De Meest Over- en Onderschatte Voedingsmiddelen: Inzichten uit AI vs. Handmatige Tracking

Je denkt dat je weet hoeveel calorieën er in die salade zitten. Waarschijnlijk heb je het mis.

Het schatten van calorieën is een van de meest bestudeerde en meest verkeerd begrepen aspecten van voedingstracking. Onderzoek toont consequent aan dat mensen slecht zijn in het schatten van calorieën — maar bij welke specifieke voedingsmiddelen gaat het het vaakst mis? En kan AI het beter?

Bij Nutrola hebben we een unieke dataset om deze vragen te beantwoorden. Door AI-gegenereerde schattingen, handmatige invoer door gebruikers en geverifieerde referentiewaarden voor 26 miljoen maaltijden te vergelijken, kunnen we precies vaststellen welke voedingsmiddelen systematisch over- en onderschat worden, de omvang van de fout kwantificeren, en laten zien waar AI-tracking een betekenisvolle correctie biedt.

De resultaten onthullen blinde vlekken die vrijwel iedereen raken die zijn voeding bijhoudt, of ze nu AI gebruiken of niet.

Hoe We Schattingsfouten Hebben Geïdentificeerd

Methodologie

We analyseerden 26,4 miljoen maaltijdinvoeren van het Nutrola-platform, gelogd tussen mei 2025 en februari 2026. Voor elke invoer hadden we:

1. De gelogde waarde van de gebruiker (handmatig ingevoerd of AI-gegenereerd via Snap & Track)
2. De referentiewaarde uit Nutrola's geverifieerde voedingsdatabase, gekruist met USDA FoodData Central

Voor de vergelijking tussen AI en handmatig richtten we ons op een subset van 4,8 miljoen invoeren waarbij hetzelfde voedingsmiddel door verschillende gebruikers via beide methoden werd gelogd, waardoor een directe vergelijking van schattingspatronen mogelijk was.

We voerden ook een gecontroleerd validatieonderzoek uit met 3.200 Nutrola-gebruikers die alle ingrediënten met een keukenweegschaal wogen en gedurende twee weken zowel gewogen waarden als hun normale (ongewogen) loginvoeren indienden, wat 38.400 gevalideerde maaltijdvergelijkingen opleverde.

Definitie van Over- en Onderschatting

• Onderschatting: De gelogde caloriewaarde is lager dan de referentiewaarde (de gebruiker denkt dat het voedingsmiddel minder calorieën bevat dan het werkelijk heeft)
• Overschatting: De gelogde caloriewaarde is hoger dan de referentiewaarde (de gebruiker denkt dat het voedingsmiddel meer calorieën bevat dan het werkelijk heeft)

We rapporteren fouten als percentages van de referentiewaarde. Een voedingsmiddel met een referentiewaarde van 400 kcal dat als 300 kcal wordt gelogd, vertegenwoordigt een onderschatting van -25%.

De 15 Meest Onderschatte Voedingsmiddelen

Dit zijn de voedingsmiddelen waarbij gebruikers consequent minder calorieën loggen dan het voedingsmiddel werkelijk bevat. Onderschatting is verreweg de meest voorkomende en gevaarlijkste fout, omdat het onzichtbare calorieoverschotten creëert.

Onderschattingstabel: Handmatige Invoer

Rang	Voedingsmiddel	Gem. Handmatige Invoer (kcal)	Referentiewaarde (kcal)	Fout	Frequentie in Dataset
1	Bakoliën (per eetlepel)	68	120	-43,3%	2,1M invoeren
2	Saladedressing (per portie)	82	138	-40,6%	1,4M invoeren
3	Noten en notenmixen (per handvol)	104	172	-39,5%	1,8M invoeren
4	Pindakaas (per eetlepel)	62	96	-35,4%	920K invoeren
5	Kaas (per plak/portie)	78	114	-31,6%	1,6M invoeren
6	Granola (per portie)	148	212	-30,2%	680K invoeren
7	Pasta (gekookt, per kopje)	156	220	-29,1%	1,2M invoeren
8	Rijst (gekookt, per kopje)	152	206	-26,2%	1,9M invoeren
9	Avocado (per halve)	98	130	-24,6%	1,1M invoeren
10	Smoothies (zelfgemaakt)	218	284	-23,2%	740K invoeren
11	Brood (per snee)	64	82	-22,0%	1,7M invoeren
12	Room in koffie	18	52	-65,4%	2,4M invoeren
13	Boter (per klontje/portie)	42	72	-41,7%	890K invoeren
14	Gedroogd fruit (per handvol)	84	124	-32,3%	460K invoeren
15	Studentenhaver (per portie)	138	196	-29,6%	310K invoeren

Room in koffie heeft het hoogste individuele foutpercentage van -65,4%, hoewel de absolute calorie-impact per portie kleiner is dan bij andere items. Wat betreft zowel percentagefout als absolute calorie-impact zijn bakoliën de meest onderschatte voedselcategorie, waarbij gebruikers gemiddeld 68 kcal loggen terwijl de werkelijke waarde 120 kcal per eetlepel is. Aangezien veel zelfgekookte maaltijden 2-3 eetlepels olie bevatten, kan deze ene weglating een dagelijks tekort van 100-150 kcal in de registratie vertegenwoordigen.

De "Gezond Voedsel"-Blinde Vlek

Er tekent zich een duidelijk patroon af: veel van de meest onderschatte voedingsmiddelen worden als "gezond" beschouwd. Noten, avocado, olijfolie, granola en smoothies hebben allemaal een gezondheidsuitstraling die ertoe leidt dat mensen hun caloriegehalte psychologisch minimaliseren.

We ontdekten dat voedingsmiddelen die door gebruikers in onze enquêtes als "gezond" werden beoordeeld, gemiddeld met 28,4% worden onderschat, vergeleken met 12,1% voor voedingsmiddelen die als "ongezond" werden beoordeeld. Mensen lijken onbewust "goed voor je" gelijk te stellen aan "weinig calorieën," zelfs wanneer het tegenovergestelde waar is.

Voedselperceptie	Gem. Fout Calorieschatting	Steekproefgrootte
"Zeer gezond"	-31,2% (onder)	4,8M invoeren
"Enigszins gezond"	-22,6% (onder)	6,2M invoeren
"Neutraal"	-8,4% (onder)	5,1M invoeren
"Enigszins ongezond"	+4,2% (over)	4,6M invoeren
"Zeer ongezond"	+14,8% (over)	3,4M invoeren

Het patroon is opvallend lineair: hoe gezonder mensen een voedingsmiddel beschouwen, hoe meer ze de calorieën ondertellen. Hoe ongezonder ze het beschouwen, hoe meer ze overtellen.

De 15 Meest Overschatte Voedingsmiddelen

Overschatting komt minder vaak voor maar is nog steeds significant. Dit zijn de voedingsmiddelen waarbij gebruikers consequent meer calorieën loggen dan het voedingsmiddel werkelijk bevat.

Overschattingstabel: Handmatige Invoer

Rang	Voedingsmiddel	Gem. Handmatige Invoer (kcal)	Referentiewaarde (kcal)	Fout	Frequentie in Dataset
1	Sushi (per stuk/rol)	412	298	+38,3%	680K invoeren
2	Pizza (per punt)	386	285	+35,4%	1,4M invoeren
3	Friet (per portie)	498	378	+31,7%	920K invoeren
4	Hamburger (standaard)	624	486	+28,4%	780K invoeren
5	IJs (per bol)	198	156	+26,9%	1,1M invoeren
6	Chocolade (per blokje/stukje)	68	54	+25,9%	1,3M invoeren
7	Bier (per pint)	242	196	+23,5%	640K invoeren
8	Bagel (naturel)	342	278	+23,0%	480K invoeren
9	Pannenkoeken (per pannenkoek)	178	148	+20,3%	520K invoeren
10	Burrito	724	612	+18,3%	390K invoeren
11	Gefrituurde kip (per stuk)	348	298	+16,8%	570K invoeren
12	Pasta met saus (restaurant)	862	742	+16,2%	440K invoeren
13	Taart (per punt)	448	392	+14,3%	680K invoeren
14	Koekjes (per koekje)	86	76	+13,2%	890K invoeren
15	Muffin (bakkerijstijl)	498	442	+12,7%	410K invoeren

Sushi is het meest overschatte voedingsmiddel met +38,3%. Veel mensen gaan ervan uit dat sushi extreem veel calorieën bevat omdat het restaurantvoeding is, maar individuele stukjes nigiri en kleine rolletjes bevatten relatief gematigde hoeveelheden calorieën. Een 6-stuks zalm roll bevat bijvoorbeeld doorgaans 250-300 kcal, maar gebruikers loggen het regelmatig op 400+ kcal.

Pizza, friet en hamburgers worden ook significant overschat. Het "junkfood-schuldgevoel"-effect zorgt ervoor dat mensen aannemen dat deze voedingsmiddelen erger zijn dan ze werkelijk zijn per standaardportie.

De Schuldvermenigvuldiger

We noemen dit de "schuldvermenigvuldiger" — de psychologische neiging om calorieschattingen op te blazen voor voedingsmiddelen die als verwennerij aanvoelen. Het effect is het sterkst voor voedingsmiddelen die vaak worden geassocieerd met "zondigen" of het "breken" van een dieet.

Gebruikers die zichzelf omschrijven als "strikt op dieet" overschatten verwenvoedsel gemiddeld met 32,1%, vergeleken met 18,4% voor gebruikers die hun aanpak als "flexibel" omschrijven. Dit suggereert dat rigide eetpatronen de schattingsbias in beide richtingen versterken — het onderschatten van "goed" voedsel en het overschatten van "slecht" voedsel.

Hoe AI Zich Verhoudt: Correctiepatronen

AI vs. Handmatig: Directe Vergelijking

Wanneer we AI-fotoschattingen vergelijken met handmatige invoeren voor dezelfde voedingsmiddelen, presteert AI consequent dichter bij de referentiewaarde.

Voedselcategorie	Fout Handmatige Invoer	Fout AI-Foto	AI-Voordeel
Bakoliën	-43,3%	-18,2%	25,1 pp beter
Saladedressing	-40,6%	-14,8%	25,8 pp beter
Noten	-39,5%	-12,4%	27,1 pp beter
Pasta (gekookt)	-29,1%	-8,6%	20,5 pp beter
Rijst (gekookt)	-26,2%	-7,8%	18,4 pp beter
Sushi (overschat)	+38,3%	+6,4%	31,9 pp beter
Pizza (overschat)	+35,4%	+8,2%	27,2 pp beter
Friet (overschat)	+31,7%	+7,1%	24,6 pp beter

AI presteert beter dan handmatige invoer voor elke voedselcategorie in onze analyse. De verbetering is het meest dramatisch voor de meest vertekende categorieën: noten (-39,5% handmatig vs. -12,4% AI), saladedressing (-40,6% vs. -14,8%) en sushi (+38,3% vs. +6,4%).

De reden is eenvoudig: AI heeft geen psychologische vooroordelen. Het associeert granola niet met gezondheid of pizza niet met schuldgevoel. Het schat op basis van visuele portieanalyse en getrainde voedingsmodellen, en omzeilt daarmee de cognitieve snelkoppelingen die mensen op een dwaalspoor brengen.

Waar AI Nog Moeite Mee Heeft

AI is niet perfect. Er zijn specifieke scenario's waarin AI-schatting tekortschiet:

Scenario	AI-Fout	Fout Handmatig (geïnformeerde gebruiker)	Winnaar
Verborgen ingrediënten (sauzen onder het eten)	-22,4%	-8,6% (als gebruiker saus toevoegt)	Handmatig
Meerlaagse broodjes	-16,8%	-6,2% (als gebruiker alle vulling opsomt)	Handmatig
Voedsel in ondoorzichtige verpakkingen	-28,6%	-4,1% (als gebruiker inhoud kent)	Handmatig
Identiek uitziende voedingsmiddelen (bloemkoolrijst vs. rijst)	-14,2%	-2,8% (als gebruiker correct selecteert)	Handmatig
Vloeibare calorieën (smoothies, sappen)	-18,4%	-23,2%	AI
Calorierijke kleine items (noten, gedroogd fruit)	-12,4%	-39,5%	AI

AI presteert slechter dan een geïnformeerde handmatige invoer wanneer ingrediënten verborgen zijn voor de camera. Het sleutelwoord is echter "geïnformeerd" — in de praktijk slagen veel handmatige gebruikers er ook niet in om verborgen ingrediënten mee te nemen. Wanneer we AI vergelijken met werkelijk (niet ideaal) handmatig invoergedrag, wint AI in bijna elke categorie omdat handmatige invoeren in de praktijk vaak juist de ingrediënten weglaten die ook verborgen zijn voor de camera.

De Cumulatieve Impact van Schattingsfouten

Dagelijkse Caloriefout per Methode

Hoeveel tellen deze individuele voedselfouten op over een hele dag?

Methode	Gem. Dagelijkse Caloriefout	Richting van Vertekening	Jaarlijkse Impact (indien ongecorrigeerd)
Handmatige Invoer	-268 kcal/dag	Onderschatting	~12,5 kg ongetrackt vetequivalent
AI-Foto	-84 kcal/dag	Onderschatting (licht)	~3,9 kg ongetrackt vetequivalent
Barcodescan	-32 kcal/dag	Onderschatting (minimaal)	~1,5 kg ongetrackt vetequivalent
Gemengd (AI + Barcode)	-48 kcal/dag	Onderschatting (minimaal)	~2,2 kg ongetrackt vetequivalent

Gebruikers met handmatige invoer rapporteren gemiddeld 268 kcal per dag te weinig. Over een jaar komt dit neer op bijna 98.000 ongetrackte calorieën — het energetisch equivalent van ongeveer 12,5 kg lichaamsvet. Dit betekent niet dat handmatige gebruikers 12,5 kg aankomen, maar het betekent dat hun perceptie van hun inname consequent en significant lager is dan de werkelijkheid.

AI-fotogebruikers rapporteren slechts 84 kcal/dag te weinig, en gebruikers van gemengde methoden (AI + barcode) rapporteren slechts 48 kcal/dag te weinig — een marge die waarschijnlijk geen betekenisvolle invloed heeft op resultaten.

De Macro-Vertekening

Schattingsfouten zijn niet gelijk verdeeld over macronutriënten.

Macronutriënt	Gem. Fout Handmatige Invoer	Gem. Fout AI-Foto
Vet	-34,2% (sterk onder)	-12,8% (licht onder)
Koolhydraten	-14,6% (matig onder)	-6,4% (licht onder)
Eiwit	-4,8% (licht onder)	-3,2% (licht onder)

Vet is veruit het meest onderschatte macronutriënt bij handmatige invoer. Gebruikers ondertellen vet met gemiddeld 34,2%, voornamelijk omdat de meest onderschatte voedingsmiddelen (oliën, dressings, noten, kaas, boter) allemaal vetdominant zijn. Dit betekent dat handmatige trackers die denken dat ze een dieet met 30% vet volgen, in werkelijkheid dichter bij 38-40% vet kunnen zitten.

AI verkleint het gat in de vetschatting tot -12,8%, een verbetering van 21,4 procentpunten. De eiwitschatting is relatief nauwkeurig voor beide methoden, waarschijnlijk omdat eiwitbronnen (kip, eieren, vis) het middelpunt van maaltijden vormen en gemakkelijker te identificeren en te portioneren zijn.

Voedingsmiddel-voor-Voedingsmiddel AI-Correctieanalyse

De Top 10 AI-Correcties

Dit zijn de voedingsmiddelen waarbij Nutrola's AI het vaakst de initiële schatting aanpast nadat gebruikers het logboek bekijken, wat aangeeft dat de AI een discrepantie heeft geïdentificeerd tussen wat de gebruiker verwachtte en wat de data toonde.

Voedingsmiddel	Gem. Gebruikersverwachting	Gem. AI-Schatting	Correctierichting	Correctiegrootte
Restaurant Caesar salade	320 kcal	548 kcal	Omhoog	+228 kcal
Acai bowl	280 kcal	486 kcal	Omhoog	+206 kcal
Grain bowl (restaurant)	410 kcal	612 kcal	Omhoog	+202 kcal
Starbucks Frappuccino	210 kcal	398 kcal	Omhoog	+188 kcal
Pad Thai (afhaal)	420 kcal	592 kcal	Omhoog	+172 kcal
Kipwrap (deli)	340 kcal	498 kcal	Omhoog	+158 kcal
Studentenhaver (grote handvol)	180 kcal	324 kcal	Omhoog	+144 kcal
Sushischotel	680 kcal	548 kcal	Omlaag	-132 kcal
McDonald's Big Mac	720 kcal	563 kcal	Omlaag	-157 kcal
Bioscooppopcorn (groot)	842 kcal	1.030 kcal	Omhoog	+188 kcal

De restaurant Caesar salade staat bovenaan de correctielijst. Gebruikers verwachten dat deze ongeveer 320 kcal bevat — redelijk voor een berg romaine sla — maar de werkelijkheid met croutons, Parmezaanse kaas, dressing en vaak gegrilde kip duwt het naar 548 kcal. Dit is een onderschatting van 71% die de AI opvangt door de zichtbare componenten te herkennen.

Acai bowls zijn een ander treffend voorbeeld. Op de markt gebracht als gezond voedsel verwachten gebruikers 280 kcal, maar de combinatie van acai-basis, granola, honing, fruit en notenboter bereikt doorgaans 486 kcal. De AI identificeert de toppings en past dienovereenkomstig aan.

De Big Mac-correctie gaat de andere kant op: gebruikers verwachten 720 kcal (schuldige overschatting) terwijl de werkelijke waarde 563 kcal is. De calorieaantallen van fastfood zijn vaak lager dan mensen denken voor individuele items, hoewel de totale maaltijdcalorieën inclusief bijgerechten en drankjes doorgaans hoger zijn.

Demografische Patronen in Schattingsfouten

Leeftijd en Schattingsnauwkeurigheid

Leeftijdsgroep	Gem. Onderschatting (Handmatig)	Gem. Onderschatting (AI)	Meest Gemiste Voedingsmiddelen
18-24	-312 kcal/dag	-96 kcal/dag	Alcohol, sauzen, nachtelijke snacks
25-34	-284 kcal/dag	-88 kcal/dag	Bakoliën, koffietoevoegingen, dressings
35-44	-248 kcal/dag	-78 kcal/dag	Bakoliën, kaas, portiegroottes
45-54	-226 kcal/dag	-72 kcal/dag	Boter, brood, bakoliën
55+	-198 kcal/dag	-64 kcal/dag	Boter, bakoliën, porties

Jongere gebruikers (18-24) tonen de hoogste onderschattingsfout met -312 kcal/dag bij handmatige invoer. Alcohol en nachtelijke snacks zijn de grootste boosdoeners in deze leeftijdsgroep. De schattingsnauwkeurigheid verbetert met de leeftijd, mogelijk als gevolg van meer kookervaring en voedingsbewustzijn.

AI verkleint het leeftijdsverschil aanzienlijk. Het verschil tussen de minst nauwkeurige leeftijdsgroep (18-24, -96 kcal/dag) en de meest nauwkeurige (55+, -64 kcal/dag) is slechts 32 kcal met AI, vergeleken met 114 kcal bij handmatige invoer.

Doelgerichte Schattingsbias

Doel	Bias Handmatige Invoer	Bias AI-Foto	Verschil
Afvallen	-312 kcal/dag (onder)	-92 kcal/dag (onder)	220 kcal
Gewicht behouden	-198 kcal/dag (onder)	-68 kcal/dag (onder)	130 kcal
Spieropbouw	-142 kcal/dag (onder)	-54 kcal/dag (onder)	88 kcal
Algemene gezondheid	-218 kcal/dag (onder)	-76 kcal/dag (onder)	142 kcal

Gebruikers die willen afvallen tonen de sterkste onderschattingsbias met -312 kcal/dag bij handmatige invoer. Dit is een goed gedocumenteerd psychologisch fenomeen: mensen met restrictieve doelen minimaliseren onbewust hun innamebeleving, een fenomeen dat "optimistische bias" in voedingsrapportage wordt genoemd. AI vermindert deze bias met 71% tot -92 kcal/dag, waardoor een objectievere beoordeling wordt geboden die minder wordt beïnvloed door dieetdoelen.

Praktische Implicaties: Hoe Je Nauwkeurigheid Verbeteren

De Vijf Meest Impactvolle Veranderingen

Op basis van onze data zouden deze vijf aanpassingen het grootste deel van de schattingsfout voor de meeste gebruikers elimineren:

1. Log bakoliën en vetten expliciet (bespaart ~104 kcal/dag aan fouten)

Bakoliën zijn de grootste bron van onderschatting. Giet olie in een maatlepel voordat je het aan de pan toevoegt, of schat hoog in. Eén eetlepel van elke bakolie is ongeveer 120 kcal.

2. Log alle dressings, sauzen en smaakmakers (bespaart ~68 kcal/dag aan fouten)

Saladedressings, mayonaise, ketchup, sojasaus en dipsauzen worden bij 34% van de maaltijden die ze bevatten weggelaten. Een typische restaurantportie saladedressing voegt 150-200 kcal toe.

3. Gebruik AI-fotologging voor restaurant- en zelfgemaakte maaltijden (bespaart ~52 kcal/dag aan fouten)

AI elimineert de gezondheidsuitstraling-bias en schuldvermenigvuldigereffecten die handmatige schattingen voor onverpakte voedingsmiddelen vertekenen. Laat de AI je een beginschatting geven en pas vervolgens aan indien nodig.

4. Weeg calorierijke voedingsmiddelen wanneer mogelijk (bespaart ~46 kcal/dag aan fouten)

Noten, kaas, pindakaas, granola en gedroogd fruit zijn klein van volume maar hoog in calorieën. Een keukenweegschaal neemt het giswerk voor deze items volledig weg.

5. Log room, suiker en melk in koffie en thee (bespaart ~28 kcal/dag aan fouten)

De gemiddelde koffietoevoeging (room en suiker gecombineerd) voegt 52 kcal toe, maar gebruikers die koffie loggen nemen zelden toevoegingen mee. Drie koppen koffie per dag betekent 156 kcal aan ongetrackte inname.

Totale Impact

Het doorvoeren van alle vijf deze veranderingen zou de dagelijkse schattingsfout met ongeveer 298 kcal verminderen voor een typische handmatige-invoergebruiker, waardoor de systematische onderrapportage-bias vrijwel volledig wordt geëlimineerd.

Als alternatief vangt overschakelen naar Nutrola's AI-fotologging als je primaire methode automatisch 65-70% van deze verbetering op, zonder dat een van de bovenstaande handmatige praktijken nodig is.

FAQ

Waarom onderschatten mensen meer dan ze overschatten?

De systematische bias richting onderschatting heeft twee hoofdoorzaken. Ten eerste zijn calorierijke ingrediënten (oliën, dressings, noten, kaas) fysiek klein in verhouding tot hun caloriegehalte, waardoor visuele schatting moeilijk is. Ten tweede toont psychologisch onderzoek aan dat mensen met gezondheids- en gewichtsbeheersingsdoelen onbewust hun innamebeleving minimaliseren, een fenomeen dat "optimistische bias" in voedingsrapportage wordt genoemd.

Verbetert het gebruik van AI de nauwkeurigheid echt zoveel?

Ja. Onze data toont aan dat AI-fotologging de dagelijkse calorieschattingsfout vermindert van -268 kcal (handmatige invoer) naar -84 kcal, een verbetering van 69%. Voor de meest vertekende voedselcategorieën (oliën, noten, dressings) overtreft de verbetering 60%. De AI is niet perfect, maar elimineert de psychologische vooroordelen die de grootste systematische fouten veroorzaken.

Wat is het slechtste voedingsmiddel voor calorieschatting?

Qua percentagefout heeft room in koffie het hoogste individuele onderschattingspercentage van -65,4%. Maar qua totale dagelijkse calorie-impact zijn bakoliën het ergst, omdat ze vaak worden gebruikt en de fout per keer groot is (gemiddeld 52 kcal te weinig gerapporteerd per gebruik, waarbij de meeste gebruikers minstens twee keer per dag met olie koken).

Moet ik stoppen met handmatig invoeren?

Niet per se. Handmatige invoer is het meest effectief voor verpakte voedingsmiddelen waarvan je het voedingslabel kunt lezen, of wanneer je een keukenweegschaal gebruikt om ingrediënten te wegen. De data suggereert dat handmatige invoer het beste werkt als aanvulling op AI-fotologging — gebruik Nutrola's Snap & Track voor gekookte maaltijden en restaurantvoeding, en handmatige invoer wanneer je precieze gewichts- of labeldata hebt.

Geldt het gezondheidsuitstralingeffect voor specifieke diëten?

Ja. Gebruikers die een plantaardig, biologisch of "clean eating"-dieet volgen, tonen hogere percentages onderschatting voor voedingsmiddelen binnen hun dieetkader. Veganistische gebruikers onderschatten bijvoorbeeld de calorieën in noten en notenboter met 44,2%, vergeleken met 35,8% voor omnivoren. Hoe sterker de gezondheidsassociatie, hoe groter de blinde vlek.

Hoe vaak moet ik een keukenweegschaal gebruiken?

Onze data suggereert dat dagelijks gebruik van een keukenweegschaal voor de meeste gebruikers niet nodig is. Het gebruik van een weegschaal voor de top vijf meest onderschatte voedselcategorieën in je persoonlijke dieet (die Nutrola's analytics voor je kan identificeren) vangt het grootste deel van het nauwkeurigheidsvoordeel op. Zelfs wekelijkse "kalibratiesessies" waarbij je belangrijke voedingsmiddelen weegt, blijken de schattingsnauwkeurigheid voor de rest van de week met 18% te verbeteren.

Vertelt Nutrola me welke voedingsmiddelen ik verkeerd inschat?

Ja. Nutrola's persoonlijke analyticsfunctie volgt je logpatronen en kan voedingsmiddelen identificeren waarbij je invoeren consequent afwijken van referentiewaarden. Deze gepersonaliseerde feedback helpt je om je nauwkeurigheidsinspanningen te richten waar ze de meeste impact hebben op jouw specifieke blinde vlekken bij het bijhouden van voeding.