我们的营养团队如何验证每一条数据库记录

Nutrola的食品数据库为何能做到100%验证?深入了解我们的营养团队如何确保每一卡路里、宏量营养素和微量营养素的准确性。

Medically reviewed by Dr. Emily Torres, Registered Dietitian Nutritionist (RDN)

当我们说Nutrola的食品数据库是“100%验证”的时候,我们是认真的。每一条记录——从普通的苹果到雅加达的地方街头美食——在进入您的应用程序之前,都经过了营养专业人士的审核。没有例外,没有捷径,没有“差不多就行”。

这不是一个营销口号,而是一种工作流程。一个结构化、可重复、可审计的过程,每天在我们的营养团队中运行。在本文中,我们将揭开这个过程的神秘面纱,逐步向您展示它是如何运作的。

我们为何不接受众包数据

大多数卡路里追踪应用通过众包来扩展其食品数据库。用户提交记录,这些记录便对所有人可用。这种方式扩展迅速,但也导致数据库的不可靠。

众包营养数据的问题早已被广泛记录且具有系统性:

重复记录造成混淆。 在众包数据库中搜索“鸡胸肉”,您可能会找到80多个记录。有的说每100克165卡路里,有的说195,有的说120。哪个是正确的?用户只能猜测,大多数人会选择第一个出现的记录——无论其准确性如何。

错误悄然累积。 用户提交了一条花生酱的记录,却不小心输入了每汤匙的数据,而不是每份(两汤匙)。每个使用该记录的人现在都低估了自己的摄入量。众包系统中没有机制来捕捉这种错误,除非另一个用户恰好注意到并报告。

过时记录无限期存在。 食品制造商不断重新配方。一款在2024年含有21克蛋白质的蛋白棒,可能在2026年因配方变化而只含有18克。众包数据库没有系统的方法来跟踪这些变化。旧记录依然存在,慢慢偏离现实。

缺乏问责机制。 当任何人都可以匿名提交数据时,就无法追溯错误的来源。2024年《营养与饮食学会杂志》发布的一项分析发现,众包食品数据库中常见项目的错误率在15%到30%之间,而较少见的食品则超过40%。

现实世界的后果是可衡量的。 如果您为了减肥而保持300卡路里的赤字,记录数据中的20%错误可能意味着您的实际赤字为零——或者您在不知情的情况下处于盈余状态。数月的努力,因无法检测到的错误数据而功亏一篑。

我们看到了这些问题,并做出了决定:Nutrola绝不会接受未经验证的用户提交数据。每一条记录都必须经过我们的完整验证流程,才能对外提供。

我们的多步骤验证流程

我们的验证流程分为五个阶段。每条记录必须通过所有五个阶段,才能在应用中出现。

第一步:来源识别

每条数据库记录都始于一个主要数据来源。我们不从零开始创建营养数据,也不接受自报的数据。我们的原始数据来源包括:

  • 官方政府营养数据库——如USDA FoodData Central、欧洲食品安全局(EFSA)、加拿大卫生部的加拿大营养文件、澳大利亚和新西兰食品标准局(FSANZ)、日本食品成分标准表,以及来自50多个国家的国家食品成分数据库。
  • 制造商提供的营养信息——与食品制造商和零售商的直接数据通道,提供最新的营养成分表、成分列表和过敏原数据。
  • 实验室分析——对于在现有数据库中代表性不足的地方食品和传统菜肴,我们委托独立实验室进行分析,以建立基础营养档案。

来源决定了记录的初始信心级别。政府实验室数据获得最高的信心评级。制造商提供的数据获得中等评级,触发额外的交叉参考。我们委托的实验室分析在内部同行评审后被视为高信心数据。

第二步:交叉参考

没有任何单一来源会被视为绝对可靠。每条记录在推进之前,必须与至少两个独立来源进行核对。

例如,如果我们要添加一款在德国销售的品牌酸奶,我们会将制造商的营养标签与德国联邦食品关键(Bundeslebensmittelschlüssel)和该产品类别的任何可用EFSA数据进行交叉参考。如果制造商声称每100克含有5.2克蛋白质,但该酸奶类别的参考范围为3.0到4.5克,则该记录会被标记。

被标记的记录不会自动被拒绝,而是会被升级到人工审核。差异往往是合理的——高蛋白酸奶的配方确实可能超过类别平均水平。但每个差异必须在记录继续之前得到解释和文档支持。

我们的自动交叉参考系统对每条记录运行超过30条验证规则,检查不合理的卡路里与宏量营养素比例、缺失的微量营养素值、份量不一致和数学错误(例如,宏量营养素的总和与声明的卡路里数不匹配)。

第三步:营养师审核

每条被标记的记录都由我们团队中的合格营养专业人士进行审核。这不是一个可以跳过的可选步骤,尤其在排队较长时。这是流程中的一个严格关卡。

在营养师审核过程中,团队成员:

  • 验证份量大小与实际食用量相符。 如果份量大小与人们实际食用的食物不符,数据库记录就没有意义。我们的营养师会检查“中等香蕉”的重量大约为118克,而不是80克或200克。
  • 确保100多个营养值的完整性。 我们数据库中的每条记录都包含卡路里、宏量营养素(蛋白质、碳水化合物、脂肪、纤维、糖、饱和脂肪)以及完整的微量营养素档案,包括维生素A、C、D、E、K、B族维生素、钙、铁、镁、钾、锌、钠等。缺失的记录会被退回以进行额外的数据来源确认。
  • 根据食品科学知识评估合理性。 营养专业人士能够捕捉到自动化系统遗漏的错误。如果一条生蔬菜记录显示每份含有25克脂肪,人类审核员会意识到这一点不合理,而统计检查可能无法识别。

我们团队目前包括来自六个国家的14名全职营养专业人士,专业领域涵盖临床营养、食品科学、运动营养和公共卫生。

第四步:区域适应

营养数据并非普遍适用。同一种成分在不同国家的不同烹饪方式可能会有显著不同的营养成分。

米饭就是一个明显的例子。泰国的蒸香米、老挝的糯米、印度的酥油香米和日本的醋调寿司米都是“米饭”——但由于烹饪方法、水分吸收比和添加成分的不同,它们的卡路里和宏量营养素特征各异。

在区域适应过程中,我们的团队:

  • 根据当地的烹饪方法和准备风格调整记录。
  • 验证在不同国家以相同名称销售的品牌产品是否反映实际的本地配方,因为制造商通常会根据地区法规或口味偏好调整配方。
  • 确保传统和地方菜肴的营养数据准确,而不是基于西方成分数据库的近似值。

这就是为什么我们的数据库覆盖超过50个国家,提供经过当地验证的数据,而不仅仅是一个应用了区域标签的全球数据集。

第五步:持续监测

验证不是一次性的事件。我们的数据库是一个活的系统,需要持续维护。

  • 定期审计。 数据库中的每条记录都安排了定期重新验证。高流量的记录(用户最常记录的食品)每季度审计一次。整个数据库每年进行一次重新验证。
  • 配方变更跟踪。 我们监测制造商公告、法规文件和包装变更,以捕捉产品的重新配方。当产品发生变化时,记录会更新并通过完整流程重新验证。
  • 用户反馈——审核而非自动接受。 当Nutrola用户报告潜在数据问题时,该报告会送交我们的营养团队进行人工审核。我们认真对待每一份报告,但绝不会根据用户提交的内容自动修正记录。报告会触发重新验证,只有在营养团队确认修正与经过验证的来源一致时,记录才会更新。

我们数据库背后的数据

我们的验证流程产生了一个用户可以信赖的规模和深度的数据库:

  • 超过200万条经过验证的食品记录,涵盖生鲜成分、品牌产品、餐厅餐点和传统菜肴。
  • 覆盖53个国家,提供反映地方配方和烹饪方法的本地验证数据。
  • 每条记录包含100多个营养值,远超大多数应用提供的基本卡路里和宏量营养素数据。
  • 14名全职营养专业人士在六个国家工作,并得到我们的营养顾问委员会的支持。
  • 每条记录在人工审核开始前经过超过30条自动验证检查。
  • 每季度审计最常记录的食品,并对整个数据库进行年度重新验证。

这对您的追踪准确性意味着什么

当您在Nutrola中记录一餐时,该记录背后的数据已来自官方数据库,经过独立来源的交叉验证,由营养专业人士审核,适应您的地区,并持续监测其准确性。

实际结果是:Nutrola的数据库在经过验证的记录中,宏量营养素值的平均误差率低于3%。我们的营养顾问委员会通过与实验室分析的参考样本进行基准测试,持续确认这一数据。

将其与众包数据库中15%到30%的错误率相比。如果您追踪每日摄入2000卡路里,3%的误差意味着您的实际摄入量与应用显示的相差不超过60卡路里。而25%的误差则意味着您可能偏差500卡路里——这可能是减肥与维持体重之间的差别。

准确性并不是我们单独宣传的一个功能,而是您追踪真正有效的原因。

常见问题解答

Nutrola如何验证食品数据库记录的准确性?

每条记录经过五个步骤的验证流程:从官方政府数据库或制造商数据中识别来源,与至少两个独立来源进行交叉验证,由合格的营养专业人士审核,适应当地的烹饪方法和配方,并通过定期审计和配方变更跟踪进行持续监测。

Nutrola为何不使用众包数据?

众包数据库存在系统性问题,包括重复记录、过时信息、不正确的份量大小和不可验证的数据。研究发现,众包食品数据库的错误率在15%到30%之间。Nutrola维护一个完全验证的数据库,以确保每条记录符合一致的准确性标准。

Nutrola的验证数据库中有多少种食品?

Nutrola的数据库包含超过200万条经过验证的食品记录,涵盖生鲜成分、品牌产品、餐厅餐点和53个国家的传统菜肴。每条记录包含100多个营养值,而不仅仅是卡路里和基本的宏量营养素。

Nutrola的食品数据库更新频率如何?

数据库持续更新。高流量记录每季度审计,整个数据库每年进行一次重新验证。产品配方的变更会被跟踪并在发生时更新。用户报告的问题会触发我们的营养团队进行人工重新验证。

Nutrola的食品数据为何比其他营养应用更准确?

Nutrola的验证流程使宏量营养素值的平均误差率低于3%。这一结果通过来自官方政府数据库的来源、与多个独立来源的交叉验证、强制的营养专业人士审核和持续监测得以实现。大多数众包数据库的错误率在15%到30%之间。

谁审核Nutrola的食品数据库记录?

Nutrola在六个国家雇佣了14名全职营养专业人士,专业领域涵盖临床营养、食品科学、运动营养和公共卫生。该团队得到了Nutrola营养顾问委员会的支持,委员会成员包括注册营养师、学术研究人员和食品成分专家。

准备好改变您的营养追踪方式了吗?

加入成千上万已通过 Nutrola 改变健康之旅的用户!