Weight Loss Following Use of a Smartphone Food Photo Feature: Retrospective Cohort Study
Notice bibliographique
Résumé
BACKGROUND: Tracking of dietary intake is key to enhancing weight loss. Mobile apps may be useful for tracking food intake and can provide feedback about calories and nutritional value. Recent technological developments have enabled image recognition to identify foods and track food intake. OBJECTIVE: We aimed to determine the effectiveness of using photography as a feature of a smartphone weight loss app to track food intake in adults who were overweight or obese. METHODS: ; ≥4 days of logged food intake; and ≥2 weigh-ins) who used a mobile-based weight loss app. In a retrospective study, we compared those who used the photo feature (n=9871) and those who did not use the feature (n=113,916). Linear regression analyses were used to assess use of the photo feature in relation to percent weight loss. RESULTS: Weight loss was greater in the group using the photo feature (Δ=0.14%; 95% CI 0.06-0.22; P<.001). The photo feature group used the weight loss app for a longer duration (+3.5 days; 95% CI 2.61-4.37; P<.001) and logged their food intake on more days (+6.1 days; 95% CI 5.40-6.77; P<.001) than the nonusers. Mediation analysis showed that the weight loss effect was absent when controlling for either duration or number of logged days in the program. CONCLUSIONS: This study was the first to examine the effect of a food photo feature to track food intake on weight loss in a free-living setting. Use of photo recognition was associated with greater weight loss, which was mediated by the duration of app use and number of logged days in the program.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».