تتبع السعرات الحرارية بالذكاء الاصطناعي مقابل اليدوي: أيهما أكثر دقة؟

توجد ثلاث طرق رئيسية لتسجيل الطعام في تطبيقات تتبع السعرات الحرارية: التعرف على الصور بالذكاء الاصطناعي، البحث اليدوي في قاعدة البيانات، ومسح الباركود. كل طريقة لها نقاط قوة وضعف وملفات أخطاء مميزة. في هذه المقالة، نقارن بينها بناءً على الأبعاد التي تهم فعليًا في تتبع السعرات الحرارية: الدقة، السرعة، الاتساق على مر الزمن، وأنواع الأخطاء التي تقدمها كل طريقة.

الموضوع هنا ليس عن أي طريقة هي الأفضل من الناحية النظرية، بل عن أي طريقة تحقق أفضل النتائج عند استخدامها من قبل الأشخاص في مواقف تناول الطعام الحقيقية، يومًا بعد يوم، على مدى أسابيع وشهور.

تعريف الطرق الثلاث

تتبع الصور بالذكاء الاصطناعي يتضمن تصوير وجبتك. تستخدم خوارزميات الرؤية الحاسوبية لتحديد العناصر الغذائية، وتقدير أحجام الحصص بناءً على التحليل البصري، وإرجاع البيانات الغذائية. يقوم المستخدم بتأكيد أو تعديل النتيجة. الأنظمة الحديثة مثل Nutrola تكمل هذه العملية في أقل من ثلاث ثوانٍ.

البحث اليدوي في قاعدة البيانات يتضمن كتابة اسم الطعام في شريط البحث الخاص بالتطبيق، واختيار العنصر الصحيح من قائمة النتائج، وتحديد حجم الحصة. هذه هي الطريقة التقليدية التي استخدمتها معظم تطبيقات تتبع السعرات الحرارية منذ بداية عصر الهواتف الذكية.

مسح الباركود يتضمن استخدام كاميرا الهاتف لمسح باركود الطعام المعبأ، مما يسحب البيانات الغذائية مباشرة من ملصق الشركة المصنعة. يقوم المستخدم بتحديد عدد الحصص التي تناولها.

مقارنة الدقة

دقة تتبع الصور بالذكاء الاصطناعي

تحسنت دقة التعرف على الطعام بالذكاء الاصطناعي بشكل كبير منذ التطبيقات الأولى. الأنظمة الحالية تحقق معدلات دقة في تحديد الطعام تتراوح بين 85 إلى 95 في المئة للأطعمة الشائعة، مع الأخطاء المتبقية التي تتعلق عادةً بالارتباك بين العناصر المتشابهة بصريًا، مثل الأرز الأبيض مقابل أرز القرنبيط، أو التعرف غير الصحيح على الأطباق المختلطة التي تحتوي على مكونات مخفية.

تقدير الحصص من الصور يقدم مصدر خطأ إضافي. أظهرت الأبحاث حول التقييم الغذائي القائم على الصور، بما في ذلك مراجعة منهجية أجراها Maringer وآخرون (2018) ونُشرت في المجلة الأوروبية للتغذية، أن تقدير الحصص القائم على الصور حقق دقة تتراوح بين 10 إلى 20 في المئة من قياسات الطعام الموزونة لمعظم أنواع الطعام. بعض الفئات، وخاصة السوائل والأطعمة غير المتجانسة مثل الكسرولة، أظهرت تباينًا أعلى.

نطاق الخطأ المعتاد لكل وجبة: 10 إلى 20 في المئة.

الميزة الرئيسية لتتبع الصور بالذكاء الاصطناعي هي أن أخطاءه عشوائية وليست منهجية. قد يبالغ الذكاء الاصطناعي قليلاً في تقدير وجبة واحدة ويقلل من تقدير الأخرى. على مدار يوم كامل من تناول الطعام، تميل هذه الأخطاء العشوائية إلى التعويض، مما ينتج عنه إجماليات يومية أكثر دقة بكثير من تقديرات الوجبات الفردية. وجدت دراسة أجراها Cordeiro وآخرون (2015) أن إجماليات السعرات الحرارية اليومية من التتبع القائم على التطبيقات انحرفت بحوالي 10 في المئة عن القيم المقاسة، حتى عندما أظهرت تقديرات الوجبات الفردية أخطاء أكبر.

دقة البحث اليدوي في قاعدة البيانات

تعتمد دقة التتبع اليدوي على عاملين: جودة قاعدة بيانات الطعام ودقة تقدير الحصص من قبل المستخدم.

تختلف جودة قاعدة البيانات بشكل كبير. تحتوي قواعد البيانات المستندة إلى الجمهور، حيث يمكن لأي مستخدم تقديم إدخالات الطعام، على معدلات خطأ تتراوح بين 15 إلى 25 في المئة في قيم المغذيات وفقًا لمراجعة عام 2020 نُشرت في Nutrients (Evenepoel وآخرون). يمكن أن تؤدي الإدخالات المكررة، البيانات القديمة، أخطاء إدخال المستخدم، والاختلافات الإقليمية إلى مشهد حيث يمكن أن يؤدي اختيار إدخال قاعدة بيانات خاطئ إلى إدخال 100 سعرة حرارية أو أكثر كخطأ في عنصر واحد.

تزيل قواعد البيانات المعتمدة من قبل أخصائيي التغذية معظم الأخطاء المتعلقة بقاعدة البيانات، مما يقلل من مساهمة قاعدة البيانات في الخطأ الإجمالي إلى 5 في المئة أو أقل.

تقدير الحصص من قبل المستخدمين هو مصدر الخطأ الأكثر أهمية. تظهر الأبحاث باستمرار أن الأفراد غير المدربين يبالغون في تقدير أحجام الحصص بنسبة 20 إلى 40 في المئة للأطعمة الغنية بالسعرات الحرارية ويقللون من تقدير أحجام الحصص للأطعمة منخفضة السعرات. وجدت دراسة أجراها Chandon وWansink (2007) نُشرت في مجلة أبحاث المستهلك أن أخطاء تقدير الحصص تزداد مع كمية الطعام: كلما كانت الحصة الفعلية أكبر، زادت نسبة التقليل في التقدير.

نطاق الخطأ المعتاد لكل وجبة: 15 إلى 40 في المئة، يعتمد بشكل كبير على مهارة المستخدم وجودة قاعدة البيانات.

العيب في التتبع اليدوي هو أن أخطاءه تميل إلى أن تكون منهجية وليست عشوائية. يبالغ المستخدمون باستمرار في تقدير الأطعمة ذات السعرات الحرارية العالية ويقللون من تقدير الأطعمة منخفضة السعرات. هذا التحيز المنهجي لا يتعادل على مدار اليوم بل يتراكم، مما ينتج عنه إجماليات يومية أقل من الاستهلاك الفعلي.

دقة مسح الباركود

يعتبر مسح الباركود الطريقة الأكثر دقة للأطعمة المعبأة لأنه يسحب البيانات مباشرة من المعلومات الغذائية المقدمة من الشركة المصنعة، والتي تخضع للتنظيم من قبل إدارة الغذاء والدواء في الولايات المتحدة والهيئات المعادلة دوليًا.

تسمح إدارة الغذاء والدواء بفارق قدره 20 في المئة في القيم الغذائية المعلنة، لكن دراسة أجراها Urban وآخرون في عام 2010 في مجلة جمعية التغذية الأمريكية وجدت أن معظم المنتجات المختبرة كانت ضمن 10 في المئة من القيم المعلنة. دقة البيانات الأساسية عالية.

يأتي الخطأ من جانب المستخدم في مسح الباركود بالكامل من تقدير الحصص. إذا كان الملصق يقول إن الحصة 30 جرامًا وأنت تأكل 45 جرامًا لكنك تسجل حصة واحدة، فقد أدخلت خطأ بنسبة 50 في المئة لذلك العنصر. بالنسبة للأطعمة المستهلكة في وحدات منفصلة، مثل بار الجرانولا، يكون هذا الخطأ ضئيلاً. أما بالنسبة للأطعمة المستهلكة بكميات متغيرة، مثل الحبوب المملوءة من علبة، فقد يكون الخطأ كبيرًا.

نطاق الخطأ المعتاد لكل وجبة: 5 إلى 10 في المئة للأصناف المعبأة المنفصلة، 15 إلى 30 في المئة للأطعمة المعبأة ذات الحصص المتغيرة.

القيود في مسح الباركود هي أنه يعمل فقط للأطعمة المعبأة التي تحتوي على باركود. لا يمكنه التعامل مع وجبات المطاعم، الأطعمة المطبوخة في المنزل، المنتجات الطازجة، أو أي طعام لا يأتي في عبوة تحمل باركود. بالنسبة لمعظم الناس، يغطي هذا فقط 30 إلى 50 في المئة من إجمالي استهلاكهم الغذائي.

مقارنة السرعة

تؤثر السرعة بشكل مباشر على الالتزام على المدى الطويل. كل دراسة حول الالتزام بالتتبع تحدد الاحتكاك في التسجيل كعامل رئيسي في الانسحاب. كلما كانت الطريقة أسرع، زادت احتمالية استمرار المستخدمين في استخدامها على مدى أسابيع وشهور.

تتبع الصور بالذكاء الاصطناعي: 2 إلى 5 ثوانٍ لكل وجبة. نقطة، التقط، أكد. العملية شبه فورية وتتطلب جهدًا إدراكيًا ضئيلًا. بالنسبة لشخص يسجل خمس مرات تناول يوميًا، يكون إجمالي وقت التتبع اليومي حوالي 15 إلى 25 ثانية.

مسح الباركود: 5 إلى 15 ثانية لكل عنصر. امسح، أكد عدد الحصص. سريع للوجبات الخفيفة ذات العنصر الواحد، أبطأ للوجبات التي تتضمن مكونات متعددة معبأة. تتطلب وجبة مطبوخة في المنزل باستخدام خمسة مكونات معبأة خمس مسحات منفصلة وتعديلات على الحصص. إجمالي وقت التتبع اليومي: من دقيقة إلى 5 دقائق حسب تعقيد الوجبة.

البحث اليدوي في قاعدة البيانات: 30 ثانية إلى 3 دقائق لكل عنصر غذائي. اكتب مصطلح البحث، قم بالتمرير عبر النتائج، اختر المطابقة الصحيحة، حدد حجم الحصة. تستغرق الوجبة النموذجية التي تحتوي على ثلاثة إلى أربعة مكونات غذائية متميزة من 2 إلى 8 دقائق للتسجيل يدويًا. إجمالي وقت التتبع اليومي: من 10 إلى 25 دقيقة.

يتراكم الفرق في السرعة مع مرور الوقت. في الأسبوع الأول، تبدو جميع الطرق قابلة للإدارة لأن الدافع مرتفع. بحلول الأسبوع الرابع، تكون الطريقة التي تتطلب 20 دقيقة يوميًا لديها معدل abandono أعلى بكثير من الطريقة التي تتطلب 20 ثانية يوميًا.

الاتساق على المدى الطويل

يعتبر الاتساق في التتبع على المدى الطويل هو المقياس الأكثر أهمية لنتائج الصحة. إن طريقة التتبع التي تتمتع بدقة 95 في المئة ولكن يتم التخلي عنها بعد أسبوعين تحقق نتائج أسوأ من طريقة تتمتع بدقة 85 في المئة وتستمر لمدة ستة أشهر.

تظهر الأبحاث حول الالتزام بالتتبع أنماطًا واضحة حسب الطريقة.

تتبع الصور بالذكاء الاصطناعي يظهر أعلى معدلات الالتزام على المدى الطويل. الاستثمار الزمني الأدنى والعبء الإدراكي المنخفض يجعله مستدامًا عبر سياقات تناول الطعام المتنوعة، بما في ذلك المطاعم، السفر، الوجبات الاجتماعية، وأيام العمل المزدحمة. يحتفظ المستخدمون الذين يعتمدون على التتبع بالذكاء الاصطناعي بمعدلات تسجيل يومية تتراوح بين 70 إلى 85 في المئة على مدى ستة أشهر.

مسح الباركود يظهر التزامًا معتدلًا للمستخدمين الذين يتناولون بشكل أساسي الأطعمة المعبأة، لكنه ينخفض بشكل كبير للمستخدمين الذين لديهم أنظمة غذائية متنوعة. عدم قدرة الطريقة على التعامل مع الأطعمة غير المعبأة يخلق فجوات في التسجيل تتراكم مع مرور الوقت. يحتفظ المستخدمون الذين يعتمدون بشكل أساسي على مسح الباركود بمعدلات تسجيل تتراوح بين 50 إلى 65 في المئة على مدى ستة أشهر.

البحث اليدوي في قاعدة البيانات يظهر أدنى معدلات الالتزام على المدى الطويل. إن الاستثمار الزمني لكل وجبة يخلق حاجزًا ينمو مع تلاشي الدافع الأولي. تظهر الدراسات حول تطبيقات دفتر الطعام اليدوي أن تكرار التسجيل ينخفض بنسبة تقارب 50 في المئة من الشهر الأول إلى الشهر الثالث. معدلات الالتزام لمدة ستة أشهر للتسجيل اليدوي فقط تتراوح عادة بين 30 إلى 45 في المئة.

ملفات الأخطاء حسب سيناريو تناول الطعام

تظهر سيناريوهات تناول الطعام المختلفة نقاط القوة والضعف المختلفة في كل طريقة.

الوجبات المطبوخة في المنزل

تتبع الصور بالذكاء الاصطناعي: يلتقط صورة للطبق النهائي. تعتمد الدقة على قدرة الذكاء الاصطناعي على تحديد المكونات الفردية وتقدير الحصص بصريًا. يعمل بشكل جيد للأصناف المتميزة مثل الدجاج المشوي، الأرز، والخضار. أقل دقة للأطباق المختلطة حيث لا يمكن تمييز المكونات بصريًا. الدقة النموذجية: 15 إلى 20 في المئة خطأ.

البحث اليدوي: يدخل المستخدم كل مكون بشكل منفصل. تعتمد الدقة على ما إذا كان المستخدم يأخذ في الاعتبار الزيوت، الصلصات، والتوابل. يقوم العديد من المستخدمين بتسجيل المكونات الرئيسية ولكن يتجاهلون ملعقتين كبيرتين من زيت الزيتون (240 سعرة حرارية) المستخدمة في الطهي. الدقة النموذجية: 20 إلى 35 في المئة خطأ، مع تحيز منهجي نحو التقليل.

مسح الباركود: يمكنه مسح المكونات المعبأة الفردية ولكنه يتطلب من المستخدم حساب الحصة من كل مكون مستخدم. دقيق بالنسبة للمكونات الممسوحة ولكنه غير قادر على التقاط العناصر غير المعبأة مثل المنتجات الطازجة والزيوت المستخدمة في الطهي. الدقة النموذجية: 15 إلى 25 في المئة خطأ، مع فجوات كبيرة.

وجبات المطاعم

تتبع الصور بالذكاء الاصطناعي: يلتقط صورة للوجبة كما تم تقديمها. هذه هي الحالة التي تتمتع فيها تتبع الصور بالذكاء الاصطناعي بأكبر ميزة. يمكن للذكاء الاصطناعي تقدير وجبة المطعم في ثوانٍ، بينما يتطلب البحث اليدوي إما العثور على المطعم المحدد في قاعدة البيانات، وهو ما يمكن تحقيقه فقط للمطاعم السلسلة، أو تقدير كل مكون بشكل منفصل. الدقة النموذجية: 15 إلى 25 في المئة خطأ.

البحث اليدوي: يتطلب إما العثور على العنصر المحدد في القائمة في قاعدة البيانات أو تقسيم الوجبة إلى مكونات وتقدير كل منها. غالبًا ما تكون عناصر المطاعم السلسلة متاحة في قواعد البيانات، لكن المطاعم المستقلة نادرًا ما تكون كذلك. الطريقة اليدوية لوجبات المطاعم بطيئة وغير مؤكدة وتعتمد بشكل كبير على مهارات تقدير المستخدم. الدقة النموذجية: 25 إلى 45 في المئة خطأ.

مسح الباركود: غير قابل للتطبيق على وجبات المطاعم. يجب على المستخدمين العودة إلى طرق البحث اليدوي أو الصور بالذكاء الاصطناعي.

الوجبات الخفيفة المعبأة

تتبع الصور بالذكاء الاصطناعي: يمكنه التعرف على العديد من الوجبات الخفيفة المعبأة الشائعة من الصور، خاصة إذا كانت العبوة مرئية. الدقة جيدة بالنسبة للعناصر القياسية ولكن قد يواجه صعوبة مع المنتجات غير المألوفة أو الإقليمية. الدقة النموذجية: 10 إلى 15 في المئة خطأ.

البحث اليدوي: يعمل بشكل جيد إذا كان المنتج المحدد موجودًا في قاعدة البيانات. المصدر الرئيسي للخطأ هو تقدير الحصص للأصناف المستهلكة من عبوة أكبر. الدقة النموذجية: 10 إلى 20 في المئة خطأ.

مسح الباركود: هذه هي أقوى سيناريو لمسح الباركود. امسح العبوة، سجل الحصة. بالنسبة للأصناف المعبأة ذات الحصة الواحدة، تكون الدقة ضمن 5 في المئة. بالنسبة للحزم متعددة الحصص حيث يقدر المستخدم حجم الحصة، تكون الدقة 10 إلى 15 في المئة.

الأطباق المختلطة أو المعقدة

تتبع الصور بالذكاء الاصطناعي: تمثل الأطباق المختلطة مثل القلي، الكسرولات، الحساء، والكاري أكبر تحدٍ للتعرف البصري لأن المكونات الفردية لا يمكن تمييزها بصريًا. يقدر الذكاء الاصطناعي بناءً على فئة الطبق العامة والحجم الظاهر. الدقة النموذجية: 20 إلى 30 في المئة خطأ.

البحث اليدوي: إذا كان الطبق الدقيق موجودًا في قاعدة البيانات، تعتمد الدقة على جودة قاعدة البيانات. إذا كان يجب على المستخدم إدخال المكونات بشكل فردي، فإن العملية تستغرق وقتًا طويلاً وعرضة لأخطاء الإغفال. الدقة النموذجية: 20 إلى 35 في المئة خطأ.

مسح الباركود: غير قابل للتطبيق على معظم الأطباق المختلطة. يجب على المستخدمين استخدام طريقة بديلة.

التأثير المركب لاختيار الطريقة

الفرق الحقيقي بين طرق التتبع لا يتمثل فقط في دقة كل وجبة. إن الجمع بين الدقة والاتساق على المدى الطويل هو ما يحدد النتائج.

فكر في مستخدمين افتراضيين على مدى 30 يومًا:

المستخدم A يستخدم تتبع الصور بالذكاء الاصطناعي مع متوسط خطأ في الوجبة يبلغ 15 في المئة ولكنه يسجل 95 في المئة من وجباته. تقدير السعرات اليومية لديه، عبر جميع الوجبات المسجلة، ينحرف عن الاستهلاك الفعلي بحوالي 8 في المئة في المتوسط بسبب الأخطاء العشوائية التي تتعادل جزئيًا. مع تغطية 95 في المئة من الوجبات، تمثل بياناته المسجلة تقريبًا تقديرًا قريبًا من الاستهلاك الفعلي على مدار الشهر.

المستخدم B يستخدم البحث اليدوي مع متوسط خطأ في الوجبة يبلغ 10 في المئة عندما يسجل ولكنه يسجل فقط 60 في المئة من وجباته بسبب قيود الوقت والتعب. الوجبات التي يتخطاها، غالبًا ما تكون وجبات المطاعم، الوجبات الخفيفة، والمواقف الاجتماعية المحرجة، تميل إلى أن تكون الوجبات ذات السعرات الحرارية العالية. بياناته المسجلة تقلل بشكل منهجي من الاستهلاك الفعلي، حيث تخلق الـ 40 في المئة غير المسجلة نقطة عمياء لا يمكن تعويضها بأي قدر من دقة الوجبة.

يمتلك المستخدم A بيانات أكثر فائدة على الرغم من دقة الوجبة الأقل. لهذا السبب، يعتبر الالتزام هو العامل السائد في اختيار طريقة التتبع، ولماذا تنتج الطرق التي تقلل من الاحتكاك، حتى على حساب تقليل دقة معتدلة، نتائج أفضل في العالم الحقيقي.

النهج الأمثل: مطابقة الطريقة

النهج الأكثر فعالية في العالم الحقيقي ليس الاعتماد الحصري على أي طريقة واحدة، بل المطابقة الذكية للطريقة مع السيناريو.

استخدم تتبع الصور بالذكاء الاصطناعي لوجبات المطاعم، طعام الكافيتريا، الوجبات المعدة من قبل الآخرين، الأطباق المعقدة، وأي موقف حيث تكون السرعة والراحة أمرًا بالغ الأهمية. يغطي هذا السيناريوهات التي تكون فيها الطرق اليدوية أبطأ وأقل دقة.

استخدم مسح الباركود للأطعمة المعبأة المستهلكة بكميات منفصلة: بار بروتين، كيس من الرقائق، علبة زبادي. هذا يستفيد من أعلى سيناريو دقة لمسح الباركود.

استخدم البحث اليدوي للأصناف البسيطة ذات المكون الواحد حيث تعرف الكمية الدقيقة: 200 جرام من صدور الدجاج، موزة متوسطة واحدة، بيضتان. هذه العناصر سريعة البحث وسهلة التقدير بدقة.

استخدم التسجيل الصوتي عندما تكون يديك مشغولتين: أثناء الطهي، القيادة، أو تناول الطعام أثناء التنقل. تلتقط هذه الطريقة إدخال الوجبة قبل أن تنساها، وهو ما هو أكثر قيمة من الدقة المثالية.

يدعم Nutrola جميع الطرق الأربع ضمن تطبيق واحد، مما يسمح للمستخدمين بالتبديل بين تتبع الصور بالذكاء الاصطناعي، مسح الباركود، البحث اليدوي، والتسجيل الصوتي بناءً على الوضع الفوري. تعني هذه المرونة أن المستخدمين يمكنهم دائمًا اختيار الطريقة التي توفر أفضل نسبة دقة إلى جهد للطعام المحدد الذي يسجلونه.

الحكم النهائي

تتبع الصور بالذكاء الاصطناعي ليس الطريقة الأكثر دقة لكل عنصر غذائي فردي. يفوز مسح الباركود للأطعمة المعبأة، ويمكن أن يحقق التسجيل اليدوي الدقيق باستخدام ميزان المطبخ دقة استثنائية للمكونات البسيطة.

لكن دقة كل وجبة ليست المقياس الذي يحدد نجاح التتبع. المقياس الذي يحدد النجاح هو الدقة الإجمالية لصورتك الغذائية على مدى أسابيع وشهور. هذه الدقة الإجمالية هي ناتج دقة كل وجبة مضروبة في الاتساق. وعلى الاتساق، تفوز تتبع الصور بالذكاء الاصطناعي بشكل حاسم لأنها الطريقة الوحيدة السريعة بما يكفي للبقاء على قيد الحياة في احتكاك الحياة اليومية دون تدهور مع مرور الوقت.

أفضل طريقة للتتبع هي تلك التي ستستخدمها فعليًا، في كل وجبة، كل يوم، طالما كنت بحاجة إلى البيانات. بالنسبة لمعظم الناس، تتضمن هذه الطريقة وجود ذكاء اصطناعي يقوم بالعمل الشاق وإنسان يقوم بتأكيد سريع. ثلاث ثوانٍ، انتقل، عِش حياتك. تتراكم البيانات في الخلفية، وتأتي الأفكار لاحقًا.