Designing and Evaluating a Nutrition Recommender System for Improving Food Security in a Developing Country
Notice bibliographique
Résumé
Background: Due to the increased price of foods in recent years and the diminished food security in Iran, nutrition recommender systems can suggest the most suitable and affordable foods and diets to users based on their health status and food preferences. Objective: The present study aimed to design and evaluate a recommender system to suggest healthy and affordable meals and provide a tele-nutrition consulting service. Methods: This applied three-phase study was conducted in 2020. In the first stage, the food items’ daily prices were extracted from credible sources, and accordingly, meals were placed in three price categories. After conducting a systematic review of similar systems, the requirements and data elements were specified and confirmed by 10 nutritionists and 10 health information management and medical informatics experts. In the second phase, the software was designed and developed based on the findings. In the third phase, system usability was evaluated by four experts based on Nielsen’s heuristic evaluation. Results: Initially, 72 meals complying with nutritional principles were placed in three price categories. Following a literature review and expert survey, 31 data elements were specified for the system, and the experts confirmed system requirements. Based on the information collected in the previous stage, the Web-based software TanSa in the Persian language was designed, developed, and presented on a unique domain. During the evaluation, the mean severity of the problems associated with Nielsen’s 10 principles was 1.2, which is regarded as minor. Conclusion: To promote food security, the designed system recommends healthy, nutritional, and affordable meals to individuals and households based on user characteristics.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».