相关实验视频
Updated: Jan 20, 2026

Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
基于大型语言模型的文本识别和结构化数据提取用于饮食调查
Fangxu Guan1, Ruixue Niu2, Feifei Huang1
1Key Laboratory of Public Nutrition and Health, National Health Commission of the People's Republic of China; National Institute for Nutrition and Health, Chinese Center for Disease Control and Prevention & Chinese Academy of Preventive Medicine, Beijing, China.
大型语言模型 (LLM) 通过准确地将音频录制成结构化数据来改进饮食调查. 这种人工智能驱动的方法提高了营养研究的数据完整性和一致性.
科学领域:
- 营养科学 营养科学
- 人工智能的人工智能
- 数据科学数据科学数据科学
背景情况:
- 传统的饮食调查是劳动密集型的,容易出现不准确的情况.
- 准确的营养数据收集对于公共卫生研究至关重要.
- 大型语言模型 (LLM) 的进步为数据收集挑战提供了潜在的解决方案.
研究的目的:
- 评估LLMs在提高饮食调查的准确性和效率方面的有效性.
- 评估基于LLM的数据提取与手动方法的性能.
主要方法:
- 采用24小时的饮食回忆协议,使用智能录音笔捕获音频数据.
- 音频录音被转录并使用GLM-4进行处理,用于快速工程和思维链推理.
- 分析了LLM生成的结构化数据的完整性和一致性,并精确计算了F1分数.
主要成果:
- 基于LLM的结构化数据实现了92.5%的整体完整率和86%的与手动记录一致性.
- 该LLM在识别食品成分和位置方面表现出高度准确性.
- 该模型在数据集上获得了94%的精度和89.7%的F1得分.
结论:
- 基于LLM的文本识别和数据提取是提高饮食调查效率和准确性的宝贵工具.
- 人工智能工具的持续开发有望在营养研究中收集更精确,更有效的数据.
更多相关视频
07:43Methods for Image-based Surveys of Benthic Macroinvertebrates and Their Habitat Exemplified by the Drop Camera Survey for the Atlantic Sea Scallop
Published on: July 2, 2018
04:54Iterative Development of an Innovative Smartphone-Based Dietary Assessment Tool: Traqq
Published on: March 19, 2021
相关概念视频
13:19Deep Neural Networks for Image-Based Dietary Assessment
Data Collection by Survey
Surveys
07:43Methods for Image-based Surveys of Benthic Macroinvertebrates and Their Habitat Exemplified by the Drop Camera Survey for the Atlantic Sea Scallop
04:54Iterative Development of an Innovative Smartphone-Based Dietary Assessment Tool: Traqq
06:16Involving Individuals with Developmental Language Disorder and Their Parents/Carers in Research Priority Setting