Ruokavalioindeksin käyttäjätutkimukset: ravitsemusnavigaattorin kehitystyö
Bibliographic record
Abstract
Tämän opinnäytetyön tarkoituksena oli selvittää kahden ruokavaliokyselyn väliltä, kumpi kyselyistä oli parempi ja käyttäjäystävällisempi. Tavoitteena tutkimuksessa oli myös saada aineistoa, jota pystyttäisiin käyttämään apuna ruokavaliokyselystä muodostuvasta ravitsemusnavigaattorin kehittämisessä. Ruokavaliokyselyt pohjautuvat ruokavalioindeksiin, joka on syntynyt aikaisempien tutkimusten tuloksena. Ruokavalioindeksiä haluttiin kuitenkin kehittää vielä entisestään automatisoidumpaan suuntaan, jossa kysely pystyisi automaattisesti kertomaan ruokavalion laadun. Tämän opinnäytetyön tarkoituksena oli olla mukana selvittämässä, kumpaa ruokavaliokyselyä lähdetään kehittämään. Tutkimuksen aineisto on saatu kerättyä haastatteluiden, sähköisen palautelomakekyselyn ja fokusryhmähaastatteluiden avulla. Jokaisessa tutkimusmenetelmässä tutkittavat ovat ensin tutustuneet ruokavaliokyselyyn, minkä jälkeen heitä on pyydetty kertomaan tekemänsä huomiot. Tutkimus suoritettiin laadullisena tutkimuksena, jossa haastatteluissa tutkimusmenetelminä käytettiin teemahaastattelua ja ääneen ajattelu -metodia. Haastatteluihin liittyi vahvasti myös tutkittavien havainnointi. Sähköinen palautelomakekysely toimi tutkimuksen strukturoituna haastatteluna ja ryhmähaastattelut suoritettiin fokusryhmähaastatteluina. Tutkimuksen haastattelut suoritettiin huhtikuussa 2024 ja muu aineisto on saatu kerättyä vuoden 2024 maalis- kesäkuun välisenä aikana. Teoreettinen viitekehys ja keskeisimmät käsitteet tässä opinnäytetyössä on rakennettu ruokavalioindeksin ja tutkimusmenetelmien ympärille. Ensiksi tässä työssä käydään lävitse ruokavalioindeksin taustaa sekä niiden pohjautumista annettuihin yleisiin ravitsemussuosituksiin. Seuraavaksi käsitellään tutkimuksessa käytetyt tutkimusmenetelmät sekä ruokavaliokyselyä vastaavat työkalut Suomessa ja maailmalla. Tutkimuksessa selvisi, että ruokavaliokyselyiden toista versiota pidettiin parempana kuin ensimmäistä. Tähän vaikutti suuresti se, että versiossa kaksi vastausvaihtoehdot oli annettu valmiiksi, joka helpotti paitsi vastauksen antamista myös kyselyn käytettävyyttä. Toinen paremmuuteen vaikuttanut tekijä oli toiseen versioon annoskokojen arvioimista helpottamaan laitetut kuvat, jotka tutkittavien mielestä myös selkeyttivät kyselyn yleisilmettä. Tuloksissa kuitenkin nousi esiin myös paljon huomioita ja parannusehdotuksia. Saatujen tulosten pohjalta on tehty johtopäätökset tutkimuksesta ja annettu ratkaisuehdotukset ruokavaliokyselyn version kaksi kehittämiseksi.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.008 | 0.004 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.046 | 0.019 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".