בקשיים עם מוצרים לא מוכרים או אזוריים. דיוק טיפוסי: 10 עד 15 אחוזים טעות.

חיפוש ידני: עובד היטב אם המוצר הספציפי נמצא במאגר. מקור הטעות העיקרי הוא הערכת המנות עבור פריטים הנצרכים מתוך אריזות גדולות יותר. דיוק טיפוסי: 10 עד 20 אחוזים טעות.

סריקת ברקודים: זהו התרחיש החזק ביותר של סריקת ברקודים. סרוק את האריזות, רושם את המנה. עבור פריטים ארוזים במנות בודדות, הדיוק הוא בטווח של 5 אחוזים. עבור אריזות עם מנות מרובות שבהן המשתמש מעריך את גודל המנה, הדיוק הוא 10 עד 15 אחוזים.

מנות מעורבות או מורכבות

מעקב בעזרת תמונות AI: מנות מעורבות כמו מוקפצים, קאסרולות, מרקים וקארי מציגות את האתגר הגדול ביותר לזיהוי ויזואלי מכיוון שהמרכיבים אינם ניתנים להפרדה ויזואלית. ה-AI מעריך על סמך הקטגוריה הכוללת של המנה ונפח המנה הנראה. דיוק טיפוסי: 20 עד 30 אחוזים טעות.

חיפוש ידני: אם המנה המדויקת קיימת במאגר, הדיוק תלוי באיכות המאגר. אם המשתמש צריך להזין מרכיבים בנפרד, התהליך הוא ממושך ונוטה לטעויות החמצה. דיוק טיפוסי: 20 עד 35 אחוזים טעות.

סריקת ברקודים: לא רלוונטית עבור רוב המנות המעורבות. משתמשים חייבים להשתמש בשיטה חלופית.

ההשפעה המצטברת של בחירת השיטה

ההבדל בעולם האמיתי בין שיטות המעקב לא נתפס רק על ידי דיוק לארוחה בודדת. זו השילוב של דיוק ועקביות לאורך זמן שקובע את התוצאות.

שקול שני משתמשים היפותטיים במשך 30 ימים:

משתמש A משתמש במעקב בעזרת תמונות AI עם 15 אחוזים ממוצע טעות בארוחה אך רושם 95 אחוזים מהארוחות שלו. הערכת הקלוריות היומית שלו, על פני כל הארוחות שנרשמו, סטתה מהצריכה האמיתית בכ-8 אחוזים בממוצע בשל טעויות אקראיות שמתבטלות בחלקן. עם 95 אחוזים כיסוי ארוחות, הנתונים שנרשמו מייצגים קירוב קרוב לצריכה האמיתית במשך כל החודש.

משתמש B משתמש בחיפוש ידני עם 10 אחוזים ממוצע טעות בארוחה כאשר הוא רושם, אך רושם רק 60 אחוזים מהארוחות שלו בשל מגבלות זמן ועייפות. הארוחות שהוא מפספס, לעיתים קרובות ארוחות במסעדות, חטיפים ומצבים חברתיים לא נוחים, נוטות להיות הארוחות עתירות הקלוריות ביותר. הנתונים שנרשמו שלו מעריכים באופן שיטתי את הצריכה האמיתית נמוך יותר, כאשר ה-40 אחוזים שלא נרשמו יוצרים אזור עיוור שאין שום דיוק לארוחה אחת שיכול לפצות עליו.

משתמש A יש נתונים שימושיים יותר למרות דיוק נמוך יותר לארוחה. זו הסיבה לכך ששמירה היא הגורם הדומיננטי בבחירת שיטת המעקב, ולמה שיטות שמפחיתות חיכוך, אפילו במחיר של הפחתת דיוק מתונה, מניבות תוצאות טובות יותר בעולם האמיתי.

הגישה האופטימלית: התאמת השיטה

הגישה היעילה ביותר בעולם האמיתי אינה הסתמכות בלעדית על שיטה אחת אלא התאמה חכמה של השיטה לתרחיש.

השתמש במעקב בעזרת תמונות AI עבור ארוחות במסעדות, מזון בקפיטריה, ארוחות המוכנות על ידי אחרים, מנות מורכבות, וכל מצב שבו מהירות ונוחות הן קריטיות. זה מכסה את התרחישים שבהם השיטות הידניות הן האיטיות והלא מדויקות ביותר.

השתמש בסריקת ברקודים עבור מזונות ארוזים הנצרכים בכמויות נפרדות: חטיף חלבון, שקית צ'יפס, קופסת יוגורט. זה מנצל את התרחיש שבו סריקת ברקודים היא המדויקת ביותר.

השתמש בחיפוש ידני עבור פריטים פשוטים עם מרכיב אחד שבו אתה יודע את הכמות המדויקת: 200 גרם חזה עוף, בננה בינונית אחת, שני ביצים. פריטים אלו קלים לחיפוש ולדיוק בהערכת המנות.

השתמש ברישום קולי כאשר הידיים שלך עסוקות: בזמן בישול, נהיגה או אכילה בדרכים. שיטה זו תופסת את רישום הארוחה לפני שתשכח, מה שיותר חשוב מדיוק מושלם.

Nutrola תומכת בכל ארבע השיטות בתוך אפליקציה אחת, ומאפשרת למשתמשים לעבור בין מעקב בעזרת תמונות AI, סריקת ברקודים, חיפוש ידני ורישום קולי בהתאם למצב המיידי. גמישות זו מאפשרת למשתמשים תמיד לבחור בשיטה שמספקת את יחס הדיוק למאמץ הטוב ביותר עבור המזון הספציפי שהם רושמים.

ההכרעה

מעקב בעזרת תמונות AI אינו השיטה המדויקת ביותר עבור כל פריט מזון בודד. סריקת ברקודים מנצחת עבור מזונות ארוזים, ורישום ידני מדויק עם משקל מטבח יכול להשיג דיוק יוצא דופן עבור מרכיבים פשוטים.

אבל דיוק לארוחה אינו המדד שקובע את הצלחת המעקב. המדד שקובע הצלחה הוא הדיוק הכולל של התמונה התזונתית שלך במשך שבועות וחודשים. הדיוק הכולל הזה הוא תוצר של דיוק לארוחה כפול בעקביות. ועל העקביות, מעקב בעזרת תמונות AI מנצח באופן חד משמעי כי זו השיטה היחידה המהירה מספיק כדי לשרוד את החיכוך של חיי היומיום מבלי להתדרדר עם הזמן.

שיטת המעקב הטובה ביותר היא זו שתשתמש בה בפועל, בכל ארוחה, בכל יום, כל עוד אתה זקוק לנתונים. עבור רוב האנשים, שיטה זו כוללת AI שעושה את העבודה הקשה ואדם שמבצע אישור מהיר. שלוש שניות, המשך, חיה את חייך. הנתונים מצטברים ברקע, והתובנות מגיעות בעקבותיהם.