قواعد بيانات الطعام المعتمدة مقابل قواعد البيانات الجماعية: ما مدى دقة متتبع السعرات الحرارية الخاص بك؟

متتبع السعرات الحرارية الخاص بك يعتمد دقته على قاعدة بيانات الطعام المستخدمة. قد يبدو هذا الأمر بديهيًا، لكن معظم الناس لا يفكرون فيه. يقومون بتنزيل تطبيق، يبحثون عن "صدر دجاج مشوي"، يضغطون على أول نتيجة، ويفترضون أن الرقم صحيح.

إذا كانت تلك القاعدة بيانات جماعية — مما يعني أن المستخدمين العاديين هم من قدموا تلك الإدخالات دون مراجعة احترافية — فإن البيانات التي تعتمد عليها لفقدان الوزن، أو بناء العضلات، أو إدارة حالة صحية قد تكون خاطئة بنسبة تتراوح بين 15 إلى 30 بالمئة. هذه ليست مجرد تخمين، بل هذا ما تظهره الأبحاث.

أظهرت دراسة أجراها Evenepoel وزملاؤه (2020)، نُشرت في مجلة Nutrients، تقييم دقة تطبيقات تتبع التغذية الشائعة ووجدت تباينات كبيرة في قيم السعرات الحرارية والمغذيات الكبرى عبر المنصات الجماعية. قارن الباحثون القيم المبلغ عنها في التطبيقات بسجلات الطعام الموزونة التي تم تحليلها بواسطة طرق مختبرية ووجدوا أن قواعد البيانات الجماعية أدخلت أخطاءً كبيرة بشكل مستمر — أخطاء كبيرة بما يكفي لتقويض نظام غذائي مخطط بعناية.

تستعرض هذه المقالة كيفية عمل قواعد بيانات الطعام الجماعية والمعتمدة، وما تقوله الأبحاث عن دقتها، ولماذا تعتبر هذه الفروق أكثر أهمية مما يدركه معظم الناس.

كيفية عمل قواعد بيانات الطعام الجماعية

تستخدم التطبيقات الأكثر شيوعًا لتتبع السعرات — بما في ذلك MyFitnessPal — نموذجًا يعتمد على البيانات الجماعية لبناء قواعد بياناتها. الفكرة بسيطة: أي شخص لديه حساب يمكنه تقديم إدخال طعام. ثم يبحث المستخدمون الآخرون عن تلك الإدخالات ويسجلونها. تنمو القاعدة بسرعة لأن ملايين المستخدمين يساهمون فيها.

المشكلة هي أنه لا يوجد طبقة تحقق ذات مغزى. عندما يقدم مستخدم إدخالًا لـ "Kirkland Signature Protein Bar"، لا يقوم أحد بالتحقق مما إذا كان عدد السعرات صحيحًا، أو إذا كانت حصة الطعام تتطابق مع الملصق، أو إذا تم إعادة صياغة المنتج منذ إنشاء الإدخال. يتم نشر الإدخال، ويبدأ المستخدمون الآخرون في تسجيله.

هذا يخلق عدة مشاكل نظامية:

• إدخالات مكررة مع بيانات متضاربة. ابحث عن أي طعام شائع وستجد إدخالات متعددة بقيم مختلفة من السعرات والمغذيات الكبرى. ليس لدى المستخدمين وسيلة موثوقة لمعرفة أي منها صحيح.
• عدم وجود نسبة مصدر. معظم الإدخالات الجماعية لا تشير إلى مصدر بيانات التغذية. قد تكون من ملصق منتج، أو تخمين، أو رقم تم تذكره بشكل خاطئ.
• تركيبات قديمة. تقوم الشركات المصنعة للأغذية بإعادة صياغة المنتجات بانتظام. قد تعكس الإدخالات الجماعية من 2019 وصفة لم تعد موجودة.
• أحجام حصص غير متسقة. قد يسجل إدخال واحد موزة بوزن 100 جرام، وآخر كـ "1 متوسطة"، وثالث كـ 118 جرام. تختلف قيم السعرات وفقًا لذلك، ولا يمكن للمستخدمين معرفة أي معيار تم استخدامه.

لاحظ Evenepoel وزملاؤه (2020) بشكل خاص أن التطبيقات التي تعتمد على المحتوى الذي ينشئه المستخدمون أظهرت تباينًا أعلى في القيم المبلغ عنها للطاقة مقارنة بالتطبيقات التي تستخدم مصادر بيانات مؤسسية منسقة. خلصت الدراسة إلى أن اختيار قاعدة البيانات يؤثر بشكل مباشر على موثوقية المراقبة الذاتية للنظام الغذائي.

أظهرت تحليل منفصل أجراه Griffiths وزملاؤه (2018)، نُشر في JMIR mHealth and uHealth، دقة تطبيقات دفتر الطعام الشائعة على الهواتف الذكية. وجدوا أن تقديرات السعرات من قواعد البيانات الجماعية انحرفت عن القيم المرجعية بمعدل يتراوح بين 15 إلى 25 بالمئة للأطعمة الشائعة. بالنسبة للوجبات المركبة والعناصر من المطاعم، تجاوزت الانحرافات 30 بالمئة في بعض الحالات.

حجم المشكلة

لفهم كيف يتجلى هذا في الممارسة العملية، اعتبر بعض الأمثلة الواقعية.

مشكلة الموز. ابحث عن "موزة" في MyFitnessPal وستجد أكثر من عشرة إدخالات. واحدة تسجل موزة متوسطة بـ 89 سعرة حرارية. أخرى تقول 105 سعرة حرارية. وثالثة تقول 121 سعرة حرارية. قيمة مرجع USDA FoodData Central لموزة متوسطة (118 جرام) هي 105 سعرة حرارية. يمكن أن يكون المستخدم الذي يختار الإدخال الخاطئ بعيدًا بنسبة تتراوح بين 15 إلى 20 بالمئة على عنصر غذائي واحد — وتزداد تلك الخطأ عبر يوم كامل من التسجيل.

انحراف الأطعمة المعلبة. تم إعادة صياغة شريط جرانولا شائع في عام 2024، مما قلل من عدد السعرات من 190 إلى 170 لكل شريط. لا يزال الإدخال القديم موجودًا في قواعد البيانات الجماعية بجانب الجديد. قد يحصل المستخدمون الذين يقومون بمسح الرمز الشريطي على أي من النسختين، اعتمادًا على أي إدخال يظهره النظام أولاً.

تخمين وجبات المطاعم. الإدخالات الجماعية للمطاعم غير موثوقة بشكل خاص. وجدت دراسة أجراها Urban وزملاؤه (2016)، نُشرت في JAMA Internal Medicine، أن المحتوى الفعلي للسعرات الحرارية في وجبات المطاعم يختلف عن القيم المعلنة بمعدل 18 بالمئة، مع وجود بعض الوجبات تحتوي على أكثر من 100 بالمئة من السعرات الحرارية أكثر مما تم الإعلان عنه. عندما يقوم المستخدمون بعد ذلك بتقديم تلك القيم المعلنة غير الدقيقة بالفعل إلى قاعدة بيانات جماعية — أحيانًا بتقريب أو تقدير إضافي — تصبح الأخطاء المتراكمة شديدة.

فجوات الطعام الدولية. تميل قواعد البيانات الجماعية إلى التحيز نحو الأسواق الأمريكية والبريطانية. غالبًا ما يجد المستخدمون في ألمانيا أو اليابان أو البرازيل أو الهند أن أطعمتهم المحلية إما مفقودة تمامًا أو ممثلة بإدخالات قدمها مستخدم واحد دون تحقق.

عززت الأبحاث التي نشرتها Teixeira وزملاؤه (2021) في European Journal of Clinical Nutrition هذه النتائج، حيث أظهرت أن مستخدمي تطبيقات التغذية في الدول غير الناطقة بالإنجليزية عانوا من معدلات أعلى بكثير من عدم دقة التسجيل بسبب تغطية قاعدة البيانات المحدودة وغير الموثوقة.

كيفية عمل قواعد البيانات المعتمدة

تتبع قواعد بيانات الطعام المعتمدة نهجًا مختلفًا تمامًا. بدلاً من الاعتماد على تقديمات المستخدمين، تستمد بيانات التغذية من مراجع موثوقة تم التحقق منها في المختبر وتطبق تنسيقًا احترافيًا قبل أن تصبح أي إدخال متاحة للمستخدمين.

تشمل المصادر القياسية:

• USDA FoodData Central — قاعدة بيانات شاملة تابعة لوزارة الزراعة الأمريكية، تحتوي على بيانات تغذية تم تحليلها في المختبر لآلاف الأطعمة.
• NCCDB (Nutrition Coordinating Center Food and Nutrient Database) — تحتفظ بها جامعة مينيسوتا، وتستخدم في الأبحاث السريرية لدقتها العالية واكتمالها.
• قواعد بيانات تكوين الأغذية الوطنية — تحتفظ بها الوكالات الحكومية في دول مثل ألمانيا (BLS)، اليابان (MEXT)، المملكة المتحدة (McCance وWiddowson's)، وأستراليا (AUSNUT).

تقوم قواعد البيانات المعتمدة بمقارنة الإدخالات ضد مصادر متعددة. إذا قالت USDA إن بيضة كبيرة تحتوي على 72 سعرة حرارية وقال ملصق الشركة المصنعة إنها تحتوي على 70، فإن قاعدة البيانات المعتمدة تتحقق من التباين بدلاً من قبول أي قيمة بشكل أعمى. تشمل الإدخالات ملفات تعريف كاملة للمغذيات — ليس فقط السعرات والمغذيات الكبرى، بل الفيتامينات والمعادن والأحماض الأمينية والأحماض الدهنية.

تحدث التحديثات وفق جدول زمني محدد. عندما يتم إعادة صياغة منتج، تقوم قواعد البيانات المعتمدة بتمييز الإدخال القديم واستبداله بالبيانات الحالية. يتطلب هذا موظفين مخصصين ومراقبة منهجية، وهذا هو السبب في أن معظم التطبيقات المجانية لا تفعل ذلك.

مقارنة دقة قواعد البيانات

تقوم الجدول التالي بمقارنة ثلاثة نهج لإدارة قواعد بيانات الطعام عبر المقاييس الأكثر أهمية لتتبع الدقة.

المقياس	MyFitnessPal (جماعية)	Cronometer (USDA / NCCDB)	Nutrola (معتمدة + عالمية)
المصدر الأساسي للبيانات	تقديمات المستخدمين	USDA FoodData Central، NCCDB	قواعد بيانات حكومية، بيانات الشركات المصنعة، تحليل مختبري من 50+ دولة
طريقة التحقق	لا شيء (إعلام المجتمع)	تنسيق احترافي لمصادر مؤسسية	مراجعة متعددة المصادر مع مراجعة آلية ويدوية
معدل الخطأ المقدر	15-30% للأطعمة الشائعة (Griffiths et al., 2018)	5-10% (مقتصر على فجوات تغطية USDA/NCCDB)	أقل من 5% عبر جميع أنواع الإدخالات
عدد إدخالات الطعام	14+ مليون (بما في ذلك المكررات)	1+ مليون إدخال منسق	2+ مليون إدخال معتمد
المغذيات لكل إدخال	عادةً 5-15 (تعتمد على المستخدم)	80+ لإدخالات NCCDB	100+ لكل إدخال
تكرار التحديث	غير منتظم، مدفوع من قبل المستخدم	متوافق مع دورات إصدار USDA	مراقبة وتحديث مستمر
تغطية الطعام العالمية	معتدلة (تركيز على الولايات المتحدة والمملكة المتحدة)	محدودة (أساسية في أمريكا الشمالية)	شاملة (50+ دولة، تشمل العلامات التجارية المحلية)
إدخالات مكررة	شائعة	قليلة	لا شيء (إدخال معتمد واحد لكل طعام)

النقطة الرئيسية من هذه المقارنة: عدد الإدخالات الخام ليس مقياسًا مفيدًا لجودة قاعدة البيانات. تشمل 14 مليون إدخال في MyFitnessPal تكرارًا هائلًا وبيانات غير معتمدة. توفر قاعدة بيانات أصغر، معتمدة بالكامل، دقة أفضل في العالم الحقيقي مقارنةً بقاعدة بيانات أكبر غير معتمدة.

لماذا يعتبر خطأ بنسبة 15% مهمًا لفقدان الوزن

قد يبدو خطأ بنسبة 15 بالمئة في قاعدة البيانات صغيرًا. لكنه ليس كذلك. إليك الحساب.

افترض أنك شخص نشط بشكل معتدل بمعدل استهلاك يومي للطاقة (TDEE) يبلغ 2200 سعرة حرارية. لفقدان حوالي نصف كيلوغرام في الأسبوع، تحتاج إلى عجز يومي يبلغ حوالي 500 سعرة حرارية، مما يعني أنه يجب عليك تناول حوالي 1700 سعرة حرارية في اليوم.

الآن افترض أنك تتبع بدقة، مسجلاً كل وجبة، ويخبرك متتبعك أنك استهلكت 1700 سعرة حرارية. لكن قاعدة بياناتك تحتوي على معدل خطأ بنسبة 15 بالمئة يميل نحو الانخفاض — مما يعني أن المحتوى الفعلي للسعرات الحرارية للأطعمة التي سجلتها أعلى بنسبة 15 بالمئة مما أبلغ عنه التطبيق.

استهلاكك الفعلي: 1700 x 1.15 = 1955 سعرة حرارية.

عجزك الفعلي: 2200 - 1955 = 245 سعرة حرارية — تقريبًا نصف ما كنت تنوي تحقيقه.

بهذا المعدل، يصبح فقدان الوزن المتوقع بمقدار نصف كيلوغرام في الأسبوع أقل من ربع كيلوغرام في الأسبوع. على مدار شهر، تفقد حوالي 1 كيلوغرام بدلاً من 2 كيلوغرام كما خططت. بعد شهرين من التسجيل المنضبط دون نتائج مرئية، يستنتج معظم الناس أن حساب السعرات الحرارية لا يعمل ويستسلمون.

لم تكن المشكلة أبدًا في انضباطهم. كانت في قاعدة بياناتهم.

وجدت دراسة أجراها Simpson وزملاؤه في عام 2019، نُشرت في Journal of the Academy of Nutrition and Dietetics، أن المشاركين الذين يستخدمون تطبيقات تتبع التغذية استهلكوا في المتوسط 200 إلى 400 سعرة حرارية أكثر في اليوم مما أبلغت عنه تطبيقاتهم. حدد الباحثون عدم دقة قاعدة البيانات كسبب رئيسي، جنبًا إلى جنب مع أخطاء تقدير الحصص.

عند معدل خطأ يتراوح بين 25 إلى 30 بالمئة — وهو ما وثقه Griffiths وزملاؤه للوجبات المركبة — تصبح الأرقام أسوأ. قد يستهلك الشخص الذي يستهدف 1700 سعرة حرارية أكثر من 2100 سعرة حرارية، مما يمحو تمامًا عجزه وقد يتسبب في زيادة الوزن رغم اعتقاده أنه في حالة عجز.

نهج Nutrola: 100% معتمد، تغطية عالمية

في Nutrola، اتخذنا قرارًا مدروسًا منذ اليوم الأول: لا تدخل بيانات غير معتمدة إلى قاعدة بياناتنا. كل إدخال غذائي واحد يمكن تتبعه إلى مصدر موثوق، يتم التحقق من دقته، ويتم تدقيقه بانتظام لضمان تحديثه.

إليك ما يعنيه ذلك في الممارسة العملية:

التحقق من مصادر متعددة. يتم التحقق من كل إدخال في قاعدة بيانات Nutrola ضد مصدرين مستقلين على الأقل. بالنسبة للأطعمة العامة مثل الفواكه والخضروات والحبوب والبروتينات، نرجع إلى قواعد بيانات تكوين الأغذية الحكومية من البلد المعني. بالنسبة للمنتجات المعلبة، نتحقق من بيانات التغذية المقدمة من الشركات المصنعة وملصقات المنتجات. عندما تتعارض المصادر، يقوم فريق بيانات التغذية لدينا بالتحقيق وحل التباين قبل نشر الإدخال.

تغطية عالمية منذ اليوم الأول. على عكس قواعد البيانات التي تُبنى أساسًا على البيانات الأمريكية ثم يتم توسيعها، تدمج Nutrola بيانات تكوين الأغذية من أكثر من 50 دولة. إذا كنت تتبع كعكات الأرز اليابانية، أو خبز الجاودار الألماني، أو أطباق الأساي البرازيلية، أو العدس الهندي، فإن Nutrola تحتوي على إدخالات معتمدة مستمدة من السلطة الغذائية الوطنية المعنية — وليس تخمينات المستخدمين.

100+ مغذيات لكل إدخال. تتضمن معظم الإدخالات الجماعية فقط السعرات، والبروتين، والكربوهيدرات، والدهون. تشمل إدخالات Nutrola ملف تعريف كامل للمغذيات: جميع الفيتامينات، والمعادن الرئيسية، وأنواع الألياف الغذائية، وملفات الأحماض الأمينية، وتفاصيل الأحماض الدهنية، والمزيد. هذا المستوى من التفاصيل ضروري للمستخدمين الذين يحتاجون إلى مراقبة تناول المغذيات الدقيقة، أو إدارة حالات طبية، أو تحسين الأداء الرياضي.

مراقبة مستمرة للتحديثات. تراقب أنظمة Nutrola باستمرار التغييرات في المنتجات، وتغييرات الملصقات، وتحديثات قاعدة البيانات من المصادر المؤسسية. عندما تقوم شركة تصنيع بتغيير وصفة منتج، تقوم Nutrola بتمييز الإدخال القديم، والتحقق من البيانات الجديدة، وتحديث قاعدة البيانات — غالبًا في غضون أيام، وليس أشهر أو سنوات.

لا مكررات. كل طعام في Nutrola له إدخال واحد معتمد. لا يوجد غموض حول أي "موزة" يجب اختيارها. الإدخال الصحيح هو الإدخال الوحيد.

يتطلب هذا النهج استثمارًا أكبر بكثير من البيانات الجماعية. لكن النتيجة هي قاعدة بيانات يمكن للمستخدمين الوثوق بها — حيث تعكس الأرقام التي يرونها فعليًا الطعام الذي تناولوه.

الأسئلة الشائعة

ما مدى دقة قواعد بيانات الطعام الجماعية مثل MyFitnessPal؟

أظهرت الأبحاث التي أجراها Griffiths وزملاؤه (2018) وEvenepoel وزملاؤه (2020) أن قواعد بيانات الطعام الجماعية تحمل معدلات خطأ تتراوح بين 15 إلى 30 بالمئة للأطعمة الشائعة، مع معدلات خطأ أعلى للوجبات من المطاعم والأطباق المركبة. تتجنب Nutrola هذه المشكلات تمامًا من خلال استخدام قاعدة بيانات معتمدة 100 بالمئة حيث يتم التحقق من كل إدخال ضد مصادر موثوقة قبل أن تصبح متاحة للمستخدمين.

ما الفرق بين قاعدة بيانات الطعام الجماعية وقاعدة البيانات المعتمدة؟

تسمح قاعدة البيانات الجماعية لأي مستخدم بتقديم إدخالات التغذية دون مراجعة احترافية، مما يؤدي إلى تكرارات، وبيانات قديمة، وأخطاء. تستمد قاعدة البيانات المعتمدة بيانات التغذية من مراجع تم تحليلها في المختبر مثل USDA FoodData Central وجداول تكوين الأغذية الوطنية، ثم تطبق تنسيقًا احترافيًا قبل النشر. تستخدم Nutrola نموذج قاعدة بيانات معتمد مع مراجعة متعددة المصادر عبر أكثر من 50 دولة، مما يضمن دقة واكتمال كل إدخال.

لماذا يظهر متتبع السعرات الحرارية الخاص بي سعرات مختلفة لنفس الطعام؟

يحدث هذا لأن قواعد البيانات الجماعية تحتوي على إدخالات متعددة غير موثوقة لنفس الطعام، كل منها قدمه مستخدم مختلف بمصادر أو افتراضات مختلفة. والنتيجة هي قيم سعرات متضاربة دون وسيلة لتحديد أيها صحيح. تقضي Nutrola على هذه المشكلة من خلال الحفاظ على إدخال واحد معتمد لكل طعام، لذا لا يوجد غموض حول أي قيمة يجب الوثوق بها.

هل يمكن أن تؤدي أخطاء قاعدة البيانات حقًا إلى إبطاء فقدان وزني؟

نعم. يعني خطأ بنسبة 15 بالمئة في قاعدة بيانات تستهدف 1700 سعرة حرارية يوميًا أن استهلاكك الفعلي أقرب إلى 1955 سعرة حرارية — مما يقلل من عجزك المستهدف البالغ 500 سعرة حرارية تقريبًا إلى النصف. وجدت الأبحاث التي أجراها Simpson وزملاؤه (2019) أن مستخدمي تطبيقات التتبع استهلكوا 200 إلى 400 سعرة حرارية أكثر يوميًا مما أبلغت عنه تطبيقاتهم، مع تحديد عدم دقة قاعدة البيانات كسبب رئيسي. تحافظ قاعدة بيانات Nutrola المعتمدة على معدل خطأ أقل من 5 بالمئة، مما يمنح المستخدمين الثقة بأن تناولهم المسجل يعكس الواقع.

أي متتبع سعرات حرارية لديه أدق قاعدة بيانات طعام؟

تعتمد دقة قاعدة البيانات على طريقة التحقق، وليس على عدد الإدخالات. تحتوي قواعد البيانات الجماعية مثل MyFitnessPal على ملايين الإدخالات ولكن بمعدلات خطأ عالية. قواعد البيانات المنسقة سريريًا مثل Cronometer دقيقة ولكن محدودة في التغطية العالمية. تجمع Nutrola بين صرامة البيانات المعتمدة، المستمدة من المختبر، مع تغطية تمتد لأكثر من 50 دولة و2+ مليون إدخال — كل منها يحتوي على أكثر من 100 مغذٍ — مما يجعلها الخيار الأكثر دقة للمستخدمين في جميع أنحاء العالم.

هل تستخدم Nutrola قاعدة بيانات جماعية؟

لا. لا تقبل Nutrola تقديمات المستخدمين غير المعتمدة في قاعدة بيانات الطعام الخاصة بها. كل إدخال في Nutrola مستمد من قواعد بيانات تكوين الأغذية الحكومية، أو بيانات الشركات المصنعة الموثوقة، أو التحليل المختبري. يمر كل إدخال عبر مراجعة متعددة المصادر ومراجعة احترافية قبل النشر. هذا النهج المعتمد هو السبب في أن Nutrola تحافظ على معدل خطأ أقل من 5 بالمئة عبر جميع فئات الطعام، مقارنةً بمعدلات الخطأ التي تتراوح بين 15 إلى 30 بالمئة التي تم توثيقها في البدائل الجماعية.