Summary
이 문서에서는 전문가 평가 및 유용성 테스트를 포함하여 혁신적인 스마트폰 기반 식이 평가 응용 프로그램 인 Traqq의개발을위한 프로토콜에 대해 설명합니다.
Abstract
빠르고 신뢰할 수있는 방식으로 식이 섭취 데이터를 수집하기 위해 Traqq라는 유연하고 혁신적인 스마트 폰 응용 프로그램 (응용 프로그램)이 개발되었습니다 (iOS / 안드로이드). 이 응용 프로그램은 음식 기록과 24-h 리콜 (또는 짧은 리콜 기간)로 사용할 수 있습니다. 두 방법 모두에 대해 미리 지정된 기간 또는 임의의 일/시간에 다른 샘플링 구성표를 만들 수 있으며 푸시 알림은 참가자에게 음식 섭취량을 등록하도록 촉구합니다. 응답이 아닌 경우 알림의 일정이 자동으로 변경되어 완전한 데이터 수집을 보장합니다. 식품 기록으로 사용하기 위해 응답자는 앱에 액세스하고 하루 종일 음식 섭취량을 기록할 수 있습니다. 음식 기록은 하루가 끝나면 자동으로 닫힙습니다. 소비된 항목을 제출한 후 리콜이 종료됩니다. 리콜뿐만 아니라 식품 기록 모듈은 다른 연구 목적에 맞게 익숙해질 수있는 네덜란드 식품 조성 데이터베이스 (FCDB)를 기반으로 광범위한 식품 목록에 대한 액세스를 제공합니다. 식품 품목을 선택할 때, 응답자들은 동시에 가구대책(예: 컵,숟가락, 안경), 표준 부분 크기(예: 작은, 중형, 대형), 또는 그램의 체중, 식사 시간/소비 시간 등 부분 크기를 삽입하라는 메시지가 표시됩니다. 부분 크기 옵션은 예를 들어,계량 식품 기록이나 식사 대신 소비 시간의 경우 그램에 만 항목만 조정할 수 있습니다. 응용 프로그램은 또한 응답자가 자신의 조리법이나 제품 조합(예 :일일 아침 식사)을 만들 수 있도록 하고 소비 된 총 수량을보고 할 수있는 내 요리 기능이 포함되어 있습니다. 그 후 앱은 수율 및 보존 요인을 고려합니다. 데이터는 보안 서버에 저장됩니다. 원하는 경우, 추가 질문, 즉,일반적으로 또는 특정 식품 이나 식사 행사와 관련된 질문 포함 될 수 있습니다. 이 백서는 전문가 평가 및 유용성 테스트를 포함하여 시스템 개발(앱 및 백엔드)에 대해 설명합니다.
Introduction
정확한 식이 평가는 건강과 질병 예방에서 영양의 역할에 대한 연구의 질을 보장하기 위해 매우 중요합니다. 현재, 이러한 연구는 일반적으로 확립된 자가보고 식이 평가 방법, 즉식품 주파수 설문지, 24-h 리콜(24h) 및/또는 식품 기록1을사용합니다. 이러한 방법이 영양 연구에 매우 중요하다는 사실에도 불구하고, 그들은 또한 다양한 단점을 가지고, 예를 들어, 메모리 관련 편견, 사회적 바람직편견, 그리고 응답자뿐만 아니라응답자에대한부담1,2. 최근의 기술 발명은 이제 이러한 단점을 극복 할 수있는 기회를 제공합니다. 지난 몇 년 동안, 다양한 연구 그룹은이 기회를 포착하고 이러한 알려진 단점 중 일부를 해결하는 영양 연구를위한 웹 기반 및 스마트 폰 기반의 식이 평가 도구를 개발 (예를 들어,웹 및 스마트 폰 기반 도구의 광범위한 개요에 대한 Eldridge 등3 참조), 즉, 오류의 원인을 감소, 사용자 친화성을 개선하고 참가자의 부담을 감소1.
그럼에도 불구하고 영양 연구에 적합한 완전 자동화및 검증된 스마트폰 애플리케이션(앱)의 수는 여전히 제한되어 있습니다. 이용 가능한 식이 평가 앱의대부분(즉,상업적또는 연구를 위해 개발)은 완전 자동화되지않았거나(즉,식품의 수동 코딩필요) 또는 (잘) 검증되지 않는다3. 또한, 대부분의 유효한 검증 된 애플 리 케이 션 은 특정 한 특정 연구 목적을 위해 개발 되었습니다 및 특정 국가에서 사용; 오히려 고정 된 디자인으로 인해 다른 연구 목적으로 또는 다른 국가에서 이러한 앱을 다시 사용하는 것은도전적인 것으로보인다3,4,5,6,7,8. 마지막으로, 지금까지 식품 레코드 기반 앱의 가용성에도 불구하고 리콜 기반 앱은 아직 존재하지 않는 것으로 보입니다. 식품 기록은 반응성 편견에 취약하지만, 즉응답자들은관찰되고있다는 인식으로 인해 음식 섭취량을 변경할 수 있습니다2,9,이것은 리콜에 대한 경우가 아니다, 이는 검증 된 리콜 기반 응용 프로그램(10)의개발의 필요성을 강조. Traqq라는 혁신적인 식이 평가 응용 프로그램은 연구 질문1에따라, 음식 기록뿐만 아니라 리콜로 사용할 수있는 네덜란드에서 사용하기 위해 개발되었다.
식품 기록 옵션과 리콜 옵션을 번갈아 갈 수 있는 가능성 외에도 이 앱은 유연한 특성 때문에 다른 식이 평가 도구와도 다릅니다. 특히 식품 목록, 부분 크기 추정, 샘플링 계획 및 추가 질문을 통합 할 수있는 가능성에 대해. 시스템의 유연성 수준은 식이 행동에 대한 정확한 평가가 필요한 여러 연구 목적에 맞게 조정할 수 있습니다. 현재, 응용 프로그램은 검증되는 과정에 있으며 영양 관련 연구의 다양한 유형에 사용할 준비가 될 것입니다. 이 앱은 식이 행동을 측정하고 영향을 미치는 영양 개입 프로그램에서 사용하기 위해 더 개선 될 수 있습니다. 신뢰할 수 있는 식이 평가 도구의 개발이 어렵고, 특히 사용자 및 전문가 참여3,11,12에대한 보고가 부족하기 때문에 이 논문은 이 스마트 폰 기반 식이 평가 앱의 체계적이고 반복적인 개발에 다른 정보 소스가 어떻게 통합되었는지에 대한 자세한 개요를 제공합니다. 이 프로세스는 이론, 전문가 상담 및 사용자 참여를 통합합니다.
Protocol
참고: 인간 참가자를 포함한 모든 절차는 대부분 질적 연구 방법을 통해 비침습적 방식으로 수행되었습니다. 평가가 시작되기 전에 모든 참가자로부터 통보된 동의를 얻었습니다. 이 프로토콜은 1-3단계가 서로 얽혀 있는 4단계로 대략 나눌 수 있는 반복적 발달 과정을설명한다(그림 1).
그림 1: 앱의 반복 개발 프로세스의 단계에 대한 개요입니다. 개발 프로세스는 총 5단계로 구성되었습니다. 그러나 이 과정은 1단계에서 3단계가 서로 얽혀 있음을 의미하는 반복적이었습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
1. 실제 발달 과정을 준비하기 위해 광범위한 조형 연구를 수행합니다.
- 정확한 음식 섭취 데이터 수집, 즉식품 입력 방법(식품 목록 및 기본 FCDB 포함) 및 부분 크기 추정에 가장 중요한 것으로 알려진 기능에 특별한 주의를 기울여 기존 웹 및 스마트폰 기반 식이 평가 도구를 탐색하는 데스크톱 연구를 수행하십시오.
- 식이 평가 방법론, 정보 제공, 신뢰성, 검색 엔진 및 구현기능(예:이미지, 바코드 스캐너, 레시피 기능)과 같은 측면에 초점을 맞춘 기존 웹 및 스마트폰 기반 식이 평가 도구를 검사합니다.
- 식이 평가 분야의 전문가와 상담하십시오.
참고: 데스크톱 연구 및 기존 도구 검사 결과는 식이 평가 분야의 전문가와 논의되어 앱 개발을 위한 설계 계획 초안으로 이어졌습니다. 이 초안 설계 계획은 전문가에 의해 평가되고 필요에 따라 더욱 개선되었습니다.
2. 식이 평가 응용 프로그램을 설계
- 애니메이션, 브랜딩, 색상, 레이아웃 및타이포그래피(20)와같은 중요한 측면을 고려하여 앱의 시각적 디자인을 만듭니다.
참고: 공간, 색상, 글꼴, 그래픽 및 인터페이스 요소가 콘텐츠를 강조하고 상호 작용을 전달하므로 앱의 기능을 용이하게 하는 요소를 통합하는 것이 필수적입니다. - 수집된 음식 섭취데이터(14)의영양소 계산을 용이하게 하기 위해 신뢰할 수 있는 FCDB(여기, NEVO)를 선택한다.
- FCDB에 언급된 식품에 대한 설명을 비판적으로 평가하여 음식 목록을 만듭니다.
참고: FCDB는 주로 전문적인 사용을 위해 개발되었습니다. 식품 설명은 종종 복잡하고 검색 성을 방해(예를 들어,"마가린 저지방 35% 지방 < 10 g의 포화 지방 무염"23). - 검색 엔진 요구 사항을 공식화; 음식 항목의 검색 가능성을 용이하게하기 위해 문장 부호, 외국 이름, 맞춤법 오류, 다른 검색어 및 검색 결과의 순위를 사용하는 것을 고려하십시오.
- 다양한 기존 식이 평가 도구 및 적절한 옵션의 현장 테스트를 평가하여 부분 크기 추정(aid)을 선택합니다.
- 앱을 통한 사용자의 탐색이 논리적이고 예측 가능하며 따라하기 쉬운지 확인하기 위해 앱 내에서 라우팅을 디자인합니다.
- 백 엔드 기능 및 응용 프로그램을 제어 하는 요구 사항을 설계; 전체 프로젝트 관리, 프로젝트 별관리(예:참가자, 초대, 데이터 수집) 및 사용자관리(예:권한 부여)와 관련된 기능이 포함됩니다.
3. 연구원의 평가
참고: 각 업그레이드에 따라, 응용 프로그램은 영양 과학자와 식이 평가 (사내 테스트)에 대한 전문 지식을 가진 연구 영양사에 의해 테스트되어 기능이 예상대로 개선되었는지 여부를 확인했습니다. 다음 지침은 연구원에 의해 실행되어야합니다.
- 전문가가 안내28없이 개별적으로 앱을 탐색할 수 있도록 인지 연습에 의해 전문가 평가를 수행하여 처음 사용자 경험을 시뮬레이션합니다. 인지 연습이 다음 단계로 구성되어 있는지 확인합니다.
- 전문가가 스마트폰의 브랜드와 유형에 대해 문의하는 일반 설문지를 작성해야 합니다.
- 전문가의 스마트 폰에 응용 프로그램을 설치합니다.
참고: 적절한 설치 및 기능을 보장하고 평가 중에 중단 위험을 최소화하려면 연구원이 먼저 앱의 기능을 확인하는 것이 좋습니다. - 각 전문가가 처음사용자(예:연구 참여자)의 역할을 수행하도록 요청받는 테스트 절차에 대해 전문가에게 지시합니다. 평가는 전문가의 관점이 아니라 사용자의 관점에서 수행된다는 점을 강조합니다.
참고: 사용자는 숙련된 스마트폰 사용자로 가정하고 일반적으로 앱 사용에 대한 지식을 가지고 있는 것으로 추정됩니다. 그러나,이 응용 프로그램은 처음으로 사용되었다. - 화면 및 오디오 녹음을 시작합니다.
- 전문가가 앱을 사용하고 미리 정해진 작업세트인 31: 1) "저녁 식사를 기록하고 싶습니다. 나는 토마토 수프 한 잔과 우유 한 잔으로 시작했다.", 2) "그 후, 나는 정기적으로 소비하고 좋아하는(즉,내 요리의 전임자)로 입력할 파스타 접시를 먹었다." [레시피가 제공되었다], 3) "나는 또한 파스타 접시를 소비로, 나는 오늘의 음식 섭취량 기록에 이것을 추가하고 싶습니다.", 4) "나는 저녁 식사 중에 먹은 모든 것을 입력. 다시 한 번 내 항목을 확인한 다음 제출하고 싶습니다."
참고: 작업을 수행하는 동안 전문가는 설명된 작업을 수행하는 데 필요한 단계를 설명하여 연구원에게 자신의 사고 과정(예:..)에 대해 알려줍니다. - 모호성32를명확히 하고 전문가에게 추가 피드백을 제공할 수 있는 간단한 후속 조치를 취하십시오.
- 각 전문가의 결과를 평가하여 기록을 확인하여 작업이 의도한 대로 실행되었는지 확인하고 제공된 추가 주석을 검토하여 평가합니다.
- 결과를 전문가와 공유하여 기록을 기반으로 한 가정이 올바른지 여부를 평가합니다.
참고: 평가 결과는 전문가와 협의하여 논의되고 우선 순위를 지정했습니다. 이 평가 결과에 따라 앱이 추가로 업그레이드되었습니다.
- 의도된 사용자와 의한 유용성 테스트를 수행하여 생각큰 소리로 인터뷰를 통해 의도된 사용자들 사이에서 앱의 유용성과 호감성을 평가하고 시스템 유용성 척도(SUS)33을 다음과 같은 단계를 따르세요.
- 대상 사용자집단(35)을대표하는 참가자를 모집합니다.
- 화면 및 오디오 녹음을 포함하여 학습 절차에 대해 참가자에게 지시합니다. 그런 다음 참가자의 동의를 얻습니다.
참고: 연구원은 평가 중에 참가자에게 "큰 소리로 생각"하도록 장려하는 것이 중요합니다. - 참가자의 스마트폰에 앱을 설치합니다.
참고: 적절한 설치 및 기능을 보장하고 평가 중 중단 위험을 최소화하려면 연구원이 먼저 앱의 기능을 확인하는 것이 좋습니다. - 참가자에게 생각 -loud 인터뷰에 대한 연습 작업을 수행하도록 요청 : 참가자들에게 침실을 시각화하고 창 수를 계산하도록 요청하는 동시에 연구원에게 창문을 계산하는 동안 보고 생각한 것에 대해 이야기하십시오. 다음으로 참가자들에게 침실의 창문 중 하나에 접근하여 그 창으로 가는 길에 자신의 경험을 설명해 달라고 부탁한다.
참고: 참가자가 원하는37로큰 소리로 생각할 수 있도록 필요한 경우 연습 작업이 제공되고 반복되었습니다. - 화면 및 오디오 녹음을 시작합니다.
- 참가자에게 미리 정의된 작업과 실제 생각-큰 소리로 인터뷰를 완료하도록 요청하십시오: 참가자는 전날 먹고 마신 모든 것을 기록하고, 2) 내 요리 기능을 통해 정기적으로 소비되는 요리를 기록합니다.
- 세션 동안, 관찰, 메모를 하고, 참가자들이 "큰 소리로 말하라", "무슨 생각을 하는지 말해줘", "마음에 무엇이 있는지 말해줘"와 같은 간단한 프롬프트로, 필요한 경우 큰 소리로 생각을 계속하도록 자극합니다. 참가자의 사고 프로세스28,32와의간섭을 방지하기 위해 추가 상호 작용을 최소화하십시오.
- 모호성을 명확히 하기 위해 간략한 후속 조치를실시한다(32).
- 참가자에게 연령, 성별, 교육 수준, 스마트폰 유형, 스마트폰 경험수준(예:숙련된 사용자가 신속하고 올바르게38개)및 SUS 33-10항목설문지를 통해 시스템의 유용성을 평가할 수 있는 평가 설문지를 작성하여 5(강하게 동의함)에 도달하도록 요청합니다( 강하게 동의함).
- 각 세션의 데이터를 1) 전사, 코딩 및 생성(하위)테마, 및 2) 미리 정의된 수식을 사용하여 SUS 점수를 계산하여 0에서 10033사이의 점수를 산출하고, 점수>68/100의 점수는 공구가 평균 이상의 유용성및 점수 >80/100의 우수한 기능을 나타낸다는 것을나타낸다. 40.
참고: 세션을 안내한 연구원은 질적 데이터 분석 소프트웨어를 사용하여 데이터를 분석하는 것이 좋습니다. 두 번째 연구원은 모호성의 경우에 상담될 수 있습니다.
- 검증된 기존 방법에 대해 식이 섭취 기록의 정량적 검증을 실시하고 바람직하게는 독립적인 조치3.
참고 : 응용 프로그램은 웹 기반 및 전화 기반(즉,인터뷰) 24hRs뿐만 아니라 독립적 인 오줌 및 혈액 생화학 마커에 대해 검증되고있다. 앱의 정량적 유효성 검사는 이 백서의 범위를 벗어나므로 더 이상 논의되지 않습니다.
4. 앱 및 학습 관리를 위한 백엔드 시스템 사용
참고: 시스템에는 세 가지 권한 부여 수준이 있습니다: (1) 관리자-이 권한 부여 수준은 백엔드의 모든섹션(예:새 사용자를 생성하고, 사용자 권한 부여를 결정하고, 사용자에게 하나 이상의 프로젝트에 대한 액세스 권한을 부여하는) 액세스 권한을 제공합니다. (2) 프로젝트 관리자-이 권한 부여 수준은 특정 프로젝트에 대한 액세스 와 새 프로젝트를 만들 수있는 가능성을 허용합니다. (3) 연구원-이 승인 수준은 연구원이 관여하는 특정 프로젝트에 대한 액세스 권한을 제공합니다.
- 관리자에 의한 백엔드에서 사용자 및 프로젝트 관리
- 로그인 자격증명(예:사용자 이름, 암호)을 통해 traqq.idbit.net통해 온라인 백엔드에 액세스합니다.
- 프로젝트 탭을 클릭한 다음 새 프로젝트 만들기에서새 프로젝트를 만듭니다.
- 다음 화면에서 요청된 프로젝트 세부정보(예:프로젝트 이름, 연락처 설명, 연락처 이메일, 연락처 전화, 연락처 웹 사이트)를 입력합니다.
참고: 새 프로젝트를 만들려면 프로젝트 이름만 필수입니다. 연락처 설명, 이메일, 전화 번호 및 웹 사이트는 연락처 및 정보 버튼 아래앱에서 표시됩니다. - 원하는기능(예:제품 목록, 식사 시간 및/또는 소비 시간, 기록 또는 리콜)을 선택합니다.
참고: 각 새로운 프로젝트에는 가장 적합한 식이 평가방법(예:기록 또는 리콜), 음식 목록, 부분 크기 추정 및 식사 시간 또는 식사 시간에 대한 개별 의사 결정이 필요합니다. - 저장을 클릭하여 새 프로젝트를 저장합니다.
참고: 화면이 닫히면 관리자는 프로젝트 개요 화면으로 돌아갑니다. - 그런 다음 사용자 탭을 클릭한 다음 새 사용자 추가에서새 사용자를 만듭니다.
- 다음 화면에서 사용자 이름, 암호,암호를입력하고 사용자에게역할(예:관리자, 관리자 또는 사용자)을 할당합니다.
- 저장을 클릭하여 새 사용자를 저장합니다.
참고: 화면이 닫히면 관리자는 사용자 개요 화면으로 돌아갑니다. - 특정 사용자에 대한 메모장아이콘(예:열 편집)을 클릭하여 프로젝트에 사용자를 할당합니다.
- 연결된 프로젝트에서드롭다운 메뉴를 열고 원하는 프로젝트를 선택하고 추가를 클릭하여 프로젝트를 할당합니다.
참고: 사용자가 할당해야 하는 각 프로젝트에 대해 이 작업을 반복해야 합니다. - 백엔드 URL과 함께 로그인 자격 증명을 새 사용자에게 전달합니다.
- 연구원에 의해 백 엔드에서 프로젝트의 관리 (i.e., 관리자 또는 사용자 역할)
- 관리자가 제공하는 자격 증명을 사용하여 traqq.idbit.net 통해 백엔드에 로그인합니다.
- 프로젝트를 관리하려면 프로젝트로 이동을 클릭합니다.
- 원하는 프로젝트의 뷰 열에서 화살표를 클릭합니다.
참고: 이렇게 하면 연구원은 프로젝트 개요 페이지로 이동되고 이 특정 프로젝트에 대한 새 탭이 나타납니다. - 참가자 탭을 클릭하여 백엔드에 참가자를 입력합니다. 다음으로 참가자 개요 화면이 나타나면 새 참가자 추가를클릭합니다.
- 다음 화면에서 코드네임, 메모(선택 사항), 로그인 ID, 로그인 키를입력하고 저장으로끝납니다.
참고: 참가자의 학습 ID를 코드명 및 로그인 ID로 사용하는 것이 좋습니다. 이렇게 하면 여러 로그인 자격 증명이 있는 경우 참가자의 혼동이 최소화됩니다. 또한 코드명이 응답에 표시됩니다. 참가자 ID를 사용하면 데이터를 쉽게 사용할 수 있습니다. 이 옵션은 각 참가자에 대해 반복되어야 합니다. 큰 그룹의 경우 파일(.csv)에서 참가자를 가져올 수 있습니다. 각 참가자에게는 동일한 세부 정보가 필요합니다. 백엔드에는 참가자의 개인 정보가 포함될 수 없습니다. - 초대장 탭을 클릭하여 각 참가자의 초대를 예약합니다. 다음으로 초대 개요 화면이 나타나면 새 초대 추가를클릭합니다.
- 다음 화면에서는 드롭다운 메뉴에서 참가자를 선택하고 기간 시작 시간, 기간 종료 시간, 종료 시간, 닫기 시간, 설문조사 URL(예: 추가 질문 구현을 위한 선택 사항), 메모(선택 사항), 사용 가능(항상 예)을 입력합니다.
참고: 기간 시작 및 종료 시간은 보고기간(예:..:..과 ..:.)을 참조합니다. 반면, 개폐 시간은 참가자가 실제로 섭취량을 보고할 수 있는 기간을 참조합니다. 외부 설문조사를 올바르게 구현하려면 일부 코딩이 필요합니다. 이를 위해 관리자의 도움을 요청하는 것이 좋습니다. 대부분의 초대장의 경우 파일 아래의 (.csv) 옵션의 가져오기 초대를 사용할 수 있습니다. 파일에는 수동 입력과 동일한 정보가 필요합니다. 초대장은 샘플링 구성표(예: 시스템이 샘플링 기간, 필수 초대 수, 응답 기한)와 같은 규칙의 사전 설정에 따라 다른 일 및 시간에 걸쳐 임의의 초대 체계를 생성하는 경우를 통해 작성할 수도 있습니다. 샘플링 구성표 옵션의 장점은 응답이 아닌 경우 시스템이 자동으로 새 초대를 예약한다는 것입니다. - 드롭다운 메뉴에서 관심 있는 참가자를 선택하여 캘린더 탭을 통해 데이터 수집을 추적합니다.
참고: 캘린더는 프로젝트 내또는 특정 참가자에 대한 예약된 초대에 대한 개요를 제공합니다. 미래의 초대장은 파란색으로 묘사되고 완료된 과거 초대장은 녹색이며 응답이 없는 과거 초대장은 빨간색입니다. 초대에 대한 응답은 응답 탭을 통해 확인할 수도 있습니다. - 응답 탭을 통해 응답을 추적합니다.
참고: 응답 섹션에서 보고된 음식 섭취데이터(예:식품 품목, 소비량, 식사 시간 및/또는 소비 시간)가 수집됩니다. - 관리자에게 데이터 내보내기를 요청합니다.
참고: 관리자는 추가분석(예:응답/음식 섭취 데이터, 규정 준수 데이터)을 위해 백엔드에서 .csv 파일로 데이터를 내보낼 수 있습니다. 응답에는 보고된 식품, 선택한 부분 크기, 그램으로 소비된 양 및 식사 횟수/시간이 포함됩니다. - .csv 파일을 영양 계산 소프트웨어로 가져와 심층 적인 영양소 분석을 제공합니다.
참고: 데이터는 네덜란드 FCDB를 사용하는 영양 계산 소프트웨어로 가져올 수 있습니다.
5. 연구 기간 동안 참가자가 앱 사용
- 앱 스토어(iOS) 또는 구글 플레이 스토어(Android)에서 자유롭게 사용할 수 있는 앱을 다운로드하고 로그인하여 앱에 액세스합니다.
참고: 연구원이 제공한 로그인 자격 증명은 앱(4.2.5단계)에 액세스해야 합니다. 로그인 후 앱은 참가자의 자격 증명(4.2.7단계)에 따라 백엔드에서 예약된 대로 초대장을 보냅니다. - 앱을 통해 초대를 받은 후 음식 섭취량을 보고합니다.
참고: 참가자는 미리 정해진 일 및 시간에만 음식 섭취량을 등록할 수 있습니다.- 수신된 알림을 클릭하거나 앱 아이콘을 통해 앱을 열어 앱을 엽니다.
참고: 앱을 연 후 초대 개요 화면이 이전 및 현재 초대장이 표시되는 위치에 나타납니다. - 열린 초대를 클릭합니다.
참고: 참가자는 초대 기간이 표시되는 개요 화면으로 이동합니다. - 제품 토보겐(음식 항목 추가)을 클릭하여 먼저 소비한 식품을 입력합니다.
참고: 참가자는 검색 화면으로 이동합니다. - 소비된 항목의 이름을 입력하기시작합니다(예:오렌지 주스 [주스 d'orange]). 입력하는 동안 표시되는 대로 원하는 항목을 클릭합니다.
- 다음 화면에서,소비량(Hoeveelheid),해당 부분 크기설명(Portie),식사시간(Maaltijdmoment)및/또는 소비시간(Tijdstip)및저축(Opslaan)을보고합니다.
- 모든 식품이 보고될 때까지 앞서 언급한 단계를 반복하십시오.
- (Lijst versturen) (목록보내기)를 클릭하여 목록 (리콜)을 제출하거나 초대가 하루가 끝날 때 자동으로 닫힙니다(레코드).
참고: 목록 보내기 옵션도 레코드 버전에도 표시되므로 레코드를 사용하는 참가자는 데이터베이스에 입력을 보낼 수도 있습니다. 그러나 데이터가 이미 전송되더라도 초대는 하루가 끝날 때까지 닫히어 모든 데이터를 서버로 보냅니다.
- 수신된 알림을 클릭하거나 앱 아이콘을 통해 앱을 열어 앱을 엽니다.
Representative Results
상기 설명된 프로토콜에 설명된 단계를 사용하여 시스템(앱 및 백엔드)이 개발되었다. 이 프로세스의 주요 결과는 앱의 최종 디자인으로 끝나는 아래에 설명되어 있습니다.
조형 연구
광범위한 문헌 검토 외에도 식이 평가 방법론 및 구현 기능과 관련하여 여러 웹 기반도구(예:Compl-eat13,ASA2414,Foodbook2415,MyFood2416)를검사하였다. 또한, 네덜란드에서 자주 사용되는 여러 식품 추적 앱의성능(예:MijnEetmeter17,MyFitnessPal18,Virtuagym Food19)과같은 측면에 초점을 맞추고, 식이 평가 방법론, 정보 제공, 신뢰성, 검색 엔진 및 추가 기능의 사용(예: 이미지, 바코드 스캐너, 레시피 기능)과 같은 측면에 초점을 맞추고 있었습니다. 이 검사의 결과는 식품 기록 및 리콜로 사용할 수있는 방식으로 응용 프로그램을 개발하는 결정으로 이어졌다. 또한, 그것은 원래 조리법을 만들거나 자주 소비 제품 조합(예를 들어,매일 아침 식사)를 만드는 데 사용할 수있는 내 요리 기능의 구현으로 이어졌다. 이 함수 내에서 수율 및 보존 계수는 자동으로 고려됩니다.
음식과 영양소 섭취를 정확하게 정량화하려면 완전하고 실용적이기는 하지만 식품 목록은 매우 중요합니다. 이러한 식품 목록을 컴파일하려면 식품 목록의 광범위성과 식품의 검색가능성(즉,음식 설명이 명확하고 이해하기 쉽고 쉽게 찾을 수 있어야 함)41, 42사이의 절충이 필요합니다. 식품 조성 데이터가 식이 평가21,22의기본 기초를 형성함에 따라, 개발된 식품 목록이 정확한 식품 조성 데이터와 연결될 수 있도록 하는 것이 중요하다. 앱에 포함된 식품 목록은 신뢰성과 풍부한 식품 조성 데이터로 선정된 네덜란드 FCDB(NEVO)14를기반으로 합니다. 원래 NEVO는 2,389가지 식품(버전 2016/5.0)으로 구성되어 있으며, 이는 "혼동품목"(예: 원시식품을섭취할 수 없는 식품, 추가 없이는 섭취할 수 없는 식품) 또는 식품 4개(DNFC3의 낮은 소비율로 인한)를 포함해야 할 필수항목(예:4.33)을제거하여 식품 목록으로 축소되었습니다.
또한, NEVO는 다른 브랜드 이름을 가진 유사한 식품을 포함; 이러한 경우 일반 옵션만 식품 목록에 포함되었습니다. 유용성을 높이기 위해 일부 식품은 '준비', '냉동', '평균', '내츄럴'과 같은 불필요한 용어를 제거하기 위해 이름이 바뀌었습니다. 이 "청소 프로토콜"은 잘 훈련 된 세 연구 영양사에 의해 개발되었으며 NEVO가 업데이트되면 다시 실행할 수있는 구문을 통해 실행되었습니다. 또한 식품의 검색 가능성을 최적화하기 위해 포함된 식품의 1,019개의 잘 알려진 동의어가 식품 목록에 추가되었습니다. 따라서 앱에 포함된 음식 목록은 결국 2,468개의 항목으로 구성되었습니다. 음식 목록 개발개요가 도 2에표시됩니다. 이 광범위한 식품 목록은 일반적인 용도로 개발되었지만 앱의 백엔드는 필요한 경우 대체 식품 목록을 가져올 수 있습니다.
그림 2: 응용 프로그램을 위해 개발 된 음식 목록의 구조. 식품 목록은 네덜란드 식품 조성 데이터베이스(FCDB)를 기반으로 하며 최종 식품 목록에서 각 항목에 대해 해당 부분 크기 제안 및 동의어가 추가되었습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
식이 평가의 또 다른 중요한 측면은 부분 크기의 정량화입니다. 부분 크기 추정 보조제(PSEA), 예를 들어, 이미지, 참조 객체 및 표준 부분 크기, 소비된 식품의 양을 보고지원하지만,24,26,44,부분 크기의 잘못된 보고는 여전히 바이어스24,25, 45,46,및 다른 PSEA의 효과에 대한 문헌의 실질적인원천이다. 식품 이미지, 부분 크기제안(예:표준 크기 및 가정용 측정값) 및 그램의 체중 무료 진입은 웹 및 스마트폰 기반 식이 평가 도구34에서가장 많이 사용되는 PSEA이다. 예를 들어, 부분 크기제안(예:컵, 숟가락, 작은, 대형)은 Compl-eat13 및 옥스포드 WebQ47,이미지 보조 액수 크기 추정치 등의 도구에 사용되는 반면, ASA2414 및 Myfood2416과같은 도구의 이미지 보조 부분 크기 추정치. 앱에 가장 적합한 PSEA를 조사하기 위해 부분 크기제안(예:작은, 중형, 대형 또는 컵, 스푼), 그램의 무료 항목 및 부분 크기의 이미지의 정확도를 비교하기 위한 파일럿 연구가 수행되었습니다. 이 연구의 결과는 그램27에양을 입력하는 옵션과 함께 응용 프로그램의 PSEA로 부분 크기 제안의 구현으로 이어졌다.
전문가 검토
전문가 평가의 목적은 기능성과 학습의 용이성 측면에서 앱을 질적으로 평가하는 것이었습니다. 많은 사용자가 탐색29로소프트웨어를 배우는 것을 선호하므로 시스템의 학습 수준이 중요합니다. 총 10명의 전문가, 즉4(연구) 영양사 및 6명의 영양 및 건강 행동 전문가(과학자)가 60%가 안드로이드 스마트폰을 사용하는 인지 연습에 참여했습니다. 가장 중요한 것은, 전문가 평가는 응용 프로그램의 첫 번째 버전이 충분히 직관적이지 않은 것으로 나타났습니다, 예를 들어,메뉴 구조는 모호한 버튼 / 아이콘으로 인해 불분명 판단하고, 검색 엔진은 결과의 비논리적 순서를 생성. 선택한 항목을 수정할 수 없다는 사실과 관련된 전문가 리뷰에서 발생하는 또 다른 중요한 점입니다. 이러한 결과에 따라 앱의 디자인은 2단계(그림1)에서상당히 업그레이드되었습니다.
유용성 평가
총 22명의 참가자가 생각-큰 소리로 인터뷰에 참여하여 유용성 평가의 기초를 형성했습니다. 초기 샘플 크기는 20명의 참가자36에서설정되었으며, 그 후 데이터 채도를 평가하였다. 20번의 인터뷰 가 끝난 후에도 데이터 포화도에 도달하지 못하면서, 각 연속 인터뷰 후 데이터 포화도를 평가하는 동안 포함이 계속되었습니다. 참가자는 17 년 (범위 22-70 년) 48 ± 표준 편차 나이의 평균 ± 있었다; 36%는 남성이었고, 인구의 대부분은 고등 교육을 받았습니다(55%). 또한 대부분의 참가자는 Android 기기(n=14, 64%)를 사용했으며, 거의 모든 참가자는 스마트폰 사용(n=21, 96%)(표 1)을1년 이상 경험했습니다. 모든 참가자는 최소한의 명령 없이 작업을 완료했습니다.
| 합계(n=22) | |
| 성별 | |
| 남성 (%) | 36.4 |
| 여성 (%) | 63.6 |
| 평균 연령(평균 연령, SD) | 48.1 (17.2) |
| 교육 수준 | |
| 낮음(%) | 0 |
| 중간(%) | 45.5 |
| 높음(%) | 54.5 |
| 스마트폰 타입 | |
| 안드로이드 (%) | 63.6 |
| iOS (%) | 36.4 |
| 스마트폰 경험 | |
| 6개월 미만(%) | 4.5 |
| 6개월에서 1년(%) | 0 |
| 1년 이상(%) | 95.5 |
| SUS (평균, SD) | 79.4 (15.1) |
표 1. 연구 인구의 특성과 유용성 평가의 결과. 시스템 유용성 척도(SUS)의 결과만 참가자 특성과 함께 이 표에 묘사됩니다.
일부 참가자(n=13, 59%)는 내 요리 기능을 사용하는 동안 어려움을 나타냈다. 다른 사람(n=5, 23%)은 메뉴 버튼의 느린 응답과 작은 스마트폰의 화면 크기 부족과 관련된 버튼 사용 과 같은 사소한 기능 문제가 발생했습니다. 또한, 15 (68%) 참가자는 그램에 소비 된 부분 크기를 입력 하는 옵션에 대 한 그들의 선호를 표시. 마지막으로, SUS 점수의 평가는 79/100 (범위 40-100)의 등급을 나타내었으며, 22 명의 참가자 중 3 명만이 68/100 미만의 앱을 평가했으며 13 등급>80/100으로 앱이 사용자 친화적 인 것으로 간주 될 수 있음을 시사합니다. 따라서 전반적으로 제안된 개선은 미미했고 유용성 평가는 유망했습니다. 그 후, 개선에 대한 제안은 연구팀 내에서 논의되었고, 관련이 있다고 판단되는 경우, 앱의 호감력과 유용성을 더욱 최적화하기 위해 4단계 업그레이드에 통합되었다(그림1).
최종 설계
프로토콜에 설명된 단계와 평가 연구의 결과는 결국 간단한 시각적 디자인을 목표로 하는 앱과 백엔드에 대한 최종 설계로 이어졌습니다. 이 응용 프로그램은 음식 기록 및 리콜로 사용할 수 있습니다. 앞에서 설명한 바와 같이, 식품 목록은 NEVO의 수정된 버전입니다. 부분 크기 추정은 식품별 부분 크기 제안에 의해 지원됩니다. 소비된 부분은 그램으로 입력할 수도 있습니다. 앱의 리콜 버전의 경우, 연구원은 다른시간대(예:., 2hR, 8hR 또는 24hR)를 선택할 수 있습니다. 다양한 일 및 시간에 대한 식품 섭취 데이터를 수집하기 위해 미리 정해진 기간 내에 다양한 샘플링 체계를 만들 수 있습니다. 푸시 알림은 응답자들이 음식 섭취량을 기록하도록 초대합니다. 완전한 데이터 수집을 보장하기 위해 응답이 아닌 경우 초대가 자동으로 재조정됩니다. 리콜 모듈 내에서 응답자는 초대를 받은 후에만 음식 섭취량을 신고할 수 있습니다. 식품 기록의 경우 응답자는 앱에 액세스하여 하루 종일 음식 섭취량을 기록할 수 있습니다.
대부분의 24hR 도구와 는 달리, 응용 프로그램의 리콜 모듈은 이전 24 h48에대한 음식 섭취 데이터를 수집하는 자동 다중 패스 방법 - 5 단계 방법을 기반으로하지 않습니다 -이 방법은 너무 정교하고 응용 프로그램에서 사용하기 에 시간이 많이 소요되기 때문에. 보다 구체적으로, 식품 섭취 기록의 유용성을 높이고 준수를 향상시키기위해(11,38,49),탐색은 4(그림 3)보고 창을 보여주는 개요 화면으로 액세스해야 하는 화면의 수를 제한하여 최소로 감소하였다. 2) 소비된 식품은 검색 화면을 통해 보고되고, 원하는 품목이 선택되면 3) 대화 상자가 음식 물자와 소비량을 프로빙하는 것으로 나타나고, 그 후 4) 사용자가 기록된 식품을 보여주는 개요 화면으로 돌아갑니다. 또한 사용자는 내 요리 기능을 사용하여 메뉴 버튼을 통해 입력할 수 있는 레시피 또는 제품 조합을 만들 수도 있습니다.
그림 3: 응용 프로그램에서 라우팅의 회로도 개요. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
데이터는 보안 서버에 저장됩니다. 원하는 경우, 추가 질문 - 일반 또는 특정 식사 행사 또는 음식 항목과 관련된 - 통합 할 수 있습니다. 응용 프로그램은 온라인 설문 조사 도구와 연결할 수 있습니다. 따라서 미리 지정된시간(예:.,컨텍스트, 행동, 기분 질문)을 통해 음식 섭취와 관련이 없는 설문조사를 수행할 수 있습니다. 또한 신고된 식품이나 식사 행사와 관련된 구체적인 질문도가능합니다(예:사과가 보고되는 경우, 점심 식사가 보고될 때). 온라인 설문조사 도구를 사용하면 앱을 통해 다양한 질문을 할 수 있습니다. 수집된 식품 섭취 데이터는 서버에서 내보내고 추가 분석을 위해 영양 계산 소프트웨어로 가져올 수 있습니다. 추가 질문을 사용하는 경우 이러한 데이터는 평소와 같이 설문조사 도구에서 사용할 수 있습니다. 목표는 잘 구조화되고 사용하기 쉬운 앱을 개발하는 것이었습니다. 디자인의 일부 스크린 샷은 그림 4A에서볼 수 있습니다-E.
그림 4: 앱의 최종 버전의 스크린 샷. (A) 시작 / 개요 화면, (이 경우) 2 h-리콜 기간과 초대를 보여주는. 사용자는 이 기간 동안 아무것도 소비되지 않은 경우, 식품 항목 이나 게트론켄의 니에츠 게게텐 (즉,먹거나 아무것도 마시지 않았다)를보고 하는 제품 토보겐 (즉,추가 항목)을 누를 수 있습니다. (B) 검색 화면에서 음식 목록에서 검색어 "Jus"와 일치하는 결과를 표시합니다. 원하는 항목을 검색 결과에서 선택할 수 있습니다. (C)팝업 화면은 선택한 항목 "Jus d 'orange"에 대한 세부 사항의 입력이 필요합니다. 이 경우 앱은 소비량과 식사 기회를 요청합니다. 사용자는 Annuleren (즉,취소) 또는 Opslaan (즉,저장)을 눌러 검색 결과로 돌아갈 수 있습니다. (D) 개요다시, 이번에는 보고된 모든 항목을 보여 주어. 다른 항목은 추가 할 수 있습니다(제품 토보겐)또는 입력을 보낼 수 있습니다(Lijst versturen). (E) Lijst versturen을선택한 후 사용자에게 보낼 지 확인해 달라고 요청하는 팝업이 나타나고 목록이 전송된 후 더 이상 변경할 수 없다는 것을 사용자에게 상기시킵니다. 사용자는취소(Annuleren)또는전송(Versturen)을선택할 수 있습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
Discussion
이 논문은 스마트 폰 기반의 식이 평가 앱 Traqq의반복적 인 발달 과정을 제시합니다. 필요한 수준의 정확성과 사용자 친화성의 균형을 맞추는 것은 1) 데이터입력(즉,식품 식별 및 부분 크기 정량화에 대한 가장 정확한 방법을 선택함) 데이터입력(즉,정확한 데이터베이스를 선택하고 본격적인 식품 목록을 생성함) 3) 사용자 정의 옵션(즉, 정확한 데이터베이스 선택) 3) 사용자 정의옵션(즉,.e.,3) 사용자 정의 옵션(즉, 식품 식별 및 부분 크기 정량화에 대한 가장 정확한 방법을 선택)에 다음과 같은 주요 과제를 제기했습니다. 식품 목록, 부분 크기 정량화 및 조리법) 및 4) 유효성 검사(즉,전통적인 방법 및 / 또는 독립적 인 조치에 대해)3,50. 문학 검토 중, 5개의 검증되고 완전 자동화된, 스마트폰 기반의 식이평가도구는 3,즉 나의 식사메이트4,전자식 섭취 평가(eDIA)7,이지 다이어트 다이어리8,전자 카넷 알리멘테어(e-CA)5,먹고 트랙(EaT)6을확인하였다.
이 5가지 식이 평가 앱과 이 앱의 자동화 수준으로 인해 연구원의 부담과 비용은 크게 감소하며 기존의 식이 평가 방법에 비해 데이터 완성도가 증가합니다. 또한,이 응용 프로그램은 차례로, 유연성의 측면에서 다섯 기존의 식이 평가 도구와 다릅니다. 특히 기존 앱은 모두 식품 기록 방법을 기반으로 하는 반면,이 응용 프로그램은 식품 기록뿐만 아니라 리콜로 사용할 수 있습니다. 더욱이, 이러한 앱의 설계가 고정되어 있는 반면, Traqq는 다른 연구목적(예:식이 평가 방법, 음식 목록, 샘플링 방식, 추가 질문)에 맞게 수정할 수 있는 주요 장점이 있다3,50. 반대로, 다른 기존 식이 평가 앱에는 앱에서 구현되지 않은 귀중한 기능이 포함되어 있습니다(아직). 이 점을 설명하기 위해, 일부 앱은 사용자가 반자동, 기술 지원 식이 평가(TADA)시스템(TADA) 시스템(TADA) 시스템(51,52)과 같은 식품 인식 및 부분 크기추정을위해 음식 사진을 찍을 수 있도록허용한다.
유용성 연구에 참여한 참가자들은 또한 사진의 사용이 부분 크기 추정을 돕는 귀중한 추가가 될 수 있음을 지적했습니다. 그러나, 사진각도(즉,깊이를 평가하기 위해), 참조제작자(즉,크기와 색상을 수정하기 위해), 사진 전후(즉, 소비량을 평가하기 위해) 필요성과 관련하여 이러한 기능을 구현하기 위해 해결해야 할 과제는 여전히 너무많았습니다. 그리고 조리법 요리를 처리하는 방법에. 이러한 기술적 과제로 인해 기존 이미지 기반 식이 평가 앱은 여전히 반자동이며, 이는 사용자, 연구원 또는51,52모두에 의해 수동 이미지 검토를 수행해야 한다는 것을 의미합니다. 크라우드소싱 및 머신 러닝과 같은 기술적 발전은 식이 평가53,54를위한 식품 이미지 의 사용을 개선할 수 있는 잠재력을 가지고 있습니다. 미래에, 이러한 옵션은 더 응용 프로그램을 개선하기 위해 탐구될 것입니다. 응용 프로그램의 개발 과정은 다양한 중요한 단계를 특징으로했다. 첫째, 앱 생성의 근거를 뒷받침하는 과학적 개념이 앱의 일반적인 개요를 설정하는 데 있어 의사 결정을 용이하게 하는 것을 통해 조형 연구 단계가 완료되었습니다.
이 단계에서는 FCDB 선정과 데이터정확도(21)에직접적인 영향을 미치는 PSEA 측면 의 선택에 특별한 주의를 기울였다. FCDB에 관해서는, 응용 프로그램은 원래 네덜란드에서 사용하기 위해 개발된 바와 같이, 그 음식 목록은 네덜란드 FCDB, NEVO14를기반으로합니다. 미래에, 목표는 더 많은 음식이 국가 별으로 더 광범위한 식품 구성 데이터를 필요로 국제 사용을위한 응용 프로그램을 개발하는 것입니다. 현재 국제 FCDB는 아직 존재하지 않으며 존재한다면 그 사용이 제한되었을 수 있습니다. 더 구체적으로, 네덜란드 음식 목록에는 이미 2,389개의 식품이 포함되어 있기 때문에,5개국이 이 수의 식품을 약 5개까지 곱하고 결과적으로 앱의 유용성에 부정적인 영향을 미칠 수 있는 국제 식품 조성 테이블의 구현이 가능합니다. 따라서 국가별 식품 목록은 아마도 가장 가치가 있고 종종 전문가(55)가선호할 것입니다.
이것은 대체 식품 목록의 가져오기를 가능하게하고 따라서 다른 (국제) 식품 조성 테이블에 연결할 수 있기 때문에 응용 프로그램에 의해 촉진된다. 부분 크기에 관해서는, 예를 들어,이미지 소책자의 사용, 참조 객체 및/또는 텍스트 부분 크기제안(26)의정확성을 지원하기 위해 사용할 수 있는 여러 옵션이 있다. 사용자 친화성을 고려하여앱(예:이미지 소책자, 참조 개체)과 함께 PSEA를 사용하는 경우 앱에서 PSEA를 직접 구현하는 것이 좋습니다. 앱 개발 중에 부분 크기 제안 및 항목 항목을 그램으로 사용하여 부분 크기를 입력 할 수있는 기회를 제공함으로써 부분 크기 정량화를 용이하게하기로 결정했습니다. 부분 크기 제안은 사용 가능한 네덜란드 어 부분 크기데이터베이스(56)를기준으로 합니다. Compl-eat 및 Eetmeter와 같은 네덜란드 식이 평가 도구는 이 데이터베이스13,17에의존하지만,이 부분 크기의 데이터베이스 날짜는 2003년부터, 식기 크기는이후 57증가했다는 점에 유의할 필요가 있다. 따라서 이 데이터베이스를 사용하면 음식 섭취량이 과소 평가될 수 있습니다.
현재, 부분 크기 데이터베이스는 공중 보건 및 환경 네덜란드 국립 연구소 (RIVM), 네덜란드 영양 센터, 그리고 Wageningen 대학 및 연구58에의해 업데이트되고있다, 이는 결국 응용 프로그램의 부분 크기 제안을 업데이트하는 데 사용됩니다. 이전 부분과 새 부분 간의 불일치는 필요한 경우 매핑되고 조정됩니다. 부분 크기이미지(즉,선택된 음식의 상이한 양을 묘사하는 일련의 이미지)의 사용은 텍스트 기반 부분 크기제안(59)에대한 좋은 대안이 될 수 있지만, 연구결과에 따르면 일련의 부분 크기 이미지가 한 번에 하나의 이미지 대신한번에 하나의 이미지가 제시될 때 부분 크기 추정의 정확도가 가장 높은 것으로나타났다. 60,61. 일반적으로 현재 사용 가능한 스마트 폰에는 상대적으로 작은 화면이 있어 일련의 이미지 의 프리젠 테이션을 제한합니다. 새로운 기술은 가상 플레이트 또는 컵에 음식의 양을 증가 또는 슬라이더(61)를사용하여 감소 할 수 있음을 제공하는 대화 형 부분 크기의 그래픽의 사용을 용이하게하지만, 이러한 기술은 상대적으로 새로운 여전히 자신의 정확도를 평가하기 위해 철저하게 평가할 필요가있다.
앱 개발의 또 다른 중요한 단계는 전문가와 의도 된 최종 사용자의 참여를 포함했다. 종종 도구의 개발 과정에 통합되지 않지만 (또는 설명되지 않음) 11,12,전문가뿐만 아니라 의도 된 최종 사용자의 피드백 -이 유용성의 극대화를 허용하고, 정확도의 필요한 수준을 유지합니다. 의도 된 최종 사용자의 피드백은 내 요리 기능의 최종 디자인에 특히 도움이되었다. 전반적으로, 사용자는 자신의 요리를 만들 수있는 가능성에 만족했다. 그러나 함수가 자동으로 데이터를 저장하지만 일부 프로시저와 는 다투지 않았지만 사용자에게는 표시되지 않았습니다. 따라서 많은 사용자가 저장 버튼을 계속 검색하고 붙어있어 다시 가서 입력을 잃을 까봐 두려워했습니다. 이러한 종류의 피드백을 바탕으로 사용자의 기대에 더 잘 맞게 기능이 향상되었습니다.
결론을 위해 Traqq는 기존 앱 및 웹 기반 도구에 비해 많은 장점을 가진 혁신적인 앱입니다. 그러나 여전히 여러 가지 제한이 있습니다. 앱은 여전히 자체 보고서에 의존하므로 자체 보고서 관련 측정 오류가 여전히 존재합니다(예 :메모리 바이어스(예: 리콜의 경우), 사회적 바람직성 편향 및 음식 섭취 수정(즉,식품 기록의 경우), 부정확한 부분 크기 추정(즉,둘 다))1. 앞으로 는 바코드 스캐너,음성 녹음, 챗봇 및 이미지와 같은 기능을 구현하는 가치를 탐구하여 식품 식별 및 부분 크기 추정을 개선할 수 있는 새로운 기술을 더욱 발전시킬 것입니다. 다른앱(예:액티비티 트래커, 수면 추적기) 및장치(예:가속도계, 심박수 모니터, 츄잉 센서)와 연결할 수 있는 가능성도 탐구되고 있습니다. 마지막으로, 백엔드는 샘플링 옵션의 확장을 통해 추가 개발(예:)의 대상이 되고 있다.
Disclosures
저자는 공개 할 것이 없습니다.
Acknowledgments
저자는 Traqq의 개발에 자신의 핵심 역할에 대한 아누크 겔렌과 아르빈 드 Datadien감사하고 싶습니다. 또한 저자는 Romy Willemsen이 데이터 수집에 도움을 준 것에 대해 감사드리고 유용성 연구의 데이터 분석에 감사드립니다. 마지막으로, 저자는 프로세스 전반에 걸쳐 자신의 경험과 의견을 공유 한 전문가와 참가자에게 감사드립니다. 이 개발은 Wageningen 대학 및 연구에 의해 실행되었으며, TKI 농업 식품 PPS의 맥락에서 농업, 자연 식품 품질 및 산업부의 부분적으로 자금을 지원 - 프로젝트 스마트 푸드 섭취 (AF16096).
Materials
| Name | Company | Catalog Number | Comments |
| ASA24 Portion size picture book | American National Cancer Institute | na | The portion size image database as used in the ASA24-tool |
| Atlas.ti v8 | ATLAS.ti Scientific Software Development GmbH | na | Qualitative data analysis software for research |
| Compl-eat | Wageningen University | na | The portion size suggestions database as used in the Compl-eat 24hR module |
| iOS screen record function | Apple Inc. | na | Build-in iOS feature to make screen recordings |
| NEVO (version 2016/5.0) | RIVM | na | Dutch Food Composition Database |
| Qualtrics | Qualtrics XM | na | Online survey tool that can be used to implement additional questions in Traqq |
| Recordable | Invisibility ltd. | na | Android app to make screen recordings |
| SPSS version 24.0 | IBM Corporation | na | Statistical software |
| System Usability Scale (SUS) | na | na | Validated questionnaire to assess a system's usability |
References
- 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).
