Exploring Large Language Models for Personalized Recipe Generation and Weight-Loss Management
Notice bibliographique
Résumé
The emergence of large language models (LLMs) is transforming various health-related domains, including approaches to obesity management. Obesity remains one of the world’s leading health issues, prompting the research community to develop various weight-loss applications focused on physical activity, dietary planning, and related interventions. In this study, we explore the capability of the LLM ChatGPT for personalized dietary planning. We conducted two case studies: Case Study 1 examined self-supervised recipe generation using ChatGPT alone, while Case Study 2 investigated a self-supervised approach combining National Institute of Health standards with ChatGPT recipe recommendations. We also performed a user study to evaluate recipe recommendations from ChatGPT. Our results show that ChatGPT recommends appropriate recipes based on comparisons with the United States Department of Agriculture’s (USDA) recipe calculator. We found no significant difference between ChatGPT-generated recipe recommendation calories and USDA standards for either Case Study 1 (p = 0.8530) or Case Study 2 (p = 0.0687). In addition, we found significant weight loss in participants following these recipes in both Case Study 1 (p < 0.00001) and Case Study 2 (p = 0.0014). Furthermore, the user study with potential weight-loss participants revealed varying levels of satisfaction (p = 0.001) and identified themes related to meal preferences, effective prompt generation, and mixed concerns regarding privacy, trust, user consent, and data storage. We conclude by discussing additional findings from our case and user studies, and present opportunities, challenges, and design and ethical considerations for the research community.
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 | 0,001 | 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 | 0,004 | 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 ».