論文の概要: Investigating the Ability of Large Language Models to Analyze Recipes for Diabetes

• arxiv url: http://arxiv.org/abs/2609.03967v1
• Date: Thu, 03 Sep 2026 15:03:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:39.125489
• Title: Investigating the Ability of Large Language Models to Analyze Recipes for Diabetes
• Title（参考訳）: 糖尿病のレシピ分析における大規模言語モデルの有用性の検討
• Abstract要約: 糖尿病に適したレシピが3807、糖尿病に適さないレシピが3800、7607である。 以上の結果から,ほとんどのLCMは有害な結果を防ぐためにレシピの予測に慎重であることが示唆された。 全体として、Mistral-7BとLlama 70Bは同等の性能を示した。
• 参考スコア（独自算出の注目度）: 0.9855443115851177
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Several studies have evaluated the ability of Large Language Models (LLMs) for meal planning, yielding positive outcomes. These models can process natural language inputs and leverage learned knowledge from their pretraining to generate meal plans. In this work, we investigate the ability of LLMs to analyze the suitability of given recipes for diabetes. The primary challenge for LLMs is to retrieve relevant dietary guidelines for diabetes, decompose recipes into ingredients and cooking methods, and apply these guidelines to determine the recipe's suitability. To study these challenges, we employ three kinds of prompts namely, (i) Direct Query Prompt (ii) Context-Guided Prompt, and (iii) Exemplary Context Prompt that incorporate different levels of diabetes dietary guidelines from medical sources. We introduce a benchmark dataset curated for this investigation consisting of 7607 recipes that include 3807 recipes suitable for diabetes and 3800 recipes not suitable for diabetes. Our results demonstrate that most LLMs are cautious in predicting recipes as suitable to prevent detrimental outcomes. Further, the models that can reason using the dietary guidelines performed better in predicting the suitability of recipes for diabetes. Overall, Mistral-7B and Llama 70B showed superior performance to their counterparts.
• Abstract（参考訳）: いくつかの研究は、食事計画におけるLarge Language Models (LLMs) の能力を評価し、肯定的な結果をもたらした。 これらのモデルは自然言語入力を処理し、事前学習から学習した知識を活用して食事計画を生成することができる。 本研究では, LLMが糖尿病のレシピに適合するかどうかを解析する能力について検討する。 LLMの最大の課題は、糖尿病に関する食事ガイドラインを検索し、レシピを材料や調理方法に分解し、これらのガイドラインを適用してレシピの適合性を決定することである。 これらの課題を研究するために、私たちは3種類のプロンプト、すなわち3つの種類のプロンプトを使用します。 (i)ダイレクトクエリプロンプト (二)文脈ガイドプロンプト、及び 三 医療機関から異なるレベルの糖尿病食事ガイドラインを取り入れた模範的コンテキストプロンプト。 糖尿病に適したレシピが3807、糖尿病に適さないレシピが3800、7607である。 以上の結果から,ほとんどのLCMは有害な結果を防ぐためにレシピの予測に慎重であることが示唆された。 さらに, 食事ガイドラインを合理的に活用できるモデルは, 糖尿病のレシピの適合性を予測するのに有効であった。 全体として、Mistral-7BとLlama 70Bは同等の性能を示した。

関連論文リスト

• MetaPlate: Counterfactual-Guided RAG-LLM Tool for Personalized Food Recommendation and Hyperglycemia Prevention [1.962656580942496]
  先天性高血糖は代謝異常の重要な危険因子である。 既存の食事指導は静的で、実用的でなく、パーソナライズが不十分であることが多い。 パーソナライズされた食事レコメンデーションを生成するコンテキスト認識フレームワークであるMetaPlateを提案する。
  論文  参考訳（メタデータ） (2026-06-08T19:52:08Z)
• GLEN-Bench: A Graph-Language based Benchmark for Nutritional Health [48.94971812317643]
  GLEN-Benchは,栄養学的健康評価のためのグラフ言語に基づく最初の総合ベンチマークである。 GLEN-Benchは3つの関連タスクを含む: リスク検出は、食生活や社会経済的パターンからリスクのある個人を識別する; 推奨は、リソース制約の中で臨床ニーズを満たすパーソナライズされた食品を提案する。 我々の分析では、健康リスクに関連する明確な食事パターンを特定し、実践的な介入を導くための洞察を提供する。
  論文  参考訳（メタデータ） (2026-01-26T03:32:46Z)
• DM-Bench: Benchmarking LLMs for Personalized Decision Making in Diabetes Management [1.8289322713164966]
  実世界の意思決定タスクにおける大規模言語モデル(LLM)の性能を評価するために設計された最初のベンチマークであるDM-Benchを提案する。 我々のベンチマークは7つの異なるタスクカテゴリを含んでおり、糖尿病患者が質問する現実世界の質問の幅を反映している。 このベンチマークを確立することで、糖尿病治療におけるAIソリューションの信頼性、安全性、有効性、実用性を向上することを目指している。
  論文  参考訳（メタデータ） (2025-09-26T15:08:30Z)
• MOPI-HFRS: A Multi-objective Personalized Health-aware Food Recommendation System with LLM-enhanced Interpretation [50.309987904297415]
  Yelpのような主要な食品レコメンデーションプラットフォームは、ユーザの選択した健康性よりも、ユーザの食事の好みを優先している。 我々はMOPI-HFRS(Multi-Objective Personalized Interpretable Health-Aware Food Recommendation System)を開発した。 ユーザの好み、パーソナライズされた健康、栄養の多様性の3つの目標と、大きな言語モデル(LLM)強化推論モジュールを共同で最適化することで、食品レコメンデーションを提供する。
  論文  参考訳（メタデータ） (2024-12-12T01:02:09Z)
• Retrieval Augmented Recipe Generation [96.43285670458803]
  本稿では,レシピ生成のための拡張型大規模マルチモーダルモデルを提案する。 既存のデータストアからサプリメントとして、イメージにセマンティックに関連付けられたレシピを検索する。 生成したレシピ候補間の一貫性を計算し、異なる検索レシピを生成のコンテキストとして使用する。
  論文  参考訳（メタデータ） (2024-11-13T15:58:50Z)
• Identifying and Decomposing Compound Ingredients in Meal Plans Using Large Language Models [6.477074442920329]
  本研究では, 食事計画における大規模言語モデルの有効性について検討し, 複合成分の識別・分解能力に着目した。 GPT-4o, Llama-3 (70b), Mixtral (8x7b) の3種類のモデルを用いて, 複合成分の認識・分解能力の評価を行った。 予備的な結果は、Llama-3 (70b) と GPT-4o が正確な分解に優れているのに対して、全てのモデルは調味料や油などの必須成分を同定することが困難であることを示している。
  論文  参考訳（メタデータ） (2024-11-08T12:38:10Z)
• NutriBench: A Dataset for Evaluating Large Language Models on Nutrition Estimation from Meal Descriptions [6.223619389512576]
  NutriBenchは、初めて公開された自然言語による食事記述栄養ベンチマークである。 世界の食事摂取データから生成された11,857件の食事記述から成っている。 データは人間によって検証され、炭水化物、タンパク質、脂肪、カロリーを含むマクロ栄養ラベルで注釈付けされている。
  論文  参考訳（メタデータ） (2024-07-04T15:10:51Z)
• 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)
• Knowledge-Infused LLM-Powered Conversational Health Agent: A Case Study for Diabetes Patients [5.681077687942451]
  糖尿病患者に対する知識注入型LLMを用いた会話型健康エージェント(CHA)を提案する。 オープンソースのopenCHAフレームワークをカスタマイズして活用し、外部知識と分析能力でCHAを強化します。 本評価では,毎日の食事選択に関する糖尿病関連質問100件と,提案した食事に関する潜在的なリスクについて検討した。
  論文  参考訳（メタデータ） (2024-02-15T18:00:02Z)
• Large Language Model Distilling Medication Recommendation Model [58.94186280631342]
  大規模言語モデル(LLM)の強力な意味理解と入力非依存特性を利用する。 本研究は, LLMを用いて既存の薬剤推奨手法を変換することを目的としている。 これを軽減するため,LLMの習熟度をよりコンパクトなモデルに伝達する機能レベルの知識蒸留技術を開発した。
  論文  参考訳（メタデータ） (2024-02-05T08:25:22Z)
• 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)

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。