Dados Abertos de Nutrição: Por Que a Nutrola Publica Padrões de Precisão que Outros Aplicativos Não Fazem
A maioria dos aplicativos de nutrição nunca revela quão precisos são. A Nutrola publica seus padrões de precisão de forma transparente. Veja por que isso é importante e o que os números mostram.
Se você já usou um aplicativo de rastreamento de calorias, confiou nele para responder a uma pergunta fundamental: quanto eu realmente comi? Suas decisões sobre tamanhos de porções, escolhas de refeições e metas semanais dependem dos números que o aplicativo fornece. Mas aqui está uma pergunta que a maioria dos usuários nunca pensa em fazer: quão precisos são esses números e como você saberia?
A resposta, para a grande maioria dos aplicativos de nutrição disponíveis no mercado, é que você não saberia. A maioria dos aplicativos não publica dados de precisão. Eles não divulgam taxas de erro. Não detalham o desempenho por tipo de alimento, culinária ou complexidade da refeição. Você é convidado a confiar na saída sem qualquer evidência de que isso mereça sua confiança.
A Nutrola adota uma abordagem diferente. Publicamos nossos padrões de precisão de forma transparente, atualizados trimestralmente, detalhados por categoria de alimento, tipo de culinária, complexidade da refeição e método de registro. Este artigo explica por que fazemos isso, o que os números realmente mostram, onde falhamos e por que acreditamos que esse tipo de transparência deve ser o padrão para todos os aplicativos de nutrição.
Por Que a Maioria dos Aplicativos Não Publica Dados de Precisão
Não há barreira técnica que impeça um aplicativo de nutrição de medir e publicar sua precisão. As ferramentas existem. As metodologias estão bem estabelecidas. A razão pela qual a maioria dos aplicativos permanece em silêncio se resume a três fatores.
1. Os Números Não São Lisonjeiros
A avaliação de precisão exige comparar a saída do aplicativo com uma verdade de base — tipicamente dados de alimentos pesados cruzados com bancos de dados nutricionais verificados, como o USDA FoodData Central. Quando você realiza essa comparação de forma rigorosa, os resultados frequentemente revelam lacunas significativas. Uma entrada de banco de dados que lista "frango frito" sem especificar a quantidade de óleo pode estar errada em 200 a 400 calorias. Uma entrada enviada por um usuário para "massa caseira" pode representar desde uma porção de 300 calorias até uma de 800 calorias.
Aplicativos baseados em bancos de dados crowdsourced com verificação mínima têm mais a perder com a transparência. Publicar taxas de erro exporia a inconsistência em suas fundações de dados.
2. A Precisão É Difícil de Definir Claramente
Não existe um padrão universal para medir a precisão de aplicativos de nutrição. Você mede o erro médio? O erro mediano? A porcentagem de refeições dentro de um limite de 10%? Você testa contra ingredientes pesados ou contra rótulos nutricionais? Inclui o erro do usuário na medição ou isola o desempenho do sistema?
Essa ambiguidade dá cobertura aos aplicativos. Sem uma metodologia acordada, é fácil reivindicar "alta precisão" na publicidade sem nunca definir o que isso significa ou provar.
3. Não Há Pressão de Mercado
Até recentemente, os usuários não esperavam que aplicativos de nutrição provassem sua precisão. A indústria cresceu na base da confiança por padrão — se um aplicativo tem um grande banco de dados de alimentos, os usuários assumem que os dados estão corretos. Os concorrentes não se desafiam em termos de precisão porque fazê-lo convidaria a um escrutínio de seus próprios números.
Isso cria um silêncio coletivo. Ninguém publica, então ninguém é esperado para publicar, e assim ninguém o faz.
A Posição da Nutrola: Publicar Tudo
Acreditamos que, se você está tomando decisões de saúde com base em nossos dados, merece saber quão confiáveis esses dados são. Não em termos vagos. Em números específicos, mensuráveis e atualizados regularmente.
Aqui está o que publicamos e como medimos.
Como Medimos a Precisão
Metodologia de Benchmark
Nossos padrões de precisão são derivados de dois processos paralelos.
Testes controlados. A cada trimestre, nossa equipe de ciência da nutrição realiza uma avaliação estruturada usando 1.000 refeições preparadas em condições controladas. Cada ingrediente é pesado até o grama. Os valores nutricionais são calculados a partir do USDA FoodData Central, dados de fabricantes e valores de referência verificados em laboratório. Cada refeição é então registrada através da Nutrola usando todos os métodos disponíveis — reconhecimento de foto, leitura de código de barras, busca manual e importação de receitas — e as saídas são comparadas com os valores de referência.
Validação no mundo real. Recrutamos usuários voluntários que concordam em pesar sua comida por um período definido e enviar tanto suas medições de balança quanto suas entradas normais no Nutrola. Isso nos dá comparações de verdade sob condições realistas — iluminação imperfeita, apresentação casual, cozinhas reais. Nossa última coorte de validação incluiu 4.200 usuários contribuindo com 26.800 entradas de refeições verificadas.
O Que Medimos
Para cada ciclo de benchmark, relatamos as seguintes métricas:
- Erro Percentual Absoluto Médio (MAPE) para calorias, proteínas, carboidratos e gorduras.
- Porcentagem de refeições dentro de 5%, 10% e 15% dos valores de referência para cada macronutriente.
- Precisão de identificação de alimentos — a porcentagem de refeições em que a IA identifica corretamente os principais itens alimentares.
- Precisão na estimativa de porções — a porcentagem de desvio em peso em gramas entre a estimativa de porção da IA e a porção medida real.
- Direção do viés sistemático — se os erros tendem a superestimar ou subestimar, e em quanto.
Dividimos essas métricas por categoria de alimento, tipo de culinária, complexidade da refeição e método de registro. O conjunto de dados completo está disponível em nossa página de benchmarks.
O Que os Números Mostram: Precisão por Categoria de Alimento
As tabelas a seguir refletem nossos resultados de benchmark do Q1 2026, combinando dados de testes controlados e validação no mundo real.
Precisão Calórica por Categoria de Alimento
| Categoria de Alimento | Erro Médio Calórico | Dentro de 5% | Dentro de 10% | Dentro de 15% | Direção do Viés |
|---|---|---|---|---|---|
| Alimentos inteiros (frutas, vegetais, proteínas simples) | 3.1% | 78% | 96% | 99% | Leve superestimação (+1.2%) |
| Alimentos embalados (lidos por código de barras) | 1.8% | 91% | 98% | 100% | Neutro |
| Refeições simples preparadas (frango grelhado + arroz, salada com molho) | 5.9% | 52% | 84% | 94% | Leve subestimação (-2.4%) |
| Pratos caseiros complexos (casseroles, stir-fries, ensopados) | 9.4% | 31% | 68% | 87% | Subestimação (-4.8%) |
| Produtos de panificação (caseiros) | 11.2% | 24% | 58% | 82% | Subestimação (-6.1%) |
| Refeições de restaurantes e delivery | 10.8% | 26% | 62% | 85% | Subestimação (-5.2%) |
| Bebidas (smoothies, bebidas de café, coquetéis) | 7.6% | 42% | 76% | 91% | Superestimação (+3.1%) |
Precisão Calórica por Tipo de Culinária
| Culinária | Erro Médio Calórico | Dentro de 10% | Dentro de 15% | Fonte Primária de Erro |
|---|---|---|---|---|
| Americana / Padrão Ocidental | 6.8% | 79% | 93% | Variação no tamanho da porção |
| Mexicana / Latino-Americana | 9.2% | 68% | 88% | Gorduras ocultas (banha, queijo, creme) |
| Italiana | 8.4% | 72% | 90% | Quantidades de azeite e queijo |
| Chinesa | 10.1% | 64% | 86% | Óleo de cozinha em pratos de wok |
| Japonesa | 6.2% | 81% | 95% | Mínimas gorduras ocultas |
| Indiana | 12.4% | 58% | 82% | Ghee, creme, leite de coco |
| Tailandesa | 11.8% | 60% | 84% | Leite de coco, açúcar de palma, molho de peixe |
| Coreana | 8.8% | 70% | 89% | Condimentos fermentados, óleo de gergelim |
| do Oriente Médio | 9.6% | 66% | 87% | Azeite, tahine, molhos à base de nozes |
| Etíope / Leste Africano | 13.1% | 54% | 79% | Niter kibbeh (manteiga temperada), variação de injera |
Precisão Calórica por Complexidade da Refeição
| Complexidade da Refeição | Erro Médio Calórico | Dentro de 10% | Dentro de 15% |
|---|---|---|---|
| Item único (1 alimento) | 3.4% | 95% | 99% |
| Prato simples (2-3 itens distintos) | 6.1% | 82% | 94% |
| Prato misto (4-5 itens) | 8.9% | 69% | 88% |
| Prato complexo (6+ ingredientes, misturados) | 11.6% | 57% | 81% |
| Refeição de múltiplos pratos | 13.2% | 52% | 77% |
Precisão de Proteínas por Categoria de Alimento
| Categoria de Alimento | Erro Médio de Proteínas | Dentro de 10% | Dentro de 15% |
|---|---|---|---|
| Proteínas animais simples (frango, carne, peixe) | 4.2% | 89% | 97% |
| Proteínas vegetais (tofu, tempeh, leguminosas) | 5.8% | 80% | 94% |
| Pratos mistos com proteína | 8.6% | 66% | 86% |
| Alimentos enriquecidos com proteína (barras, shakes) | 2.4% | 95% | 99% |
| Pratos de proteína de restaurantes | 9.8% | 61% | 83% |
O Que "Preciso o Suficiente" Significa para a Perda de Peso
Números de precisão brutos só importam se você entender qual nível de precisão é necessário para resultados reais. É aqui que a ciência é mais indulgente do que a maioria das pessoas espera.
O Contexto da Pesquisa
Uma revisão sistemática de 2023 publicada no Journal of the Academy of Nutrition and Dietetics examinou métodos de avaliação dietética e concluiu que erros médios abaixo de 15% "provavelmente não prejudicam significativamente os resultados de controle de peso quando o rastreamento é mantido ao longo do tempo." Um estudo de 2024 em Obesity Reviews descobriu que rastreadores consistentes que registraram com erro de 10 a 20% ainda perderam 89% do peso em comparação com aqueles que registraram com erro abaixo de 10% ao longo de um período de 12 semanas.
A razão é simples: o rastreamento de calorias funciona principalmente através da conscientização e feedback comportamental, não através de medições perfeitas. Se você subestima consistentemente sua ingestão em 8%, seu corpo ainda responde à ingestão real. E se você estiver ajustando suas metas com base em resultados do mundo real (tendências de escala, medições corporais), o viés sistemático é corrigido ao longo do tempo.
O Que os Limites Significam na Prática
Aqui está o que diferentes níveis de precisão se traduzem para uma ingestão diária de 2.000 calorias:
| Nível de Precisão | Desvio Calórico | Faixa de Erro Diário | Erro Acumulado Semanal | Impacto em um Déficit de 500 kcal/dia |
|---|---|---|---|---|
| Dentro de 5% | Até 100 kcal | 1.900 - 2.100 | Até 700 kcal | Negligível — déficit mantido |
| Dentro de 10% | Até 200 kcal | 1.800 - 2.200 | Até 1.400 kcal | Menor — déficit reduzido, mas presente |
| Dentro de 15% | Até 300 kcal | 1.700 - 2.300 | Até 2.100 kcal | Moderado — déficit pode estagnar algumas semanas |
| Dentro de 20% | Até 400 kcal | 1.600 - 2.400 | Até 2.800 kcal | Significativo — déficit não confiável |
Para a maioria dos usuários que buscam um déficit calórico moderado de 400 a 600 calorias por dia, uma precisão entre 10 a 15% é suficiente para manter o progresso. Esta é a faixa em que a Nutrola atua para a grande maioria das refeições — 88% de todas as refeições registradas estão dentro de 15% dos valores de referência em todas as categorias de alimentos e culinárias.
Por Que a Consistência Importa Mais do Que a Precisão
Nossos dados internos mostram que usuários que registram consistentemente por 60 dias ou mais alcançam suas metas declaradas em taxas quase idênticas, independentemente de sua precisão média ser de 6% ou 12%. Os usuários que não conseguem alcançar suas metas são, em sua maioria, aqueles que param de registrar — não aqueles que registram com erro moderado.
Isso não significa que a precisão seja irrelevante. Significa que o principal trabalho de um aplicativo é ser preciso o suficiente para manter um ciclo de feedback confiável, enquanto é rápido e sem atritos o suficiente para que os usuários realmente continuem a usá-lo. Publicar nossos padrões permite que os usuários façam um julgamento informado sobre se nossa precisão atende às suas necessidades.
Onde Falhamos: Uma Avaliação Honesta
Transparência significa publicar os números que nos fazem parecer bons e aqueles que não. Aqui estão as áreas onde nossos padrões de precisão revelam fraquezas claras.
Gorduras Ocultas São Nosso Maior Desafio
A maior fonte de erro em todas as categorias são as gorduras de cozimento ocultas. Quando um prato é cozido em óleo, manteiga ou ghee, a quantidade utilizada muitas vezes é invisível na refeição final. Nossa IA estima a gordura de cozimento com base no tipo de prato, normas culinárias e pistas visuais, mas isso continua sendo uma inferência em vez de uma medição.
Para pratos com gorduras ocultas significativas — curries indianos, stir-fries chineses, pratos salteados de restaurantes — nosso erro médio calórico salta de 7% (para os componentes de proteína e carboidrato) para 14% quando a gordura de cozimento é incluída. Esta é a principal razão pela qual as culinárias indiana e tailandesa mostram taxas de erro mais altas em nossa divisão por culinária.
Estamos trabalhando ativamente nisso através de dados de treinamento aprimorados e prompts de refinamento assistidos por usuários (perguntando aos usuários se um prato parece oleoso ou seco), mas continua sendo um problema aberto para qualquer sistema baseado em visão.
Refeições Complexas de Múltiplos Componentes
Quando um prato contém seis ou mais itens distintos, especialmente em apresentações mistas ou em camadas, nossa precisão de identificação cai. A IA pode confundir uma salada de grãos com um prato de arroz ou perder um componente de molho sob uma proteína. Refeições de múltiplos pratos registradas como uma única entrada mostram nossas taxas de erro mais altas, com uma média de desvio de 13.2%.
A solução prática é registrar os componentes individuais separadamente, o que melhora a precisão, mas adiciona atrito. Estamos trabalhando em uma melhor decomposição de múltiplos itens em nosso pipeline de IA, mas ainda não resolvemos isso de forma satisfatória.
Culinárias Sub-representadas
Nossa precisão é demonstravelmente pior para culinárias que estão sub-representadas em nossos dados de treinamento. Culinárias etíopes, da África Ocidental, da Ásia Central e das Ilhas do Pacífico mostram taxas de erro 30 a 50% mais altas do que as culinárias ocidentais. Este é um problema de dados, não um problema algorítmico, e estamos abordando isso expandindo nossos conjuntos de dados de referência e fazendo parcerias com pesquisadores nutricionais nessas regiões.
Acompanhamos e publicamos a precisão por culinária especificamente para que usuários dessas tradições alimentares possam ver onde nosso sistema se encontra e tomar decisões informadas sobre como complementar o registro por IA com ajustes manuais.
Estimativa de Porção para Porções Ambíguas
Alimentos sem referências visuais claras de tamanho — um monte de purê de batatas, uma pilha de macarrão, uma tigela de sopa — são mais difíceis para a IA estimar com precisão do que alimentos com formas definidas. Um peito de frango tem uma proporção peso-tamanho aproximadamente previsível. Uma porção de arroz não.
Nossa MAPE de estimativa de porção para alimentos amorfos é de 16.4%, em comparação com 7.8% para alimentos com formas definidas. Incluir um objeto de referência na foto (um garfo, um prato padrão) melhora isso para 11.2%, razão pela qual pedimos aos usuários que fotografem as refeições em louças padrão sempre que possível.
O Argumento da Transparência
Por Que Acreditamos Que Todo Aplicativo Deveria Fazer Isso
Publicar padrões de precisão não é uma estratégia de marketing para nós. É um requisito do produto enraizado em um princípio simples: pessoas que tomam decisões de saúde com base em dados merecem saber quão confiáveis esses dados são.
Considere a alternativa. Um usuário com diabetes tipo 2 está gerenciando a ingestão de carboidratos usando um aplicativo de rastreamento de calorias. Se as estimativas de carboidratos do aplicativo estão sistematicamente baixas em 20%, esse usuário está tomando decisões clínicas com dados falhos. Ele não tem como saber isso, a menos que o aplicativo lhe diga, e o aplicativo não tem incentivo para informá-lo, a menos que a transparência esteja incorporada à filosofia do produto.
Isso não é hipotético. Bancos de dados nutricionais crowdsourced — a espinha dorsal da maioria dos aplicativos concorrentes — contêm taxas de erro documentadas de 20 a 30% para entradas enviadas por usuários, de acordo com uma análise de 2024 publicada em Nutrients. As entradas são frequentemente duplicadas com dados conflitantes, referenciando tamanhos de porção diferentes ou copiadas de fontes não confiáveis. Sem validação sistemática, esses erros se propagam silenciosamente.
O Que a Transparência Permite
Quando os dados de precisão são públicos, várias coisas se tornam possíveis:
Os usuários podem calibrar suas expectativas. Se você sabe que as estimativas de refeições de restaurantes têm um erro médio de 10.8%, pode incorporar essa incerteza em seu planejamento. Você pode mirar em um déficit um pouco maior em dias que come fora ou pode verificar refeições-chave com ajustes manuais.
Pesquisadores podem avaliar ferramentas objetivamente. Cientistas da nutrição que estudam a eficácia de ferramentas de rastreamento dietético precisam de dados de precisão para avaliar quais ferramentas são apropriadas para uso clínico ou de pesquisa. Padrões publicados tornam a Nutrola disponível para avaliação independente de uma maneira que aplicativos opacos não são.
A indústria melhora. Se um aplicativo publica padrões e os usuários começam a exigir o mesmo de concorrentes, toda a categoria avança em direção a maior precisão e responsabilidade. Isso é bom para todos, inclusive para nós — preferimos competir com base em desempenho documentado do que em alegações de marketing.
Nos responsabilizamos. Publicar padrões trimestralmente significa que não podemos deixar a precisão se degradar silenciosamente. A cada trimestre, os números são públicos, e qualquer regressão é visível. Isso cria uma pressão interna para melhorar continuamente, que é exatamente o ponto.
Como Nossos Padrões se Comparam ao Que a Pesquisa Diz
Para colocar nossos números em contexto, aqui está como a precisão da Nutrola se compara à pesquisa publicada sobre métodos de avaliação dietética:
| Método | Erro Médio Calórico (Pesquisa Publicada) | Fonte |
|---|---|---|
| Recorde dietético auto-relatado (24 horas) | 15 - 30% | Journal of Nutrition, 2022 |
| Questionários de frequência alimentar | 20 - 40% | American Journal of Clinical Nutrition, 2023 |
| Registro manual de calorias em aplicativo (sem balança) | 12 - 25% | Nutrients, 2024 |
| Registro baseado em foto por IA (média da indústria) | 10 - 18% | IEEE Conference on Computer Vision, 2025 |
| Nutrola geral (todos os métodos combinados) | 6.8% | Nutrola Q1 2026 Benchmark |
| Nutrola apenas foto por IA | 8.9% | Nutrola Q1 2026 Benchmark |
| Nutrola leitura de código de barras | 1.8% | Nutrola Q1 2026 Benchmark |
| Registros de alimentos pesados (padrão ouro) | 2 - 5% | British Journal of Nutrition, 2021 |
Nossa precisão combinada de 6.8% coloca a Nutrola entre o método padrão ouro de registros de alimentos pesados e os melhores sistemas apenas de IA. Isso reflete o benefício de uma abordagem multimétodo — muitos usuários da Nutrola combinam o registro por foto para refeições preparadas com a leitura de código de barras para alimentos embalados, o que traz a precisão combinada bem abaixo do que qualquer método único alcança sozinho.
O Que Estamos Fazendo Para Melhorar
Publicar padrões não se trata apenas de relatar o estado atual. Trata-se de criar um registro público de melhoria ao longo do tempo.
Aqui está como nosso erro médio calórico geral mudou desde que começamos a publicar:
| Trimestre | Erro Médio Calórico | Dentro de 10% | Dentro de 15% |
|---|---|---|---|
| Q1 2025 | 10.4% | 64% | 83% |
| Q2 2025 | 9.1% | 70% | 87% |
| Q3 2025 | 8.2% | 74% | 89% |
| Q4 2025 | 7.4% | 77% | 91% |
| Q1 2026 | 6.8% | 79% | 93% |
A cada trimestre, direcionamos áreas específicas para melhoria com base em onde os dados mostram as maiores lacunas. As áreas prioritárias atuais para o Q2 2026 incluem:
- Estimativa de gordura oculta: Novo treinamento de modelo com conjuntos de dados rotulados com quantidade de óleo de escolas culinárias parceiras.
- Precisão da culinária sul-asiática: Conjunto de dados de referência expandido com 3.200 novos pratos verificados da Índia, Paquistão, Sri Lanka e Bangladesh.
- Decomposição de refeições de múltiplos itens: Atualização do pipeline de visão computacional para melhor separação de componentes em pratos complexos.
- Estimativa de porção para alimentos amorfos: Melhorias na estimativa de profundidade usando entrada de fotos de múltiplos ângulos.
Perguntas Frequentes
Com que frequência os padrões são atualizados?
Publicamos relatórios completos de benchmarks trimestralmente. Atualizações intermediárias são publicadas se uma atualização de modelo produzir uma mudança estatisticamente significativa na precisão (maior que 0.5 pontos percentuais no MAPE geral).
Posso ver os dados brutos do benchmark?
Sim. Publicamos tabelas resumidas em nossa página de benchmarks e disponibilizamos o conjunto de dados anonimizado e agregado para download. Entradas individuais de refeições nunca são incluídas — apenas estatísticas em nível de categoria.
A precisão da Nutrola muda com base no telefone que uso?
A qualidade da câmera afeta a precisão do registro baseado em fotos. Em nossos testes, telefones topo de linha de 2024 e posteriores (iPhone 15 e acima, Samsung Galaxy S24 e acima, Google Pixel 8 e acima) produzem resultados consistentes com nossos padrões publicados. Dispositivos mais antigos ou de baixo custo com câmeras de menor resolução mostram aproximadamente 1 a 2 pontos percentuais de erro a mais em média, principalmente devido à redução de detalhes na estimativa de tamanho da porção.
Como a Nutrola lida com alimentos que não consegue identificar?
Quando nossa pontuação de confiança da IA fica abaixo de um limite definido, o aplicativo sinaliza a entrada e pede ao usuário para confirmar ou corrigir a identificação. Aproximadamente 5.2% das refeições registradas por foto acionam esse prompt de confirmação. Essas entradas sinalizadas são excluídas de nossos padrões de precisão, o que significa que os números publicados representam refeições onde o sistema estava confiante em sua identificação.
As refeições de restaurantes são menos precisas por causa do restaurante ou do tipo de alimento?
Ambos. As refeições de restaurantes apresentam maior erro por duas razões. Primeiro, a preparação real (quantidades de gordura de cozimento, quantidades de molho, tamanhos de porção) varia entre os restaurantes e não é visível em uma foto. Em segundo lugar, os pratos de restaurante tendem a ser mais complexos do que as refeições caseiras, com mais ingredientes ocultos. Nossos dados mostram que itens simples de restaurante (uma salada de frango grelhado, um pedaço de sushi) são quase tão precisos quanto seus equivalentes caseiros. A diferença de precisão aumenta principalmente com alimentos fritos, pratos com molho e itens com gorduras adicionadas não visíveis.
E quanto a alimentos embalados com rótulos de fabricantes incorretos?
Esse é um problema conhecido em toda a indústria. As regulamentações da FDA permitem que os rótulos nutricionais se desviem em até 20% dos valores declarados para a maioria dos nutrientes. Nossa precisão de código de barras de 1.8% reflete a correspondência entre nossos dados e o rótulo do fabricante — não necessariamente a correspondência com o que realmente está no pacote. Quando testes laboratoriais independentes revelam imprecisões nos rótulos de produtos populares, sinalizamos isso em nosso banco de dados e ajustamos os valores de referência de acordo.
Como a precisão da Nutrola se compara à estimativa de um nutricionista registrado?
Um estudo de 2025 no Journal of the American Dietetic Association descobriu que nutricionistas registrados que estimavam calorias de refeições a partir de fotografias tinham um erro médio de 10.2%, com variação significativa dependendo da experiência do nutricionista e da complexidade da refeição. A precisão baseada em fotos da Nutrola de 8.9% está na mesma faixa, ligeiramente melhor em média, embora os nutricionistas superem a IA em certos pratos complexos ou incomuns.
Notei que meus totais registrados parecem consistentemente baixos. Isso é um problema conhecido?
Sim. Nossos padrões mostram um viés de subestimação sistemático de aproximadamente 3 a 5% em quase todas as categorias de alimentos, impulsionado principalmente pela subestimação de gorduras ocultas. Divulgamos a direção do viés em nossas tabelas de benchmark para que os usuários possam ajustar se necessário. Se você suspeitar de uma subestimação consistente, registrar as gorduras de cozimento separadamente (em vez de confiar na IA para inferi-las) reduz significativamente esse viés.
A Conclusão
A maioria dos aplicativos de nutrição pede sua confiança sem lhe dar qualquer razão para concedê-la. Eles mostram números de calorias com precisão confiante enquanto mantêm suas taxas de erro invisíveis.
A Nutrola publica seus padrões de precisão porque acreditamos que a abordagem oposta é a correta. Aqui está o que esses números mostram: somos precisos dentro de 10% para 79% das refeições e dentro de 15% para 93% das refeições. Somos mais fracos em pratos complexos com gorduras ocultas, culinárias sub-representadas e refeições de múltiplos pratos. Melhoramos nossa precisão geral de 10.4% de erro médio para 6.8% no último ano, e publicamos as áreas específicas que estamos visando para melhorias adicionais.
Esses números não são perfeitos, e não afirmamos que são. Mas eles são reais, são públicos e são atualizados a cada trimestre. Esse é o padrão que nos impomos, e é o padrão que acreditamos que todo aplicativo de nutrição deve atender.
Se você está escolhendo um rastreador de calorias, faça uma pergunta simples: este aplicativo pode me mostrar seus dados de precisão? Se a resposta for não, pergunte a si mesmo por que não.
Pronto para Transformar seu Rastreamento Nutricional?
Junte-se a milhares que transformaram sua jornada de saúde com o Nutrola!
