精准营养研究组
六个字段，六种出错方式
纵横国际把饮食记录拆成六个字段来研究：没有传感器兜底，每个字段都要经过记忆、判断和意愿三道人工环节。下表示例均为设定场景。
| 字段 | 典型出错方式（设定） | 偏差倾向 |
|---|---|---|
| 食物名称 | “炒饭”实际是加了火腿肠和鸡蛋的一大盘，只匹配到最接近的条目 | 被简化，方向不定 |
| 份量 | 外卖盒装350g，被记成默认的300g | 偏小居多 |
| 烹饪方式 | 炸、煎、烤、水煮都记成“鸡肉” | 漏掉用油，偏低 |
| 配料 | 酱汁、糖、奶盖漏记，混合菜肴里的油脂看不见 | 偏低 |
| 时间 | 晚上补记，只写“晚餐” | 错位 |
| 饮食场景 | 聚餐、出差、边看屏幕边吃，整餐没记 | 缺失，且不随机 |
名称被简化、份量偏小、用油和酱料漏记，指向的是同一个方向：少记。单个字段的误差看着不大，合在一起却很难在长期平均里抵消。
同一盒外卖沙拉，误差是怎样叠出来的
下面的数字是设定，不是真实测量。用户记录了“鸡肉沙拉”，数据库匹配到一条约300g、烤鸡肉配少量油醋汁的条目，约280kcal。实际吃下去的，是裹粉油炸的鸡块，整盒约350g，配了两包千岛酱。
- 名称与做法：烤改成炸，设定增加80kcal，累计360kcal
- 份量：300g改为350g，整体按比例放大，累计约420kcal
- 配料：油醋汁改为两包千岛酱，设定再增加120kcal，累计约540kcal
记录的280kcal只有实际的一半左右。三项各自单独纠正，增量是80kcal、约47kcal和120kcal，合计约247kcal；全部纠正后差距是260kcal，多出来的十几kcal，是份量把油炸那部分也放大了。误差并不只是相加，遇到份量偏差还会被乘上一个系数。这个例子刻意取了三处同向叠加的情形，但每一项单看都很寻常。
漏记不是随机的，日期也会错位
聚餐、加班后的夜宵、边看手机吃的零食，恰好是最不容易被记下来的场合，也往往是能量、糖和油偏高的场合。缺失如果随机，样本够多还能被平均掉；缺失若与摄入本身相关，数据越多，偏差越被固定下来。设定一周里有5次饮品零食漏记，每次约150kcal，平均到每天约107kcal，而这一部分在系统里根本不存在。
时间字段还有日界线问题：设定23:30吃了约300kcal的夜宵，归到当天还是次日，直接决定“今天摄入了多少”。日期归属规则要事先写清楚，下游计算共用同一套。补记造成的时间错位，可参考营养数据质量一文。
2026年《Frontiers in Digital Health》一篇论文指出，自报饮食存在系统性低报，高BMI人群的能量和蛋白摄入低报可达20%–30%；基于图像的饮食AI对混合菜肴表现较差，个别亚洲混合菜肴的摄入低估可高达76%；份量估算在所有方法里都是持续难题。这些数字说明误差有方向，并集中在少数食物和人群里，不能直接套到某一个人身上。
记录端：少让人做判断，多让人做确认
降低误差最有效的办法不是要求用户更认真，而是把最容易出错的判断换成更容易的确认。纵横国际在拆解记录流程时，倾向于这样设计一次记录。
- 名称用“食物加做法”两级选择，比自由输入更容易对上数据库。
- 份量不要求克数，用碗、盒、勺这类参照物；常吃的东西记住常用份量，之后只需确认。
- 追问哪个问题，由系统看同名条目里差异最大的因素来定：炸与烤相差最多就问做法，酱料相差最多就问酱料，一次只问一个。
- 每周抽一两天称重，为后面的校准留下少量更接近真值的样本。
入口与使用思路见纵横国际App怎样记录饮食、运动和营养目标，界面以App内实际展示为准。
模型端：把“不确定”当作输出的一部分
上述论文主张把误差校正嵌入数据管线，方法包括回归校准、贝叶斯层次模型和去噪自编码器，并让系统输出不确定性与可靠度，而不是把点估计当作确定结果。落到做法上：
- 每条记录带区间：水煮鸡蛋这类单一食材区间可以窄，混合菜肴和外卖应当更宽。设定混合菜肴取±35%、单一食材取±10%，实际数值应来自校准样本。
- 单独输出覆盖率：一周21餐里有多少餐有记录，比某一餐估得准不准更基础。设定覆盖率低于三分之二时，只给方向性提示，不给细到克数的建议。
要点：饮食记录的误差不是一个噪声项，而是六个字段各自带着方向的偏差。记录端把最大的几项压下去，模型端诚实地说出压不下去的部分还剩多少。
这些做法各有局限：愿意称重的人本身就不是典型用户，校准结果带着选择偏差；区间依赖对误差分布的假设，假设错了，区间反而给人虚假的安全感。所以纵横国际更愿意让每条估算带上来源和可靠度标签。单日记录为什么不足以描述长期饮食，可以读一天吃得很健康并不能说明长期饮食结构已经健康。
