Exploring AI-Based System for African Food Weight-Loss Recommendations
Notice bibliographique
Résumé
This research leverages artificial intelligence to design an African food recommendation system for weight loss. The rationale for designing this system was based on our recently published study on the design of socio-cultural food recognition systems for Africans. Based on our previous study, results revealed that users considered the socio-cultural food recognition system to provide nutritional value and would require a robust system with more African foods. Hence, to tailor our findings to effective dietary planning where obesity could be a concern, we propose the current system given the health implications of additional foods for specific users (that is, overweight users). Our current study is in three phases. The first phase will focus on validating some African foods with dieticians to determine their appropriateness for weight loss and better alternatives based on calories and other important metrics. Additionally, we will invite dieticians and some overweight users to evaluate some low-fidelity (Lo-fi) prototypes for the design requirement elicitation of the final prototype. The second phase will involve the development of our AI models (computer vision and large language models) and their evaluation. Furthermore, we will leverage the design requirements gathered from the lo-fi prototype study together with the AI models to develop a high-fidelity (Hi-fi) AI system that will run on mobile devices (the final prototype). Consequently, a post-study evaluation will be conducted with dieticians and overweight users to obtain subjective feedback. Hence, findings from this study will provide design recommendations for integrating African foods into existing and related large-scale AI-based systems in the future.
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 | 0,000 | 0,000 |
| 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 | 0,001 | 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 ».