NOVA Through Two Lenses: From Nutrients to Food Processing Classification in Finland's National Food Database
यह अध्ययन प्रदर्शित करता है कि पोषक तत्वों की संरचना पर प्रशिक्षित एक मशीन-लर्निंग क्लासिफायर विभिन्न खाद्य डेटाबेसों में प्रभावी ढंग से स्थानांतरित हो सकता है ताकि अल्ट्रा-प्रोसेस्ड खाद्य पदार्थों की पहचान की जा सके और प्रसंस्करण तीव्रता को रैंक किया जा सके, भले ही अंतर्निहित परिभाषा संबंधी अस्पष्टताओं के कारण सभी चार NOVA समूहों को निर्दिष्ट करना चुनौतीपूर्ण बना हुआ है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
भोजन केवल ईंधन से कहीं अधिक है; यह रूपांतरण का एक स्पेक्ट्रम है। इसके एक छोर पर प्राकृतिक अवस्था में मौजूद खाद्य पदार्थ हैं, जैसे कि एक सेब या एक कच्ची गाजर। दूसरे छोर पर वे उत्पाद हैं जिन्हें उद्योग द्वारा इतनी गहराई से परिवर्तित किया गया है कि वे अपने मूल अवयवों के साथ बहुत कम समानता रखते हैं, जैसे कि एक मीनी हुई नाश्ते की सीरियल या एक पैकेट वाला स्नैक केक। इन दो ध्रुवों के बीच एक मध्य क्षेत्र है जिसमें ऐसे खाद्य पदार्थ होते हैं जिन्हें पकाया गया है, संरक्षित किया गया है, या नमक या चीनी जैसे सरल अवयवों के साथ मिलाया गया है। वैज्ञानिकों ने खाद्य पदार्थों को इन चार श्रेणियों में वर्गीकृत करने के लिए 'नोवा' (NOVA) नामक एक प्रणाली विकसित की है, ताकि यह समझा जा सके कि प्रसंस्करण (प्रोसेसिंग) की डिग्री मानव स्वास्थ्य को कैसे प्रभावित करती है। विचार यह है कि भोजन जितना अधिक प्रोसेस्ड होगा, उसके मधुमेह या हृदय रोग जैसे खराब स्वास्थ्य परिणामों से जुड़े होने की संभावना उतनी ही अधिक होगी। हालाँकि, लाखों खाद्य पदार्थों को हाथ से छाँटना धीमा, कठिन और अक्सर विशेषज्ञों के बीच भी असहमति का कारण बनता है। इसके अलावा, कई राष्ट्रीय खाद्य डेटाबेस, जो यह ट्रैक करते हैं कि लोग क्या खाते हैं, उनमें ये प्रोसेसिंग लेबल शामिल ही नहीं होते, जिससे शोधकर्ताओं के ज्ञान में एक कमी रह जाती है।
इस अंतर को पाटने के लिए, शोधकर्ताओं की एक टीम ने यह देखने के लिए हाथ बढ़ाया कि क्या एक कंप्यूटर केवल उनके पोषण संबंधी सामग्री को देखकर खाद्य पदार्थों को सही ढंग से वर्गीकृत करना सीख सकता है। उन्होंने विशेष रूप से 'फूडप्रॉक्स' (FoodProX) नामक एक मशीन-लर्निंग टूल पर ध्यान केंद्रित किया, जिसे मूल रूप से अमेरिकी खाद्य डेटा पर दस प्रमुख पोषक तत्वों, जैसे कि चीनी, वसा, फाइबर और सोडियम के आधार पर नोवा समूहों की भविष्यवाणी करने के लिए प्रशिक्षित किया गया था। टीम यह जानना चाहती थी कि क्या यूरोपीय खाद्य पदार्थों पर प्रशिक्षित मॉडल अमेरिकी खाद्य पदार्थों पर भी उतना ही अच्छा काम कर पाएगा, और क्या वह एक फिनिश राष्ट्रीय डेटाबेस में खाद्य पदार्थों को सफलतापूर्वक लेबल कर पाएगा जिसे पहले कभी वर्गीकृत नहीं किया गया था। उन्होंने एक वैश्विक डेटाबेस से 18,s0,000 से अधिक खाद्य उत्पादों का एक विशाल संग्रह एकत्र किया, जो मुख्य रूप से यूरोप से था, और कंप्यूटर को उन पोषक तत्वों के पैटर्न को पहचानने के लिए सिखाया जो प्रत्येक के चार नोवा समूहों के अनुरूप होते हैं। फिर उन्होंने इस नए, यूरोपीय-प्रशिक्षित मॉडल का अनदेखे यूरोपीय खाद्य पदार्थों और अमेरिकी खाद्य पदार्थों के एक अलग सेट पर परीक्षण किया, यह देखने के लिए कि क्या यह सीमाओं के पार अपने ज्ञान का सामान्यीकरण कर सकता है।
परिणामों ने दिखाया कि कंप्यूटर खाद्य स्पेक्ट्रम के चरम छोरों को पहचानने में उल्लेखनीय रूप से सक्षम था। वह उच्च सटीकता के साथ बिना प्रोसेस्ड खाद्य पदार्थों और अल्ट्रा-प्रोसेस्ड खाद्य पदार्थों की पहचान कर सकता था। जब शोधकर्ताओं ने मॉडल से दो सबसे अधिक प्रोसेस्ड श्रेणियों—"प्रोसेस्ड" समूह और "अल्ट्रा-प्रोसेस्ड" समूह—के बीच अंतर करने के लिए कहा, तो उसे कठिनाई हुई। मॉडल अक्सर इन दो मध्यवर्ती श्रेणियों के बीच भ्रमित हो गया, जिससे पता चलता है कि दोनों के बीच के पोषण संबंधी अंतर इतने सूक्ष्म हैं कि कंप्यूटर उन्हें निश्चितता के साथ पहचान नहीं पाता है। यह भ्रम कंप्यूटर की प्रोग्रामिंग की खामी नहीं थी, बल्कि उन कठिनाइयों का प्रतिबिंब था जिनका सामना मनुष्य इन दो समूहों के बीच एक स्पष्ट रेखा खींचने के लिए करते हैं। यहाँ तक कि जब मॉडल को फिनिश डेटाबेस पर लागू किया गया, जिसमें 4,000 से अधिक खाद्य पदार्थ थे जिनमें पहले कोई लेबल नहीं था, तो इसने खाद्य पदार्थों को कम से अधिक प्रोसेस्ड के क्रम में एक सुसंगत रैंकिंग प्रदान की, जिसमें कच्चे अवयवों को निचले स्तर पर और तैयार भोजन को उच्च स्तर पर रखा गया।
अध्ययन से पता चला कि कंप्यूटर ने निर्णय लेने के लिए विशिष्ट पोषक तत्वों पर बहुत अधिक निर्भर किया। सोडियम, या नमक, सबसे महत्वपूर्ण संकेत था, जिसके ठीक बाद कुल शर्करा (शुगर) का स्थान था। उच्च मात्रा में इन दो पोषक तत्वों वाले खाद्य पदार्थों को अल्ट्रा-प्रोसेस्ड श्रेणी की ओर धकेल दिया गया, जबकि कम फाइबर और आयरन वाले खाद्य पदार्थों को भी अत्यधिक प्रोसेस्ड के रूप में चिह्नित किया गया। दिलचस्प बात यह है कि मॉडल ने कुल ऊर्जा या संतृप्त वसा (सैचुरेटेड फैट) पर उतना भरोसा नहीं किया जितना कि अपेक्षित था। जब शोधकर्ताओं ने अपने यूरोपीय-प्रशिक्षित मॉडल की तुलना मूल अमेरिकी संस्करण से की, तो उन्होंने पाया कि हालांकि दोनों मॉडल किसी विशिष्ट खाद्य पदार्थ की सटीक श्रेणी पर असहमत हो सकते हैं, लेकिन वे समग्र क्रम पर काफी हद तक सहमत थे। दोनों ने खाद्य पदार्थों को कम से अधिक प्रोसेस्ड के एक समान क्रम में रैंक किया, भले ही उनके द्वारा दिए गए सटीक अंक थोड़े भिन्न हों। यह सुझाव देता है कि हालांकि श्रेणियों के बीच की सटीक सीमाएं धुंधली हैं, लेकिन प्रसंस्करण में वृद्धि का सामान्य रुझान केवल पोषक तत्वों के माध्यम से स्पष्ट और मापने योग्य है।
शोधकर्ताओं ने निष्कर्ष निकाला कि जबकि पोषक तत्व-आधारित मॉडल अल्ट्रा-प्रोसेस्ड खाद्य पदार्थों की पहचान करने और उनकी तीव्रता के आधार पर रैंकिंग देने के लिए शक्तिशाली उपकरण हैं, वे हर एक खाद्य पदार्थ को चार अलग-अलग नोवा समूहों में वर्गीकृत करने के लिए मानव विशेषज्ञों का पूर्ण रूप से स्थान नहीं ले सकते। कठिनाई वर्गीकरण प्रणाली की प्रकृति में निहित है, जहाँ प्रोसेस्ड और अल्ट्रा-प्रोसेस्ड खाद्य पदार्थों के बीच की रेखा अक्सर उन औद्योगिक योजकों (एडिटिव्स) की उपस्थिति से परिभाषित होती है जो पोषण संबंधी प्रोफाइल को महत्वपूर्ण रूप से नहीं बदलते हैं। इमल्सीफायर और संरक्षक (प्रिजर्वेटिव्स) के साथ बना ब्रेड का एक लोफ और साधारण अवयवों से बना ब्रेड लगभग समान मात्रा में चीनी, नमक और वसा रख सकते हैं, फिर भी वे अलग-अलग श्रेणियों के हैं। क्योंकि कंप्यूटर सामग्री की सूची या निर्माण प्रक्रिया को देख नहीं सकता, इसलिए वह केवल उन्हीं पोषक तत्वों के आधार पर अनुमान लगा सकता है जिन्हें वह माप सकता है।
इन सीमाओं के बावजूद, अध्ययन एक व्यावहारिक मार्ग प्रदान करता है। इस प्रशिक्षित मॉडल को फिनिश राष्ट्रीय खाद्य डेटाबेस पर लागू करके, शोधकर्ताओं ने हजारों फिनिश खाद्य पदार्थों के लिए पहली बार प्रोसेसिंग लेबल तैयार किए। यह नया डेटा वैज्ञानिकों को यह अध्ययन करने की अनुमति देता है कि फिनलैंड में खाद्य प्रसंस्करण स्वास्थ्य परिणामों से कैसे संबंधित है, बिना प्रत्येक वस्तु को मैन्युअल रूप से लेबल किए। निष्कर्ष बताते हैं कि बड़े पैमाने के अध्ययनों के लिए, अल्ट्रा-प्रोसेस्ड खाद्य पदार्थों को चिह्नित करने के लिए कंप्यूटर का उपयोग करना एक विश्वसनीय रणनीति है, भले ही प्रोसेस्ड और अल्ट्रा-प्रोसेस्ड के बीच के सूक्ष्म अंतर अनिश्चित बने रहें। यह कार्य इस बात पर प्रकाश डालता है कि हालांकि केवल पोषक तत्व खाद्य प्रसंस्करण की पूरी कहानी नहीं बता सकते, फिर भी वे एक मजबूत संकेत प्रदान करते हैं जो शोधकर्ताओं और नीति निर्माताओं को हमारे खाद्य आपूर्ति की संरचना और सार्वजनिक स्वास्थ्य पर इसके संभावित प्रभाव को समझने में मदद कर सकते हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।