DOI: https://doi.org/10.1038/s41598-024-65438-x
PMID: https://pubmed.ncbi.nlm.nih.gov/38918477
تاريخ النشر: 2024-06-25
المؤلف: Ilias Papastratis وآخرون
الموضوع الرئيسي: تكنولوجيا وتحليل البيانات
نظرة عامة
تقدم هذه الورقة البحثية طريقة جديدة لتوصية التغذية تعتمد على الذكاء الاصطناعي، والتي تدمج الشبكات التوليدية العميقة ونماذج اللغة الكبيرة (LLMs)، وبشكل خاص ChatGPT، لتعزيز النصائح الغذائية الشخصية. تستخدم الطريقة مشفرًا تلقائيًا متغيرًا لنمذجة خصائص المستخدمين بشكل فعال، مثل القياسات الأنثروبومترية والحالات الطبية، ضمن مساحة كامنة وصفية. من خلال استخدام دوال خسارة متطورة تتماشى مع الإرشادات الغذائية المعتمدة من هيئة سلامة الغذاء الأوروبية (EFSA) ومنظمة الصحة العالمية (WHO)، ينتج النظام المقترح خطط وجبات أسبوعية دقيقة وشخصية تلبي احتياجات المستخدمين من الطاقة والتغذية.
تظهر التجارب الواسعة التي أجريت على كل من الملفات الشخصية الافتراضية والحقيقية دقة الطريقة الاستثنائية وإمكاناتها للتكامل في أنظمة التوصية الغذائية المستقبلية. إن دمج ChatGPT لا يزيد فقط من تنوع خيارات الوجبات من خلال الاستفادة من مطابخ متنوعة، ولكنه يعزز أيضًا الدقة العامة للتوصيات. تهدف الأعمال المستقبلية إلى توسيع قاعدة المعرفة للطريقة لتشمل مطابخ دولية متنوعة وتفضيلات غذائية، مثل النباتية وخيارات خالية من الغلوتين، مع معالجة الاحتياجات الغذائية المحددة. بالإضافة إلى ذلك، سيتم تقييم رضا المستخدمين واعتماد خطط الوجبات في الدراسات اللاحقة لضمان فعالية الطريقة وموثوقيتها في التطبيقات الواقعية.
الطرق
توضح قسم “النتائج التجريبية” المنهجيات المستخدمة لتقييم الفرضيات المقدمة في الدراسة. تم تصميم التجارب لتقييم تأثيرات المتغيرات المستقلة على النتائج التابعة بشكل منهجي. شملت جمع البيانات سلسلة من التجارب المنضبطة، مما يضمن تقليل العوامل الخارجية لتعزيز موثوقية النتائج.
تم إجراء تحليلات إحصائية لتفسير النتائج، باستخدام تقنيات مثل ANOVA وتحليل الانحدار لتحديد دلالة التأثيرات الملحوظة. أشارت النتائج إلى وجود علاقة واضحة بين المتغيرات، مع قيم p أقل من 0.05 مما يشير إلى دلالة إحصائية قوية. تسهم هذه النتائج في الفهم الأوسع لموضوع البحث، مما يبرز آثار النتائج على الدراسات المستقبلية والتطبيقات العملية.
النتائج
تظهر نتائج الدراسة فعالية ChatGPT في توليد وجبات مكافئة عبر مطابخ متنوعة، مع الحفاظ على ملفات غذائية مشابهة لتلك الموجودة في قاعدة بيانات بروتين NAP. كشفت التحليلات أن معظم الوجبات المكافئة أظهرت فرقًا حراريًا أقل من 25 سعرة حرارية، مع اختلاف جميع الوجبات بأقل من 100 سعرة حرارية. كانت الفروق المتوسطة في المغذيات الكبيرة أيضًا ضئيلة، مما يشير إلى أن ChatGPT يمكنه إنتاج وجبات تتماشى عن كثب مع قاعدة البيانات الأصلية. أكدت التحليلات الإحصائية على الأهمية العالية لهذه النتائج، مع قيم p في الغالب أقل من 0.001، مما يؤكد فرضية تكافؤ الوجبات بثقة 99.9%.
علاوة على ذلك، تم تقييم محرك توصية النظام الغذائي المقترح باستخدام 3000 ملف شخصي للمستخدمين، محققًا دقة في استهلاك الطاقة تساوي صفرًا بسبب تعديلات المحسن ودقة متوسطة في المغذيات الكبيرة تتجاوز 81% عبر المطابخ. كما أظهر النظام تنوعًا كبيرًا في الوجبات، مع درجات متوسطة حوالي 4.98، مما يضمن خطط وجبات متنوعة تعزز التزام المستخدم. في الاختبار مع 1000 ملف شخصي حقيقي، أنشأ النظام 7000 خطة وجبة يومية، محققًا دقة مثالية في استهلاك الطاقة ومتوسط دقة في المغذيات الكبيرة بنسبة 84.19%، مما يظهر قابليته العملية ومرونته لتلبية احتياجات المستخدمين المختلفة، بما في ذلك أولئك الذين لم يكونوا موجودين في بيانات التدريب.
المناقشة
في السنوات الأخيرة، حظي تطوير أنظمة توصية التغذية الشخصية باهتمام كبير، مع ظهور أساليب متنوعة، بما في ذلك الأنظمة القائمة على المحتوى، والترشيح التعاوني، والأنظمة القائمة على المعرفة، وطرق التعلم العميق. تقوم الأنظمة القائمة على المحتوى بتحليل خصائص الطعام وتفضيلات النظام الغذائي للمستخدمين لتوليد اقتراحات للوجبات، بينما يستفيد الترشيح التعاوني من تفاعلات المستخدمين لتوصية الوجبات بناءً على أنماط الأكل المتشابهة. تشمل المساهمات البارزة خوارزميات هارفي وآخرين التي تأخذ في الاعتبار تفضيلات المكونات، وشبكات المكونات التي اقترحها تنغ وآخرون لتقييم الوصفات، ومساعد الواقع المعزز الذي اقترحه غوتيريز وآخرون لتوصيات جودة الطعام. تدمج الأنظمة القائمة على المعرفة، مثل تلك التي اقترحها يونغ وتشونغ، المعرفة الغذائية من الخبراء لإنشاء قوائم غذائية مخصصة، خاصة للسكان المحددين مثل الأفراد البدينين. تم تطبيق التقدمات الحديثة في التعلم العميق أيضًا، مع استخدام طرق تعتمد على الشبكات العصبية لتعزيز توصيات الوجبات بناءً على ملفات تعريف المستخدمين واحتياجاتهم الغذائية.
على الرغم من هذه التقدمات، لا تزال العديد من الأنظمة الحالية تقدم توصيات عامة قد لا تلبي الاحتياجات الفردية. لمعالجة هذا القيد، استكشفت الدراسات الحديثة استخدام نماذج اللغة الكبيرة (LLMs) مثل ChatGPT للحصول على نصائح غذائية شخصية. على سبيل المثال، أظهر نيسزكوتا وآخرون قدرة ChatGPT على إنشاء أنظمة غذائية متوازنة، بينما ركز تساي وآخرون على التغذية المخصصة للسكان المحرومين. ومع ذلك، لا تزال هناك تحديات مثل عدم الدقة في التوصيات الغذائية ومخاوف الخصوصية. يقدم البحث المقترح شبكة توليد عميقة جديدة تجمع بين مزايا الذكاء الاصطناعي وإرشادات التغذية من الخبراء لتوليد خطط وجبات أسبوعية دقيقة. يستخدم هذا النظام مشفرًا تلقائيًا متغيرًا لمعالجة ملفات تعريف المستخدمين وشبكة عصبية متكررة لتوليد تسلسلات الوجبات، مما يضمن توافق التوصيات مع متطلبات وتفضيلات المستخدمين الغذائية. بالإضافة إلى ذلك، يوسع دمج ChatGPT قاعدة بيانات الوجبات، مما يسمح بمزيد من الاقتراحات الغذائية المتنوعة والدقيقة المخصصة لمجموعات المستخدمين المختلفة.
DOI: https://doi.org/10.1038/s41598-024-65438-x
PMID: https://pubmed.ncbi.nlm.nih.gov/38918477
Publication Date: 2024-06-25
Author(s): Ilias Papastratis et al.
Primary Topic: Technology and Data Analysis
Overview
This research paper presents a novel AI-based nutrition recommendation method that integrates deep generative networks and Large Language Models (LLMs), specifically ChatGPT, to enhance personalized dietary advice. The method employs a variational autoencoder to effectively model user characteristics, such as anthropometric measurements and medical conditions, within a descriptive latent space. By utilizing sophisticated loss functions aligned with established nutritional guidelines from the European Food Safety Authority (EFSA) and the World Health Organization (WHO), the proposed system generates accurate and personalized weekly meal plans that cater to users’ energy and nutritional requirements.
Extensive experiments conducted on both virtual and real user profiles demonstrate the method’s exceptional accuracy and its potential for integration into future dietary recommendation systems. The incorporation of ChatGPT not only increases the variety of meal options by drawing from diverse cuisines but also enhances the overall accuracy of the recommendations. Future work aims to expand the method’s knowledge base to include various international cuisines and dietary preferences, such as veganism and gluten-free options, while also addressing specific dietary needs. Additionally, user satisfaction and adoption of the meal plans will be evaluated in subsequent studies to ensure the method’s effectiveness and trustworthiness in real-world applications.
Methods
The section on “Experimental Results” outlines the methodologies employed to assess the hypotheses presented in the study. The experiments were designed to systematically evaluate the effects of the independent variables on the dependent outcomes. Data collection involved a series of controlled trials, ensuring that external factors were minimized to enhance the reliability of the findings.
Statistical analyses were conducted to interpret the results, employing techniques such as ANOVA and regression analysis to determine the significance of the observed effects. The results indicated a clear correlation between the variables, with p-values less than 0.05 suggesting strong statistical significance. These findings contribute to the broader understanding of the research topic, highlighting the implications of the results for future studies and practical applications.
Results
The results of the study demonstrate the effectiveness of ChatGPT in generating equivalent meals across various cuisines, maintaining similar nutritional profiles to those in the Protein NAP database. The analysis revealed that most equivalent meals exhibited a caloric difference of less than 25 calories, with all meals differing by less than 100 calories. The mean differences in macronutrients were also minimal, indicating that ChatGPT can produce meals that align closely with the original database. Statistical analysis confirmed the high significance of these findings, with p-values predominantly below 0.001, affirming the hypothesis of meal equivalence with 99.9% confidence.
Furthermore, the proposed diet recommendation engine was evaluated using 3000 user profiles, achieving an energy intake accuracy of zero due to the optimizer’s adjustments and an average macronutrient accuracy exceeding 81% across cuisines. The system also demonstrated substantial meal variability, with average scores around 4.98, ensuring diverse meal plans that promote user adherence. In testing with 1000 real user profiles, the system generated 7000 daily meal plans, achieving a perfect average energy intake accuracy and an 84.19% average macronutrient accuracy, showcasing its practical applicability and adaptability to various user needs, including those not present in the training data.
Discussion
In recent years, the development of personalized nutrition recommendation systems has gained significant attention, with various approaches emerging, including content-based, collaborative filtering, knowledge-based, and deep learning methods. Content-based systems analyze food properties and user dietary preferences to generate meal suggestions, while collaborative filtering leverages user interactions to recommend meals based on similar eating patterns. Notable contributions include Harvey et al.’s algorithms that consider ingredient preferences, Teng et al.’s ingredient networks for recipe ratings, and Gutiérrez et al.’s augmented-reality assistant for food quality recommendations. Knowledge-based systems, such as those proposed by Jung and Chung, integrate expert nutritional knowledge to create tailored diet menus, particularly for specific populations like obese individuals. Recent advancements in deep learning have also been applied, with methods utilizing neural networks to enhance meal recommendations based on user profiles and dietary needs.
Despite these advancements, many existing systems still provide generic recommendations that may not cater to individual needs. To address this limitation, recent studies have explored the use of large language models (LLMs) like ChatGPT for personalized nutrition advice. For instance, Niszczota et al. demonstrated ChatGPT’s ability to create balanced diets, while Tsai et al. focused on tailored nutrition for underserved populations. However, challenges such as inaccuracies in dietary recommendations and privacy concerns remain. The proposed research introduces a novel deep generative network that combines the strengths of AI and expert nutritional guidelines to generate accurate weekly meal plans. This system employs a variational autoencoder to process user profiles and a recurrent neural network to generate meal sequences, ensuring that the recommendations align with users’ nutritional requirements and preferences. Additionally, the integration of ChatGPT expands the meal database, allowing for more diverse and accurate dietary suggestions tailored to various user groups.