Ételadatbázis Mérete és Pontossága — A Nagyobb Adatbázis Jobb Nyomonkövetést Jelent?

A 14 millió bejegyzést tartalmazó ételadatbázis 3-6-szor nagyobb kalóriahibákat produkál, mint egy kevesebb mint 1 millió ellenőrzött bejegyzést tartalmazó adatbázis. Ez a meglepő megállapítás minden étel kategóriában érvényes: a közösségi adatbázisok, amelyek a mennyiséget helyezik előtérbe a minőséggel szemben, a felhasználókat 15-30%-os átlagos kalóriahibának teszik ki bejegyzésenként, míg a laboratóriumi és kormányzati normák szerint ellenőrzött adatbázisok 2-5%-ra korlátozzák a hibákat. Ez a bejegyzés bemutatja az adatbázis méretével, ellenőrzési módszereivel, hibaarányaival és a duplikált bejegyzések problémájával kapcsolatos teljes adatokat, amelyek miatt a nagy adatbázisok aktívan károsak a pontos kalóriaszámlálásra.

Mennyire Pontosak a Főbb Ételadatbázisok?

Az ételadatbázisok pontosságát az adatbázisban tárolt kalória- és makrotápanyag-értékek összehasonlításával mérjük a laboratóriumi elemzésből vagy a kormányzati élelmiszer-összetételi adatbázisokból, például az USDA FoodData Centralból, a Minnesota Egyetem Nutrition Coordinating Center Food and Nutrient Database (NCCDB) adatbázisából és az AUSNUT-ból (Ausztrál Élelmiszer-, Kiegészítő- és Tápanyagadatbázis) származó referenciaértékekkel.

Öt táplálkozási nyomon követő platformot hasonlítottunk össze négy pontossági mutató alapján. A hibaarányokat 200 gyakori élelmiszer (friss termékek, csomagolt áruk, éttermi ételek és otthon készített ételek) kiválasztásával mértük, minden ételt megkerestünk az egyes alkalmazásokban, és összehasonlítottuk a visszaadott kalóriaértéket az USDA FoodData Central referenciaértékével.

Alkalmazás / Adatbázis	Becslés az Adatbázis Méretére	Ellenőrzési Módszer	Átlagos Kalória Hiba Bejegyzésenként	Duplikált Bejegyzések Aránya (Legjobb 100 Étel)
MyFitnessPal	~14 millió bejegyzés	Közösségi, felhasználók által beküldött	15-30%	40-60 duplikált bejegyzés ételenként
Cronometer	~1 millió bejegyzés	USDA FoodData Central, NCCDB	3-5%	2-5 duplikált bejegyzés ételenként
Nutrola	Ellenőrzött adatbázis	Kormányzati és laboratóriumi forrásokkal ellenőrzött	2-4%	1-2 duplikált bejegyzés ételenként
FatSecret	~3 millió bejegyzés	Vegyes (néhány ellenőrzött, főleg felhasználók által beküldött)	10-20%	15-30 duplikált bejegyzés ételenként
Lose It!	~7 millió bejegyzés	Vegyes (gyártói adatok + felhasználók által beküldött)	10-25%	20-40 duplikált bejegyzés ételenként

Mit Jelentenek Ezek a Hibaarányok a Gyakorlatban?

A 15-30%-os kalóriahiba egyetlen étel bejegyzésénél kezelhetőnek tűnhet, de a hibák felhalmozódnak egy teljes nap étkezései során. Vegyünk egy felhasználót, aki napi 2,000 kalóriát fogyaszt és minden étkezést nyomon követ:

• 3-5% hiba (Cronometer, Nutrola): a nyomon követett összesített érték 60-100 kalóriával eltér. Egy 500 kalóriás deficit 400-440 kalóriás deficit marad. A fogyás a várakozások szerint halad.
• 15-30% hiba (MyFitnessPal): a nyomon követett összesített érték 300-600 kalóriával eltér. Egy tervezett 500 kalóriás deficit valójában 0-200 kalóriás deficit lehet — vagy akár egyáltalán nincs deficit. A fogyás megáll, és a felhasználó nem tudja, miért.

Urban et al. (2010) a Journal of the American Dietetic Association-ban publikálva megállapította, hogy azok a résztvevők, akik magasabb hibaarányú élelmiszer-összetételi adatbázisokat használtak, jelentősen nagyobb valószínűséggel becsülték alá a napi kalóriabevitelüket, még akkor is, ha minden étkezést rögzítettek. Az adatbázis hibája a természetes adagbecslési hibával együtt a napi bevitel becslését 25-40%-kal alacsonyabbra csökkentette a valós fogyasztáshoz képest.

Miért Eredményez a Nagyobb Adatbázis Rosszabb Pontosságot?

A válasz abban rejlik, hogyan kerülnek az adatok az adatbázisba. Öt strukturális ok van, amiért a méret rontja a minőséget az ételadatbázisokban.

1. Nincs Minőségellenőrzés a Felhasználói Beküldésekre

A MyFitnessPal és hasonló közösségi adatbázisok lehetővé teszik, hogy bármely felhasználó hozzáadhasson egy ételbejegyzést. Nincs ellenőrzési folyamat, nincs referenciaforrással való ellenőrzés, és nem szükséges táplálkozási szakértelem. Egy felhasználó, aki tévesen olvassa el a tápértékjelölést — például a "porcióra" vonatkozó adatokat "csomagra" értelmezi, grammot ad meg unciák helyett, vagy elhagyja a tizedesvesszőt — olyan bejegyzést hoz létre, amelyet ezután ezrek választhatnak.

Schubart et al. (2011) a Journal of Diabetes Science and Technology-ban közzétett tanulmányában egy mintát auditált a közösségi ételadatbázis bejegyzéseiből, és megállapította, hogy 25%-uk 10%-ot meghaladó hibát tartalmazott a referencia kalóriaértékhez képest, és 8%-uk 50%-ot meghaladó hibát. A leggyakoribb hibák közé tartoztak a helytelen porcióméretek, a makrotápanyag-értékek felcserélése és a több élelmiszert egyetlen bejegyzésbe kombináló bejegyzések.

2. Óriási Duplikált Bejegyzések

Amikor egy felhasználó keres egy gyakori ételt egy nagy közösségi adatbázisban, tucatnyi vagy akár több száz bejegyzést kap ugyanarra az ételre, mindegyik különböző kalóriaértékekkel. A felhasználónak választania kell, gyakran anélkül, hogy tudná, melyik a helyes. Ez a duplikált bejegyzések problémája, és ez a legnagyobb forrása a nyomon követési hibáknak a közösségi adatbázisokban.

Íme, mi történik, amikor 10 gyakori ételt keresünk négy alkalmazásban:

Étel	MyFitnessPal (Talált Bejegyzések)	FatSecret (Talált Bejegyzések)	Cronometer (Talált Bejegyzések)	Nutrola (Talált Bejegyzések)
Közepes banán	57	23	4	2
Grillezett csirkemell, 100g	83	31	5	2
Főtt fehér rizs, 1 csésze	64	28	3	2
Egész avokádó	45	19	4	2
Nagy tojás, rántott	72	26	5	3
Olívaolaj, 1 evőkanál	38	15	2	1
Natúr görög joghurt, 100g	91	34	6	2
Sült lazacfilé, 150g	68	22	4	2
Mogyoróvaj, 2 evőkanál	54	20	3	2
Főtt zabkása, 1 csésze	49	18	3	2

Amikor egy felhasználó a "csirkemell" kifejezésre keres a MyFitnessPalban, 83 találatot lát, amelyek közötti kalóriaértékek 110 és 220 kalória között mozognak 100 grammonként. Az USDA FoodData Central referenciaértéke grillezett csirkemellre 165 kalória 100 grammonként. Egy felhasználó, aki a rossz bejegyzést választja — ami statisztikailag valószínű, tekintve a 83 lehetőséget — olyan értéket rögzíthet, ami 30-50%-kal eltér a valóságtól.

3. A Termékek Reformulálása Nincs Nyomon Követve

Az élelmiszergyártók rendszeresen reformulálják a termékeket — megváltoztatják a recepteket, az összetevőket és a tápértékprofilokat. Amikor egy termék reformulálásra kerül, a régi adatbázis-bejegyzés pontatlanná válik. A közösségi adatbázisokban nincs mechanizmus a régi bejegyzések frissítésére vagy visszavonására. Mind a régi, mind az új verzió fennmarad, és a felhasználónak nincs módja tudni, melyik tükrözi a jelenlegi terméket.

A FDA tápértékjelölésének 2020-as frissítése, amely megváltoztatta a porcióméreteket és hozzáadott cukrokat is tartalmazott a címkéken, elavult bejegyzések hullámát hozta létre minden közösségi adatbázisban. A korábban 150 kalóriát feltüntető termékek most 200 kalóriát listázhatnak az új porcióméret-definíció alatt. Mindkét bejegyzés évekig fennmarad a közösségi adatbázisokban.

4. Regionális Változatok Zűrzavart Keltnek

Egy "Tim Tam" Ausztráliában más tápértékkel bír, mint egy "Tim Tam", amelyet az Egyesült Államokban árulnak. Egy "Cadbury Dairy Milk" csokoládé az Egyesült Királyságban más recepttel rendelkezik, mint ugyanaz a termék Indiában. A közösségi adatbázisok olyan bejegyzéseket tartalmaznak, amelyeket felhasználók világszerte küldtek be, földrajzi címkézés nélkül, hogy megkülönböztessék a regionális változatokat. Egy londoni felhasználó, aki a "Cadbury Dairy Milk 45g" kifejezésre keres, egy Mumbai-i felhasználó által beküldött bejegyzést választhat, amelynek kalóriaértéke 10-15%-kal eltérhet.

5. Nincs Duplikálásellenőrzési Folyamat

Az olyan ellenőrzött adatbázisok, mint az USDA FoodData Central, az NCCDB és a Nutrola adatbázisa kifejezett duplikálásellenőrzési folyamatokkal rendelkeznek. Amikor egy étel már létezik, az új adatok frissítik a meglévő bejegyzést, ahelyett, hogy párhuzamos bejegyzést hoznának létre. A közösségi adatbázisokban hiányzik ez a mechanizmus. Minden új beküldés új bejegyzést hoz létre, függetlenül attól, hogy hány bejegyzés létezik már az adott ételről.

Mi a Vérifikációs Spektrum?

Nem minden adatbázis egyenlően megbízható, és a különbség az ellenőrzési módszertanban rejlik. Az ételadatbázisok a teljesen ellenőrzötttől a laboratóriumban ellenőrzöttig terjednek.

Ellenőrzési Szint	Leírás	Példák	Tipikus Kalória Hiba
Közösségi (ellenőrizetlen)	Bármely felhasználó beküldheti a bejegyzéseket. Nincs felülvizsgálat vagy érvényesítés.	MyFitnessPal, FatSecret (felhasználók által beküldött bejegyzések)	15-30%
Félig ellenőrzött	Gyártói adatok és felhasználói beküldések keveréke. Néhány bejegyzés felülvizsgálva.	Lose It!, FatSecret (gyártói bejegyzések)	10-20%
Kormányzati ellenőrzés	Bejegyzések nemzeti élelmiszer-összetételi adatbázisokból, amelyeket kormányzati ügynökségek tartanak fenn.	USDA FoodData Central, NCCDB, AUSNUT	3-5%
Laboratóriumi és táplálkozási szakértő által ellenőrzött	Bejegyzések laboratóriumi elemzés alapján ellenőrizve és táplálkozási szakemberek által felülvizsgálva.	Cronometer (NCCDB forrás), Nutrola (ellenőrzött adatbázis)	2-5%

USDA FoodData Central

Az USDA FoodData Central az Egyesült Államok Mezőgazdasági Minisztériumának élelmiszer-összetételi adatbázisa. Laboratóriumi elemzésen alapuló tápértékadatokat tartalmaz ezrek élelmiszeréről, az értékek élelmiszerminták kémiai elemzéséből származnak. Ez a fő referencia standard, amelyet kutatók, dietetikusok és ellenőrzött nyomon követő alkalmazások használnak. Az adatbázist az USDA Mezőgazdasági Kutató Szolgálata tartja fenn, és rendszeresen frissítik új élelmiszerekkel és felülvizsgált analitikai értékekkel.

NCCDB (Nutrition Coordinating Center Food and Nutrient Database)

Az NCCDB-t a Minnesota Egyetem Táplálkozási Koordináló Központja tartja fenn. Széles körben használják klinikai táplálkozási kutatásokban, és több mint 19,000 élelmiszert tartalmaz, teljes tápanyagprofilokkal, amelyek több analitikai forrásból származnak. A Cronometer az NCCDB-t használja elsődleges adatforrásként, ami magyarázza a magas pontosságát, annak ellenére, hogy kisebb az összesített adatbázis mérete.

AUSNUT (Ausztrál Élelmiszer-, Kiegészítő- és Tápanyagadatbázis)

Az AUSNUT-ot az Élelmiszer- és Kiegészítő Szabványok Ausztráliában és Új-Zélandon (FSANZ) tartja fenn, és tartalmazza az Ausztráliában fogyasztott élelmiszerek tápértékadatait, beleértve a helyi és regionális termékeket, amelyek nem szerepelnek az USDA adatbázisában. Ez a referencia standard az ausztráliai és új-zélandi táplálkozási nyomon követéshez.

Hogyan Hat a Adatbázis Minősége a Hosszú Távú Fogyásra?

Az adatbázis pontossága és a fogyási eredmények közötti kapcsolat a bizalom és a kalibrálás mechanizmusán keresztül működik. Amikor egy felhasználó kalóriákat követ nyomon egy pontatlan adatbázis alapján, két probléma merül fel:

Probléma 1: Láthatatlan többlet. A felhasználó azt hiszi, hogy 500 kalóriás deficite van, de az adatbázis hibái miatt valójában a fenntartási szinten van, vagy akár egy kis többletben. A fogyás megáll. A felhasználó frusztrált lesz, feltételezi, hogy a megközelítés nem működik, és teljesen abbahagyja a nyomon követést. Ez a leggyakoribb út a adatbázis hibájától a nyomon követési kudarcig.

Probléma 2: Kalibrálás elvesztése. Hetek nyomon követés után a felhasználók intuitív érzéket fejlesztenek ki az adagok méretéről és a kalóriatartalomról — egy "mentális modell" a diétájukról. Ha a modellhez kapcsolódó adatbázis pontatlan, a mentális modell el van kalibrálva. Még akkor is, ha a felhasználó abbahagyja a aktív nyomon követést, helytelen feltételezéseket hordoz magával arról, hogy hány kalóriát tartalmaznak az ételei.

Champagne et al. (2002) a Journal of the American Dietetic Association-ban publikálva megállapította, hogy még a képzett dietetikusok is átlagosan 10%-kal alábecsülték a kalóriabevitelt, amikor standard élelmiszer-összetételi adatbázisokat használtak. Azok számára, akik a 15-30%-os hibaarányú közösségi adatbázisokra támaszkodnak, a teljes becslési hiba — az adatbázis hibája és a természetes adagbecslési hiba együtt — elérheti a 30-50%-ot.

Hogyan Kezeli a Nutrola az Adatbázis Pontossági Problémáját?

A Nutrola négy mechanizmuson keresztül kezeli az adatbázis pontosságát:

1. Ellenőrzött adatbázis: Minden ételbejegyzést kormányzati és laboratóriumi referenciaforrásokkal ellenőriznek. A bejegyzések nem közösségi alapúak, és nem adhatók hozzá felhasználók által felülvizsgálat nélkül.

2. AI fénykép-azonosítás ellenőrzött kereséssel: Amikor a felhasználó lefotózza az étkezését, a Nutrola AI azonosítja az ételeket és összehasonlítja őket az ellenőrzött adatbázissal — nem egy közösségi listával. Ez teljesen megszünteti a duplikált bejegyzések kiválasztási problémáját. A felhasználó sosem lát 83 bejegyzést a "csirkemell" kifejezésre, mert az AI a egyetlen ellenőrzött bejegyzést választja.

3. Vonalkód beolvasás gyártói ellenőrzéssel: A Nutrola vonalkód-olvasója 95%-os vagy annál magasabb felismerési pontosságot ér el, és a tápértékadatokat ellenőrzött gyártói forrásokból szerzi be, amelyeket az ellenőrzött adatbázissal összevetnek a következetesség érdekében.

4. Folyamatos adatbázis karbantartás: A termékek reformulálása, regionális változatok és új élelmiszerek nyomon követése és frissítése történik az adatbázisban. Az elavult bejegyzéseket visszavonják, ahelyett, hogy a frissebb verziókkal együtt hagynák őket.

Az AI Diet Assistant a pontos kalóriadatokat használja a személyre szabott útmutatás biztosítására, az Apple Health és Google Fit integráció pedig biztosítja, hogy a mozgásadatok automatikusan módosítsák a kalóriacélokat — mindkét funkció a pontos alapadatokra támaszkodik a megfelelő működéshez.

A Nutrola havi 2,50 EUR-tól kezdődik, 3 napos ingyenes próbaverzióval. Nincsenek hirdetések semmilyen szinten.

Módszertan

A bejegyzésben szereplő pontossági összehasonlítást 200 gyakori étel kiválasztásával végeztük öt kategóriában: friss termékek (40 étel), csomagolt/márkás áruk (60 étel), éttermi ételek (30 étel), otthon készített ételek (40 étel) és italok (30 étel). Minden ételt megkerestünk az egyes alkalmazásokban, és a legjobban listázott vagy leggyakrabban kiválasztott bejegyzés kalóriaértékét rögzítettük. Ezeket az értékeket az USDA FoodData Central referenciaértékével hasonlítottuk össze ugyanazon étel esetében, azonos módon elkészítve és azonos porcióméretben mérve.

A duplikált számokat úgy mértük, hogy megkerestük a leggyakrabban nyomon követett 100 ételt (a közzétett alkalmazás használati adatok alapján), és megszámoltuk az egyes ételekhez visszaadott különböző bejegyzések számát. A "bejegyzés" olyan listaként volt definiálva, amely egyedi kalóriaértékkel rendelkezik — az azonos kalóriaértékkel, de eltérő nevekkel rendelkező bejegyzéseket (pl. "Banán" vs "Banán, nyers") duplikáltként számoltuk.

A hiba százalékok az alkalmazás által megadott kalóriaérték és az USDA referenciaérték közötti abszolút eltérést képviselik, a referenciaérték százalékaként kifejezve. A tartomány (pl. 15-30%) az összes tesztelt 200 étel közötti interkvartilis tartományt jelzi, nem a minimum és maximum értékeket.

Gyakran Ismételt Kérdések

Tudja a MyFitnessPal, hogy az adatbázisának pontossági problémái vannak?

A MyFitnessPal bevezetett egy zöld pipa ellenőrzési rendszert néhány bejegyzéshez, amelyeket "ellenőrzött" státuszúként jelölnek meg a személyzet által. Azonban a 14 millió bejegyzés többsége továbbra is ellenőrizetlen. Az ellenőrzött bejegyzések egy kis részhalmazt képeznek, és a felhasználóknak aktívan keresniük kell a pipát, amikor ételt választanak. A strukturális probléma — a milliónyi ellenőrizetlen bejegyzés, amelyek egy kis számú ellenőrzött bejegyzéssel együtt léteznek — továbbra is fennáll.

Tökéletes az USDA FoodData Central adatbázis?

Nem. Az USDA FoodData Central adatbázisának saját korlátai vannak. Főként az Egyesült Államokban fogyasztott élelmiszereket fedi le. Nem biztos, hogy tükrözi a regionális elkészítési módszereket, és a laboratóriumi értékei az átlagokat képviselik, amelyek szezononként, forrásonként és termesztési körülmények szerint változhatnak. Azonban az USDA adatok hibahatára általában 1-3% — egy nagyságrenddel kisebb, mint a közösségi adatbázisok hibái. Ez a legközelebbi aranyszabvány, amely létezik az élelmiszer-összetételi adatok számára.

Miért használják az alkalmazások a közösségi adatbázisokat, ha azok kevésbé pontosak?

Méret és költség. Egy ellenőrzött ételadatbázis létrehozása és fenntartása táplálkozási szakértelmet, referenciaforrásokhoz való hozzáférést és folyamatos karbantartást igényel. A közösségi alapú megoldások lehetővé teszik az alkalmazás számára, hogy gyorsan bővítse adatbázisát millió bejegyzésre minimális költséggel. Az alkalmazás cége számára a nagyobb adatbázis azt jelenti, hogy a felhasználók gyakrabban találják meg, amit keresnek, csökkentve a "nem található étel" hibák számát. A kompromisszum a pontosság, de ez a kompromisszum a legtöbb felhasználó számára láthatatlan — nem tudják, hogy a kiválasztott kalóriaérték helytelen.

Használhatom a MyFitnessPal-t pontosan, ha csak az ellenőrzött bejegyzéseket választom?

Javíthatja a pontosságot, ha csak a zöld pipa ellenőrzési jelvényű bejegyzéseket választja, és a gyanús számokat az USDA FoodData Central értékeivel keresztezi. Azonban ez jelentős időt ad hozzá minden étel bejegyzéshez — ezzel megölve a gyors nyomon követés alkalmazás célját. Ez azt is feltételezi, hogy a felhasználónak van táplálkozási tudása ahhoz, hogy azonosítsa, mikor tűnik egy érték helytelennek, amit a legtöbb felhasználó nem tud.

Mennyire növelhetik a napi nyomon követést az adatbázis hibák?

Egy felhasználó, aki napi 2,000 kalóriát fogyaszt és minden étkezést nyomon követ: 15-30%-os hiba esetén a napi nyomon követési hiba 300-600 kalória. Egy hét alatt ez 2,100-4,200 nem számolt kalóriát jelent. Egy font testzsír körülbelül 3,500 kalóriát tartalmaz (Hall et al., 2012, International Journal of Obesity). Az adatbázis hibái önállóan is okozhatják a különbséget a heti egy font fogyás és a semmi között.

Fedi a Nutrola ellenőrzött adatbázisa a nemzetközi ételeket?

A Nutrola ellenőrzött adatbázisa több nemzeti étel-összetételi adatbázisból származó ételeket tartalmaz, és folyamatosan bővül a regionális és nemzetközi ételekkel. Ha egy étel nem található az adatbázisban, az AI fénykép- és hangfelismerő rendszerei a hasonló ellenőrzött ételek és a vizuális adagbecslés alapján becslik meg a tápértékeket, a bejegyzést pedig ellenőrzésre jelölik.

Mit érdemes figyelembe venni, amikor kalóriaszámláló alkalmazást választunk az adatbázis minősége alapján?

Három mutatót: (1) az adatforrást — az alkalmazás nyilvánosságra hozza, honnan származik a táplálkozási adata? Azok az alkalmazások, amelyek az USDA FoodData Central-t, az NCCDB-t vagy hasonló nemzeti adatbázisokat használnak, megbízhatóbbak, mint azok, amelyek kizárólag felhasználói beküldéseken alapulnak. (2) A duplikált számot — keressen egy gyakori ételt, például "banán", és számolja meg az eredményeket. A kevesebb eredmény, amely következetes kalóriaértékekkel rendelkezik, jobb kurálást jelez. (3) Az ellenőrzési folyamatot — van-e az alkalmazásnak mechanizmusa a bejegyzések felülvizsgálatára és javítására, vagy bármely felhasználó bármilyen értéket hozzáadhat felügyelet nélkül?

Probléma-e egy kisebb adatbázis, ha az ételem nincs benne?

Egy kisebb, de ellenőrzött adatbázis nem tartalmazhat minden eldugott márkás terméket. A kompromisszum valós, de kezelhető. A Nutrola az AI fénykép-azonosítással (amely képes a tápérték tartalmát becsülni az adatbázisban nem szereplő ételek esetén vizuális elemzés és hasonló ételek összehasonlítása alapján), a hangfelismeréssel (amely a természetes nyelvű leírásokat összetevőkre bontja) és a vonalkód-olvasással (amely közvetlenül olvassa a gyártói adatokat) kezeli a lefedettségi hiányosságokat. A cél az, hogy minden létező bejegyzés esetén ellenőrzött pontosságot biztosítsunk, és intelligens becsléseket nyújtsunk az adatbázisban még nem szereplő tételekhez.

---

Hivatkozások

• Urban, L. E., Dallal, G. E., Robinson, L. M., Ausman, L. M., Saltzman, E., & Roberts, S. B. (2010). A csökkentett energiatartalmú, kereskedelmi forgalomban kapható élelmiszerek állított energiatartalmának pontossága. Journal of the American Dietetic Association, 110(1), 116-123.
• Schubart, J. R., Stuckey, H. L., Ganeshamoorthy, A., & Sciamanna, C. N. (2011). Krónikus egészségügyi állapotok és internetes viselkedési beavatkozások. Journal of Diabetes Science and Technology, 5(3), 728-740.
• Champagne, C. M., Bray, G. A., Kurtz, A. A., et al. (2002). Energiafelvétel és energiafelhasználás: egy kontrollált tanulmány, amely összehasonlítja a dietetikusokat és a nem dietetikusokat. Journal of the American Dietetic Association, 102(10), 1428-1432.
• Hall, K. D., Heymsfield, S. B., Kemnitz, J. W., Klein, S., Schoeller, D. A., & Speakman, J. R. (2012). Energiaegyensúly és annak összetevői: következmények a testsúly szabályozására. International Journal of Obesity, 36(3), 431-439.
• USDA Agricultural Research Service. (2024). FoodData Central. United States Department of Agriculture.
• Food Standards Australia New Zealand. (2022). AUSNUT 2011-13 Élelmiszer Tápanyagadatbázis. FSANZ.
• Nutrition Coordinating Center. (2024). NCC Élelmiszer- és Tápanyagadatbázis. Minnesota Egyetem.