JoVE Logo
著者
お問い合わせ

サインイン

この記事について

  • 要約
  • 要約
  • 概要
  • プロトコル
  • 結果
  • ディスカッション
  • 開示事項
  • 謝辞
  • 資料
  • 参考文献
  • 転載および許可

要約

本稿では、専門的な評価やユーザビリティテストを含む、革新的なスマートフォンベースの食事評価アプリケーション Traqqの開発のためのプロトコルについて説明します。

要約

迅速かつ信頼性の高い方法で食事摂取データを収集するために、Traqqと呼ばれる柔軟で革新的なスマートフォンアプリケーション(アプリ)が開発されました(iOS / Android)。このアプリは、食品記録と24時間のリコール(または短いリコール期間)として使用することができます。異なるサンプリングスキームは、両方の方法の所定の期間内に事前に指定されたまたはランダムな日数/時間に作成することができ、プッシュ通知は参加者に食物摂取量を登録するよう促す。応答が返されない場合、通知は自動的に再スケジュールされ、データ収集が完了します。食品記録として使用するために、回答者はアプリにアクセスし、一日中食物摂取量を記録することができます。食品記録は一日の終わりに自動的に閉じます。消費されたアイテムの送信後に、リコールが終了します。リコールと食品記録モジュールは、オランダの食品組成データベース(FCDB)に基づく広範な食品リストへのアクセスを提供し、異なる研究目的に慣れることができます。食品を選択する際、回答者は同時に、一部のサイズ、すなわち、家庭用措置(例えば、カップ、スプーン、グラス)、標準部分サイズ(例えば、小、中、大)、またはグラムの重量、および消費の食べ方/時間を挿入するように促されます。部分サイズオプションは、例えば、摂食機会の代わりに、計量食品記録または消費時間の場合にのみグラムでエントリ)、調整することができます。アプリはまた、回答者が独自のレシピや製品の組み合わせを作成することができます(例えば、毎日の朝食)、消費された合計量のみを報告することを可能にするマイディッシュ機能が含まれています。その後、アプリは歩留まりと保持の要因を考慮します。データは、セキュリティで保護されたサーバーに格納されます。必要に応じて、追加の質問、すなわち、一般的に、または特定の食品または食事の機会に関連するものを組み込むことができます。このペーパーでは、エキスパート評価やユーザビリティテストなど、システムの開発 (アプリとバックエンド) について説明します。

概要

健康と疾病予防における栄養の役割に関する研究の質を確保するためには、正確な食事評価が不可欠です。現在、このような研究は、一般的に確立された自己申告の食事評価方法、すなわち、食品頻度アンケート、24時間のリコール(24hR)、および/または食品記録1を使用する。これらの方法は栄養研究にとって重要であるという事実にもかかわらず、それらはまた、メモリ関連バイアス、社会的望ましさバイアス、および研究者1、2と同様に回答者にとって負担となる様々な欠点を有する。最近の技術発明は、これらの欠点を克服する機会を提供しています。過去数年間、様々な研究グループがこの機会をつかみ、これらの既知の欠点のいくつかに対処する栄養研究のためのウェブベースおよびスマートフォンベースの食事評価ツールを開発しました(Webおよびスマートフォンベースのツールの広範な概要についてはEldridge et3を参照してください)。

それにもかかわらず、栄養研究に適した完全に自動化され、検証されたスマートフォンアプリケーション(アプリ)の数はまだ限られています。利用可能な食事評価アプリ(すなわち、商業的または研究のために開発された)のほとんどは、完全に自動化されていない(すなわち、食品の手動コーディングを必要とする)か、または(よく)検証されていない3.さらに、利用可能な検証済みのアプリのほとんどは、特定の国で1つの特定の研究目的と使用のために開発されています。むしろ固定されたデザインのために、他の研究目的や他の国でこのようなアプリを再利用することは、3、4、5、6、7、8に挑戦しているようです。最後に、食品記録に基づくアプリが利用可能であるにもかかわらず、現在までに、リコールベースのアプリはまだ存在していないようです。食品記録は反応性バイアスを起こしやすいが、すなわち、回答者は、彼らが観察されているという意識のために食物摂取量を変えるかもしれないが、これはリコールには当てはまらず、検証されたリコールベースのアプリ10の開発の必要性を強調する。Traqqと呼ばれる革新的な食事評価アプリは、研究の質問1に応じて、食品記録だけでなく、リコールとして使用することができるオランダで使用するために開発されました。

食品記録オプションとリコールオプションを交互にする可能性に加えて、このアプリはまた、その柔軟な性質のために、他の食事評価ツールとは異なります。具体的には、食品リスト、部分サイズ推定値、サンプリングスキーム、および追加の質問を組み込む可能性について。システムの柔軟性のレベルは食事行動の正確な評価を必要とする複数の研究目的に合わせて調整することを可能にする。現在、アプリは検証中であり、栄養関連の研究の様々なタイプで使用する準備ができています。アプリはまた、食事行動を測定し、影響を与えるために栄養介入プログラムで、使用するために、おそらくさらに改善することができます。信頼できる食事評価ツールの開発は難しく、特にユーザーと専門家の関与に関してこれらのプロセスに関する報告が少ないため、この論文では、スマートフォンベースの食事評価アプリの体系的かつ反復的な開発において、さまざまな情報源がどのように統合されたかについて詳細な概要を示します。このプロセスには、理論、専門家の相談、ユーザーエンゲージメントが組み込まれています。

プロトコル

注:人間の参加者を含むすべての手順は、主に定性的な研究方法によって非侵襲的な方法で行われました。インフォームド・コンセントは、評価開始前にすべての参加者から得られました。このプロトコルは、ステージ1~3が絡み合う4つの段階に大きく分けることができる反復的な開発プロセスを記述します(図1)。

figure-protocol-262
図1:アプリの反復開発プロセスの段階の概要。 開発プロセスは、合計で5つの段階で構成されていました。しかし、プロセスは反復的であり、ステージ1から3が絡み合っていることを意味する。 この図の大きなバージョンを表示するには、ここをクリックしてください。

1. 実際の開発プロセスを準備するために、広範な形成的研究を行う。

  1. 既存のWebおよびスマートフォンベースの食事評価ツールを調査するデスクトップ調査を行い、正確な食物摂取データ収集、 すなわち食品入力方法(食品リストおよび基礎FCDBを含む)および部分サイズの推定に特に重要であることが知られている機能に特別な注意を払って行います。
  2. 既存のウェブおよびスマートフォンベースの食事評価ツールを調査し、食事評価方法論、情報提供、信頼性、検索エンジン、実装された機能(画像、バーコードスキャナー、レシピ機能など)に焦点を当てます。
  3. 食事評価の分野の専門家に相談する。
    注:デスクトップ調査の結果と既存のツールの検査の結果は、食事評価の分野の専門家と議論され、アプリの開発のための設計計画の草案につながりました。このドラフト設計計画は専門家によって評価され、必要に応じてさらに改善された。

2.食事評価アプリを設計する

  1. アニメーション、ブランディング、色、レイアウト、タイポグラフィ20などの重要な側面を考慮したアプリのビジュアルデザインを作成します。
    注:スペース、色、フォント、グラフィックス、およびインターフェイス要素がコンテンツを強調し、対話性を伝えるように、アプリの機能性を促進する要素を組み込むことが不可欠です。
  2. 収集した食物摂取データ14の栄養計算を容易にするために、信頼できるFCDB(ここでは、NEVO)を選択します。
  3. FCDB に記載されている食品の説明を批判的に評価して、食品リストを作成します。
    注: FCDBは主にプロ向けに開発されています。食品の記述はしばしば複雑で検索性を妨げる(例えば、「マーガリン低脂肪35%脂肪<無塩飽和脂肪の10g」23)。
  4. 検索エンジンの要件を策定する。食品の検索を容易にするために、句読点、外国名、スペルミス、異なる検索用語、検索結果のランキングの使用を検討してください。
  5. 既存のさまざまな食事評価ツールと適切なオプションのフィールドテストを評価することにより、部分サイズ推定(援助)を選択します。
  6. アプリ内でのルーティングを設計して、ユーザーのアプリ内のナビゲーションが論理的で予測可能で、簡単に従えるようにします。
  7. バックエンドの機能とアプリを制御するための要件を設計します。プロジェクト全体の管理、プロジェクト固有の管理(参加者、招待、データ収集など)、ユーザー管理 (例:認可) に関連する機能が含まれます。

3. 研究者による評価

注:各アップグレードに続いて、アプリは栄養科学者や栄養士による栄養評価(社内テスト)の専門知識を持つ研究栄養士によってテストされ、機能が予想どおりに改善されたかどうかを確認しました。以下の指示は研究者によって実行される予定です。

  1. 認知的なチュートリアルを使用して専門家の評価を行い、初めてのユーザー エクスペリエンスをシミュレートして、専門家がアプリを個別に、ガイダンスなしで、ガイダンス28を探索できるようにします。認識のチュートリアルが次の手順で構成されていることを確認します。
    1. 専門家がスマートフォンのブランドと種類に関する一般的なアンケートを完了していることを確認します。
    2. 専門家のスマートフォンにアプリをインストールします。
      注:適切なインストールと機能を確保し、評価中の中断のリスクを最小限に抑えるために、研究者はまずアプリの機能を検証することをお勧めします。
    3. 各専門家が初めてのユーザー(すなわち、研究参加者)の役割を担うように求められるテスト手順について専門家に指示する。評価は、専門家自身の視点ではなく、ユーザーの視点から行われることを強調します。
      注:ユーザーは経験豊富なスマートフォンユーザーであり、一般的にアプリの使用に関する知識を持っていると仮定されました。しかし、このアプリは初めて使用されました。
    4. 画面とオーディオ録音を開始します。
    5. 専門家は、アプリを使用し、タスクの所定のセットを実行しながら、認知ウォークスルーを完了してもらいます31: 1) "私は私の夕食を記録したい。私はトマトスープと牛乳1杯から始めました」「その後、私は定期的に消費し、お気に入り(すなわち、 私の料理の前身)としてそれを入力したいパスタ料理を食べました。【レシピ提供】3)「パスタ料理も消費したので、今日の食物摂取記録にこれを加えたい」「4)夕食中に食べたもすべて入った。もう一度エントリーを確認して提出したい」
      注:タスクを実行している間、専門家は、説明されたタスクを実行するために完了するために必要な手順を説明することによって、研究者に思考プロセス、 すなわち、説明を伝えます。
    6. あいまいさを明確にするための簡単なフォローアップを行い、専門家にさらなるフィードバックの機会を提供します。
    7. 各エキスパートの結果を評価するには、記録をチェックして、タスクが意図したとおりに実行されたことを確認し、提供された追加のコメントを確認します。
    8. 結果を専門家と共有して、録音に基づいて行われた仮定が正しいかどうかを評価します。
      注:評価結果については専門家との協議で議論し、優先順位を付けました。この評価の結果に基づいて、アプリはさらにアップグレードされました。
  2. 意図したユーザーとのユーザビリティ テストを実施し、次の手順に従って、think-loud インタビューとシステム ユーザビリティ スケール (SUS)33 を使用して、意図したユーザーのアプリの使いやすさと好感度を評価します。
    1. 対象ユーザー人口35の代表である参加者を募集する。
    2. 学習手順(画面と音声の録音など)について参加者に指示します。その後、参加者のインフォームド・コンセントを得ます。
      注:研究者は、評価中に参加者に「声を出して考える」ことを奨励することが重要です, すなわち,タスクを実行しながら各タスクを完了するために必要なステップについて自分の考えを説明するとともに,どのような機能がうまく機能し、うまくいかなかったのかをコメントする。
    3. 参加者のスマートフォンにアプリをインストールします。
      注:適切なインストールと機能を確保し、評価中の中断のリスクを最小限に抑えるために、研究者は最初にアプリの機能を確認することをお勧めします。
    4. 参加者に、思考を聞き取るインタビューの練習タスクを実行してもらいます:参加者に寝室を視覚化し、窓の数を数え、窓を数えながら何を見て考えたかを研究者に伝えます。次に,参加者に寝室の窓の1つに近づき,その窓に向かう途中での経験について説明してもらいます。
      注:練習タスクが提供され、必要に応じて繰り返され、参加者が希望する37のように声を出して考えるのが快適であることを確認します。
    5. 画面とオーディオ録音を開始します。
    6. 参加者は、事前定義されたタスクで実際のthink-loudインタビューを完了するように依頼します:参加者は、1)前日に食べたり飲んだものすべてを記録し、2)My Dishs 機能を通じて定期的に消費される料理を記録する必要があります。
    7. セッション中は、「声を出して話し続ける」、「何を考えているのか教えてください」、または「あなたの心の中にあるものを教えてください」などの簡単なプロンプトで、必要に応じて声に出して考え続けるように参加者を観察し、メモを取り、刺激します。参加者の思考プロセス28,32との干渉を防ぐために、さらに相互作用を最小限に抑えます。
    8. あいまいさを明確にするために簡単なフォローアップを行う32.
    9. 年齢、性別、教育レベル、スマートフォンの種類、スマートフォンのレベル(経験豊富なユーザーは迅速かつ正しく38)、SUS33-10項目のアンケートに関する一般的な質問を含む評価アンケートを参加者に記入してもらい、1(強く反対)から5までの範囲でシステムの使いやすさを評価します。
    10. 1)転写、コーディング、作成(サブ)テーマ、および2)事前定義された式を使用してSUSスコアを計算し、0〜10033の間のスコアを計算し、>68/100のスコアは、ツールが平均以上のユーザビリティレベルで機能し、スコア>80/100が優れたユーザビリティを示すことを示しています。 40.
      注: セッションを指導した研究者は、定性的なデータ分析ソフトウェアを使用してデータを分析することをお勧めします。あいまいさの場合には、2人目の研究者に相談することができます。
  3. 検証済みの伝統的な方法と好ましくは独立した措置3に対して食事摂取記録の定量的検証を行う。
    注:アプリは、ウェブベースと電話ベース(すなわち、インタビュー)24hRだけでなく、独立した尿および血液生化学的マーカーに対して検証されています。アプリの定量的な検証はこのペーパーの範囲外であるため、これ以上説明しません。

4. アプリと学習管理のためのバックエンドシステムの使用

注: システムには 3 つの権限レベルがあります: (1) 管理者-この権限レベルは、バックエンドのすべてのセクションにアクセスできます (つまり、新しいユーザーの作成、ユーザーの承認の決定、および 1 つ以上のプロジェクトへのユーザーアクセス権の付与)。(2) プロジェクトマネージャ-この権限レベルは、特定のプロジェクトへのアクセスと新しいプロジェクトを作成する可能性を許可します。(3)研究者-この承認レベルは、研究者が関与している特定のプロジェクトへのアクセスのみを提供します。

  1. 管理者によるバックエンドでのユーザーおよびプロジェクトの管理
    1. traqq.idbit.net を介してオンラインバックエンドにアクセスし、ログイン資格情報(ユーザー名、パスワードなど)を使用します。
    2. [ プロジェクト] タブをクリックし、[新しいプロジェクトの作成] をクリックして 、新しいプロジェクトを作成します。
    3. 次の画面で、要求されたプロジェクトの詳細(プロジェクト名、連絡先の説明、連絡先の電子メール、連絡先の電話、連絡先のウェブサイトなど)を入力します。
      注: 新しいプロジェクトを作成するには、プロジェクト名のみが必須です。連絡先の説明、メール、電話番号、ウェブサイトが[ 連絡先と情報 ]ボタンの下のアプリに表示されます。
    4. 目的の機能(製品リスト、食事の機会および/または消費時間、記録またはリコール)を選択します。
      注:それぞれの新しいプロジェクトは、最も適切な食事評価方法(すなわち、記録またはリコール)、食品リスト、部分サイズの推定、食事の機会や食事の時間に関する個々の意思決定を必要とします。
    5. [ 保存 ] をクリックして、新しいプロジェクトを 保存します。
      メモ:画面が閉じると、管理者は プロジェクトの概要 画面に戻ります。
    6. 次に、[ ユーザー] タブをクリックし、[新しいユーザーの追加] をクリックして 新しいユーザーを作成します。
    7. 次の画面で、 ユーザー名、 パスワードを入力し、ユーザに ロール (管理者、管理者、管理者、またはユーザー) を割り当てます。
    8. [ 保存 ] をクリックして新しいユーザーを 保存します。
      注: 画面が閉じると、管理者は ユーザーの概要 画面に戻ります。
    9. 特定のユーザーのメモ帳アイコン (編集列)をクリックして、プロジェクトにユーザーを割り当てます。
    10. [ リンクされたプロジェクト] の下のドロップダウン メニューを開き、目的のプロジェクトを選択して [ 追加] をクリックして、プロジェクトを割り当てます。
      注: このアクションは、ユーザーが割り当てる必要があるプロジェクトごとに繰り返す必要があります。
    11. バックエンド URL と共に、新しいユーザーにログイン資格情報を伝えます。
  2. 研究者によるバックエンドでのプロジェクトの管理(i.e., マネージャーまたはユーザーロール)
    1. 管理者が提供する資格情報を使用して traqq.idbit.net を使用してバックエンドにログインします。
    2. [ プロジェクトに移動 ]をクリックして、プロジェクトを管理します。
    3. 目的のプロジェクトの [表示 ] 列の矢印をクリックします。
      注: この操作を行うと、研究者は プロジェクトの概要 ページに移動し、この特定のプロジェクトの新しいタブが表示されます。
    4. [参加者]タブをクリックして、バックエンドに 参加者を 入力します。次に、[ 参加者の概要] 画面が表示されたら、[ 新しい参加者の追加] をクリックします。
    5. 次の画面で、 コード名、メモ (オプション)、ログイン ID、ログイン キー、および [ 保存]で終わると入力します。
      注: 参加者の学習 ID は、コード名とログイン ID の両方として使用することをお勧めします。これにより、複数のログイン資格情報が存在する場合の参加者の混乱を最小限に抑えることができます。さらに、コード名は応答で表示されます。参加者 ID を使用すると、データを簡単に使用できます。このオプションは、各参加者に対して繰り返す必要があります。大きなグループの場合は、 ファイルから参加者をインポート (.csv) を使用できます。ここでは、各参加者に同じ詳細が必要です。バックエンドには、参加者の個人情報を含めることはできません。
    6. [招待状] タブをクリックして、各参加者の 招待 をスケジュールします。次に、[ 招待の概要] 画面が表示されたら、[ 新しい招待状の追加] をクリックします。
    7. 次の画面で、ドロップダウンメニューから参加者を選択し、期間開始時間、期間終了時間、開始時間、終了時刻、終了時刻、アンケートURL(追加の質問の実装にはオプション)、メモ(オプション)、有効化(常にはい)を入力します。
      注:期間の開始時刻と終了時刻は、レポートの時間枠(すなわち、.:.と.:.の間で消費されたもの)を指します。一方、開閉時間とは、参加者が実際に摂取量を報告できる期間を指します。外部調査の正しい実装には、コーディングが必要です。このためには、管理者からのヘルプが推奨されます。招待の大部分については、[ファイル] の [招待をインポートする (.csv)] オプションを使用できます。ファイルには、手動入力と同じ情報が必要です。招待状は、サンプリングスキームを介して作成することもできます(例えば、サンプリング期間、必要な招待状の数、応答期限などのルールのプリセットに基づいて、異なる曜日と時間にわたってランダムな招待スキームが生成されます)。[サンプリング スキーム] オプションの利点は、応答が返されない場合に、新しい招待が自動的にスケジュールされるということです。
    8. ドロップダウンメニューから関心のある参加者を選択して、[ カレンダー ]タブを使用してデータ収集を追跡します。
      注: カレンダーには、プロジェクト内のスケジュールされた招待の概要が表示されます。今後の招待状は青で描かれ、完了した過去の招待状は緑色ですが、応答のない過去の招待状は赤です。招待状への返信は、[ 応答 ] タブでも確認できます。
    9. [応答] タブを使用して 、応答 を追跡します。
      注: 回答 セクションでは、報告された食物摂取データ(すなわち、食品、消費量、食べ物の機会および/または消費時間)が収集されます。
    10. 管理者にデータ エクスポートを要求します。
      注:データは、管理者が、さらに分析(応答/食品摂取データ、コンプライアンスデータなど)を分析するために、バックエンドから.csvファイルにエクスポートすることができます。回答には、報告された食品、選択した部分サイズ、グラムの消費量、食事の機会/時間が含まれます。
    11. 栄養分析の詳細な分析のための栄養計算ソフトウェアに.csvファイルをインポートします。
      注: データは、オランダの FCDB を使用する栄養計算ソフトウェアにインポートできます。

5. 調査中の参加者によるアプリの使用

  1. App Store(iOS)またはGoogle Playストア(Android)から自由に利用可能なアプリをダウンロードし、ログインしてアプリにアクセスします。
    注:ログイン資格情報は、研究者が提供するように、(ステップ4.2.5.)にアクセスするために必要とされます。ログイン後、アプリは参加者の資格情報に基づいてバックエンドでスケジュールどおりに招待状を送信します (ステップ 4.2.7.
  2. アプリを介して招待状を受け取った後、食品摂取量を報告します。
    注:参加者は、所定の日と時間にのみ、自分の食物摂取量を登録することができます。
    1. 受信した通知をクリックするか、アプリアイコンからアプリを開いてアプリを開きます。
      注: アプリを開くと、前の招待状と現在の招待状が表示される [ 招待の概要 ] 画面が表示されます。
    2. 開いている招待をクリックします。
      注: 参加者は、招待期間が表示される 概要 画面に移動します。
    3. まず、製品のtoevoegen(食品の追加)をクリックして消費する食品を入力します。
      注: 参加者は検索画面に 移動 します。
    4. 消費されたアイテムの名前(例えば、オレンジジュース[ジュースd 'オレンジ])の入力を開始します。入力中に表示される項目をクリックします。
    5. 次の画面では、消費量(Hoeveelheid)、対応する部分サイズの説明(ポルティ)、食事の機会(Maaltijdmoment)および/または消費時間(Tijdstip)を報告し、保存(Opslaan)で終了します。
    6. すべての食品が報告されるまで、上記の手順を繰り返します。
    7. リストを送信 (リコール) をクリックして (Lijst versturen) (リストの送信) をクリックするか、招待状が一日の終わりに自動的に閉じます (レコード)。
      注: [ 送信リスト] オプションはレコードバージョンでも表示されるため、レコードを使用する参加者は入力をデータベースに送信することもできます。ただし、データが既に送信されている場合でも、招待は 1 日の終わりに閉じ、すべてのデータをサーバーに送信します。

結果

システム(アプリとバックエンド)は、上記のプロトコルで概説されている手順を使用して開発されました。このプロセスの主要な結果は、アプリの最終的な設計で終わって、以下に説明します。

形成的研究
広範な文献レビューに加えて、いくつかのウェブベースのツール(例えば、Compl-eat 13、ASA2414、Foodbook2415、MyFood2416)を、食事評価方法論と実装された機能に関して検査しました。さらに、オランダで頻繁に使用されるいくつかの食品追跡アプリの性能(例えば、MijnEetmeter17、MyFitnessPal18、Virtuagym Food19)を比較し、食事評価方法論、情報提供、信頼性、検索エンジン、追加機能の使用(画像、バーコードスキャナ、レシピ機能など)を中心に比較しました。この検査の結果は、それが食品記録やリコールとして使用できるようにアプリを開発する決定につながった。さらに、それはオリジナルのレシピや頻繁に消費される製品の組み合わせを作成するために使用することができる私の料理機能の実装につながった(例えば、毎日の朝食)。この機能では、歩留り係数と保持係数が自動的に考慮されます。

食品と栄養素の摂取量を正確に定量化するには、実用的ではあるが、食品リストは非常に重要です。このような食品リストをコンパイルするには、食品リストの広範性と食品の検索可能性(すなわち、食品の記述が明確で理解しやすく、見つけやすい)41,42との間のトレードオフが必要です。食品組成物データは、食事評価21,22の基礎を形成するものであり、開発された食品リストを正確な食品組成データにリンクできるようにすることが重要である。アプリに含まれる食品リストは、その信頼性と豊富な食品組成データのために選択されたオランダのFCDB(NEVO)14に基づいています。もともとNEVOは2,389の食品(バージョン2016/5.0)で構成され、「混乱を招くもの」(例えば、生で消費できない食品、追加なしで消費できない食品)や、オランダの消費に基づく消費率が低いため、1,449品目の食品リストに縮小されました。

さらに、 NEVO は、異なるブランド名を持つ同様の食品が含まれています。このような場合、食品リストには一般的なオプションのみが含まれていました。さらに使いやすさを高めるために、一部の食品は「準備済み」「冷凍」「平均」「ナチュラル」などの不必要な用語を排除するために名前を変更しました。この「洗浄プロトコル」は、3人の十分な訓練を受けた研究栄養士によって開発され、NEVOが更新されると再実行できる構文によって実行されました。また、食品の検索性を最適化するために、含まれる食品の1,019の有名な同義語が食品リストに追加されました。したがって、アプリに含まれる食品リストは、最終的に2,468項目で構成されました。食品リストの開発の概要を 図 2に示します。この広範な食品リストは一般的な使用のために開発されていますが、アプリのバックエンドは必要に応じて代替食品リストのインポートを可能にします。

figure-results-1942
図2:アプリ用に開発された食品リストの構造。 食品リストはオランダの食品組成データベース(FCDB)に基づいており、最終的な食品リストの各項目に対応する部分サイズの提案と同義語が追加されました。 この図の大きなバージョンを表示するには、ここをクリックしてください。

食事評価のもう一つの重要な側面は、部分サイズの定量化です。部分サイズ推定補助(PSEA)は、例えば、画像、参照対象物、および標準部分サイズ、24、26、44、消費される食品量の報告をサポートするが、部分サイズの誤報は依然としてバイアス24、25、45、46の実質的な源であり、異なるPSEAの有効性に関する文献は一貫性がない26である。食品画像、部分サイズ提案(すなわち、標準サイズおよび家庭用措置)およびグラム中の重量の自由な参入は、ウェブおよびスマートフォンベースの食事評価ツール34において最も使用されるPSEAである。例えば、部分サイズの提案(例えば、カップ、スプーン、小さく、大きい)は、Compl-eat13やOxford WebQ47などのツールに使用され、ASA2414やMyfood2416などのツールでは画像補助部分のサイズ推定値が使用されます。アプリに最も適切なPSEAを調査するために、パイロット調査を行い、部分サイズの提案(例えば、小、中、大、またはカップ、スプーン)、グラムの無料入力、および部分サイズ画像の精度を比較しました。この調査の結果は、グラム27に金額を入力するオプションと一緒にアプリのPSEAとして部分サイズの提案の実装につながった.

専門家のレビュー
専門家による評価の目的は、機能性と学習の容易さの点でアプリを定性的に評価することであった。多くのユーザーが探査29でソフトウェアを学ぶことを好むので、システムの学習性のレベルは重要です。合計10人の専門家、 すなわち、4人の(研究)栄養士と6人の栄養と健康行動の専門家(科学者)が、60%がAndroidスマートフォンを使用した認知ウォークスルーに参加しました。最も重要なことは、専門家の評価は、アプリの最初のバージョンが十分に直感的ではないことを示しました, 例えば,メニュー構造は曖昧なボタン/アイコンのために不明であると判断され,検索エンジンは結果の非論理的な順序を生成した。選択された項目を変更できなかったという事実に関連する専門家のレビューから生じるもう 1 つの重要なポイント。これらの結果に基づいて、アプリの設計はステージ 2 からかなりアップグレードされました (図1)。

ユーザビリティ評価
「思い出に応える」インタビューには、計22名の参加者が参加し、ユーザビリティ評価の基礎を形成しました。初期サンプルサイズは、20人の参加者36に設定され、その後データ飽和度が評価された。20回のインタビューの後にデータ飽和に達しなかったので、連続したインタビューの後にデータ飽和を評価しながら、インクルージョンが続きました。参加者は平均±標準偏差年齢が48±17歳(範囲は22〜70歳)でした。36%が男性で、人口の大半が高学歴(55%)であった。さらに、ほとんどの参加者はAndroidデバイス(n = 14、64%)を使用し、ほぼすべての参加者はスマートフォンの使用(n =21、96%)で1年以上の経験を持っていました(表1)。すべての参加者は、最小限の指示なしで、または最小限の指示でタスクを完了しました。

合計(n=22)
ジェンダー
男性 (%)36.4
女性 (%)63.6
平均年齢(平均、SD)48.1 (17.2)
教育レベル
低い (%)0
中程度(%)45.5
高い (%)54.5
スマートフォンタイプ
アンドロイド (%)63.6
iOS (%)36.4
スマートフォン体験
6ヶ月未満(%)4.5
6ヶ月から1年(%)0
1年以上(%)95.5
SUS (平均、SD)79.4 (15.1)

表 1.研究集団の特徴とユーザビリティ評価の結果 この表では、システムユーザビリティスケール (SUS) の結果のみが、参加者の特性とともに表されています。

一部の参加者 (n = 13, 59%)は、My皿機能を使用している間に問題を示しました。その他の (n= 5, 23%) メニュー ボタンの応答が遅かったり、小さいスマートフォンの画面サイズが不十分な場合に関連するボタンを使用する問題などの小さな機能の問題が発生しました。さらに、15(68%)の参加者は、消費された部分サイズをグラムで入力するオプションの好みを示しました。最後に、SUSスコアの評価は79/100(範囲40-100)の評価を示し、22人の参加者のうち3人だけが68/100以下のアプリを評価し、13人が>80/100以下の評価を行い、アプリがユーザーフレンドリーであると考えられることを示唆しています。したがって、全体的に、提案された改善は軽微であり、ユーザビリティ評価は有望であった。その後、研究チーム内で改善のための提案が議論され、関連があると判断された場合は、アプリの好感度と使いやすさをさらに最適化するために、ステージ4のアップグレードに組み込まれました(図1)。

最終設計
プロトコルで説明されている手順と評価調査の結果は、最終的にアプリとバックエンドの最終的な設計をもたらし、シンプルなビジュアルデザインを目指しました。このアプリは、食品記録やリコールとして使用することができます。前述のように、食品リストは NEVO の修正版です。部分サイズの推定は、食品固有の部分サイズの提案によってサポートされています。消費された部分もグラムで入力することができます。アプリのリコール版の場合、研究者は異なるタイムスロット(例えば、.、2hR、8hR、または24hR)を選択する可能性があります。異なる日や時間に食物摂取データを収集するために、様々なサンプリングスキームを所定の期間内に作成することができます。プッシュ通知は、回答者に食物摂取量を記録するよう招待します。データ収集を完了するために、応答なしの場合に招待が自動的に再スケジュールされます。リコールモジュール内では、回答者は招待を受けた後にのみ食物摂取量を報告できます。食品記録の場合、回答者はアプリにアクセスし、一日中食物摂取量を記録することができます。

ほとんどの24hRツールとは対照的に、アプリのリコールモジュールは、前の24時間48時間の食物摂取量データを収集するための自動マルチパスメソッド-5ステップの方法に基づいていません - この方法はあまりにも精巧で、アプリでの使用に時間がかかる。より具体的には、使いやすさを高め、食品摂取記録11、38、49のコンプライアンスを強化するために、ナビゲーションは、アクセスする必要がある画面の数を4(図3):1)レポートウィンドウを示す概要画面に制限することによって最小限に減少しました。2)消費された食品は検索画面で報告され、希望の項目が3)選択されると、ダイアログボックスが摂食機会と消費量を探る様子が表示され、その後4)ユーザーは記録された食品を表示する概要画面に戻ります。さらに、ユーザーは、メニューボタンから入力することができるレシピや製品の組み合わせを作成するために、マイディッシュ機能を使用することもできます。

figure-results-7141
図3:アプリのルーティングの概略図です。

データは、セキュリティで保護されたサーバーに格納されます。必要に応じて、一般的な、または特定の食事の機会や食品に関連する追加の質問を組み込むことができます。アプリは、オンライン調査ツールで接続することができます。したがって、事前に指定された時間(例えば、文脈、行動、気分の質問)でアプリを介して食物摂取とは無関係の調査を行うことは可能である。報告された食品や食事の機会に関連する具体的な質問をすることも可能です (例えば、リンゴが報告されたとき、昼食が報告されたとき)。オンライン調査ツールの使用は、アプリを介して多くの異なる質問をする機会を提供します。収集した食物摂取データは、サーバーからエクスポートし、栄養計算ソフトウェアにインポートして、さらなる分析を行うことができます。追加の質問を使用する場合、これらのデータは通常通り調査ツールで利用できます。目的は、よく構造化され、使いやすいアプリを開発することであった。デザインのスクリーンショットの一部は 、図 4A-Eに示されています。

figure-results-8006
図4:アプリの最終バージョンのスクリーンショット( A) (この場合は) 2 回のリコール期間で招待を示すスタート/概要画面。ユーザーは、この時間帯に何も消費されなかった場合に備えて、製品toevoegen(すなわち、アイテムの追加)を押して、ゲドロンケンの食品またはNiets gegeten(すなわち、私は何も食べたり飲んだりしなかった)を報告することができます。(B) 食品リストから検索語 「Jus」と一致する結果を表示する検索画面。検索結果から目的のアイテムを選択できます。(C)ポップアップ画面では、選択した項目「Jus d 'orange」に関する詳細の入力が必要です。この場合、アプリは消費量と食事の機会を求めます。ユーザーは、Annuleren (すなわち、キャンセル) またはOpslaan (すなわち、保存) を押して検索結果に戻ることができます。(D) [概要]を再度表示し、今回は報告されたすべての項目を表示します。別の項目を追加することができます (製品 toevoegen) または入力を送信することができます (Lijst versturen).() Lijst versturenを選択すると、送信するかどうかを確認するポップアップが表示され、リストの送信後にこれ以上変更を加えないことをユーザーに通知します。ユーザーはキャンセルするオプションを持っています (アヌレレン) または送信する (Versturen).この図の大きなバージョンを表示するには、ここをクリックしてください。

ディスカッション

本論文は、スマートフォンベースの食事評価アプリTraqqの反復的な発達プロセスを提示する。必要なレベルの精度とユーザーの親しみやすさのバランスをとると、1)データ入力(すなわち、食品の識別と部分サイズの定量化のための最も正確な方法を選択する)、2)食品構成データ(正確なデータベースを選択して本格的な食品リストを作成する)、3)カスタマイズオプション(すなわち、. 食品リスト、部分サイズ定量、レシピ、および4)検証(従来の方法および/または独立した措置に対する)3,50.文献レビューの間に、研究のために開発された5つの検証済み、完全に自動化された、スマートフォンベースの食事評価ツールが3、すなわち私の食事メイト4、電子食事摂取評価(eDIA)7、イージーダイエット日記8、電子カルネットアリメンテール(e-CA)5、食べ物とトラック(EaT)6が同定されました。

このアプリと同様に、これらの5つの食事評価アプリの自動化のレベルのために、研究者の負担とコストは、データの完全性が従来の食事評価方法と比較して増加しながら、大幅に減少します。さらに、このアプリは、順番に、柔軟性の点で5つの既存の食事評価ツールとは異なります。具体的には、既存のアプリはすべて食品記録方法に基づいているのに対し、このアプリはリコールだけでなく、食品記録として使用することができます。さらに、これらのアプリの設計が固定されているのに対し、Traqqは、異なる研究目的(例えば、食事評価方法、食品リスト、サンプリングスキーム、追加の質問)3、50に合わせて変更することができるという大きな利点を有する。逆に、他の既存の食事評価アプリには、アプリに実装されていない(まだ)貴重な機能が含まれています。この点を説明するために、いくつかのアプリは、半自動化された、技術支援食事評価(TADA)システム51、52などの食品認識および部分サイズ推定のために、ユーザーが自分の食品の写真を撮ることを可能にする。

また、ユーザビリティ調査の参加者は、写真の使用が援助部分のサイズ推定に有益な追加である可能性も示した。しかし、この段階でこのような機能を実装するには、例えば、写真の角度に関して指定および指導する(すなわち、深さを評価する)、参照メーカーの必要性(すなわち、サイズと色を修正する)、写真の前後に不可欠な(すなわち、消費量を評価する)、この段階でそのような機能を実装するには、まだ多くの課題がありました。 レシピ料理の処理方法について。これらの技術的な課題のために、既存の画像ベースの食事評価アプリはまだ半自動化されているため、ユーザー、研究者、または両方の51、52によって手動画像レビューを行う必要があります。クラウドソーシングや機械学習などの技術の進歩は、食事評価53、54のための食品画像の使用を改善する可能性を秘めています。将来的には、これらのオプションは、アプリをさらに改善するために検討されます。アプリの開発プロセスは、様々な重要なステップによって特徴付けられていた。まず、アプリ作成の根拠を支える科学的概念が、アプリの一般的な概要を設定する際の意思決定を促進するという形成的な研究ステップが完了しました。

この段階では、FCDBの選択と、両方とも直接データ精度21に影響を与えるPSEAアスペクトの選択に特別な注意が払われました。FCDBに関しては、アプリはもともとオランダで使用するために開発されたので、その食品リストはオランダのFCDB、NEVO14に基づいています。将来的には、多くの食品が国に固有であるため、より広範な食品組成データを必要とする、国際的な使用のためのアプリをさらに開発することを目的としています。現在、国際FCDBはまだ存在せず、存在する場合は使用が制限されている可能性があります。具体的には、オランダの食品リストにはすでに2,389の食品が含まれているため、5カ国の国際的な食品組成テーブルの実装 は、おそらくこの食品の数を約5倍にし、食品の検索性に悪影響を及ぼし、その結果、アプリの使いやすさ。したがって、国固有の食品リストはおそらく最も価値があり、多くの場合、専門家55によって好まれます。

これは、代替食品リストのインポートを可能にし、したがって、異なる(国際的な)食品組成物テーブルへのリンクとして、アプリによって容易にされます。部分サイズに関しては、推定値の精度をサポートするために利用可能な複数のオプションがあり、例えば、画像小冊子の使用、参照オブジェクト、および/またはテキスト部分サイズの提案26。ユーザーの親しみやすさの観点から、アプリ内のPSEAの直接実装は、アプリと一緒にPSEAを使用する方が好ましいです(例えば、画像小冊子、参照オブジェクト)。アプリの開発中に、グラムで部分サイズの提案とエントリを使用して部分サイズを入力する機会を提供することにより、部分サイズの定量化を容易にするために決定されました。部分サイズの提案は、利用可能な唯一のオランダ部分サイズデータベース56に基づいている。Compl-eatやEetmeterなどのオランダの食事評価ツールもこのデータベース13、17に依存していますが、この部分サイズのデータベースは2003年から日付が付き、食器のサイズは57に増加しています。したがって、このデータベースを使用すると、食物摂取量を過小評価する可能性があります。

現在、部分サイズデータベースは、オランダ国立公衆衛生環境研究所(RIVM)、オランダ栄養センター、ワゲニンゲン大学と研究58によって更新されており、最終的にはアプリ内の部分サイズの提案を更新するために使用されます。古い部分と新しい部分の間の不一致は、必要に応じてマッピングされ、調整されます。部分サイズ画像(すなわち、選択した食品の異なる量を描写する一連の画像)の使用は、テキストベースの部分サイズの提案59に適しているが、一連の部分サイズ画像を一度に提示すると、部分サイズ推定の精度が最も高い、一度に1つの画像ではなく、 60、61。一般的に、現在利用可能なスマートフォンは比較的小さな画面を持ち、一連の画像の表示を制限します。新しい技術は、仮想プレートまたはカップ上の食品の量をスライダー61を使用して増減することができるインタラクティブな部分サイズのグラフィックスの使用を容易にするが、これらの技術は比較的新しいものであり、それでもその精度を評価するために徹底的に評価する必要がある。

アプリの開発におけるもう一つの重要なステップには、専門家と意図されたエンドユーザーの関与が含まれていました。ツールの開発プロセスに組み込まれることは多くないが(または記述されていない)11、12、専門家からのフィードバックだけでなく、意図されたエンドユーザー-は重要な61であり、ユーザビリティの最大化を可能にし、必要なレベルの精度を維持する。意図したエンドユーザーのフィードバックは、私の料理機能の最終的な設計に特に役立ちました。全体的に、ユーザーは自分の料理を作成する可能性に満足していました。しかし、たとえば、関数が自動的にデータを保存するが、これはユーザーには見えなかったプロシージャの一部に苦労しました。したがって、多くのユーザーは[保存]ボタンを検索し続け、戻って入力を失うことを恐れて立ち往生しました。この種のフィードバックに基づいて、ユーザーの期待に合わせて機能が改善されました。

結論として 、Traqq は既存のアプリやウェブベースのツールよりも多くの利点を持つ革新的なアプリです。しかし、まだ様々な制限があります。アプリはまだ自己申告に依存しているので、自己申告関連の測定誤差は依然として存在する(例えば、記憶バイアス(例えば、リコールの場合)、社会的望ましさバイアス、食品摂取の変更(すなわち、食品記録の場合)、不正確な部分サイズ推定(すなわち、両方)1。今後、最近立ち上げた新しい技術を探求 し、バーコードスキャナ、音声録音、チャットボット、画像などの機能を実装することの価値を探求し、食品の識別と部分サイズの推定を改善する可能性があります。他のアプリ(例えば、アクティビティトラッカー、睡眠トラッカー)やデバイス(例えば、加速度計、心拍数モニター、噛み付きセンサー)と接続する可能性も検討されています。最後に、バックエンドはサンプリングオプションの拡張を通じて、さらに発展を遂げていきます。

開示事項

著者らは開示するものは何もない。

謝辞

著者らは、Traqqの開発における重要な役割を果たしたアヌーク・ギーレンとアービンド・ダテディエンに感謝したいと考えています。さらに、ロミー・ウィレムセンのデータ収集支援とユーザビリティ調査におけるデータ分析に感謝したいと考えています。最後に、専門家や参加者がプロセス全体を通して自分の経験や意見を共有してくれたことに感謝したいと考えています。開発はワーゲニンゲン大学と研究によって実行され、一部は農林食品省が資金を提供しました。

資料

NameCompanyCatalog NumberComments
ASA24 Portion size picture bookAmerican National Cancer InstitutenaThe portion size image database as used in the ASA24-tool
Atlas.ti v8ATLAS.ti Scientific Software Development GmbHnaQualitative data analysis software for research
Compl-eatWageningen UniversitynaThe portion size suggestions database as used in the Compl-eat 24hR module
iOS screen record functionApple Inc.naBuild-in iOS feature to make screen recordings
NEVO (version 2016/5.0)RIVMnaDutch Food Composition Database
QualtricsQualtrics XMnaOnline survey tool that can be used to implement additional questions in Traqq
RecordableInvisibility ltd.naAndroid app to make screen recordings
SPSS version 24.0IBM CorporationnaStatistical software
System Usability Scale (SUS)nanaValidated questionnaire to assess a system's usability

参考文献

  1. Brouwer-Brolsma, E. M., Athanasiadis, I., Frysinger, S., Schimak, G., Knibbe, W. Dietary intake assessment: From traditional paper-pencil questionnaires to technology-based tools. Data science in action. ISESS 2020. IFIP Advances in Information and Communication Technolog. 554, 7-23 (2020).
  2. Thompson, F. E., Subar, A. F., Coulston, A., Boushey, C., Ferruzzi, M., Delahanty, L. . Nutrition in the prevention and treatment of disease. , 5-48 (2017).
  3. Eldridge, A. L., et al. Evaluation of new technology-based tools for dietary intake assessment-an ILSI Europe Dietary Intake and Exposure Task Force Evaluation. Nutrients. 11 (1), 55 (2018).
  4. Carter, M. C., Burley, V. J., Nykjaer, C., Cade, J. E. 'My Meal Mate' (MMM): validation of the diet measures captured on a smartphone application to facilitate weight loss. British Journal of Nutrition. 109 (3), 539-546 (2013).
  5. Buchaer Della Torre, S., Carrard, I., Farina, E., Danuser, B., Kruseman, M. Development and Evaluation of e-CA, an electronic mobile-based food record. Nutrients. 9 (1), 76 (2017).
  6. Wellard-Cole, L., et al. Relative validity of the Eat and Track (EaT) smartphone app for collection of dietary intake data in 18-to-30-year olds. Nutrients. 11 (3), 621 (2019).
  7. Rangan, A. M., et al. Electronic Dietary Intake Assessment (e-DIA): Comparison of a mobile phone digital entry app for dietary data collection with 24-hour dietary recalls. JMIR mHealth and uHealth. 3 (4), 98 (2015).
  8. Ambrosini, G. L., Hurworth, M., Giglia, R., Trapp, G., Strauss, P. Feasibility of a commercial smartphone application for dietary assessment in epidemiological research and comparison with 24-h dietary recalls. Nutrition. 117 (1), 5 (2018).
  9. Subar, A. F., et al. Addressing current criticism regarding the value of self-report dietary data. The Journal of Nutrition. 145 (12), 2639-2645 (2015).
  10. Kipnis, V., et al. Bias in dietary-report instruments and its implications for nutritional epidemiology. Public Health Nutrition. 5 (6), 915-923 (2002).
  11. Simpson, E., et al. Iterative development of an online dietary recall tool: INTAKE24. Nutrients. 9 (2), 118 (2017).
  12. Chen, J., Cade, J. E., Allman-Farinelli, M. The most popular smartphone apps for weight loss: a quality assessment. JMIR Mhealth Uhealth. 3 (4), 104 (2015).
  13. Human Interface Guidelines. Apple Inc Available from: https://developer.apple.com/ios/human-interface-guidelines/ (2017)
  14. NEVO. RIVM 5.0. NEVO-online. , (2016).
  15. Jaspers, M. W. A comparison of usability methods for testing interactive health technologies: methodological aspects and empirical evidence. International Journal of Medical Informatics. 78 (5), 340-353 (2009).
  16. Penha, A. D. S., dos Santos, F. A. N. V. Evaluating the use of the cognitive walk-through usability. Human Factors in Design. 1 (1), (2012).
  17. Fonteyn, M. E., Kuipers, B., Grobe, S. J. A description of think aloud method and protocol analysis. Qualitative Health Research. 3 (4), 430-441 (2016).
  18. Brooke, J., et al. SUS - A quick and dirty usability scale. Usability evaluation in industry. 189 (194), 4-7 (1996).
  19. Kushniruk, A. W., Patel, V. L. Cognitive and usability engineering methods for the evaluation of clinical information systems. Journal of Biomedical Informatic. 37 (1), 56-76 (2004).
  20. Davison, G. C., Vogel, R. S., Coffman, S. G. Think-aloud approaches to cognitive assessment and the articulated thoughts in simulated situations paradigm. Journal of Consulting and Clinical Psychology. 65 (6), 950-958 (1997).
  21. Mouname, K., Idri, A., Abran, A. Usability evaluation of mobile applications using ISO 9241 and ISO 25062 standards. SpringerPlus. 5, 548 (2016).
  22. Sauro, J. A practical guide to the system usability scale: Background, benchmarks & best practices. CreateSpace Independent Publishing Platform. , (2011).
  23. Bangor, A., Kortum, P., Miller, J. Determining what individual SUS scores mean: Adding an adjective rating scale. Journal of Usability Studies. 4 (3), 114-123 (2009).
  24. Meijboom, S., et al. Evaluation of dietary intake assessed by the Dutch self-administered web-based dietary 24-h recall tool (Compl-eatTM) against interviewer-administered telephone-based 24-h recalls. Journal of Nutritional Science. 6, 49 (2017).
  25. Subar, A. F., et al. The Automated Self-Administered 24-hour dietary recall (ASA24): a resource for researchers, clinicians, and educators from the National Cancer Institute. Journal of the Academy of Nutrition and Dietetics. 112 (8), 1134-1137 (2012).
  26. Timon, C. M., et al. The development, validation, and user evaluation of Foodbook24: A web-based dietary assessment tool developed for the Irish adult population. Journal of Medical Internet Research. 19 (5), 158 (2017).
  27. Carter, M. C., et al. Development of a UK online 24-h dietary assessment tool: myfood24. Nutrients. 7 (6), 4016-4032 (2015).
  28. Voedingscentrum. Mijn Eetmeter Available from: https://itunes.apple.com/nl/app/mijn-eetmeter/id663382012?mt=8 (2014)
  29. Virtuagym. Virtuagym Available from: https://virtuagym.com/food (2017)
  30. Evans, K., et al. Development and evaluation of a concise food list for use in a web-based 24-h dietary recall tool. Journal of Nutritional Science. 6, 46 (2017).
  31. Svensson, A., Magnusson, M., Larsson, C. Overcoming barriers: adolescents' experiences using a mobile phone dietary assessment app. JMIR mHealth and uHealth. 4 (3), 92 (2016).
  32. Finglas, P. M., Berry, R., Astley, S. Assessing and improving the quality of food composition databases for nutrition and health applications in Europe: the contribution of EuroFIR. Advances in Nutrition. 5 (5), 608-614 (2014).
  33. Gibson-Moore, H. EuroFIR: Where we are now. Nutrition Bulletin. 38 (3), 358-362 (2013).
  34. Rossum, C. T. M., et al. The diet of the Dutch. Results of the first two years of the Dutch National Food Consumption Survey 2012–2016. RIVM. , (2016).
  35. Byrd-Bredbenner, C., Schwartz, J. The effect of practical portion size measurement aids on the accuracy of portion size estimates made by young adults. Journal of Human Nutrition and Dietetics. 17 (4), 351-357 (2004).
  36. Faggiano, F., et al. Validation of a method for the estimation of food portion size. Epidemiology. 3 (4), 379-382 (1992).
  37. Faulkner, G. P., et al. An evaluation of portion size estimation aids: precision, ease of use and likelihood of future use. Public Health Nutrition. 19 (13), 2377-2387 (2016).
  38. Hernandez, T., et al. Portion size estimation and expectation of accuracy. Journal of Food Composition and Analysis. 19, 14-21 (2006).
  39. Nelson, M., Atkinson, M., Darbyshire, S. Food photography. I: The perception of food portion size from photographs. British Journal of Nutrition. 72 (5), 649-663 (1994).
  40. Young, L. R., Nestle, M. S. Portion sizes in dietary assessment: issues and policy implications. Nutrition Reviews. 53 (6), 149-158 (1995).
  41. Liu, B., et al. Development and evaluation of the Oxford WebQ, a low-cost, web-based method for assessment of previous 24 h dietary intakes in large-scale prospective studies. Public Health Nutrition. 14 (11), 1998-2005 (2011).
  42. Lucassen, D. A., Willemsen, R. F., Geelen, A., Brouwer-Brolsma, E. M., Feskens, E. J. M. The accuracy of portion size estimation using food images and textual descriptions of portion sizes: an evaluation study. Journal of Human Nutrition and Dietetics. , (2021).
  43. Wharton, C., Rieman, J., Lewis, C., Polson, P., Nielsen, J., Mack, R. L. . Usability Inspection Methods. , 79-104 (1994).
  44. . How many test users in a usability test Available from: https://www.nngroup.com/articles/how-many-test-users/ (2012)
  45. AMPM - Features. USDA Available from: https://www.ars.usda.gov/mortheast-area/beltsville-md/beltsville-human-nutrition-research-center/food-surveys-research-group/docs/ampm-features/ (2016)
  46. Zhang, D. S., Adipat, B. Challenges, methodologies, and issues in the usability testing of mobile applications. International Journal of Human-Computer Interaction. 18 (3), 293-308 (2005).
  47. Cade, J. E. Measuring diet in the 21st century: use of new technologies. Proceedings of the Nutrition Society. 76 (3), 276-282 (2017).
  48. Ahmad, Z., et al. A mobile food record for integrated dietary assessment. MADiMa16. 2016, 53-62 (2016).
  49. Boushey, C. J., Spoden, M., Zhu, F. M., Delp, E. J., Kerr, D. A. New mobile methods for dietary assessment: review of image-assisted and image-based dietary assessment methods. Proceedings of the Nutrition Society. 76 (3), 283-294 (2017).
  50. Fang, S., et al. . 2018 IEEE Southwest Symposium on Image Analysis and Interpretation (SSIAI). , 25-28 (2018).
  51. Shao, Z., Mao, R., Zhu, F. . 2019 IEEE International Conference on Big Data (Big Data). , 5186-5189 (2019).
  52. Chen, J., Lieffers, J., Bauman, A., Hanning, R., Allman-Farinelli, M. Designing health apps to support dietetic professional practice and their patients: qualitative results from an international survey. JMIR Mhealth Uhealth. 5 (3), 40 (2017).
  53. Donders-Engelen, M. R., Van der Heijden, L. J. M., Hulshof, K. F. A. M. Maten, Gewichten en Codenummers 2003. Food portion sizes and coding instructions. Wageningen University: Division of Human Nutrition and TNO Nutrition. , (2003).
  54. Van Ittersum, K., Wansink, B. Plate size and color suggestibility: The Delboeuf Illusion’s bias on serving and eating behavior. Journal of Consumer Research. 39 (2), 215-228 (2012).
  55. Portiegrootte voedingsmiddelen. RIVM Available from: https://www.rivm.nl/portiegrootte-voedingsmiddelen (2019)
  56. Timon, C. M., et al. A review of the design and validation of web- and computer-based 24-h dietary recall tools. Nutrition Research Reviews. 29 (2), 268-280 (2016).
  57. Kirkpatrick, S. I., et al. The use of digital images in 24-hour recalls may lead to less misestimation of portion size compared with traditional interviewer-administered recalls. The Journal of Nutrition. 146 (12), 2567-2573 (2016).
  58. Subar, A. F., et al. Assessment of the accuracy of portion size reports using computer-based food photographs aids in the development of an automated self-administered 24-hour recall. Journal of the American Dietetic Association. 110 (1), 55-64 (2010).
  59. Figwee - Learn More. Figwee Available from: https://figwee.com/learn-more/ (2021)
  60. Preece, J., Sharp, H., Rogers, Y. . Interaction design: beyond human-computer interaction. , (2015).

転載および許可

このJoVE論文のテキスト又は図を再利用するための許可を申請します

許可を申請

さらに記事を探す

169

This article has been published

Video Coming Soon

JoVE Logo

個人情報保護方針

利用規約

一般データ保護規則

お問い合わせ

図書館への推薦

JoVE ニュースレター

研究

教育

著者

図書館員

JoVEについて

Copyright © 2023 MyJoVE Corporation. All rights reserved