本文介绍了基于智能手机的创新饮食评估应用程序Traqq的开发方案，包括专家评估和可用性测试。
本文内容
摘要
摘要
为快速且可靠地收集膳食摄入数据，开发了一款灵活创新的智能手机应用程序（app），名为Traqq（支持iOS/Android系统）。该应用程序可用于膳食记录以及 24小时回顾法（或更短时间的回顾期）。对于这两种方法，均可在预设或随机选择的日期/时间点、于指定时间段内设定不同的采样方案，并通过 推送通知提醒参与者登记其食物摄入情况。若参与者未及时响应，系统将自动重新安排通知，以确保数据收集的完整性。作为膳食记录使用时，受访者可全天随时打开应用程序记录其食物摄入。膳食记录在当日结束时自动关闭；回顾法记录则在提交所摄入食物后即关闭。回顾法模块和膳食记录模块均提供基于荷兰食物成分数据库（FCDB）的详尽食物列表，且可根据不同研究目的进行调整。当选择某一食物条目时，系统会同时提示受访者输入份量大小，i.e.，以家庭常用单位（e.g.，杯、勺、杯数）、标准份量（e.g.，小、中、大）或以克为单位的重量，以及进餐时间或摄入时间。份量大小的输入选项可进行调整，e.g.，在称重膳食记录中仅允许以克为单位输入，或以摄入时间替代进餐场合的记录。该应用程序还包含“我的菜肴”功能，允许受访者创建自己的食谱或食品组合（e.g.，每日早餐），并仅报告总摄入量。随后，应用程序会自动考虑食物的产出率和营养保留因子。所有数据均存储于安全服务器上。如有需要，还可加入附加问题，i.e.，一般性问题或与特定食物条目、进餐场合相关的问题。本文描述了该系统（应用程序及后端）的开发过程，包括专家评估和可用性测试。
引言
准确的膳食评估对于确保营养在健康和疾病预防中作用的研究质量至关重要。目前，此类研究通常采用已建立的自我报告膳食评估方法，即，食物频率问卷、24小时回顾法（24hR）和/或食物记录1。尽管这些方法在营养学研究中具有重要意义，但也存在多种缺陷，例如，与记忆相关的偏倚、社会期望性偏倚，且对受访者和研究人员均造成较大负担1,2。近年来的技术进步为克服这些缺陷提供了可能。在过去几年中，多个研究团队抓住这一机遇，开发了基于网络和智能手机的膳食评估工具，用于营养学研究，以解决其中一些已知的局限性（参见 Eldridge et al.3 对基于网络和智能手机工具的全面综述），即，减少误差来源、提高用户友好性，并降低参与者和研究人员的负担1。
然而，适用于营养学研究的完全自动化且经过验证的智能手机应用程序（app）仍然有限。大多数现有的饮食评估类应用程序（即，无论是商业开发还是为研究目的开发的）要么未实现完全自动化（即，需要手动编码食物条目），要么未经充分验证3。此外，大多数已验证的应用程序均针对特定国家的某一具体研究目的而开发；由于其设计相对固定，将这些应用程序用于其他研究目的或其他国家显得颇具挑战性3,4,5,6,7,8。最后，尽管基于食物记录的应用程序已有一定数量，但截至目前，尚无基于回忆法的应用程序问世。虽然食物记录容易产生反应性偏倚，即受访者可能因意识到自己正被观察而改变其饮食行为2,9，但回忆法则不存在此问题，这凸显了开发经过验证的基于回忆法的应用程序的必要性10。一种名为Traqq的创新型饮食评估应用程序已在荷兰开发，可根据研究问题的不同，用作食物记录工具或回忆法工具1。
除了可在食物记录选项与回忆选项之间切换外，该应用程序与其他膳食评估工具的不同之处还在于其灵活性，具体体现在食物列表、份量估计、抽样方案以及整合附加问题的可能性等方面。系统的灵活程度使其能够根据不同研究需求进行定制，以准确评估膳食行为。目前，该应用程序正处于验证过程中，即将可用于各类营养相关研究。此外，该程序也可用于营养干预项目，以测量并影响膳食行为，并有望在实际应用中得到进一步优化。由于开发可靠的膳食评估工具具有挑战性，且关于此类开发过程的报告较为稀缺，尤其是涉及用户和专家参与的相关文献更为少见3,11,12，因此本文详细阐述了如何在这一基于智能手机的膳食评估应用程序的系统性、迭代式开发过程中，整合多种信息来源，包括理论依据、专家咨询以及用户参与。
方案
注意：所有涉及人类参与者的操作均以非侵入性方式进行，主要采用定性研究方法。在评估开始前，已从所有参与者处获得知情同意。本方案描述了一个迭代式开发过程，该过程大致可分为四个阶段，其中第1至第3阶段相互交织（图1）。
图1：应用程序迭代开发过程各阶段的概述。 开发过程总共包括五个阶段。然而，该过程是迭代性的，意味着第1至第3阶段相互交织。请点击此处查看此图的放大版本。
1. 在实际开发过程之前进行广泛的形成性研究。
- 通过桌面研究，探索现有的基于网页和智能手机的膳食评估工具，重点关注对准确收集食物摄入数据至关重要的功能，即：食物录入方式（包括食物列表及底层食物成分数据库，FCDB）和食物份量估算方法。
- 审查现有的基于网页和智能手机的膳食评估工具，重点关注膳食评估方法学、信息提供方式、可靠性、搜索引擎以及已实现的功能（例如：图像展示、条形码扫描器、食谱功能）。
- 咨询膳食评估领域的专家。
注意：桌面研究及现有工具审查的结果与膳食评估领域的专家进行了讨论，由此形成应用程序开发的初步设计方案。该初步设计方案经专家评估，并根据需要进一步优化完善。
2. 设计膳食评估应用程序
- 在考虑动画、品牌、颜色、布局和排版等重要方面的同时，创建应用程序的视觉设计20。
注意：由于空间、颜色、字体、图形和界面元素能够突出内容并传达交互性，因此必须整合有助于实现应用程序功能的元素。 - 选择一个可靠的食品成分数据库（此处为NEVO），以支持对收集的食物摄入数据进行营养计算14。
- 通过仔细评估食品成分数据库中所列食品项目的描述，创建食品列表。
注意：食品成分数据库主要为专业用途而开发，其食品描述通常较为复杂，影响检索便利性（例如，“低脂人造黄油 35%脂肪 < 10 g 饱和脂肪 无盐”23）。 - 制定搜索引擎需求，考虑标点符号、外文名称、拼写错误、不同搜索关键词以及搜索结果排序等因素，以提升食品项目的可检索性。
- 通过评估现有的多种膳食评估工具，并对合适选项进行实地测试，选定用于估计食物份量大小的方法（辅助工具）。
- 设计应用程序内的导航路径，确保用户在应用中的浏览流程符合逻辑、可预测且易于遵循。
- 设计后端功能与需求以控制应用程序；包括与整体项目管理、项目特定管理（例如，参与者、邀请、数据收集）以及用户管理（例如，权限授权）相关的功能。
3. 研究人员评估
注意：每次升级后，均由具备膳食评估专业知识的营养科学家和研究营养师（内部测试）对应用程序进行测试，以验证功能是否按预期得到改进。以下操作说明应由研究人员执行。
- 通过认知走查法进行专家评估，以模拟首次使用体验，使专家能够独立且无指导地探索应用程序28。确保认知走查包含以下步骤：
- 确保专家填写一份关于智能手机品牌和型号的一般性问卷。
- 在专家的智能手机上安装该应用程序。
注意：为确保正确安装和正常运行，并尽量减少评估过程中中断的风险，建议研究人员首先验证应用程序的功能。 - 向专家说明测试流程，要求每位专家扮演首次使用者的角色（即，研究参与者）。强调评估应从用户角度而非专家自身角度进行。
注意：假设用户为有经验的智能手机使用者，且具备一般应用程序使用知识，但此前从未使用过本应用程序。 - 启动屏幕和音频录制。
- 让专家在使用应用程序的同时完成认知走查，并执行一组预设任务31：1）“我想记录我的晚餐。我开始喝了一杯番茄汤和一杯牛奶。”，2）“之后我吃了一份意大利面，这是我经常食用的菜品，我想将其作为‘我的菜品’（即，My Dishes功能的前身）保存下来。”[提供菜谱]，3）“由于我也食用了这份意大利面，我想将其添加到今天的饮食记录中。”，以及 4）“我已经输入了晚餐期间吃的所有食物。我想再检查一遍记录，然后提交。”
注意：在执行任务过程中，专家需向研究人员说明其思维过程，即，解释完成所述任务所需的各个步骤。 - 进行简短的后续访谈，以澄清模糊之处32，并给予专家提供额外反馈的机会。
- 通过回放录制内容检查任务是否按预期执行，并结合专家提供的附加评论，评估每位专家的评估结果。
- 将评估结果与专家共享，以确认基于录像所作的推断是否准确。
注意：评估结果与专家共同讨论并确定优先级。根据此次评估结果，对应用程序进行了进一步升级。
- 对目标用户开展可用性测试，通过“出声思考”访谈法和系统可用性量表（SUS）33评估应用程序在目标用户中的可用性和可接受性，具体步骤如下：
- 招募能够代表目标用户群体的参与者35。
- 向参与者说明研究流程，包括屏幕和音频录制，并获取其知情同意。
注意：研究人员应鼓励参与者在评估过程中“出声思考”，即，在执行任务时口头描述完成每项任务所需步骤的想法，以及评论哪些功能运行良好或不佳。 - 在参与者的智能手机上安装该应用程序。
注意：为确保正确安装和正常运行，并尽量减少评估过程中中断的风险，建议研究人员首先验证应用程序的功能。 - 请参与者完成一项练习任务以熟悉“出声思考”访谈：要求参与者想象自己的卧室，并在计数窗户数量的同时，向研究人员描述他们在计数过程中看到和想到的内容。随后，请参与者想象走向卧室中某一扇窗户，并描述他们在走向该窗户过程中的体验。
注意：提供练习任务并在必要时重复，以确保参与者能够自如地进行“出声思考”37。 - 启动屏幕和音频录制。
- 请参与者使用预设任务完成正式的“出声思考”访谈：参与者必须：1）记录前一天摄入的所有食物和饮料；2）通过My Dishes功能记录一种经常食用的菜品。
- 在测试过程中，观察并做笔记，必要时通过简单提示（如“继续大声说出来”、“告诉我你的想法”或“告诉我你现在在想什么”）鼓励参与者持续“出声思考”。尽量减少其他互动，以避免干扰参与者的思维过程28,32。
- 进行简短的后续访谈，以澄清模糊之处32。
- 请参与者填写一份评估问卷，内容包括与年龄、性别、教育水平、智能手机型号、智能手机使用经验水平（即，经验丰富的用户更可能快速且正确地完成任务38）相关的一般性问题，以及系统可用性量表（SUS）33——一个包含10个条目的问卷，采用李克特量表评分，范围从1（非常不同意）到5（非常同意），用于评估系统的可用性。
- 通过以下方式分析每次会话的数据：1）转录、编码并生成（子）主题；2）使用预定义公式计算SUS得分，得出0至100之间的分数33，其中得分 >68/100 表示工具的可用性高于平均水平，得分 >80/100 表示可用性极佳39,40。
注意：建议由主持会话的研究人员使用定性数据分析软件进行数据分析。若存在模糊情况，可咨询第二位研究人员。
- 将饮食摄入记录与经过验证的传统方法以及尽可能独立的测量手段进行定量验证3。
注意：本研究正将该应用程序与基于网络和电话的24小时回顾法（即，访谈）以及独立的尿液和血液生化标志物进行对比验证。由于该应用程序的定量验证不在本文讨论范围内，故不再进一步阐述。
4. 使用后端系统进行应用程序和研究管理
注意：该系统具有三个授权级别：（1）管理员——此授权级别可访问后端的所有部分（即，创建新用户、确定用户授权，以及授予用户对一个或多个项目的访问权限）；（2）项目负责人——此授权级别允许访问特定项目，并可创建新项目；（3）研究人员——此授权级别仅允许访问研究人员所参与的特定项目。
- 管理员在后台对用户和项目进行管理
- 通过 traqq.idbit.net 访问在线后台，并使用登录凭据（即，用户名、密码）登录。
- 点击 项目 标签，然后点击 创建新项目，以创建一个新项目。
- 在下一个界面中，输入所需项目信息（即，项目名称、联系人描述、联系邮箱、联系电话、联系网站）。
注意：仅项目名称为创建新项目所必需。联系人描述、邮箱、电话号码和网站将在应用程序中的 联系与信息 按钮下显示。 - 选择所需功能（即，产品列表、询问进食场合和/或摄入时间、记录或回忆）。
注意：每个新项目均需针对最合适的膳食评估方法（即，记录或回忆）、食物列表、份量估算以及进食场合或进餐时间进行独立决策。 - 点击 保存 以保存新项目。
注意：当界面关闭后，管理员将返回至 项目概览 界面。 - 接下来，点击 用户 标签，然后点击 添加新用户，以创建新用户。
- 在下一个界面中，输入 用户名、密码，并为该用户分配 角色 （即，管理员、管理者或普通用户）。
- 点击 保存 以保存新用户。
注意：当界面关闭后，管理员将返回至 用户概览 界面。 - 通过点击特定用户的记事本图标（即，编辑列），将用户分配至项目。
- 在 关联项目 下拉菜单中选择目标项目，点击 添加，以分配项目。
注意：此操作需为用户需要加入的每个项目重复执行。 - 将登录凭据及后台 URL 告知新用户。
- 研究人员（即，具有管理者或用户角色）在后台对项目进行管理
- 通过 traqq.idbit.net 使用管理员提供的凭据登录后台。
- 点击 前往项目 以管理项目。
- 点击目标项目所在行的 查看 列中的箭头。
注意：执行此操作后，研究人员将进入 项目概览 页面，且该特定项目的新增标签将出现。 - 点击 参与者 标签，在后台录入参与者信息。当出现 参与者概览 界面后，点击 添加新参与者。
- 在下一个界面中，输入 代号、备注（可选）、登录ID、登录密钥，最后点击 保存。
注意：建议使用参与者的研究编号作为代号和登录ID，以减少参与者在拥有多个登录凭据时可能产生的混淆。此外，代号将在回复中可见，使用参与者编号有助于数据的后续使用。此操作需为每位参与者重复执行。对于较大群体，可使用 从文件导入参与者（.csv）功能，其中每位参与者均需提供相同信息。后台不得包含任何参与者的个人信息。 - 点击 邀请 标签，为每位参与者安排邀请。当出现 邀请概览 界面后，点击 添加新邀请。
- 在下一个界面中，从下拉菜单中选择 参与者，并输入 报告开始时间、报告结束时间、开放时间、关闭时间、调查问卷URL（即，用于附加问题的可选设置）、备注 （可选）、启用 （始终为“是”）。
注意：报告开始 与 结束时间 指报告的时间范围（即，在 ..:.. 至 ..:.. 之间摄入的食物）。而开放与关闭时间则指参与者实际可报告摄入情况的时间段。正确实施外部调查需一定编码工作，建议寻求管理员协助。对于大多数邀请，可使用 文件 下的 从文件导入邀请（.csv）功能，该文件需包含与手动输入相同的信息。邀请也可通过 抽样方案 创建（即，系统根据预设规则（如抽样周期、所需邀请数量、响应截止时间）在不同日期和时间自动生成随机邀请方案）。抽样方案 的优势在于，若参与者未响应，系统将自动安排新的邀请。 - 通过点击 日历 标签，并从下拉菜单中选择目标参与者，以跟踪数据收集情况。
注意：日历可提供项目内已安排邀请的概览，可查看整体情况或特定参与者的邀请。未来的邀请以蓝色显示，已完成的过往邀请为绿色，未响应的过往邀请为红色。邀请的响应情况也可通过 响应 标签查看。 - 通过 响应 标签跟踪响应情况。
注意：在 响应 部分，将汇总报告的食物摄入数据（即，食物项目、摄入量、进食场合和/或摄入时间）。 - 向管理员申请数据导出。
注意：管理员可将后台数据导出为 .csv 文件，用于进一步分析（例如，响应/食物摄入数据、依从性数据）。响应内容包括报告的食物项目、选择的份量大小、以克为单位的摄入量，以及进食场合/时间。 - 将 .csv 文件导入营养计算软件，进行深入的营养成分分析。
注意：数据可导入使用荷兰食物成分数据库（Dutch FCDB）的营养计算软件中。
5. 研究期间参与者对应用程序的使用
- 从 App Store（iOS）或 Google Play 商店（Android）免费下载应用程序，并通过登录访问该应用。
注意：需要研究人员提供的登录凭据才能访问该应用（步骤 4.2.5）。登录后，应用将根据参与者的凭据在后台按预定时间发送邀请（步骤 4.2.7）。 - 通过应用程序收到邀请后，报告食物摄入情况。
注意：参与者仅可在预设的日期和时间登记其食物摄入。- 点击收到的通知或通过应用图标打开应用程序。
注意：打开应用后，将出现邀请概览界面，显示以往及当前的邀请。 - 点击未完成的邀请。
注意：参与者将被引导至概览界面，其中可见邀请的时间段。 - 通过点击Product toevoegen（添加食物项目）输入首先摄入的食物项目。
注意：参与者将进入搜索界面。 - 开始键入所摄入项目的名称（例如，橙汁 [jus d'orange]），在输入过程中点击出现的相应项目。
- 在接下来的界面中，报告摄入量（Hoeveelheid）、对应的份量描述（Portie）、进餐场合（Maaltijdmoment）和/或摄入时间（Tijdstip），最后点击保存（Opslaan）。
- 重复上述步骤，直至所有食物项目均被登记。
- 通过点击（Lijst versturen）（发送列表）提交列表（回忆），或邀请将在当天结束时自动关闭（记录）。
注意：发送列表选项在记录版本中同样可见，因此使用记录方式的参与者也可将其输入发送至数据库。然而，即使数据已发送，邀请仍将在当天结束时关闭，并将所有数据传送至服务器。
- 点击收到的通知或通过应用图标打开应用程序。
结果
该系统（应用程序及后端）是根据上述方案中所述步骤开发的；此过程的关键结果如下所述，最后给出了应用程序的最终设计。
形成性研究
除了广泛的文献回顾外，还考察了若干基于网络的工具（例如，Compl-eat13、ASA2414、Foodbook2415、MyFood2416），重点关注其膳食评估方法及已实现的功能。此外，还比较了荷兰常用的一些食物记录应用程序的性能（例如，MijnEetmeter17、MyFitnessPal18、Virtuagym Food19），评估维度包括膳食评估方法、信息提供、可靠性、搜索功能以及附加功能的使用（例如，图像支持、条形码扫描仪、食谱功能）。此次考察的结果促使我们决定以特定方式开发该应用程序，使其既可用作食物记录工具，也可用作膳食回顾工具。此外，还促成了我的菜肴功能的实现，该功能可用于创建原创食谱或经常食用的食物组合（例如，日常早餐）。在此功能中，产量和营养保留因子将被自动考虑在内。
为准确量化食物和营养素摄入量，一份完整且切实可行的食物清单至关重要。编制此类食物清单需要在食物清单的广泛性与食物条目的可检索性之间进行权衡。即，食物描述需要清晰、易懂且便于查找）41,42食物成分数据是膳食评估的基础21,22，确保所开发的食物列表能够与准确的食物成分数据相关联非常重要。应用程序中包含的食物列表基于荷兰食物成分数据库（NEVO）14，因其可靠性及丰富的食物成分数据而被选用。最初，NEVO 包含 2,389 种食物（2016/5.0 版），通过剔除“易混淆项目”后，缩减为包含 1,449 种食物的食物清单例如，无法生食的食物、不添加其他成分便无法食用的食物，或并非必须包含的物品）例如，根据荷兰食品消费调查（DNFCS）显示，由于摄入量较低43).
此外，NEVO 中包含不同品牌但种类相似的食品；在此类情况下，食品列表中仅保留通用名称选项。为进一步提升可用性，部分食品名称经过重新命名，以去除“制备的”、“冷冻的”、“平均的”和“天然的”等不必要的术语。该“数据清洗协议”由三位经过良好培训的研究营养师共同制定，并通过编写语法脚本实现，可在 NEVO 更新后重新运行。此外，为优化食品条目的可检索性，向食品列表中添加了所含食品的 1,019 个常用同义词。因此，最终应用程序中的食品列表共包含 2,468 个条目。食品列表开发过程的概览见图2。需要注意的是，尽管该详尽的食品列表是为通用用途而开发，但应用程序的后端仍支持根据需要导入其他食品列表。
图 2：为该应用程序开发的食物列表结构。该食物列表基于荷兰食物成分数据库（FCDB），并为最终食物列表中的每一项添加了相应的份量大小建议和同义词。请点击此处查看该图的放大版本。
饮食评估的另一个关键方面是食物份量的量化。尽管食物份量估计辅助工具（PSEAs） 例如， 图像、参照物及标准份量大小有助于报告所摄入食物的数量24,26,44，食物分量报告不准确仍然是产生偏倚的重要来源24,25,45,46，且关于不同PSEAs有效性的文献结果不一致26食物图片、份量大小建议（即标准尺寸和家用计量单位，以及以克为单位自由输入重量，是基于网页和智能手机的膳食评估工具中最常用的个人自我评估方法34例如，尽管关于食物分量的建议（例如，杯子、勺子、小号、大号）被用于Compl-eat等工具中13 和牛津 WebQ47，图像有助于在ASA24等工具中估计食物份量14 和 Myfood2416为探究该应用程序最合适的PSEA，开展了一项预试验研究，以比较不同份量建议的准确性（例如小、中、大或杯、勺），以克为单位的自由输入，以及份量大小的图片。本研究结果促使该应用程序将份量大小建议作为PSEA的一部分实施，同时提供以克为单位输入数量的选项27.
专家评审
专家评估的目的是从功能性和易学性方面对应用程序进行定性评价。由于许多用户倾向于通过自主探索来学习软件29系统的可学习性水平至关重要。共有10位专家， 即4名（研究型）营养师和6名营养与健康行为专家（科学家）参与了认知走查，其中60%的参与者使用安卓智能手机。最重要的是，专家评估表明，该应用程序的第一个版本尚不够直观。 例如，菜单结构因按钮/图标含义模糊而被认为不够清晰，且搜索引擎生成的结果顺序不合逻辑。专家评审中还提出另一个关键问题，即已选择的项目无法进行修改。根据这些结果，该应用程序的设计从第二阶段开始得到了显著改进（图1).
可用性评估
共有22名参与者完成了“出声思考”访谈，这些访谈构成了可用性评估的基础。初始样本量设定为20名参与者36，之后评估数据饱和情况。在完成20次访谈后尚未达到数据饱和，因此继续纳入参与者，并在每次后续访谈后持续评估数据饱和。参与者的平均年龄为48 ± 17岁（范围22–70岁）；男性占36%，大多数参与者具有较高教育水平（55%）。此外，大多数参与者使用安卓设备（n=14，64%），几乎所有参与者均具有超过1年的智能手机使用经验（n=21，96%）（表1）。所有参与者均在无指导或仅需极少指导的情况下完成了任务。
| 总计 (n=22) | |
| 性别 | |
| 男性 (%) | 36.4 |
| 女性 (%) | 63.6 |
| 平均年龄（均值，标准差） | 48.1 (17.2) |
| 教育水平 | |
| 低 (%) | 0 |
| 中等 (%) | 45.5 |
| 高 (%) | 54.5 |
| 智能手机类型 | |
| Android (%) | 63.6 |
| iOS (%) | 36.4 |
| 智能手机使用经验 | |
| 不足6个月 (%) | 4.5 |
| 6个月至1年 (%) | 0 |
| 超过1年 (%) | 95.5 |
| SUS（均值，标准差） | 79.4 (15.1) |
表1. 研究人群的特征及可用性评估结果。本表仅展示系统可用性量表（SUS）的结果及参与者特征。
然而，部分参与者（n=13，59%）在使用过程中表示存在困难 我的培养皿 功能；其余（n=5，23%）遇到轻微的功能问题，例如菜单按钮响应缓慢，以及因较小尺寸智能手机屏幕不足而导致按钮使用困难。此外，15名（68%）参与者表示希望提供以克为单位输入所摄入食物份量的选项。最后，SUS评分的评估结果显示平均得分为79/100（范围40–100），其中22名参与者中仅有3人的评分低于68/100，13人给出了较高评分 >80/100，表明该应用程序可被视为用户友好型。总体而言，所提出的改进建议较为有限，可用性评估结果令人乐观。随后，研究团队对改进建议进行了讨论，若认为相关，则将其纳入第四阶段的升级中，以进一步优化应用程序的受欢迎程度和可用性图1).
最终设计
本方案中描述的步骤以及评估研究的结果最终形成了该应用程序及其后端的最终设计方案，旨在实现简洁的视觉设计。该应用程序既可用作膳食记录工具，也可用作回顾性膳食调查工具。如前所述，食物列表是NEVO数据库的修改版本。 portion size estimation 通过针对特定食物的份量建议予以支持；同时允许用户以克为单位输入所摄入的食物份量。在应用程序的回顾性调查版本中，研究人员可选择不同的时间段（例如，2hR、8hR 或 24hR）。为了在不同日期和时间收集食物摄入数据，可在预设的时间周期内创建多种采样方案。系统通过推送通知邀请受访者记录其食物摄入情况。为确保数据完整采集，若受访者未响应，系统将自动重新发送邀请。在回顾性调查模块中，受访者仅可在收到邀请后报告其食物摄入情况。而在膳食记录模式下，受访者可全天随时访问应用程序并记录其食物摄入信息。
与大多数24小时膳食回顾（24hR）工具不同，该应用程序的回忆模块并未采用“自动化多步回顾法”——一种用于收集过去24小时膳食摄入数据的五步方法48，因为该方法在应用程序中使用过于复杂且耗时。更具体地说，为了提高可用性并增强膳食摄入记录的依从性11,38,49，系统将导航操作简化至最少，仅需访问4个界面屏幕（图3）：1）概览界面，显示报告时间窗口；2）通过搜索界面报告已摄入的食物项目，当用户选定目标食物后，3）将弹出一个对话框，提示输入进餐场合及摄入量，随后4）用户返回至已显示所记录食物项目的概览界面。此外，用户还可使用我的菜肴功能创建食谱或产品组合，并通过菜单按钮进行录入。
图 3：应用程序中路由流程的示意图。 请点击此处查看此图的放大版本。
数据存储在安全服务器上。如有需要，可添加其他问题——无论是通用问题，还是与特定进食场合或食物项目相关的问题。该应用程序可连接在线调查工具，因此可在预设时间通过应用程序开展与食物摄入无关的调查（例如，关于情境、行为或情绪的问题）。也可针对已报告的食物项目或进食场合提出特定问题（例如，当报告苹果时，或当报告午餐时）。使用在线调查工具可通过应用程序提出多种不同类型的问题。收集到的食物摄入数据可从服务器导出，并导入营养计算软件进行进一步分析。若使用了附加问题，这些数据将照常在调查工具中提供。本研究旨在开发一款结构清晰、易于使用的应用程序。部分界面设计截图见图4A-E。
图4：应用程序最终版本的截图。 (A）该 开始/概述 屏幕，显示带有（本例中为）2小时回忆期的邀请。用户可以按下 添加产品 (即，添加项目）以报告食品项目或 禁食禁水 (即，我未摄入任何食物或饮料）以防在此时间段内未摄入任何物质。B）该 搜索 屏幕显示与食品列表中搜索词“Jus”匹配的结果。可从搜索结果中选择所需项目。C) 弹出窗口要求输入所选项目“Jus d'orange”的详细信息。在此情况下，应用程序会询问摄入量及进食时间。用户可通过按下返回搜索结果 取消 (即，取消）或 保存 (即，保存）以继续进行。D）该 概述 再次，这次显示所有已报告的项目。还可添加另一项目（添加产品）或者输入信号可以发送（发送列表). (E) 选择后 发送列表，此时会弹出一个对话框，询问用户是否确认发送，并提醒用户一旦列表发送后将无法再进行任何修改。用户可以选择取消取消）或发送（运输). 请点击此处以查看此图的放大版本。
讨论
本文介绍了基于智能手机的膳食评估应用程序Traqq的迭代开发过程。在应用程序开发过程中，如何在所需的准确性与用户友好性之间取得平衡，带来了以下主要挑战：1）数据录入（即，选择最准确的食物识别和份量量化方法）；2）食物成分数据（即，选择准确的数据库并建立完整的食物列表）；3）定制化选项（即，在食物列表、份量量化和食谱方面的灵活性）；以及 4）验证（即，与传统方法和/或独立测量手段进行对比）3,50。在文献综述过程中，共识别出五种已验证且完全自动化的、基于智能手机的膳食评估工具，这些工具专为科研而设计3，分别为 My Meal Mate4、电子膳食摄入评估（eDIA）7、Easy Diet Diary8、电子饮食记录本（e-CA）5 和 Eat and Track（EaT）6。
由于这五种饮食评估应用程序以及本应用程序的自动化程度较高，与传统的饮食评估方法相比，研究人员的工作负担和成本显著降低，同时数据完整性得到提高。此外，本应用程序在灵活性方面也与现有的五种饮食评估工具不同。具体而言，现有应用程序均基于食物记录法，而本应用程序既可用作食物记录，也可用作回顾性调查。此外，现有应用程序的设计是固定的，而Traqq的主要优势在于可根据不同的研究目的进行修改（例如，饮食评估方法、食物列表、抽样方案、附加问题）3,50。相反，其他现有的饮食评估应用程序包含一些有价值的功能，而这些功能尚未在本应用程序中实现。举例来说，某些应用程序允许用户拍摄食物照片，以进行食物识别和份量估计，例如半自动化的技术辅助饮食评估（TADA）系统51,52。
可用性研究的参与者还指出，使用照片可能有助于估计食物份量，具有一定的附加价值。然而，目前仍存在诸多挑战，在现阶段实施该功能尚需解决。 例如，指定并指导摄影角度（即，以评估深度），对参考标记物的需求（即，用于校正尺寸和颜色），关键的前后对比照片（即，以评估摄入量）以及如何处理食谱类菜肴。由于这些技术难题，现有的基于图像的膳食评估应用程序仍为半自动化，这意味着用户、研究人员或双方都必须进行手动图像审核51,52技术进步，例如众包和机器学习，有望提升食物图像在膳食评估中的应用效果53,54未来将探索这些选项以进一步改进该应用程序。应用程序的开发过程包含多个关键步骤。首先，完成了形成性研究步骤，其中支撑应用程序创建理念的科学概念为制定应用程序的整体框架提供了决策依据。
在此阶段，特别关注了 FCDB 的选择以及 PSEA 的选择，这两者均直接影响数据的准确性21关于FCDB，由于该应用程序最初是为在荷兰使用而开发的，其食物列表基于荷兰FCDB数据库NEVO14未来的目标是进一步开发该应用程序以供国际使用，这需要更广泛的食品成分数据，因为许多食品具有国家特异性。目前尚无国际通用的食品成分数据库，即使存在，其应用也可能受限。具体而言，由于荷兰食品列表已包含2,389种食品，因此实施国际食品成分表， 例如对于5个国家而言，这可能会使食品条目数量增加约5倍，从而降低食品的可检索性，并进而影响应用程序的可用性。因此，针对特定国家的食品列表可能最具价值，并且通常也更受专业人士青睐55.
该应用程序支持导入替代性食物列表，从而可与不同（国际）食物成分表进行关联，有助于实现上述功能。在份量估算方面，有多种选项可用于提高估计的准确性，例如，使用图像手册、参照物体和/或文字描述的份量建议26。考虑到用户友好性，相较于在使用应用程序的同时辅以独立的份量估算辅助工具（例如，图像手册、参照物体），更倾向于将份量估算辅助功能直接集成于应用程序中。在应用程序开发过程中，决定通过提供基于份量建议和以克为单位输入的方式，来实现对食物份量的量化。份量建议基于目前唯一可用的荷兰份量数据库56。尽管荷兰现有的膳食评估工具（如Compl-eat和Eetmeter）也依赖该数据库13,17，但需注意的是，该份量数据库发布于2003年，而此后餐具的尺寸已有所增大57。因此，使用该数据库可能导致对食物摄入量的低估。
目前，荷兰公共卫生与环境研究所（RIVM）、荷兰营养中心以及瓦赫宁根大学与研究机构正在更新份量数据库58，该数据库最终将用于更新应用程序中的份量建议。新旧份量之间的差异将被系统梳理，并在必要时进行调整。尽管使用份量大小图像（即，一系列展示某种选定食物不同数量的图像）可能是基于文本的份量建议的一种良好替代方式59，但研究表明，当一次性呈现一系列份量图像时，对食物份量的估计准确性最高，优于逐个呈现图像的方式45,60,61。通常情况下，目前可用的智能手机屏幕相对较小，这限制了一次性展示多张图像的可行性。尽管新兴技术使得可交互的份量图形得以应用，例如通过滑动条调节虚拟餐盘或杯子中食物的多少61，但这些技术相对较新，仍需进行全面评估以确定其准确性。
应用程序开发过程中的另一个关键步骤是邀请专家和预期的最终用户参与。尽管在工具的开发过程中，这种做法并不常见（或未被描述）11,12，但来自专家以及预期最终用户的反馈至关重要61，有助于最大限度地提升可用性，并确保必要的准确性。预期最终用户的反馈在My Dishes功能的最终设计中尤为有帮助。总体而言，用户对能够自行创建菜肴的功能表示满意。然而，他们在操作某些流程时遇到了困难；例如，尽管该功能会自动保存数据，但这一过程对用户不可见。因此，许多用户持续寻找保存按钮，陷入困惑，担心返回上一步会导致输入内容丢失。基于此类反馈，该功能得到了改进，以更好地符合用户的预期。
总之，Traqq 是一款创新性应用程序，在诸多方面优于现有的应用程序和基于网络的工具。然而，该应用仍存在若干局限性。由于该程序仍依赖于自我报告，因此与自我报告相关的测量误差依然存在（例如，记忆偏差（即，回忆情况下的偏差）、社会期望偏差，以及饮食记录情况下的食物摄入改变），同时食物份量估算不准确的问题也依然存在（即，上述两种情况下均可能发生）1。在今后几年中，将探索近期推出的新技术以进一步提升该应用程序的性能，例如，通过探索引入条形码扫描仪、语音记录、聊天机器人和图像识别等功能的价值，以改善食物识别和份量估算的准确性。同时，也在探索与其他应用程序（例如，活动追踪器、睡眠追踪器）和设备（例如，加速度计、心率监测器、咀嚼传感器）进行连接的可能性。最后，后端系统也在持续开发中，例如，通过扩展采样选项来实现功能增强。
披露
作者无任何利益冲突需要披露。
致谢
作者感谢Anouk Geelen和Arvind Datadien在Traqq开发过程中发挥的关键作用。此外，作者感谢Romy Willemsen在可用性研究的数据收集与数据分析中提供的协助。最后，作者感谢各位专家和参与者在整个过程中分享他们的经验和观点。本项目由瓦赫宁根大学与研究机构（Wageningen University and Research）执行，并由农业、自然与食品质量部及产业界部分资助，资助项目属于TKI Agri&Food PPS——智能食品摄入项目（Smart Food Intake，项目编号AF16096）。
材料
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| ASA24 食物份量图片手册 | American National Cancer Institute | na | ASA24 工具中所使用的食物份量图像数据库 |
| Atlas.ti v8 | ATLAS.ti Scientific Software Development GmbH | na | 用于研究的定性数据分析软件 |
| Compl-eat | Wageningen University | na | Compl-eat 24hR 模块中所使用的食物份量建议数据库 |
| iOS 屏幕录制功能 | Apple Inc. | na | iOS 内置的屏幕录制功能 |
| NEVO（版本 2016/5.0） | RIVM | na | 荷兰食物成分数据库 |
| Qualtrics | Qualtrics XM | na | 可用于在 Traqq 中添加额外问题的在线调查工具 |
| Recordable | Invisibility ltd. | na | 用于进行屏幕录制的 Android 应用程序 |
| SPSS 版本 24.0 | IBM Corporation | na | 统计分析软件 |
| 系统可用性量表（SUS） | na | na | 经验证的用于评估系统可用性的问卷 |
参考文献
- Brouwer-Brolsma, E. M. Dietary intake assessment: From traditional paper-pencil questionnaires to technology-based tools. Data science in action. ISESS 2020. IFIP Advances in Information and Communication Technolog. Athanasiadis, I., Frysinger, S., Schimak, G., Knibbe, W. 554, Springer, Cham. Chapter 2 7-23 (2020).
- Thompson, F. E., Subar, A. F. Nutrition in the prevention and treatment of disease. Coulston, A., Boushey, C., Ferruzzi, M., Delahanty, L. , Elsevier, Inc. 5-48 (2017).
- Eldridge, A. L., et al. Evaluation of new technology-based tools for dietary intake assessment-an ILSI Europe Dietary Intake and Exposure Task Force Evaluation. Nutrients. 11 (1), 55(2018).
- Carter, M. C., Burley, V. J., Nykjaer, C., Cade, J. E. 'My Meal Mate' (MMM): validation of the diet measures captured on a smartphone application to facilitate weight loss. British Journal of Nutrition. 109 (3), 539-546 (2013).
- Buchaer Della Torre, S., Carrard, I., Farina, E., Danuser, B., Kruseman, M. Development and Evaluation of e-CA, an electronic mobile-based food record. Nutrients. 9 (1), 76(2017).
- Wellard-Cole, L., et al. Relative validity of the Eat and Track (EaT) smartphone app for collection of dietary intake data in 18-to-30-year olds. Nutrients. 11 (3), 621(2019).
- Rangan, A. M., et al. Electronic Dietary Intake Assessment (e-DIA): Comparison of a mobile phone digital entry app for dietary data collection with 24-hour dietary recalls. JMIR mHealth and uHealth. 3 (4), 98(2015).
- Ambrosini, G. L., Hurworth, M., Giglia, R., Trapp, G., Strauss, P. Feasibility of a commercial smartphone application for dietary assessment in epidemiological research and comparison with 24-h dietary recalls. Nutrition. 117 (1), 5(2018).
- Subar, A. F., et al. Addressing current criticism regarding the value of self-report dietary data. The Journal of Nutrition. 145 (12), 2639-2645 (2015).
- Kipnis, V., et al. Bias in dietary-report instruments and its implications for nutritional epidemiology. Public Health Nutrition. 5 (6), 915-923 (2002).
- Simpson, E., et al. Iterative development of an online dietary recall tool: INTAKE24. Nutrients. 9 (2), 118(2017).
- Chen, J., Cade, J. E., Allman-Farinelli, M. The most popular smartphone apps for weight loss: a quality assessment. JMIR Mhealth Uhealth. 3 (4), 104(2015).
- Apple Inc. Human Interface Guidelines. Apple Inc. , Available from: https://developer.apple.com/ios/human-interface-guidelines/ (2017).
- NEVO. RIVM 5.0. NEVO-online. , (2016).
- Jaspers, M. W. A comparison of usability methods for testing interactive health technologies: methodological aspects and empirical evidence. International Journal of Medical Informatics. 78 (5), 340-353 (2009).
- Penha, A. D. S., dos Santos, F. A. N. V. Evaluating the use of the cognitive walk-through usability. Human Factors in Design. 1 (1), (2012).
- Fonteyn, M. E., Kuipers, B., Grobe, S. J. A description of think aloud method and protocol analysis. Qualitative Health Research. 3 (4), 430-441 (2016).
- Brooke, J., et al. SUS - A quick and dirty usability scale. Usability evaluation in industry. 189 (194), 4-7 (1996).
- Kushniruk, A. W., Patel, V. L. Cognitive and usability engineering methods for the evaluation of clinical information systems. Journal of Biomedical Informatic. 37 (1), 56-76 (2004).
- Davison, G. C., Vogel, R. S., Coffman, S. G. Think-aloud approaches to cognitive assessment and the articulated thoughts in simulated situations paradigm. Journal of Consulting and Clinical Psychology. 65 (6), 950-958 (1997).
- Mouname, K., Idri, A., Abran, A. Usability evaluation of mobile applications using ISO 9241 and ISO 25062 standards. SpringerPlus. 5, 548(2016).
- Sauro, J. A practical guide to the system usability scale: Background, benchmarks & best practices. CreateSpace Independent Publishing Platform. , (2011).
- Bangor, A., Kortum, P., Miller, J. Determining what individual SUS scores mean: Adding an adjective rating scale. Journal of Usability Studies. 4 (3), 114-123 (2009).
- Meijboom, S., et al. Evaluation of dietary intake assessed by the Dutch self-administered web-based dietary 24-h recall tool (Compl-eatTM) against interviewer-administered telephone-based 24-h recalls. Journal of Nutritional Science. 6, 49(2017).
- Subar, A. F., et al. The Automated Self-Administered 24-hour dietary recall (ASA24): a resource for researchers, clinicians, and educators from the National Cancer Institute. Journal of the Academy of Nutrition and Dietetics. 112 (8), 1134-1137 (2012).
- Timon, C. M., et al. The development, validation, and user evaluation of Foodbook24: A web-based dietary assessment tool developed for the Irish adult population. Journal of Medical Internet Research. 19 (5), 158(2017).
- Carter, M. C., et al. Development of a UK online 24-h dietary assessment tool: myfood24. Nutrients. 7 (6), 4016-4032 (2015).
- Voedingscentrum. Mijn Eetmeter. , Available from: https://itunes.apple.com/nl/app/mijn-eetmeter/id663382012?mt=8 (2014).
- MyFitnessPal. MyFitnessPal. , Available from: http://www.myfitnesspal.com/welcome/learn_more (2015).
- Virtuagym. Virtuagym. , (2017).
- Evans, K., et al. Development and evaluation of a concise food list for use in a web-based 24-h dietary recall tool. Journal of Nutritional Science. 6, 46(2017).
- Svensson, A., Magnusson, M., Larsson, C. Overcoming barriers: adolescents' experiences using a mobile phone dietary assessment app. JMIR mHealth and uHealth. 4 (3), 92(2016).
- Finglas, P. M., Berry, R., Astley, S. Assessing and improving the quality of food composition databases for nutrition and health applications in Europe: the contribution of EuroFIR. Advances in Nutrition. 5 (5), 608-614 (2014).
- Gibson-Moore, H. EuroFIR: Where we are now. Nutrition Bulletin. 38 (3), 358-362 (2013).
- Rossum, C. T. M., et al. The diet of the Dutch. Results of the first two years of the Dutch National Food Consumption Survey 2012–2016. RIVM. , (2016).
- Byrd-Bredbenner, C., Schwartz, J. The effect of practical portion size measurement aids on the accuracy of portion size estimates made by young adults. Journal of Human Nutrition and Dietetics. 17 (4), 351-357 (2004).
- Faggiano, F., et al. Validation of a method for the estimation of food portion size. Epidemiology. 3 (4), 379-382 (1992).
- Faulkner, G. P., et al. An evaluation of portion size estimation aids: precision, ease of use and likelihood of future use. Public Health Nutrition. 19 (13), 2377-2387 (2016).
- Hernandez, T., et al. Portion size estimation and expectation of accuracy. Journal of Food Composition and Analysis. 19, 14-21 (2006).
- Nelson, M., Atkinson, M., Darbyshire, S. Food photography. I: The perception of food portion size from photographs. British Journal of Nutrition. 72 (5), 649-663 (1994).
- Young, L. R., Nestle, M. S. Portion sizes in dietary assessment: issues and policy implications. Nutrition Reviews. 53 (6), 149-158 (1995).
- Liu, B., et al. Development and evaluation of the Oxford WebQ, a low-cost, web-based method for assessment of previous 24 h dietary intakes in large-scale prospective studies. Public Health Nutrition. 14 (11), 1998-2005 (2011).
- Lucassen, D. A., Willemsen, R. F., Geelen, A., Brouwer-Brolsma, E. M., Feskens, E. J. M. The accuracy of portion size estimation using food images and textual descriptions of portion sizes: an evaluation study. Journal of Human Nutrition and Dietetics. , (2021).
- Wharton, C., Rieman, J., Lewis, C., Polson, P. Usability Inspection Methods. Nielsen, J., Mack, R. L. , John Wiley & Sons. 79-104 (1994).
- Nielsen, J. How many test users in a usability test. , Available from: https://www.nngroup.com/articles/how-many-test-users/ (2012).
- AMPM - Features. USDA. , Available from: https://www.ars.usda.gov/mortheast-area/beltsville-md/beltsville-human-nutrition-research-center/food-surveys-research-group/docs/ampm-features/ (2016).
- Zhang, D. S., Adipat, B. Challenges, methodologies, and issues in the usability testing of mobile applications. International Journal of Human-Computer Interaction. 18 (3), 293-308 (2005).
- Cade, J. E. Measuring diet in the 21st century: use of new technologies. Proceedings of the Nutrition Society. 76 (3), 276-282 (2017).
- Ahmad, Z., et al. A mobile food record for integrated dietary assessment. MADiMa16. 2016, 53-62 (2016).
- Boushey, C. J., Spoden, M., Zhu, F. M., Delp, E. J., Kerr, D. A. New mobile methods for dietary assessment: review of image-assisted and image-based dietary assessment methods. Proceedings of the Nutrition Society. 76 (3), 283-294 (2017).
- Fang, S., et al. 2018 IEEE Southwest Symposium on Image Analysis and Interpretation (SSIAI). , Las Vega, Nevada, USA. 25-28 (2018).
- Shao, Z., Mao, R., Zhu, F. 2019 IEEE International Conference on Big Data (Big Data). , Los Angeles, California, USA. 5186-5189 (2019).
- Chen, J., Lieffers, J., Bauman, A., Hanning, R., Allman-Farinelli, M. Designing health apps to support dietetic professional practice and their patients: qualitative results from an international survey. JMIR Mhealth Uhealth. 5 (3), 40(2017).
- Donders-Engelen, M. R., Van der Heijden, L. J. M., Hulshof, K. F. A. M. Maten, Gewichten en Codenummers 2003. Food portion sizes and coding instructions. Wageningen University: Division of Human Nutrition and TNO Nutrition. , (2003).
- Van Ittersum, K., Wansink, B. Plate size and color suggestibility: The Delboeuf Illusion’s bias on serving and eating behavior. Journal of Consumer Research. 39 (2), 215-228 (2012).
- Portiegrootte voedingsmiddelen. RIVM. , (2019).
- Timon, C. M., et al. A review of the design and validation of web- and computer-based 24-h dietary recall tools. Nutrition Research Reviews. 29 (2), 268-280 (2016).
- Kirkpatrick, S. I., et al. The use of digital images in 24-hour recalls may lead to less misestimation of portion size compared with traditional interviewer-administered recalls. The Journal of Nutrition. 146 (12), 2567-2573 (2016).
- Subar, A. F., et al. Assessment of the accuracy of portion size reports using computer-based food photographs aids in the development of an automated self-administered 24-hour recall. Journal of the American Dietetic Association. 110 (1), 55-64 (2010).
- Figwee - Learn More. Figwee. , Available from: https://figwee.com/learn-more/ (2021).
- Preece, J., Sharp, H., Rogers, Y. Interaction design: beyond human-computer interaction. , John Wiley & Sons. (2015).
重印与许可
