Food Label Evidence

Mëssung

Firwat Dir keng eng Portioun schätzen kënnt

D'Feeler bei der Portiounsschätzung sinn grouss genuch fir déi meescht vun de Verännerungen, déi d'Leit an hirer Diät probéieren, ze iwwerwältegen. Dëst ass d'Problem fir wat d'Fudder-Scan Apps existéieren.

Aktualiséiert 3 Minutten ze liesen 17 Zitéierungen Beweisstäerkt 4/5

D'Gréisst vum Problem

Eng systematesch Iwwerpréiwung vun der Portiounsschätzung [3] an vun den Erënnerungsfeeler [2] fënnt Feeler, déi routineméisseg zéng Prozent erreechen. Wichteg ass, datt d'Feeler virstellend sinn, net zoufälleg: d'Leit underrapportéieren, an underrapportéieren méi wann d'Intake méi héich ass an wann d'Fudder eent ass, fir dat si sech beurteelt fillen.

Validatioun géint d'doubly labelled water — d'Referenzmethod, déi op eiser Metabolismus-Säit behandelt gëtt — quantifizéiert dëst direkt. Et ass firwat e Fudderdësch, deen 1.600 kcal weist, begleet vun kengem Gewiichtsännerung, normalerweis e Mëssmessungsproblem an net e metabolistescht.

Feeler bei der Portiounsschätzung

Firwat et schwéier ass

  • D'Volumenwahrnehmung ass net-linear. D'Dopplung vum Duerchmiesser vun engem Schossel verduebelt méi wéi d'Inhalter, an d'Leit schätzen no der Breet.
  • Kachueleg ass onsichtbar. Eng Esslöffel huet méi wéi 100 kcal an ass an kee Gedächtnis vun enger Mëss geschitt.
  • Verpackung definéiert Portiounen. Eng "Portioun" ass dat, wat de Container gehal huet.
  • Referenzobjekter falen. "Handgréisst" variéiert mat der Hand.
  • Erënnerung rekonstruktéiert. D'Leit erënneren, wat si normalerweis iessen, net wat si gegoss hunn.

Formatioun hëlleft, an eng systematesch Iwwerpréiwung vun den Effekter vun der Formatioun [4] weist, datt d'Verbesserung verschwënnt ouni Verstärkung — d'gewéinlech Feststellung fir eng perceptuell Fäegkeet.

Kann Technologie et reparéieren?

Dëst ass wou bildbaséiert diätetescher Bewäertung kënnt: fotograféiert d'Mëss, loosst e Modell d'Fudder identifizéieren an d'Volumen schätzen. Validatiounsstudien géint Referenzmethoden existéieren, an erweiderte Realitéit gouf als Schätzungshelfer iwwerpréift [1].

Ehrlech Zesummefaassung: bildbaséiert Methoden sinn imperfekt an besser wéi Erënnerung. Si läschen den Erënnerungsschritt, deen d'grouss Feelerquell ass, an si erben nei Feeler ronderëm d'Tiefeschätzung an d'verborgene Zutaten. Géint e Fudderdësch, deen aus Gedächtnis um Bettzäit geschriwwe gouf, ass dat eng kloer Verbesserung. Géint eng Kichenwaage ass et net.

Wat dëst fir d'Trackung bedeit

Benotzt getrackte Kalorien als relativen Signal, net als absolut. Wann Äre loggéiert Intake konsequent ass vun Woch zu Woch an Äert Gewiicht net beweegt, ass d'benotzbar Beweegung eppes ze änneren an d'Trend ze beobachten — net dem Integer ze vertrauen. D'Konsistenz vun der Method ass vill méi wichteg wéi d'Genauigkeit vun der Method, well eng konsequent Virstellung annuléiert wann Dir Iech selwer vergläicht.

Gemeinsam Froen

Wéi falsch ass mäi Fudderdësch?
Systematesch ënner, oft vun zéng Prozent, an nach méi héich bei méi héijen Intake [2][3].
Si sinn d'Foto-baséiert Apps genau?
Besser wéi Erënnerung, schlechter wéi Wäertung. Si läschen den Erënnerungsfeeler an addéieren Schätzungsfeeler.
Sollt ech alles wäerten?
Fir e puer Wochen ass et wierklech edukativ. Unendlech, déi meescht Leit stoppen — an eng Method, déi Dir verléisst, huet eng Genauigkeit vun null.
Firwat seet meng App, datt ech 1.500 kcal gegoss hunn an ech verléieren net?
Fast ëmmer Underrapportéierung an net Metabolismus. Kuckt eis Metabolismus-Säit.

Referenzen

All Zitéierungen hei ënnen verlinken op den originale peer-reviewed Record op PubMed oder iwwer DOI. Nichts hei ass e Substitut fir medizinesch Berodung.

  1. Application of Augmented Reality Technology as a Dietary Monitoring and Control Measure Among Adults: A Systematic Review Gonzalez GV, Mao B, Wang R, et al. · Nutrients · 2025 · Systematic review DOIPubMed 41470837Full text
  2. A systematic review of recall errors associated with portion size estimation aids in children de Vlieger NM, Weltert M, Molenaar A, et al. · Appetite · 2020 · Systematic review DOIPubMed 31751634
  3. Validity of image-based dietary assessment methods: A systematic review and meta-analysis Ho DKN, Tseng SH, Wu MC, et al. · Clinical nutrition (Edinburgh, Scotland) · 2020 · Meta-analysis DOIPubMed 32839035
  4. Portion size estimation in dietary assessment: a systematic review of existing tools, their strengths and limitations Amoutzopoulos B, Page P, Roberts C, et al. · Nutrition reviews · 2020 · Systematic review DOIPubMed 31999347
  5. The Role of Various Forms of Training on Improved Accuracy of Food-Portion Estimation Skills: A Systematic Review of the Literature Hooper A, McMahon A, Probst Y · Advances in nutrition (Bethesda, Md.) · 2019 · Systematic review DOIPubMed 30629097Full text
  6. Dietary assessment in minority ethnic groups: a systematic review of instruments for portion-size estimation in the United Kingdom Almiron-Roig E, Aitken A, Galloway C, et al. · Nutrition reviews · 2017 · Systematic review DOIPubMed 28340101Full text
  7. Immersive Virtual Reality Dietitian Improves Portion Control Self-Efficacy and Portion Size Estimation Accuracy Braga BC, Long J, Maksi S, et al. · Journal of nutrition education and behavior · 2025 · Randomised controlled trial DOIPubMed 40019425
  8. An automated image-based dietary assessment application: a pilot study Lee L, Bishop R, Stanley J · Journal of nutritional science · 2025 · Randomised controlled trial DOIPubMed 41321681Full text
  9. Validity and Usability of a Smartphone Image-Based Dietary Assessment App Compared to 3-Day Food Diaries in Assessing Dietary Intake Among Canadian Adults: Randomized Controlled Trial Ji Y, Plourde H, Bouzo V, et al. · JMIR mHealth and uHealth · 2020 · Randomised controlled trial DOIPubMed 32902389Full text
  10. The international food unit: a new measurement aid that can improve portion size estimation Bucher T, Weltert M, Rollo ME, et al. · The international journal of behavioral nutrition and physical activity · 2017 · Randomised controlled trial DOIPubMed 28899402Full text
  11. Portion-size estimation training in second- and third-grade American Indian children Weber JL, Cunningham-Sabo L, Skipper B, et al. · The American journal of clinical nutrition · 1999 · Randomised controlled trial DOIPubMed 10195603
  12. New mobile methods for dietary assessment: review of image-assisted and image-based dietary assessment methods Boushey CJ, Spoden M, Zhu FM, et al. · The Proceedings of the Nutrition Society · 2017 · Review DOIPubMed 27938425
  13. Merging dietary assessment with the adolescent lifestyle Schap TE, Zhu F, Delp EJ, et al. · Journal of human nutrition and dietetics : the official journal of the British Dietetic Association · 2014 · Review DOIPubMed 23489518Full text
  14. Development and validation of a smartphone image-based app for dietary intake assessment among Palestinian undergraduates Hattab S, Badrasawi M, Anabtawi O, et al. · Scientific reports · 2022 · Journal article DOIPubMed 36104377Full text
  15. Development and evaluation of image-series for portion size estimation in dietary assessment among adults Salvesen L, Engeset D, Øverby NC, et al. · Journal of nutritional science · 2021 · Journal article DOIPubMed 33889386Full text
  16. The accuracy of portion size estimation using food images and textual descriptions of portion sizes: an evaluation study Lucassen DA, Willemsen RF, Geelen A, et al. · Journal of human nutrition and dietetics : the official journal of the British Dietetic Association · 2021 · Journal article DOIPubMed 33761165Full text
  17. Validation of a Smartphone Image-Based Dietary Assessment Method for Pregnant Women Ashman AM, Collins CE, Brown LJ, et al. · Nutrients · 2017 · Journal article DOIPubMed 28106758Full text

Dës Säit gouf automatesch aus dem Englischen iwwersat. D'Zitéierungen an d'Zuelen sinn onverännert. Liesen Sie den englischen Original, wann et komisch liest. Liest den englischen Original