Nutri Buddy AI-Your-Powered Nutrition and Diet Companion
Notice bibliographique
Résumé
Diet-related disorders such as obesity, type-2 diabetes,anaemia and micronutrient deficiencies continue tosurge worldwide, yet the majority of existing “onesize-fits-all” diet applications overlook crucialvariables—local cuisine, medical lab results, budgetconstraints, and cultural or religious food practices.Nutri-Buddy fills this gap by functioning as an AIpowered,evidence-based nutrition companion thatsynthesises nine domains of user data—vital statistics,anthropometrics, medical history, laboratory reports(via on-device Vision-OCR), dietary intake andpreferences, lifestyle factors, behavioural readiness,personal goals, and food-access context. Leveraginglarge-language-model reasoning, vector-basedretrieval, and cost-aware recipe optimisation, the appgenerates (i) a timestamped 24-hour meal plantailored to the user’s country and budget, (ii) arotating three-week menu with grocery lists in localcurrency, and (iii) an interactive chat coach for realtimequeries. Dynamic guardrails automatically flagallergens, contraindicated foods, or budget overruns,while a progress dashboard visualises BMI trends,streak badges, and updated lab markers. By unifyingpersonalised meal planning, report scanning, andbehavioural coaching into a single mobile platform,Nutri-Buddy aims to democratise clinical-gradenutrition guidance for users ranging from rural lowincomecommunities to urban professionals, ultimatelycontributing to a healthier, more informed society.
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 | 0,001 | 0,003 |
| 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 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,124 | 0,068 |
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 ».