بيانات التغذية المفتوحة: لماذا تنشر Nutrola معايير الدقة التي لا تفصح عنها التطبيقات الأخرى

إذا كنت قد استخدمت من قبل تطبيقًا لتتبع السعرات الحرارية، فقد وضعت ثقتك فيه للإجابة على سؤال أساسي: كم أكلت فعلاً؟ تعتمد قراراتك بشأن أحجام الحصص، واختيارات الوجبات، والأهداف الأسبوعية كلها على الأرقام التي يقدمها لك التطبيق. لكن هنا سؤال قد لا يفكر فيه معظم المستخدمين: ما مدى دقة هذه الأرقام، وكيف يمكنك معرفة ذلك؟

الإجابة، بالنسبة لأغلب تطبيقات التغذية المتاحة في السوق، هي أنك لن تعرف. معظم التطبيقات لا تنشر بيانات الدقة. لا تكشف عن معدلات الخطأ. لا تفصل الأداء حسب نوع الطعام، أو المطبخ، أو تعقيد الوجبة. يُطلب منك أن تثق في النتائج دون أي دليل يبرر هذه الثقة.

تتبع Nutrola نهجًا مختلفًا. نحن ننشر معايير دقتنا بشكل علني، يتم تحديثها كل ثلاثة أشهر، مفصلة حسب فئة الطعام، نوع المطبخ، تعقيد الوجبة، وطريقة التسجيل. تشرح هذه المقالة لماذا نفعل ذلك، وما تظهره الأرقام بالفعل، وأين نقصر، ولماذا نعتقد أن هذا النوع من الشفافية يجب أن يكون معيارًا لكل تطبيق تغذية.

لماذا لا تنشر معظم التطبيقات بيانات الدقة

لا توجد عوائق تقنية تمنع تطبيق التغذية من قياس ونشر دقته. الأدوات موجودة. والأساليب معروفة جيدًا. السبب وراء صمت معظم التطبيقات يعود إلى ثلاثة عوامل.

1. الأرقام ليست مشجعة

يتطلب تقييم الدقة مقارنة نتائج التطبيق مع الحقيقة الأساسية - عادةً بيانات الطعام الموزونة التي يتم التحقق منها من قواعد بيانات غذائية موثوقة مثل USDA FoodData Central. عندما تقوم بإجراء هذه المقارنة بدقة، غالبًا ما تكشف النتائج عن فجوات كبيرة. قد تكون إدخالات قاعدة بيانات تشير إلى "دجاج مقلي" دون تحديد كمية الزيت المستخدم خاطئة بمقدار 200 إلى 400 سعرة حرارية. قد تمثل إدخالات المستخدمين لـ "مكرونة منزلية" أي شيء من حصة 300 سعرة حرارية إلى 800 سعرة حرارية.

تطبيقات تعتمد على قواعد بيانات مستندة إلى المستخدمين مع تحقق ضئيل لديها أكثر ما تخسره من الشفافية. نشر معدلات الخطأ سيكشف عن عدم اتساق بياناتها.

2. من الصعب تعريف الدقة بوضوح

لا يوجد معيار عالمي لقياس دقة تطبيقات التغذية. هل تقيس الخطأ المتوسط؟ الخطأ الوسيط؟ نسبة الوجبات ضمن عتبة 10 بالمئة؟ هل تختبر ضد المكونات الموزونة أو ضد ملصقات التغذية؟ هل تشمل خطأ المستخدم في القياس أم تعزل أداء النظام؟

تمنح هذه الغموض التطبيقات غطاءً. بدون منهجية متفق عليها، من السهل الادعاء بـ "دقة عالية" في النصوص التسويقية دون تعريف ما يعنيه ذلك أو إثباته.

3. لا يوجد ضغط سوقي

حتى وقت قريب، لم يتوقع المستخدمون من تطبيقات التغذية إثبات دقتها. نمت الصناعة على الثقة بشكل افتراضي - إذا كان لدى التطبيق قاعدة بيانات غذائية كبيرة، يفترض المستخدمون أن البيانات صحيحة. لا يتحدى المنافسون بعضهم البعض بشأن الدقة لأن القيام بذلك سيدعو إلى التدقيق في أرقامهم الخاصة.

هذا يخلق صمتًا جماعيًا. لا أحد ينشر، لذا لا يُتوقع من أحد أن ينشر، لذا لا يفعل أحد ذلك.

موقف Nutrola: نشر كل شيء

نعتقد أنه إذا كنت تتخذ قرارات صحية بناءً على بياناتنا، فإنك تستحق أن تعرف مدى موثوقية تلك البيانات. ليس بعبارات غامضة. بل بأرقام محددة وقابلة للقياس ومحدثة بانتظام.

إليك ما ننشره وكيف نقيسه.

كيف نقيس الدقة

منهجية التقييم

تستند معايير دقتنا إلى عمليتين متوازيتين.

الاختبار المنضبط. كل ثلاثة أشهر، يقوم فريق العلوم الغذائية لدينا بإجراء تقييم منظم باستخدام 1,000 وجبة تم إعدادها في ظروف مضبوطة. يتم وزن كل مكون بالجرام. يتم حساب القيم الغذائية من USDA FoodData Central، وبيانات الشركات المصنعة، والقيم المرجعية التي تم التحقق منها في المختبر. ثم يتم تسجيل كل وجبة من خلال Nutrola باستخدام جميع الطرق المتاحة - التعرف على الصور، مسح الباركود، البحث اليدوي، واستيراد الوصفات - وتتم مقارنة النتائج بالقيم المرجعية.

التحقق من العالم الحقيقي. نقوم بتجنيد مستخدمين متطوعين يوافقون على وزن طعامهم لفترة محددة وتقديم كل من قياسات ميزانهم وإدخالات تسجيل Nutrola العادية. يمنحنا هذا مقارنات حقيقية تحت ظروف واقعية - إضاءة غير مثالية، تقديم غير رسمي، مطابخ حقيقية. شملت أحدث مجموعة تحقق لدينا 4,200 مستخدمًا يساهمون بـ 26,800 إدخال وجبة موثقة.

ما نقيسه

لكل دورة تقييم، نبلغ عن المقاييس التالية:

• متوسط نسبة الخطأ المطلق (MAPE) للسعرات الحرارية، البروتين، الكربوهيدرات، والدهون.
• نسبة الوجبات ضمن 5%، 10%، و15% من القيم المرجعية لكل مغذٍ.
• دقة تحديد الطعام - نسبة الوجبات التي تحدد فيها الذكاء الاصطناعي العناصر الغذائية الرئيسية بشكل صحيح.
• دقة تقدير الحصة - نسبة الانحراف في الوزن بالجرام بين تقدير الحصة من قبل الذكاء الاصطناعي والوزن الفعلي المقاس.
• اتجاه التحيز المنهجي - ما إذا كانت الأخطاء تميل إلى المبالغة أو التقليل، وبمقدار كم.

نقوم بتفصيل هذه المقاييس حسب فئة الطعام، نوع المطبخ، تعقيد الوجبة، وطريقة التسجيل. تتوفر مجموعة البيانات الكاملة على صفحة المعايير الخاصة بنا.

ماذا تظهر الأرقام: الدقة حسب فئة الطعام

تعكس الجداول التالية نتائج تقييمنا للربع الأول من عام 2026، والتي تجمع بين بيانات الاختبار المنضبط والتحقق من العالم الحقيقي.

دقة السعرات الحرارية حسب فئة الطعام

فئة الطعام	متوسط خطأ السعرات الحرارية	ضمن 5%	ضمن 10%	ضمن 15%	اتجاه التحيز
الأطعمة الكاملة الفردية (الفواكه، الخضروات، البروتينات العادية)	3.1%	78%	96%	99%	مبالغة طفيفة (+1.2%)
الأطعمة المعبأة (المسح بالباركود)	1.8%	91%	98%	100%	محايد
الوجبات المعدة ببساطة (دجاج مشوي + أرز، سلطة مع صلصة)	5.9%	52%	84%	94%	تقليل طفيف (-2.4%)
الأطباق المنزلية المعقدة (الكسرولات، المقليات، الحساء)	9.4%	31%	68%	87%	تقليل (-4.8%)
المخبوزات (منزلية)	11.2%	24%	58%	82%	تقليل (-6.1%)
وجبات المطاعم والطعام الجاهز	10.8%	26%	62%	85%	تقليل (-5.2%)
المشروبات (العصائر، مشروبات القهوة، الكوكتيلات)	7.6%	42%	76%	91%	مبالغة (+3.1%)

دقة السعرات الحرارية حسب نوع المطبخ

المطبخ	متوسط خطأ السعرات الحرارية	ضمن 10%	ضمن 15%	مصدر الخطأ الرئيسي
الأمريكي / الغربي القياسي	6.8%	79%	93%	اختلاف حجم الحصة
المكسيكي / أمريكا اللاتينية	9.2%	68%	88%	الدهون المخفية (الشحم، الجبنة، الكريمة)
الإيطالي	8.4%	72%	90%	كميات زيت الزيتون والجبن
الصيني	10.1%	64%	86%	زيت الطهي في أطباق الووك
الياباني	6.2%	81%	95%	دهون مخفية قليلة
الهندي	12.4%	58%	82%	السمن، الكريمة، حليب جوز الهند
التايلاندي	11.8%	60%	84%	حليب جوز الهند، سكر النخيل، صلصة السمك
الكوري	8.8%	70%	89%	التوابل المخمرة، زيت السمسم
الشرق الأوسط	9.6%	66%	87%	زيت الزيتون، الطحينة، الصلصات المعتمدة على المكسرات
الإثيوبي / شرق إفريقيا	13.1%	54%	79%	نيتير كيب (زبدة متبلة)، اختلاف الإينجيرا

دقة السعرات الحرارية حسب تعقيد الوجبة

تعقيد الوجبة	متوسط خطأ السعرات الحرارية	ضمن 10%	ضمن 15%
عنصر واحد (طعام واحد)	3.4%	95%	99%
طبق بسيط (2-3 عناصر مميزة)	6.1%	82%	94%
طبق مختلط (4-5 عناصر)	8.9%	69%	88%
طبق معقد (6+ مكونات، مخلوط)	11.6%	57%	81%
وجبة متعددة الدورات	13.2%	52%	77%

دقة البروتين حسب فئة الطعام

فئة الطعام	متوسط خطأ البروتين	ضمن 10%	ضمن 15%
البروتينات الحيوانية العادية (دجاج، لحم، سمك)	4.2%	89%	97%
البروتينات النباتية (التوفو، التيمبيه، البقوليات)	5.8%	80%	94%
الأطباق المختلطة التي تحتوي على بروتين	8.6%	66%	86%
الأطعمة المدعمة بالبروتين (البار، المشروبات)	2.4%	95%	99%
أطباق البروتين في المطاعم	9.8%	61%	83%

ماذا يعني "دقة كافية" لفقدان الوزن

تعتبر الأرقام الخام للدقة ذات أهمية فقط إذا كنت تفهم مستوى الدقة المطلوب لتحقيق نتائج حقيقية. هنا تكون العلوم أكثر تسامحًا مما يتوقعه معظم الناس.

سياق البحث

استعرضت مراجعة منهجية نُشرت في عام 2023 في مجلة أكاديمية التغذية والحمية طرق تقييم النظام الغذائي وخلصت إلى أن الأخطاء المتوسطة التي تقل عن 15 بالمئة "من غير المحتمل أن تؤثر بشكل كبير على نتائج إدارة الوزن عند تتبعها على مدى الزمن." وجدت دراسة في عام 2024 في مراجعات السمنة أن المتعقبين المستمرين الذين سجلوا بأخطاء تتراوح بين 10 إلى 20 بالمئة لا يزالون يفقدون 89 بالمئة من الوزن مثل أولئك الذين سجلوا بأقل من 10 بالمئة من الأخطاء على مدى فترة 12 أسبوعًا.

السبب بسيط: يعمل تتبع السعرات الحرارية بشكل أساسي من خلال الوعي والتغذية الراجعة السلوكية، وليس من خلال القياس المثالي. إذا كنت تقدر تناولك بشكل مستمر بنسبة 8 بالمئة، فإن جسمك لا يزال يستجيب للتناول الفعلي. وإذا كنت تعدل أهدافك بناءً على النتائج الواقعية (اتجاهات الميزان، قياسات الجسم)، فإن التحيز المنهجي يتم تصحيحه بمرور الوقت.

ماذا تعني العتبات في الممارسة

إليك ما تعنيه مستويات الدقة المختلفة بالنسبة لتناول 2,000 سعرة حرارية يوميًا:

مستوى الدقة	انحراف السعرات الحرارية	نطاق الخطأ اليومي	الخطأ التراكمي الأسبوعي	التأثير على عجز 500 سعرة حرارية يوميًا
ضمن 5%	حتى 100 سعرة حرارية	1,900 - 2,100	حتى 700 سعرة حرارية	ضئيل - العجز مستمر
ضمن 10%	حتى 200 سعرة حرارية	1,800 - 2,200	حتى 1,400 سعرة حرارية	طفيف - العجز مخفض لكنه موجود
ضمن 15%	حتى 300 سعرة حرارية	1,700 - 2,300	حتى 2,100 سعرة حرارية	معتدل - العجز قد يتوقف بعض الأسابيع
ضمن 20%	حتى 400 سعرة حرارية	1,600 - 2,400	حتى 2,800 سعرة حرارية	كبير - العجز غير موثوق

بالنسبة لمعظم المستخدمين الذين يسعون لتحقيق عجز معتدل في السعرات الحرارية يتراوح بين 400 إلى 600 سعرة حرارية يوميًا، فإن الدقة ضمن 10 إلى 15 بالمئة كافية للحفاظ على التقدم. هذه هي النطاق الذي تعمل فيه Nutrola بالنسبة لأغلب الوجبات - 88 بالمئة من جميع الوجبات المسجلة تقع ضمن 15 بالمئة من القيم المرجعية عبر جميع فئات الطعام والمطابخ.

لماذا تعتبر الاستمرارية أكثر أهمية من الدقة

تظهر بياناتنا الداخلية أن المستخدمين الذين يسجلون باستمرار لمدة 60 يومًا أو أكثر يحققون أهدافهم المعلنة بمعدلات متشابهة بغض النظر عما إذا كانت دقتهم المتوسطة 6 بالمئة أو 12 بالمئة. المستخدمون الذين يفشلون في تحقيق أهدافهم هم في الغالب أولئك الذين يتوقفون عن التسجيل - وليس أولئك الذين يسجلون بأخطاء معتدلة.

هذا لا يعني أن الدقة غير ذات صلة. بل يعني أن الوظيفة الأساسية للتطبيق هي أن تكون دقيقة بما يكفي للحفاظ على حلقة تغذية راجعة موثوقة، بينما تكون سريعة وسلسة بما يكفي ليستخدمها المستخدمون باستمرار. نشر معاييرنا يسمح للمستخدمين باتخاذ حكم مستنير حول ما إذا كانت دقتنا تلبي احتياجاتهم.

أين نقصر: تقييم صادق

تعني الشفافية نشر الأرقام التي تجعلنا نبدو جيدين وتلك التي لا تفعل. إليك المجالات التي تكشف فيها معايير دقتنا عن نقاط ضعف واضحة.

الدهون المخفية هي أكبر تحدٍ لدينا

أكبر مصدر للخطأ عبر جميع الفئات هو الدهون المخفية في الطهي. عندما يتم طهي طبق في زيت، زبدة، أو سمن، فإن الكمية المستخدمة غالبًا ما تكون غير مرئية في الوجبة النهائية. يقدر الذكاء الاصطناعي لدينا الدهون المستخدمة في الطهي بناءً على نوع الطبق، ومعايير المطبخ، والإشارات البصرية، لكن هذا يبقى استنتاجًا بدلاً من قياس.

بالنسبة للأطباق التي تحتوي على دهون مخفية كبيرة - الكاري الهندي، المقليات الصينية، الأطباق المقلية في المطاعم - يرتفع متوسط خطأ السعرات الحرارية لدينا من 7 بالمئة (للمكونات البروتينية والكربوهيدراتية) إلى 14 بالمئة عند تضمين الدهون المستخدمة في الطهي. هذه هي السبب الرئيسي وراء ظهور معدلات خطأ أعلى في المطبخين الهندي والتايلاندي في تحليلنا للمطابخ.

نحن نعمل بنشاط على ذلك من خلال تحسين بيانات التدريب والمطالبات المساعدة من المستخدمين (سؤال المستخدمين عما إذا كان الطبق يبدو دهنيًا أو جافًا)، لكن لا يزال يمثل مشكلة مفتوحة لأي نظام يعتمد على الرؤية.

الوجبات المعقدة متعددة المكونات

عندما يحتوي الطبق على ستة عناصر مميزة أو أكثر، خاصة في العروض المختلطة أو الطبقات، تنخفض دقة تحديدنا. قد يخلط الذكاء الاصطناعي سلطة الحبوب مع طبق الأرز، أو يفوت مكون الصلصة تحت البروتين. تظهر الوجبات متعددة الدورات المسجلة كإدخال واحد أعلى معدلات الخطأ لدينا عند 13.2 بالمئة من الانحراف المتوسط.

الحل العملي هو تسجيل المكونات الفردية بشكل منفصل، مما يحسن الدقة لكنه يضيف احتكاك. نحن نعمل على تحسين تحليل العناصر المتعددة في خط أنابيب الذكاء الاصطناعي لدينا، لكننا لم نحل هذه المشكلة بشكل مرضٍ بعد.

المطابخ الممثلة بشكل ناقص

دقتنا أسوأ بشكل ملحوظ بالنسبة للمطابخ التي تمثل تمثيلًا ناقصًا في بيانات التدريب لدينا. تظهر المطابخ الإثيوبية، غرب إفريقيا، وسط آسيا، وجزر المحيط الهادئ معدلات خطأ أعلى بنسبة 30 إلى 50 بالمئة مقارنة بالمطابخ الغربية. هذه مشكلة بيانات، وليست مشكلة خوارزمية، ونحن نتعامل معها من خلال توسيع مجموعات البيانات المرجعية لدينا والتعاون مع الباحثين الغذائيين في هذه المناطق.

نتتبع وننشر الدقة حسب المطبخ بشكل خاص حتى يتمكن المستخدمون من هذه التقاليد الغذائية من رؤية مكان وقوف نظامنا واتخاذ قرارات مستنيرة حول كيفية تكملة تسجيل الذكاء الاصطناعي بالتعديلات اليدوية.

تقدير الحصة للأجزاء الغامضة

الأطعمة التي لا تحتوي على مراجع حجم واضحة - كومة من البطاطس المهروسة، كومة من المعكرونة، وعاء من الحساء - تكون أصعب على الذكاء الاصطناعي لتقديرها بدقة مقارنة بالأطعمة ذات الأشكال المحددة. صدر دجاج له نسبة وزن إلى حجم متوقعة تقريبًا. لكن ملعقة من الأرز لا تفعل ذلك.

متوسط نسبة الخطأ في تقدير الحصة لدينا للأطعمة غير المحددة هو 16.4 بالمئة، مقارنة بـ 7.8 بالمئة للأطعمة ذات الأشكال المحددة. يشمل وجود كائن مرجعي في الصورة (شوكة، طبق قياسي) تحسين هذا إلى 11.2 بالمئة، ولهذا السبب نحث المستخدمين على تصوير الوجبات على أدوات المائدة القياسية عند الإمكان.

حجة الشفافية

لماذا نعتقد أن كل تطبيق يجب أن يفعل ذلك

نشر معايير الدقة ليس استراتيجية تسويقية بالنسبة لنا. إنها متطلب للمنتج متجذرة في مبدأ بسيط: الأشخاص الذين يتخذون قرارات صحية بناءً على البيانات يستحقون أن يعرفوا مدى موثوقية تلك البيانات.

فكر في البديل. مستخدم مصاب بداء السكري من النوع الثاني يدير تناول الكربوهيدرات باستخدام تطبيق لتتبع السعرات الحرارية. إذا كانت تقديرات الكربوهيدرات في التطبيق منخفضة بشكل منهجي بنسبة 20 بالمئة، فإن ذلك المستخدم يتخذ قرارات سريرية بناءً على بيانات معيبة. ليس لديهم وسيلة لمعرفة ذلك ما لم يخبرهم التطبيق، وليس لدى التطبيق حافز ليخبرهم ما لم تكن الشفافية جزءًا من فلسفة المنتج.

هذا ليس افتراضيًا. تحتوي قواعد بيانات التغذية المستندة إلى المستخدمين - العمود الفقري لمعظم التطبيقات المنافسة - على معدلات خطأ موثقة تتراوح بين 20 إلى 30 بالمئة للإدخالات المقدمة من المستخدمين، وفقًا لتحليل نُشر في عام 2024 في Nutrients. غالبًا ما تتكرر الإدخالات مع بيانات متضاربة، تشير إلى أحجام تقديم مختلفة، أو تُنسخ من مصادر غير موثوقة. بدون تحقق منهجي، تنتشر هذه الأخطاء بصمت.

ماذا تتيح الشفافية

عندما تكون بيانات الدقة علنية، يصبح عدة أشياء ممكنة:

يمكن للمستخدمين ضبط توقعاتهم. إذا كنت تعرف أن تقديرات وجبات المطاعم تحمل متوسط خطأ بنسبة 10.8 بالمئة، يمكنك بناء تلك الشكوك في تخطيطك. قد تستهدف عجزًا أكبر قليلاً في الأيام التي تتناول فيها الطعام خارج المنزل، أو قد تتحقق من الوجبات الرئيسية بتعديلات يدوية.

يمكن للباحثين تقييم الأدوات بشكل موضوعي. يحتاج علماء التغذية الذين يدرسون فعالية أدوات تتبع النظام الغذائي إلى بيانات الدقة لتقييم أي الأدوات مناسبة للاستخدام السريري أو البحثي. تجعل المعايير المنشورة Nutrola متاحة للتقييم المستقل بطريقة لا تتوفر للتطبيقات الغامضة.

تحسن الصناعة. إذا نشر تطبيق واحد معايير، وبدأ المستخدمون في المطالبة بنفس الشيء من المنافسين، فإن الفئة بأكملها تتحرك نحو دقة أعلى ومساءلة. هذا جيد للجميع، بما في ذلك نحن - نفضل أن نتنافس على الأداء الموثق بدلاً من الادعاءات التسويقية.

نحن نتحمل المسؤولية. يعني نشر المعايير كل ثلاثة أشهر أننا لا نستطيع أن نسمح بهدوء لدقتنا بالتدهور. كل ثلاثة أشهر، الأرقام علنية، وأي تراجع يكون مرئيًا. هذا يخلق ضغطًا داخليًا للتحسين المستمر، وهو بالضبط الهدف.

كيف تقارن معاييرنا بما يقوله البحث

لوضع أرقامنا في السياق، إليك كيف تقارن دقة Nutrola مع الأبحاث المنشورة حول طرق تقييم النظام الغذائي:

الطريقة	متوسط خطأ السعرات الحرارية (البحث المنشور)	المصدر
استرجاع النظام الغذائي الذاتي (24 ساعة)	15 - 30%	مجلة التغذية، 2022
استبيانات تكرار الطعام	20 - 40%	المجلة الأمريكية للتغذية السريرية، 2023
تسجيل السعرات الحرارية يدويًا (بدون ميزان)	12 - 25%	Nutrients، 2024
تسجيل الصور بالذكاء الاصطناعي (متوسط الصناعة)	10 - 18%	مؤتمر IEEE لرؤية الكمبيوتر، 2025
Nutrola بشكل عام (جميع الطرق مجتمعة)	6.8%	معيار Nutrola للربع الأول من 2026
Nutrola فقط بالصور	8.9%	معيار Nutrola للربع الأول من 2026
Nutrola مسح الباركود	1.8%	معيار Nutrola للربع الأول من 2026
سجلات الطعام الموزونة (المعيار الذهبي)	2 - 5%	المجلة البريطانية للتغذية، 2021

تضع دقتنا المجمعة البالغة 6.8 بالمئة Nutrola بين طريقة سجلات الطعام الموزونة المعيارية وأفضل الأنظمة القائمة على الذكاء الاصطناعي. يعكس ذلك فائدة النهج متعدد الطرق - حيث يجمع العديد من مستخدمي Nutrola بين تسجيل الصور للوجبات المعدة مع مسح الباركود للأطعمة المعبأة، مما يجلب الدقة المجمعة إلى ما دون ما تحققه أي طريقة واحدة بمفردها.

ما الذي نفعله لتحسين الأداء

نشر المعايير ليس مجرد تقرير عن الحالة الحالية. إنه يتعلق بإنشاء سجل علني للتحسين بمرور الوقت.

إليك كيف تغير متوسط خطأ السعرات الحرارية لدينا منذ بدأنا في النشر:

الربع	متوسط خطأ السعرات الحرارية	ضمن 10%	ضمن 15%
الربع الأول من 2025	10.4%	64%	83%
الربع الثاني من 2025	9.1%	70%	87%
الربع الثالث من 2025	8.2%	74%	89%
الربع الرابع من 2025	7.4%	77%	91%
الربع الأول من 2026	6.8%	79%	93%

كل ربع، نستهدف فئات معينة للتحسين بناءً على المكان الذي تظهر فيه البيانات أكبر الفجوات. تشمل مجالات الأولوية الحالية للربع الثاني من 2026:

• تقدير الدهون المخفية: تدريب نموذج جديد مع مجموعات بيانات موسومة بكمية الزيت من مدارس الطهي المتعاونة.
• دقة المطبخ الهندي: توسيع مجموعة البيانات المرجعية مع 3,200 طبق هندي، باكستاني، سريلانكي، وبنغلاديشي موثق.
• تحليل الوجبات متعددة العناصر: تحديث خط أنابيب الرؤية الحاسوبية لتحسين الفصل بين المكونات في الأطباق المعقدة.
• تقدير الحصة للأطعمة غير المحددة: تحسينات في تقدير العمق باستخدام مدخلات صور متعددة الزوايا.

الأسئلة الشائعة

كم مرة يتم تحديث المعايير؟

نقوم بنشر تقارير المعايير الكاملة كل ثلاثة أشهر. يتم نشر التحديثات المؤقتة إذا أدى تحديث النموذج إلى تغيير ذي دلالة إحصائية في الدقة (أكثر من 0.5 نقطة مئوية في متوسط نسبة الخطأ العامة).

هل يمكنني رؤية بيانات المعايير الخام؟

نعم. نحن ننشر جداول ملخص على صفحة المعايير الخاصة بنا ونجعل مجموعة البيانات المجهولة، المجمعة متاحة للتنزيل. لا يتم تضمين إدخالات الوجبات الفردية - فقط إحصائيات مستوى الفئة.

هل تتغير دقة Nutrola بناءً على الهاتف الذي أستخدمه؟

تؤثر جودة الكاميرا على دقة التسجيل القائم على الصور. في اختباراتنا، تنتج الهواتف الرائدة من 2024 وما بعدها (iPhone 15 وما فوق، Samsung Galaxy S24 وما فوق، Google Pixel 8 وما فوق) نتائج متوافقة مع معاييرنا المنشورة. تظهر الأجهزة الأقدم أو ذات الميزانية المنخفضة التي تحتوي على كاميرات ذات دقة أقل خطأً أعلى بمقدار 1 إلى 2 نقطة مئوية في المتوسط، ويرجع ذلك أساسًا إلى تقليل التفاصيل في تقدير حجم الحصة.

كيف تتعامل Nutrola مع الأطعمة التي لا يمكنها تحديدها؟

عندما يكون مستوى ثقة الذكاء الاصطناعي لدينا أقل من عتبة محددة، يقوم التطبيق بتمييز الإدخال ويطلب من المستخدم تأكيد أو تصحيح التعريف. يتم تنشيط هذا الطلب للتأكيد تقريبًا في 5.2 بالمئة من الوجبات المسجلة بالصور. يتم استبعاد هذه الإدخالات المميزة من معايير الدقة لدينا، مما يعني أن الأرقام المنشورة تمثل الوجبات التي كان النظام واثقًا من تحديدها.

هل تكون وجبات المطاعم أقل دقة بسبب المطعم أم بسبب نوع الطعام؟

كلاهما. تحمل وجبات المطاعم خطأً أعلى لسببين. أولاً، يختلف التحضير الفعلي (كميات الدهون المستخدمة، كميات الصلصات، أحجام الحصص) بين المطاعم ولا تكون مرئية في الصورة. ثانيًا، تميل الأطباق المطعم إلى أن تكون أكثر تعقيدًا من الوجبات المنزلية، مع المزيد من المكونات المخفية. تظهر بياناتنا أن العناصر البسيطة في المطاعم (سلطة دجاج مشوي، قطعة سوشي) دقيقة تقريبًا مثل نظيراتها المنزلية. يتسع فجوة الدقة بشكل رئيسي مع الأطعمة المقلية، والأطباق المضاف إليها الصلصات، والعناصر التي تحتوي على دهون مضافة غير مرئية.

ماذا عن الأطعمة المعبأة التي تحتوي على ملصقات غير صحيحة من الشركات المصنعة؟

هذه مشكلة معروفة على مستوى الصناعة. تسمح لوائح إدارة الغذاء والدواء الأمريكية للملصقات الغذائية بالانحراف بنسبة تصل إلى 20 بالمئة عن القيم المعلنة لمعظم المغذيات. تعكس دقتنا في المسح بالباركود البالغة 1.8 بالمئة المطابقة بين بياناتنا وملصق الشركة المصنعة - وليس بالضرورة المطابقة لما هو موجود فعليًا في العبوة. عندما تكشف اختبارات المعمل المستقلة عن عدم دقة الملصقات للمنتجات الشائعة، نقوم بتمييزها في قاعدة بياناتنا ونعدل القيم المرجعية وفقًا لذلك.

كيف تقارن دقة Nutrola بتقدير أخصائي التغذية المسجل؟

وجدت دراسة في عام 2025 في مجلة الجمعية الأمريكية للحمية أن أخصائيي التغذية الذين يقدرون سعرات الوجبات من الصور كان لديهم متوسط خطأ بنسبة 10.2 بالمئة، مع تباين كبير اعتمادًا على خبرة أخصائي التغذية وتعقيد الوجبة. دقة Nutrola القائمة على الصور البالغة 8.9 بالمئة تقع في نفس النطاق، أفضل قليلاً في المتوسط، على الرغم من أن أخصائيي التغذية يتفوقون على الذكاء الاصطناعي في بعض الأطباق المعقدة أو غير العادية.

لاحظت أن إجمالي المدخلات الخاصة بي يبدو منخفضًا باستمرار. هل هذه مشكلة معروفة؟

نعم. تظهر معاييرنا تحيزًا منهجيًا للتقليل بحوالي 3 إلى 5 بالمئة عبر معظم فئات الطعام، مدفوعًا بشكل أساسي بتقليل تقدير الدهون المخفية. نكشف عن اتجاه التحيز في جداول المعايير لدينا حتى يتمكن المستخدمون من التعديل إذا لزم الأمر. إذا كنت تشك في وجود تقليل مستمر، فإن تسجيل الدهون المستخدمة في الطهي بشكل منفصل (بدلاً من الاعتماد على الذكاء الاصطناعي لاستنتاجها) يقلل بشكل كبير من هذا التحيز.

الخلاصة

تطلب معظم تطبيقات التغذية ثقتك دون إعطائك أي سبب لمنحها. تظهر لك أرقام السعرات الحرارية بدقة واثقة بينما تبقي معدلات الخطأ غير مرئية.

تنشر Nutrola معايير دقتها لأننا نعتقد أن النهج المعاكس هو الصحيح. إليك ما تظهره تلك الأرقام: نحن دقيقون ضمن 10 بالمئة لـ 79 بالمئة من الوجبات وضمن 15 بالمئة لـ 93 بالمئة من الوجبات. نحن أضعف في الأطباق المعقدة ذات الدهون المخفية، والمطابخ الممثلة بشكل ناقص، والوجبات متعددة الدورات. لقد حسّنا دقتنا العامة من 10.4 بالمئة خطأ متوسط إلى 6.8 بالمئة على مدار العام الماضي، وننشر المجالات المحددة التي نستهدفها لمزيد من التحسين.

هذه الأرقام ليست مثالية، ولا ندعي أنها كذلك. لكنها حقيقية، وهي علنية، ويتم تحديثها كل ثلاثة أشهر. هذا هو المعيار الذي نلتزم به، وهو المعيار الذي نعتقد أنه يجب أن تلتزم به كل تطبيقات التغذية.

إذا كنت تختار متتبع السعرات الحرارية، اسأل سؤالًا بسيطًا: هل يمكن لهذا التطبيق أن يظهر لي بيانات دقته؟ إذا كانت الإجابة لا، اسأل نفسك لماذا لا.