論文の概要: Investigating Health-Aware Smart-Nudging with Machine Learning to Help
People Pursue Healthier Eating-Habits
- arxiv url: http://arxiv.org/abs/2110.07045v1
- Date: Tue, 5 Oct 2021 10:56:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-17 04:44:13.787407
- Title: Investigating Health-Aware Smart-Nudging with Machine Learning to Help
People Pursue Healthier Eating-Habits
- Title（参考訳）: 健康に配慮したスマート看護の機械学習による調査
- Authors: Mansura A Khan, Khalil Muhammad, Barry Smyth, David Coyle
- Abstract要約: 本稿では,より健康的なレシピを選択するための3つの新しいヌード技術であるWHO-BubbleSlider,FSA-ColorCoading,DRCI-MLCPを提案する。
その結果、食品の意思決定プロセスの間、適切な健康対策により、ユーザーはより健康的なレシピをクリックし、閲覧し、選択しやすくなった。
- 参考スコア（独自算出の注目度）: 12.07862191291072
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Food-choices and eating-habits directly contribute to our long-term health.
This makes the food recommender system a potential tool to address the global
crisis of obesity and malnutrition. Over the past decade,
artificial-intelligence and medical researchers became more invested in
researching tools that can guide and help people make healthy and thoughtful
decisions around food and diet. In many typical (Recommender System) RS
domains, smart nudges have been proven effective in shaping users' consumption
patterns. In recent years, knowledgeable nudging and incentifying choices
started getting attention in the food domain as well. To develop smart nudging
for promoting healthier food choices, we combined Machine Learning and RS
technology with food-healthiness guidelines from recognized health
organizations, such as the World Health Organization, Food Standards Agency,
and the National Health Service United Kingdom. In this paper, we discuss our
research on, persuasive visualization for making users aware of the healthiness
of the recommended recipes. Here, we propose three novel nudging technology,
the WHO-BubbleSlider, the FSA-ColorCoading, and the DRCI-MLCP, that encourage
users to choose healthier recipes. We also propose a Topic Modeling based
portion-size recommendation algorithm. To evaluate our proposed smart-nudges,
we conducted an online user study with 96 participants and 92250 recipes.
Results showed that, during the food decision-making process, appropriate
healthiness cues make users more likely to click, browse, and choose healthier
recipes over less healthy ones.
- Abstract（参考訳）: 食物選択と食生活は、我々の長期的な健康に直接貢献する。
これにより、食品推奨システムは、肥満と栄養失調の世界的な危機に対処する潜在的なツールとなる。
過去10年間で、人工知能と医学の研究者は、人々が食べ物や食事に関する健康的かつ思慮深い意思決定を指導し、支援するツールの研究により多くの投資をした。
多くの一般的な(Recommender System)RSドメインにおいて、スマートナッジはユーザの消費パターンを形作るのに有効であることが証明されている。
近年、食品分野でも知識のあるヌードやインセンティブの選択が注目されるようになった。
より健康的な食品選択を促進するためのスマートヌージングを開発するために,我々は,世界保健機関,食品基準局,英国国民保健サービスなどの認定保健機関の食品健康ガイドラインと機械学習とRS技術を組み合わせた。
本稿では,推奨レシピの健全さをユーザに知らしめるための,説得力のある可視化に関する研究について論じる。
本稿では,ユーザがより健康的なレシピを選択することを奨励する,WHO-BubbleSlider,FSA-ColorCoading,DRCI-MLCPの3つの新しいヌード技術を提案する。
また,トピックモデリングに基づく部分サイズレコメンデーションアルゴリズムを提案する。
提案したスマートナッジを評価するために,96名の参加者と92250名のレシピを用いたオンラインユーザスタディを行った。
その結果、食品の意思決定プロセスの間、適切な健康対策により、ユーザーはより健康的なレシピをクリックし、閲覧し、選択しやすくなった。
関連論文リスト
- NutritionVerse-Direct: Exploring Deep Neural Networks for Multitask Nutrition Prediction from Food Images [63.314702537010355]
自己申告法はしばしば不正確であり、重大な偏見に悩まされる。
近年、食品画像から栄養情報を予測するためにコンピュータビジョン予測システムを用いた研究が進められている。
本稿では,様々なニューラルネットワークアーキテクチャを活用することにより,食事摂取量推定の有効性を高めることを目的とする。
論文 参考訳（メタデータ） (2024-05-13T14:56:55Z) - How Much You Ate? Food Portion Estimation on Spoons [63.611551981684244]
現在の画像に基づく食品部分推定アルゴリズムは、ユーザが食事の画像を1、2回取ることを前提としている。
本稿では,静止型ユーザ向けカメラを用いて,機器上の食品の追跡を行う革新的なソリューションを提案する。
本システムは,スープやシチューなどの液状固形不均一混合物の栄養含量の推定に信頼性が高い。
論文 参考訳（メタデータ） (2024-05-12T00:16:02Z) - Image-Based Dietary Assessment: A Healthy Eating Plate Estimation System [0.0]
食生活の栄養質は過去20年から30年の間に著しく悪化し、人々はしばしば低下を過小評価している。
本稿では,イメージ分析による食事の健康度評価を目的とした,革新的なイメージベース食事アセスメントシステムを提案する。
本システムでは, 皿上の食品を解析し, その割合を評価し, ハーバード大学の健康食品推奨事項に対する食事の付着度を計算するために, 高度な画像分割と分類技術を用いている。
論文 参考訳（メタデータ） (2024-03-02T21:01:01Z) - A Food Recommender System in Academic Environments Based on Machine
Learning Models [3.42658286826597]
Decision Tree, k-Nearest Neighbors (kNN), AdaBoost, Baggingなどの機械学習モデルについて, 食品レコメンデーションシステムの分野で検討した。
AdaBoostモデルは73.70%の精度で最高性能である。
論文 参考訳（メタデータ） (2023-06-26T11:43:37Z) - NutritionVerse-3D: A 3D Food Model Dataset for Nutritional Intake
Estimation [65.47310907481042]
高齢者の4人に1人は栄養不良です。
機械学習とコンピュータビジョンは、食品の自動栄養トラッキング方法の約束を示す。
NutritionVerse-3Dは、105個の3D食品モデルの大規模な高解像度データセットである。
論文 参考訳（メタデータ） (2023-04-12T05:27:30Z) - MenuAI: Restaurant Food Recommendation System via a Transformer-based
Deep Learning Model [15.248362664235845]
本稿では,新しいレストラン料理推薦システムを提案する。
光学文字認識(OCR)技術とトランスフォーマーベースのディープラーニングモデルであるLearning to Rank(LTR)モデルを使用する。
我々のシステムは、入力された検索キー(例えば、カロリー、タンパク質レベル)で食品料理をランク付けすることができる。
論文 参考訳（メタデータ） (2022-10-15T11:45:44Z) - Towards the Creation of a Nutrition and Food Group Based Image Database [58.429385707376554]
栄養・食品群に基づく画像データベースを構築するための枠組みを提案する。
米国農務省食品栄養データベース(FNDDS)における食品群に基づく食品コードリンクプロトコルを設計する。
提案手法は16,114個の食品データセットを含む栄養・食品群に基づく画像データベースを構築するために用いられる。
論文 参考訳（メタデータ） (2022-06-05T02:41:44Z) - Learning Personal Food Preferences via Food Logs Embedding [1.1534313664323634]
食品ログから食品の嗜好を学習する手法を提案する。
提案手法は,ユーザの最も頻繁に食べられる食品の82%を同定する。
論文 参考訳（メタデータ） (2021-10-29T02:36:24Z) - Vision-Based Food Analysis for Automatic Dietary Assessment [49.32348549508578]
本総説では, 食品画像分析, 容積推定, 栄養素抽出の3段階からなる, 統合型ビジョンベース食事評価(VBDA)の枠組みを概説する。
深層学習により、VBDAは徐々にエンドツーエンドの実装へと移行し、単一のネットワークに食品画像を適用して栄養を直接見積もる。
論文 参考訳（メタデータ） (2021-08-06T05:46:01Z) - Towards Building a Food Knowledge Graph for Internet of Food [66.57235827087092]
食品分類から食品分類、食品知識グラフまで、食品知識組織の進化を概観する。
食品知識グラフは、食品検索と質問回答(QA)、パーソナライズされた食事レコメンデーション、食品分析、可視化において重要な役割を果たす。
食品知識グラフの今後の方向性は、マルチモーダル食品知識グラフや食品インテリジェンスなど、いくつかの分野をカバーする。
論文 参考訳（メタデータ） (2021-07-13T06:26:53Z) - Personalized Food Recommendation as Constrained Question Answering over
a Large-scale Food Knowledge Graph [16.58534326000209]
本稿では,大規模食品知識ベース/グラフ(KBQA)上での制約付き質問応答として,食品推薦のための新たな問題定式化を提案する。
ユーザクエリからの要求に加えて、ユーザの食事嗜好と健康ガイドラインからのパーソナライズされた要求が統一された方法で処理される。
我々のアプローチは非パーソナライズドのアプローチを大きく上回っている。
論文 参考訳（メタデータ） (2021-01-05T20:38:16Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。