💻 computer science

An LLM-RAG Approach for Healthy Eating Index-Informed Personalized Food Recommendations

تقترح هذه الورقة إطار عمل للتوليد المعزز بالاسترجاع (RAG) مستند إلى مؤشر الأكل الصحي (HEI)، يدمج قواعد بيانات التغذية القياسية مع النماذج اللغوية الكبيرة لتوليد توصيات غذائية مخصصة، مما أظهر تحسينات ملحوظة في جودة النظام الغذائي للمستخدمين من خلال المحاكاة.

المؤلفون الأصليون: Yibin Wang, Yanjie Yang, Grace Melo Guerrero, Rodolfo M. Nayga Jr., Azlan Zahid

نُشر 2026-05-18

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Yibin Wang, Yanjie Yang, Grace Melo Guerrero, Rodolfo M. Nayga Jr., Azlan Zahid

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أن لديك مدرب تغذية شخصي لا يكتفي بمجرد التخمين فيما يجب عليك تناوله، بل يمتلك مخططاً رئيسياً (Master Blueprint) لما يبدو عليه النظام الغذائي المثالي والصحي، بناءً على بيانات من ملايين الأشخاص الحقيقيين. هذا هو بالضبط ما تصفه هذه الورقة البحثية.

إليك تفصيل نظامهم الجديد، باستخدام تشبيهات بسيطة:

1. المشكلة: "النمطي" مقابل "الشخصي"

معظم تطبيقات الحمية الغذائية اليوم تشبه المخبز الذي ينتج قوالب جاهزة (Cookie-cutter bakery). فهي تعطي الجميع نفس النصيحة: "قلل السكر، وتناول المزيد من الخضروات". لكنها غالباً ما تعتمد على قوائم طعام غير منظمة يرفعها المستخدمون (مثل قائمة بقالة فوضوية كتبها صديق)، ولا تربط خياراتك المحددة بـ "درجة صحية" مثبتة.

أيضاً، الفحوصات الصحية التقليدية تشبه التقاط صورة مرة واحدة في السنة. أنت تملأ استبياناً طويلاً حول ما أكلته، تحصل على درجة، ثم تنتظر سنة أخرى لترى ما إذا كنت قد تحسنت. الأمر بطيء، وصعب التذكر، ولا يساعدك في اتخاذ قرارات أفضل في اللحظة الحالية أثناء وجودك في المتجر.

2. الحل: "أمين المكتبة الذكي" (RAG-LLM)

بنى الباحثون نظاماً يعمل مثل أمين مكتبة فائق الذكاء يعرف تماماً أي الكتب (الأطعمة) ستسد الثغرات في نظامك الغذائي الخاص.

المخطط الرئيسي (HEI): يستخدمون ما يسمى بـ مؤشر الأكل الصحي (Healthy Eating Index). فكر في هذا كـ "شهادة درجات" صارمة ومعتمدة من الحكومة لنظامك الغذائي. يعطيك درجة من 0 إلى 100 بناءً على جودة أكلك.
المكتبة (قواعد البيانات): بدلاً من التخمين، يسحب النظام بيانات من مكتبتين ضخمتين وموثوقتين:
- NHANES: مسح شامل ضخم لما يأكله الأمريكيون فعلياً.
- FPED: قاموس يترجم "أكلت تاكو" إلى لبنات غذائية محددة (مثل "كوب واحد من الخضروات"، أو "أونصتان من الحبوب").
الذكاء الاصطناعي (LLM): هذا هو "العقل" الذي يتحدث إليك. ولكن على عكس الذكاء الاصطناعي العادي الذي قد يهذي أو يخترع معلومات، فإن هذا النظام مقيد. إنه يشبه أمين المكتبة الذي يُسمح له فقط بالتوصية بالكتب الموجودة بالفعل على الرف؛ لا يمكنه اختراع حقائق، بل يجب أن يستمد معلوماته من البيانات الموثوقة.

3. كيف يعمل: "حل الألغاز"

إليك الخطوات التي يتبعها النظام من أجلك:

الفحص: تخبر النظام بما تأكله عادةً (أو ينظر هو إلى بياناتك السابقة). يقوم بحساب "شهادة التقرير الصحي" الحالية (درجة HEI).
إيجاد الفجوات: يبحث النظام في شهادتك ويرى: "أوه، هذا الشخص ينقصه نقاط في الحبوب الكاملة ولديه خصومات كثيرة في نقاط الصوديوم".
البحث: يبحث النظام في "مكتبته" (قاعدة بيانات الطعام) عن أطعمة مشابهة لما تحبه بالفعل ولكنها أفضل في معالجة تلك الفجوات المحددة.
- تشبيه: إذا كنت تحب رقائق البطاطس المملحة، فهو لا يكتفي بقول "توقف عن أكل الرقائق". بل يجد لك "رقائق حبوب كاملة منخفضة الصوديوم" تناسب ذوقك ولكنها تحسن درجتك الصحية.
التوصية: يولد الذكاء الاصطناعي اقتراحاً ودوداً: "استبدل رقائق البطاطس العادية بهذه الرقائق المصنوعة من الحبوب الكاملة. هذا التغيير البسيط سيرفع درجة 'الحبوب الكاملة' لديك بمقدار 5 نقاط ويقلل الصوديوم".
الإثبات: لأن الذكاء الاصطناعي مرتبط بالبيانات الحقيقية، يمكنه أن يوضح لك بالضبط لماذا قدم هذا الاقتراح، مستشهداً بالعناصر الغذائية المحددة.

4. النتائج: "إزاحة نحو اليمين"

اختبر الباحثون هذا على أكثر من 12,000 شخص باستخدام محاكاة حاسوبية (لم يطعموا الناس طعاماً حقيقياً، بل قاموا بمحاكاة ما سيحدث إذا اتبع الناس النصيحة).

قفزة الدرجات: في المتوسط، ارتف $^{درجة}$ "شهادة التقرير الصحي" للجميع بمقدار 6.45 نقطة.
نسبة "النجاح": قبل النظام، كان أقل من نصف الناس (45%) لديهم درجة "جيدة" (أعلى من 50). بعد المحاكاة، قفز هذا الرقم إلى 61%.
العدالة: لم يساعد النظام الأشخاص الذين يأكلون جيداً بالفعل فحسب، بل ساعد الجميع، من أصحاب الدرجات المنخفضة جداً إلى أصحاب الدرجات العالية، مما رفع جودة النظام الغذائي للمجموعة بأكملها معاً.

5. النموذج الأولي: مدرب في جيبك

حتى أن الفريق بنى تطبيقاً للهاتف المحمول (نموذج أولي) لإظهار كيف سيبدو هذا في الحياة الواقعية. يمكنك فتح التطبيق، ورؤية خياراتك الحالية، والحصول على قائمة من "الاستبدالات" أو "الإضافات" المصممة خصيصاً لملفك الصحي، والمشروحة بلغة بسيطة.

ما لا تدعيه الورقة البحثية

من المهم ملاحظة ما لم تفعله هذه الدراسة:

لم يضعوا هذا التطبيق في أيدي أشخاص حقيقيين لمعرفة ما إذا كانوا سيغيرون عاداتهم الغذائية بمرور الوقت. لقد كانت هذه محاكاة (سيناريو "ماذا لو").
لم يدعوا أن هذا يعالج الأمراض. هم ادعوا فقط أنه يحسن درجة جودة النظام الغذائي.
لم يقولوا إنه يعمل بشكل مثالي لكل الثقافات أو الأذواق بعد؛ فقد أشاروا إلى أن قائمة الطعام الحالية قد تغفل بعض الأطعمة الإقليمية أو الثقافية المحددة.

باخت-صار: توضح الورقة أنه إذا جمعت بين "شهادة تقرير غذائي" علمية صارمة وذكاء اصطناعي ذكي يمكنه فقط النظر في بيانات طعام موثوقة، يمكنك إنشاء استبدالات غذائية شخصية تحسن رياضياً جودة النظام الغذائي. الأمر يشبه امتلاك نظام GPS لنظامك الغذائي، يقوم بتغيير مسارك بعيداً عن "الازدحامات المرورية" (الأطعمة غير الصحية) نحو "المسار السريع" (الأطعمة الصحية) بناءً على خريطة لما ينجح فعلياً.

ملخص تقني: نهج يعتمد على نماذج اللغات الكبيرة والجيل المعزز بالاسترجاع (LLM-RAG) لتقديم توصيات غذائية مخصصة بناءً على مؤشر الأكل الصحي

بيان المشكلة
تواجه أنظمة التوصية بالأطعمة الحالية قيوداً كبيرة في ترجمة علوم التغذية إلى خيارات يومية ملموسة وقابلة للتنفيذ. تعتمد الأدوات الحالية غالباً على قواعد بيانات غذائية تم تجميعها من مصادر متنوعة وتفتقر إلى ضبط الجودة المتجانس، كما تفتقر إلى الاستناد الصريح إلى مؤشرات جودة النظام الغذي المعتمدة. علاوة على ذلك، فإن طرق التقييم الغذائي التقليدية (مثل استدعاءات الـ 24 ساعة الماضية) تستهلك موارد كبيرة وعادة ما تقدم تغذية راجعة ثابتة على مستوى السكان بدلاً من تقديم إرشادات واعية بالسياق وفي الوقت الفعلي. وبينما يعد مؤشر الأكل الصحي (HEI) مقياساً قوياً ومعتمداً لتقييم جودة النظام الغذائي مقابل الإرشادات الغذائية، إلا أنه يظل وصفياً إلى حد كبير. هناك فجوة حرجة في تشغيل بيانات مؤشر (HEI) ومجموعات البيانات المرجعية على مستوى السكان (مثل NHANES وFPED) لتوليد توصيات غذائية فردية قابلة للتفسير تستهدف مباشرة أوجه القصور في جودة النظام الغذائي.

المنهجية
يقترح المؤلفون إطار عمل للجيل المعزز بالاسترجاع (RAG) المستند إلى مؤشر الأكل الصحي (HEI) والذي يدمج قواعد بيانات التغذية المهيكلة مع نماذج اللغات الكبيرة (LLMs). تتكون بنية النظام من مكونين رئيسيين:

1. التأسيس البياني وفضاء التضمين:

يستخدم النظام بيانات من المسح الوطني لفحص التغذية والصحة (NHANES) للفترة 2017-2020 وقاعدة بيانات الأنماط الغذائية المكافئة (FPED).
يتم إنشاء مجموعة نصوص على مستوى الطعام عن طريق تحويل سجلات (FPED) إلى أوصاف نصية مهيكلة تلخص مكونات النمط الغذائي (مثل مكافئات الكوب/الأونصة لمجموعات الطعام).
يتم ترميز هذه الأوصاف إلى تمثيلات متجهية كثيفة باستخدام نموذج (MiniLM-L6-v2) لتحويل الجمل، وتخزينها في فهرس (FAASS) لتسهيل البحث عن التشابه بكفاءة.

2. الاسترجاع والتصنيف المستند إلى مؤشر (HEI):

بالنسبة لمستخدم معين $i$ ، يقوم النظام بحساب درجة (HEI-2020) الأساسية ( $H_i$ ) بناءً على ملف مدخلاته الغذائية الحالي.
يتم إنشاء تمثيل استعلام ( $q_i$ ) من الملف الصحي للمستخدم وملخصه الغذائي.
يسترجع النظام الأطعمة المرشحة ( $C_i$ ) عن طريق حساب تشابه جيب التمام (cosine similarity) بين استعلام المستخدم وتضمينات الطعام.
يتم محاكاة تعديل افتراضي لمدخلات المستخدم لكل طعام مرشح $j$ . ويتم حساب التغير المتوقع في مؤشر (HEI) وهو ( $\Delta H_{i,j}$ ).
يتم ترتيب المرشحين باستخدام دالة هدف $J_{i,j} = \alpha \Delta H_{i,j} + \beta C_{i,j}$ ، والتي توازن بين تحسين مؤشر (HEI) وقيود ملف المستخدم (مثل الحالات الصحية، التفضيلات).

3. الجيل المعزز بالاسترجاع (RAG):

يتم تشغيل نموذج لغوي كبير (GPT-class) من OpenAI ضمن مسار (RAG) مقيد.
يتلقى النموذج اللغوي الكبير مطالبة (prompt) مهيكلة تحتوي على ملف المستخدم، ونظامه الغذائي الحالي، وأفضل الأطعمة المرشحة مع بياناتهم الغذائية وبيانات (FPED) الخاصة بهم.
من الضروري توجيه النموذج اللغوي لتوليد التوصيات فقط من مجموعة المرشحين المسترجعة ( $R_i$ )، مما يضمن أن تكون المخرجات مستندة إلى بيانات غذائية معيارية بدلاً من المعرفة العامة من الإنترنت.
يقوم النموذج بتوليد اقتراحات شخصية وشروحات تربط التوصيات صراحةً بتحسينات مكونات (HEI) (مثل زيادة الحبوب الكاملة أو تقليل الصوديوم).

4. تنفيذ النموذج الأولي:

تم تطوير تطبيق جوال متعدد المنصات (Flutter) لتوضيح إطار العمل، حيث يتواصل مع خلفية سحابية عبر (Firebase) لمعالجة مدخلات المستخدم وإرجاع اقتراحات تراعي حصص الوجبات.

المساهمات الرئيسية
تقدم الدراسة أربع مساهمات رئيسية في مجال التغذية الشخصية والذكاء الاصطنا-عي:

تطوير إطار العمل: إنشاء إطار عمل (RAG-LLM) مستند إلى مؤشر (HEI) يربط التوصيات الغذائية الشخصية بقواعد بيانات موثوقة (NHANES/FPED) والملفات الصحية للمستخدمين.
تصميم آلية الاسترجاع: تنفيذ استراتيجية استرجاع تقيد النموذج اللغوي الكبير للعمل على بيانات وصفية مهيكلة ومسترجعة للطعام، مما يولد توصيات قابلة للتفسير مع مساهمات متوقعة في مؤشر (HEI).
التقييم التجريبي: إجراء محاكاة خارجية واسعة النطاق على 12,076 سجلاً للمستخدمين أظهرت فعالية النظام في تحسين مقاييس جودة النظام الغذائي.
الترجمة إلى إجراءات: ترجمة مقايات (HEI) المجردة إلى اقتراحات غذائية قابمة للتنفيذ وقابلة للتفسير، مما يوفر أداة قابلة للتوسع للتكامل المحتمل مع برامج الصحة العامة.

النتائج
تم تقييم النظام على مجموعة اختبار مستبعدة مكونة من 2,416 مستجيباً. أشارت نتائج المحاكاة إلى:

تحسن متوسط مؤشر (HEI): ارتفع متوسط درجة (HEI-2020) بمقدار 6.45 ± 4.02 نقطة بعد تطبيق عمليات الاستبدال والإضافة الموصى بها.
إزاحة العتبة: ارتفرت نسبة المستخدمين الذين حققوا جودة نظام غذائي "متوسطة" أو أفضل (HEI > 50) من 45.12% عند خط الأساس إلى 61.26% بعد المحاكاة.
الإزاحات التوزيعية: كشف تحليل المئينات عن تحسينات متسقة عبر التوزيع بأكمله؛ حيث ارتفعت المئينات 25 و50 (الوسيط) و75 بمقدار 6.35 و6.45 و6.59 نقطة على التوالي، مما يشير إلى أن إطار العمل يفيد المستخدمين عبر مختلف مستويات جودة النظام الغذائي الأساسية دون توسيع الفجوات.
المخرجات النوعية: نجح النموذج اللغوي الكبير في توليد توصيات ذات معنى غذائي ومنطقية سلوكية، مثل استبدال الأطباق عالية الصوديوم ببدائل أقل صوديوم أو إضافة الحبوب الكاملة، مع الحفاظ على مدخول الطاقة ضمن حدود معقولة.

الأهمية والادعاءات
يزعم المؤلفون أن هذه الدراسة تدفع أبحاث التغذية الشخصية من خلال سد الفجوة بين بيانات المراقبة على مستوى السكان والتوجيهات القابلة للتنفيذ على المستوى الفردي. ومن خلال ربط مخرجات النموذج اللغوي الكبير بقواعد بيانات معيارية قائمة على الأدلة، يقدم النظام المقترح بديلاً أكثر دقة، وقابلية للتفسير، وموثوقية لتطبيقات النظام الغذائي العامة الحالية.

وتؤكد الورقة أنه بينما تُشتق النتائج من محاكاة خارجية وليس من تغيير السلوك الواقعي المرصود، فإن حجم الربح المحاكى في مؤشر (HEI) يضاهي أو يتجاوز الاختلافات التي تُلاحظ غالباً بين الطبقات الديموغرافية والاجتماعية في الدراسات الرصدية. ويضع المؤلفون هذا إطار العمل كأداة محتملة لتوجيه تدخلات الصحة العامة والسياسات الغذائية. ومع ذلك، فإنهم يحافظون على موقف متواضع، معترفين بالقيود مثل الاعتماد على التبني المحاكى، والتحيزات المحتملة في بيانات (NHANES/FPED) الأساسية، والحاجة إلى تجارب عشوائية منضبطة في المستقبل لتقييم الالتزام طويل الأمد والتأثير في العالم الحقيقي.