سيستم مبتني بر وب ثبت تغذيه، به شما کمک خواهد کرد
براي افرادي که با چاقي خود دست‌وپنجه نرم مي‌کنند، شمارش کالري و ساير اطلاعات تغذيه درباره هر وعده غذايي راه موثري براي کاهش وزن است. اين شيوه مستلزم دقت و تداوم است، و معمولا زماني که افراد زمان کافي براي ثبت تمام اطلاعات مورد نياز خود را ندارند کارايي نخواهد داشت. چند سال پيش، تيمي از متخصصان تغذيه روي برنامه‌هاي تلفن همراه براي ثبت مصرف کالري کار کردند. هدف آن‌ها ايجاد يک برنامه گفتاري بود که آسان‌تر اطلاعات غذايي را ثبت کند. محققان يک نمونه مبتني بر وب از اين سيستم ثبت تغذيه ارائه کرده‌اند که از طريق گفتار کنترل مي‌شود. با اين سيستم، کاربر به طور کلامي محتويات يک غذا را توضيح مي‌دهد، و سپس سيستم توضيحات را تجزيه مي‌کند و داده‌هاي غذايي را از يک پايگاه داده آنلاين به طور خودکار بازيابي مي‌کند. داده‌ها همراه با تصاوير غذاهاي مربوطه و منوي کشويي نمايش داده مي‌شوند تا کاربر توضيحات را اصلاح کند. اين اصلاحات را مي‌توان به طور کلامي نيز انجام داد. کاربري که مي‌گويد: «براي صبحانه، يک کاسه بلغور جو، موز، و يک ليوان آب پرتقال خوردم.» مي‌تواند اين اطلاعات را اصلاح کند و بگويد: «نصف موز خوردم» و سيستم نيز داده‌هاي نمايش داده‌شده درباره موز را به‌روزرساني مي‌کند. محققان دريافته‌اند که نحوه کار با اين سيستم براي کاربران خسته‌کننده است و در نتيجه آن‌ها تمايلي به ادامه کار با اين سيستم ندارند.
بنابراين آن‌ها به دنبال شيوه‌هايي بودند که اطلاعات با دقت بيشتر و آسان‌تر ثبت شوند. آن‌ها نتايج آزمايش‌هاي انجام‌شده با يک سيستم تشخيص گفتار را گزارش کردند. اما اين موضوع اصلي کار آن‌ها نبود؛ بلکه در اصل يک پيش‌نمايش آنلاين از سيستم ثبت غذا به‌جاي استفاده از برنامه تشخيص گفتار رايگان گوگل بود. تحقيقات آن‌ها به دو مشکل ديگر مي‌پرداخت. يکي از آن‌ها شناسايي نقش کاربردي واژگان است: سيستم بايد تشخيص دهد آيا کاربر اطلاعات تغذيه‌اي درباره عبارت «کاسه بلغور جو» را نيز ثبت مي‌کند يا خير. مشکل ديگر تطبيق عبارت کاربر با مدخل‌هاي موجود در پايگاه داده است. براي مثال، داده‌ها درباره بلغور جو تحت عنوان «جو» ثبت شده‌اند و واژه «بلغور جو» در هيچ‌يک از مدخل‌ها يافت نمي‌شود. براي رسيدگي به مشکل اول، محققان از آموزش ماشيني استفاده کردند. از طريق پلتفرم منبع‌يابي جمعيت Amazon Mechanical Turk، آن‌ها کارگراني را به کار گرفتند که فقط آنچه را که در وعده‌هاي غذايي اخير خود خورده بودند توصيف مي‌کردند، سپس واژگان مربوطه را در توضيحات تحت نام‌هاي غذا، کميت، نام تجاري، و… قرار مي‌دادند. در عبارت «کاسه بلغور جو»، «کاسه» کميت و «بلغور جو» غذاست. وقتي ۱۰ هزار توضيح غذايي برچسب خوردند، محققان از الگوريتم آموزش ماشيني براي پيدا کردن الگوها در روابط نحوي بين واژگان استفاده کردند. براي ترجمه توضيحات کاربران و برچسب‌ها، محققان از يک پايگاه داده با منبع باز به نام Freebase استفاده کردند که براي بيش از ۸ هزار ماده غذايي رايج مدخل دارد. اين مدخل‌ها مترادف نيز دارند. در صورت عدم وجود مترادف، آن‌ها از کارگران Mechanical Turk مي‌خواستند تعدادي مترادف ارائه دهند. نسخه سيستم ارائه‌شده به گونه‌اي است که زنده بودن اين رويکرد را نسبت به پردازش زبان طبيعي نشان دهد؛ اين سيستم تعداد کالري‌ها را گزارش مي‌دهد اما هنوز به طور خودکار آن‌ها را جمع نمي‌زند. در آينده چنين سيستمي ارائه خواهد شد. پس از تکميل پروژه محققان قصد دارند تحقيقي ديگر انجام دهند تا دريابند که آيا اين سيستم واقعا ثبت تغذيه را آسان‌تر مي‌کند يا خير.
