به گزارش ایسنا، در سالهای اخیر، توصیههای تغذیهای برای کاهش خطر بیماریهایی مثل دیابت و مشکلات قلبی-عروقی بهخوبی تدوین شدهاند. با این حال، مسئله اصلی برای اغلب افراد این است که «از کجا شروع کنیم؟» فاصله بین دانستنِ اصول کلی مثل کاهش نمک، افزایش سبزیجات یا انتخاب مواد کمتر فرآوریشده و اجرا کردن آنها در صبحانه، ناهار و شامِ واقعی، فاصلهای روزمره و تکرارشونده است. خیلی وقتها افراد با برنامههایی روبهرو میشوند که تغییرات گسترده میخواهند؛ تغییراتی که یا با ذائقه خانواده سازگار نیست، یا وقت و هزینه بیشتری میطلبد، یا آنقدر پیچیده است که به سردرگمی و رها کردن برنامه میانجامد.
ضرورت پرداختن به این موضوع فقط «سلامت» نیست؛ «هزینه» هم هست. انتخابهای غذایی در زندگی واقعی تحت تأثیر قیمت مواد اولیه، عادتهای غذایی، دسترسی به مواد تازه و حتی زمان آمادهسازی قرار دارند. به همین دلیل، ابزارهای توصیهگر غذایی اگر بخواهند واقعاً کاربردی باشند، باید هم به قابلاجرا بودن پیشنهادها فکر کنند و هم به مقرونبهصرفه بودن آنها. از این زاویه، ایده «تغییرات کوچک اما هدفمند» اهمیت پیدا میکند: بهجای بازطراحی کامل یک وعده، تنها یک تا سه جایگزینی که هم مزه و سبک کلی غذا را حفظ کند و هم آن را به معیارهای تغذیهای نزدیکتر سازد.
در همین راستا، ترِوِر چان و ایلیاس تاگکوپولوس از دانشگاه کالیفرنیا، دیویس پژوهشی انجام دادهاند که در آن یک چارچوب هوش مصنوعی برای پیشنهاد جایگزینی مواد غذایی در وعدهها بررسی شده است. این کار، با تکیه بر ایده تبدیل استانداردها و راهنمای غذایی به «تغییرات سطحِ وعده» پیش رفته؛ یعنی بهجای گفتنِ کلیِ «این خوب است/آن بد است»، بهطور ساده نشان میدهد در یک وعده مشابه آنچه مردم واقعاً میخورند، کدام یکی تا سه ماده میتواند عوض شود تا وعده سالمتر و کمهزینهتر شود.
در روش کار، پژوهشگران از دادههای بیش از ۱۳۵ هزار وعده غذایی ثبتشده توسط بالغ بر ۵۵ هزار فرد بزرگسال در مطالعهای موسوم به «What We Eat in America» استفاده کردند تا الگوهای رایج وعدههای صبحانه، ناهار و شام را استخراج کنند. سپس یک مدل «هوش مصنوعی مولد» یعنی مدلی که میتواند نمونههای جدید و واقعگرایانه تولید کند آموزش دادند تا وعدههایی بسازد که شبیه الگوهای واقعی مردم باشد و همزمان اندازه سهمها را هم تنظیم کند. بعد بررسی کردند آیا این سامانه میتواند در هر وعده، فقط با یک، دو یا سه جایگزینی مواد اولیه، کیفیت تغذیه و هزینه وعده را بهتر کند یا نه.
بر اساس نتایج، وعدههایی که هوش مصنوعی تولید کرده بود، در مقایسه با وعدههای واقعیِ همان الگوی غذایی، ۴۷ درصد به «اهداف تغذیهای USDA» نزدیکتر بود؛ در عین حال از نظر نوع کلی وعده و طعمهای غالب، شبیه چیزهایی باقی میماند که مردم واقعاً میخورند. همچنین وقتی جایگزینی مواد اعمال شد، تعویض یک تا سه ماده غذایی باعث بهبود حدود ۱۰ درصدی کیفیت تغذیه شد و همزمان هزینه برآوردشده وعدهها ۲۲ تا ۳۴ درصد کمتر شد.
رایجترین پیشنهادهای این سامانه شامل افزودن سبزیجات یا ترین (مثل لوبیا و عدس) و جایگزینی مواد پرنمک یا فرآوریشده بود. پژوهشگران همچنین گزارش کردند در مقایسه با یک مدل عمومی و غیرتخصصی یعنی GPT-۴o، مدل آموزشدیده آنها وعدههایی تولید کرد که از نظر درشتمغذیها (مانند پروتئین، چربی و کربوهیدرات) به راهنمای USDA نزدیکتر بود. با این حال، محققان تأکید کردهاند ارزیابی این مطالعه کاملاً محاسباتی بوده و با کاربران واقعی آزمایش نشده است.
از نکات تکمیلی مهم مطالعه فوق، باید به این موضوع اشاره کرد که چارچوب مورد بحث، بهجای «محرومیت غذایی» بر «قابلپذیرش بودن» تمرکز دارد. پژوهشگران میگویند سالمتر خوردن لزوماً به معنی کنار گذاشتن غذاهای محبوب نیست و گاهی چند تعویض کوچک میتواند وعده را به توصیههای تغذیهای نزدیکتر کند، بدون اینکه غذا غیرقابلشناسایی یا ناآشنا شود. همچنین توجه همزمان به بودجه، این ایده را برای برنامههای سلامت عمومی و اپلیکیشنهای مصرفکننده جذاب میکند، چون پیشنهادها میتواند هم واقعگرایانه باشد و هم از نظر هزینه قابل دفاع.
همچنین این مطالعه که نتایج آن در نشریه دسترسیآزاد و بسیار معتبر PLOS Digital Health منتشر شدهاند، نشان میدهد وقتی راهنماهای غذایی فقط «چه چیز سالم است» را بیان میکنند، یک ابزار هوشمند میتواند به بخش سختتر ماجرا کمک کند: «چطور از وعدههای فعلی خودمان به نسخه سالمتر برسیم».
مجریان این تحقیق در انتها جمعبندی کردهاند که در بسیاری از موارد، لازم نیست کل وعده از نو طراحی شود؛ تغییرات هدفمندِ محدود میتواند هم سالمتر و هم اقتصادیتر باشد، در حالی که مزه کلی حفظ میشود.
انتهای پیام
