Food Label Evidence

Metingen

Waarom je een portie niet kunt schatten

De fout in portieschatting is groot genoeg om de meeste veranderingen die mensen in hun dieet proberen aan te brengen te overschaduwen. Dit is het probleem dat voedsel-scanning apps proberen op te lossen.

Bijgewerkt 3 min lezen 17 verwijzingen Bewijskracht 4/5

De omvang van het probleem

Systematische review van portieschatting [3] en van herinneringsfouten [2] vindt fouten die routinematig tientallen procenten bereiken. Cruciaal is dat de fout vertekend is, niet willekeurig: mensen rapporteren minder, en rapporteren minder wanneer de inname hoger is en wanneer het voedsel iets is waar ze zich voor beoordeeld voelen.

Validatie tegen dubbel gelabeld water — de referentiemethode, behandeld op onze metabolisme site — kwantificeert dit direct. Het is waarom een voedingsdagboek dat 1.600 kcal toont zonder gewichtstoename meestal een meetprobleem is in plaats van een metabolisch probleem.

Fout in portieschatting

Waarom het moeilijk is

  • Volumeperceptie is niet-lineair. Het verdubbelen van de diameter van een kom verdubbelt de inhoud meer dan twee keer, en mensen oordelen op basis van de breedte.
  • Kookolie is onzichtbaar. Een eetlepel is meer dan 100 kcal en verschijnt niet in het geheugen van een maaltijd.
  • Verpakking definieert porties. Een "portie" is wat de container bevat.
  • Referentieobjecten falen. "Palmformaat" varieert met de palm.
  • Geheugen reconstrueert. Mensen herinneren zich wat ze meestal eten, niet wat ze gegeten hebben.

Training helpt, en een systematische review van trainingseffecten [4] toont aan dat de verbetering vervaagt zonder versterking — de gebruikelijke bevinding voor een perceptuele vaardigheid.

Kan technologie het oplossen?

Dit is waar op afbeeldingen gebaseerde dieetbeoordeling in beeld komt: fotografeer de maaltijd, laat een model voedingsmiddelen identificeren en het volume schatten. Validatiestudies tegen referentiemethoden bestaan, en augmented reality is beoordeeld als een hulpmiddel voor schatting [1].

Eerlijke samenvatting: op afbeeldingen gebaseerde methoden zijn onvolmaakt en beter dan herinnering. Ze verwijderen de geheugenstap, wat de grootste foutbron is, en ze erven nieuwe fouten rond diepte-schatting en verborgen ingrediënten. Tegenover een voedingsdagboek dat uit het geheugen is geschreven voor het slapengaan, is dat een duidelijke verbetering. Tegenover een keukenweegschaal is dat niet het geval.

Wat dit betekent voor tracking

Gebruik geregistreerde calorieën als een relatief signaal, niet als een absoluut signaal. Als je geregistreerde inname week na week consistent is en je gewicht niet verandert, is de nuttige stap om iets te veranderen en de trend te volgen — niet om het getal te vertrouwen. Consistentie van de methode is veel belangrijker dan de nauwkeurigheid van de methode, omdat een consistente bias wegvalt wanneer je jezelf vergelijkt.

Veelgestelde vragen

Hoe fout is mijn voedingsdagboek?
Systematisch onder, vaak met tientallen procenten, en meer bij hogere innames [2][3].
Zijn foto-gebaseerde apps nauwkeurig?
Beter dan herinnering, slechter dan wegen. Ze verwijderen de geheugenfout en voegen schattingsfouten toe.
Moet ik alles wegen?
Voor een paar weken is het echt leerzaam. Onbeperkt stoppen de meeste mensen — en een methode die je verlaat heeft een nauwkeurigheid van nul.
Waarom zegt mijn app dat ik 1.500 kcal heb gegeten en verlies ik geen gewicht?
Bijna altijd onderrapportage in plaats van metabolisme. Zie onze metabolisme site.

Referenties

Elke verwijzing hieronder linkt naar het originele peer-reviewed record op PubMed of via DOI. Niets hier is een vervanging voor medisch advies.

  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

Deze pagina is automatisch vertaald vanuit het Engels. De citaten en nummers zijn onveranderd. Lees het Engelse origineel als iets vreemd leest. Lees het Engelse origineel