Going vegan with ChatGPT: Towards designing LLMs for personalized lifestyle changes
Notice bibliographique
Résumé
Large language models (LLMs), one of the recent technological revolutions, have become applicable to all areas of human endeavor, including health. In the area of health, LLMs have contributed to disease management, diagnosis, stress management, and other major lifestyle-related changes. However, little is yet known about their impact in the area of nutrition and lifestyle-related changes associated with diseases such as diabetes, cardiovascular diseases, obesity, and others. In this paper, we present two case studies of ChatGPT as an LLM intervention for making lifestyle-related decisions, such as transitioning to a vegan lifestyle: 1. normal weight (healthy) and 2. obesity. Additionally, we considered three (3) dietary restrictions that could affect people in both case studies to transition to a vegan lifestyle. These include 1) allergies to nuts; 2) allergies to gluten; and 3) no allergies. We used ChatGPT to generate a one-week (seven-day) meal plan based on these dietary restrictions. We analyzed all responses from ChatGPT and found that ChatGPT provides a rich combination of vegan diets and is sensitive to these food allergies to some extent. Additionally, we found some challenges that relate to how an appropriate prompt can be employed to optimize ChatGPT’s recommendations and precisions relating to the total calories of foods recommended by ChatGPT. Furthermore, we provide recommendations to overcome these challenges in future work, including supporting user's domain-specific literacy and precision sensitivity for metrics that have an overall impact on human health.
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 | 0,004 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,003 |
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 ».