Testing the Reliability of a New Diet Tracking App That Mirrors Canada’s Food Guide, iCANPlate
Notice bibliographique
Résumé
Objectives: To assess the accuracy of the iCANPlate app in capturing dietary intake by comparing entries from general users to those of a registered dietitian (RD, the expert)Methods: An observational study was conducted in April 2024 at the University of British Columbia (Vancouver) with n59 adults (79.66% women) who tested iCANPlate by recording a preselected lunch provided to them in a laboratory setting.A researcher photographed each meal, and a registered dietitian (RD) used the photos to quantify the food group proportions of each participant's meal.Since the data consisted of continuous values, inter-rater reliability between participant and RD recordings for each food group category was analyzed using Pearson's correlation coefficients.Results: The app exhibited moderate inter-rater reliability for Fruits and Vegetables (r 0.62, p < 0.0001), Proteins (r 0.53, p < 0.0001) and Other foods (r 0.42, p < 0.01).Fair agreement was observed for Grains (r 0.39, p < 0.01).Beverages demonstrated poor agreement, with no statistical significance (r 0.22, p > 0.05 ).Variability in inter-rater reliability may stem from participants' education levels and socioeconomic backgrounds, influencing their food exposure.Conclusions: iCANPlate demonstrated moderate interrater reliability for documenting most food categories.However, users did not accurately track beverages, highlighting an area for improvement.These findings support iCANPlate's potential for dietary self-monitoring while emphasizing the need for more research to refine and optimize its reliability.
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 | 0,001 |
| 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 ».