ダイエット中のランチを注文すると、いつもの好みに合う料理がおすすめに並ぶ。その提案は栄養まで考えているのか。食品推薦の研究から、好みの予測、栄養条件の検証、似た料理への置き換えを読み分ける。昼休みの注文画面で確かめたい表示と、履歴だけに任せない選び方を考える。
昨日は丼、今日の「あなたへのおすすめ」も丼。好きな料理を当てられると、注文は早い。けれど、その候補は好みを覚えているのか、栄養まで考えているのか。ダイエット中のランチで確かめたいのは、この違いだ。
答えの芯は、履歴に合うだけでは栄養への配慮まで確認したことにはならない、である。食品推薦の開発研究では、過去の行動や好みを中心にした推薦が、栄養情報や料理の多様性を十分に扱えない問題が指摘されている。一方、好みと栄養の両方を扱う仕組みも研究されている。[3][15]
「ダイエットの食事AIは栄養の偏りも防げる？一週間の献立と必要量を研究で読む」には、週間献立を通じた栄養管理の問いを譲る。ここで見るのは、今日の昼に表示された候補を、どんな理由で選ぶかである。体重を減らすことを全員の目標にせず、食べたい気持ちを残したまま提案の読み方を考えたい。
「あなた向け」は何を合わせた提案なのか
個人に合わせるといっても、合わせる相手の情報はさまざまだ。注文履歴、料理の好み、使われる食材、本人の健康上の条件では、推薦の組み立てが違う。食品推薦の開発研究では、利用者と料理の関係だけでなく、料理と食材の関係もつなぎ、好みと健康上の要求を同時に学習する方法が提案されている。[3]
この研究は、知識グラフと呼ばれる、情報同士のつながりを表す仕組みを使う。利用者がどの料理に反応したか、料理にどんな食材が含まれるかなどを関連づける。そのうえで、好みへの適合と健康上の条件への適合を別の課題として扱い、両方の結果を学習に組み込んでいる。比較実験では、競合する4つの基準モデルより、好みと個別の健康要求の統合で優れ、健康側の課題でも最良だった。[3]
ここでの成功は、実験で設定した課題に対する推薦の性能である。料理をすすめられた人が実際に注文し、食べ、体の状態が変わるところまでを、その性能と同じ意味で読んではいけない。推薦の開発実験と、食生活への介入試験では確かめる対象が違う。[3][13]
注文画面を見る側は、難しい仕組みの名前を覚えるより、「何をもとに、何に合うと判断したのか」を探すとよい。たとえば「以前の注文に似ている」と「設定した栄養条件に合う」は別の説明になる。前者しか表示されていないとき、後者まで想像で補わない。この読み方は、好みと健康を分けて扱う研究設計を日常に移したものだ。[3]
好きな料理をまた選ぶこと自体を失敗にする必要はない。問いたいのは同じ料理が出た理由である。履歴の再現が目的なら、似た候補が並ぶことは目的に沿った動きにもなる。そこへ栄養上の期待を重ねるなら、栄養情報が推薦にどう使われているかを別に確かめる、という順番になる。[3][15]
昼のおすすめで確かめたい説明は、利用者との関係と料理の中身を結ぶものだ。「よく選ぶから」なら履歴に関する説明であり、「設定した条件に合うから」なら条件への適合に関する説明である。同じ候補がどちらの理由でも選ばれることは考えられるが、説明が片方だけなら、もう片方も確認されたと受け取る必要はない。好みと健康の課題を同時に扱った開発研究からは、両者を分けて設計する意味が読み取れる。[3]
初日の汗は、予約した人だけが持ち帰れる。
当たるおすすめと、偏りを扱うおすすめを分ける
栄養情報を取り込んだ別の開発研究は、過去の好みや行動だけに依存すると、同種の食品が繰り返し提案され、多様性が乏しくなる可能性を問題にしている。そこで、利用者が関心を示した料理の栄養情報と、料理同士の栄養構成の似かよりを組み合わせた。[15]
この方法は、料理名の見た目だけで推薦をつなぐのではない。利用者が好む料理に含まれる栄養情報をまとめ、栄養構成が似たレシピ同士も関係づけている。実際の食品データを使った評価では、6つの基準手法と比較し、全データを使う条件の各評価指標で改善が報告された。これは栄養情報を推薦に組み込む設計の可能性を示す結果である。[15]
料理名の違いだけでは、栄養構成の多様さは判断できない。この研究がわざわざ料理の名称とは別に栄養構成を関連づけた点が手がかりになる。昼の画面で新しい名前の料理を見つけても、それだけで栄養面まで新しくなったと判断せず、材料や構成の表示も比較する、という使い方が考えられる。[15]
反対に、同じ種類の料理というだけで、内容も完全に同じと決めつける必要はない。ここでの確認対象は、昨日との違いを料理名の数で数えることではなく、推薦が何を見て候補を変えたかである。好みを反映したうえで栄養情報も使う研究は、この両立を目指している。[3][15]
生活の中では「飽きない」と「栄養を考えている」をひとまとめにしがちだ。だが、画面の写真が変わること、食材が変わること、健康上の条件に合うことは別々に確かめられる。昼休みにすべてを分析する必要はない。今日気になった候補について、栄養への配慮という表示に何の説明がついているかを見るだけでも、確認の焦点は定まる。[3][15]
たとえば昼の候補に、昨日と似た料理と、見慣れない料理が並んだ場面を想像する。前者を選ぶか後者を選ぶかだけでは、推薦が栄養を考えていたかは判断できない。両方の材料や栄養情報を比較する説明があれば、何を変えた候補なのかが読める。これは特定の料理を優先する勧めではなく、栄養情報を組み込む研究の着眼点を、候補同士を比べる際の問いにしたものだ。[15]
高い成績でも、何が高いのかを読む
食品推薦では、人を対象に食事の変化を追う研究以外に、用意したデータや仮想の集団で推薦方法を比較する研究もある。集団別の好みを再現したシミュレーション研究では、年齢や地域などの特徴をもとに作った集団と、生成したメニューデータを使って、複数の推薦方式を評価している。[1]
その研究のある方式では、無作為にすすめる方式に比べた累積報酬の改善が、食への関心が強い設定の集団で71.60%、高齢者の設定で8.89%だった。実際の参加者ではなく仮想集団の比較であり、18〜39歳の女性に同じ改善率をそのまま当てはめることはできない。累積報酬は、この実験で推薦の成績を評価するために積み上げた値である。この数字を「栄養がそれだけ改善した」「その割合だけ体重が変わった」と読み替えることはできない。[1]
同じ推薦方式でも、想定する集団によって成績が違う点も大切だ。個人化された仕組みも、集団別に成績を確かめる必要がある。この研究は集団ごとの差を示し、計算に必要な資源や食品分野の要求も合わせて方式を選ぶべきだとしている。自分向けの表示があることと、自分に対して検証されたことを分けて読みたい。[1]
もうひとつ、ランキングの上位に出る理由には、学習に使う答えの出現頻度も関わる。食事の条件に答える質問応答システムの研究では、訓練時に正解としてよく登場した料理の頻度が、質問との適合だけでは説明できない順位に影響しうる問題を扱った。頻度の影響を調整する仕組みの評価指標は、比較対象の61.33%に対して62.96%だった。[7]
これは、普段使う注文サービスが同じ偏りを持つと断定する結果ではない。研究の対象は、条件つきの質問に料理を返すシステムである。ただ、「上に出たから、自分の条件を最もよく満たす」と順位だけで判断しない理由にはなる。上位表示には、表示された料理の内容と合わせて読むべき設計上の事情がある。[7]
数字を読むときには、比較相手も外さないようにする。無作為な推薦を相手にした改善と、すでに工夫された別の方式を相手にした改善では、数字の意味が変わる。集団を再現した研究の改善率は前者との比較であり、答えの頻度を調整した研究の評価値は既存の質問応答方式との比較だ。大きい数字を並べて、どちらの仕組みが健康に役立つかを順位づけることはできない。[1][7]
数字で読む食品推薦の評価
71.60%：仮想の食関心層で、無作為推薦に対して改善した累積報酬。栄養摂取の改善率ではない。[1]
8.89%：同じ研究の仮想高齢者集団における累積報酬の改善。同じ方式でも集団差がある。[1]
62.96%と61.33%：答えの頻度を調整する方法と比較対象の、質問応答課題での評価指標。体の変化を測った値ではない。[7]
85.0%と98.5%：栄養などの制約を扱う推薦エンジンの、高速動作時と検証機能を動かしたときの条件充足率。[8]
15人：食堂など選択肢が限られる場面で、似た食事への推薦を検討した実行可能性研究の参加者数。[10]
初日の汗は、予約した人だけが持ち帰れる。
1
2
