A comparison of a range of nutrient profiling models as applied to cooked meals
Notice bibliographique
Résumé
Aim: A variety of different models for assessing the nutritive value of foods and ingredients exist, but all can be subject to criticism in not adequately assessing the full complement of nutrient components in a food or meal. This work was carried out in conjunction with an expert review panel comprised of technical experts from industry, academia, and policy, and aimed to compare some of the most prominent nutrient profiling methods when applied to a range of cooked meals. Method: Three different models were considered: the Ofcom Nutrient Profiling Model (NPM) which is based on a point system that includes 4 nutrients to discourage and 3 nutrients/food components to encourage; the Nutrient Rich Foods (NRF) Index, which ranks foods based on only their nutrient content (usually includes 9 nutrients to encourage and 3 to limit); and finally the SAIN,LIM model, which classifies foods into four healthiness classes based on separate indexes, the SAIN (which includes 5 nutrients to encourage) and LIM (which includes 3 nutrients to discourage). These models were applied to a variety of meals– meat based and vegetarian, rice based and pasta, dairy and dairy alternatives. Results: The Expert panel expressed a concern that the Ofcom NPM didn’t take micronutrients (e.g., iron, selenium) into account. However, Ofcom NPM considered food groups (i.e., percentage of fruit, vegetable and nut content) which will be micronutrient-rich and are regarded as a good way for testing if diets align with national dietary guidance. NRF9.3 was the most flexible index regarding the reference amount (e.g., 100grams, 100kcal and portion size). Comparing different cooked meals, vegetarian meals performed better than meat-based meals (e.g., spaghetti Bolognese made with beef versus Quorn); and meals that included dairy seemed to score more poorly than those which didn’t. Conclusion: Assessing the “healthiness” of meals using different methods is dependent on the choice of profiling model used. Scores should be considered under the lens of each model’s characteristics. Nutrient profiling models that are selected to influence consumers’ food choices and preferences should also align with both sustainability targets and nutritional guidelines.
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 | 0,015 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,004 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».