探索大语言模型(LLM)在营养行为预测中的潜力:来自大学生的证据

《Frontiers in Nutrition》:Exploring the potential of large language models in nutrition behavior prediction: evidence from college students

【字体: 大 中 小 】 时间:2026年06月22日 来源:Frontiers in Nutrition 5.1

编辑推荐:

  摘要:引言:人工智能(AI)与大语言模型(LLM)在行为营养学中的整合正迅速扩展至行为数据预测领域。近期LLM辅助分析工具的发展,为分析调查数据集及探索营养相关行为模式开辟了新可能。目的:本研究旨在评估LLM辅助分析工作流利用大学生调查数据预测健康饮食行为(H

  
摘要:引言:人工智能(AI)与大语言模型(LLM)在行为营养学中的整合正迅速扩展至行为数据预测领域。近期LLM辅助分析工具的发展,为分析调查数据集及探索营养相关行为模式开辟了新可能。目的:本研究旨在评估LLM辅助分析工作流利用大学生调查数据预测健康饮食行为(Healthy Eating Behavior, HEB)得分的能力,比较其与基线普通最小二乘法(Ordinary Least Squares, OLS)回归模型的预测性能,并考察基于不同训练集规模的提示词条件化(prompt-based conditioning)对预测精度的影响。方法:采用横断面设计,收集2024年12月至2025年2月印度农业类高校914名本科生的主要调查数据,使用HEB量表评估行为结果。数据集通过LLM辅助分析环境(ChatGPT-4o)分析,指示模型在不同训练—测试划分下生成预测HEB得分,并与观测得分进行统计检验比较;同时对模型识别的HEB determinants(决定因素)与既往文献进行定性比对。结果:LLM辅助分析工作流生成的预测得分随训练数据量增加逐渐收敛于观测得分;使用较大比例数据进行训练时,预测均分与观测均分无显著差异,但预测精度可通过更大更多样化数据集进一步提升;定性分析显示模型识别的决定因素与既往研究相似。结论:研究表明在有充足训练数据时,LLM辅助分析工具可支持行为营养学研究中的探索性预测任务。
论文解读:大语言模型在营养行为预测中的潜力——基于印度大学生调查数据的探索性研究
《Frontiers in Nutrition》刊载的此项研究,针对当前大语言模型(Large Language Model, LLM)虽在自然语言处理领域表现卓越,但在结构化行为调查数据的预测性分析及因果推理应用方面尚存局限——LLM多依赖语料统计关联而非形式化因果框架(即"因果鹦鹉学舌"现象),且其在行为营养学定量预测中的适用性缺乏实证检验。传统行为营养学研究多采用普通最小二乘法(Ordinary Least Squares, OLS)回归分析调查数据,但面对日益复杂的行为数据集,研究者开始关注LLM是否能作为辅助分析工具识别变量间统计模式并生成预测。为此,研究人员开展本探索性方法学研究,评估以ChatGPT-4o为代表的LLM通过提示词条件化(prompt-based conditioning)对结构化调查数据执行回归分析及预测健康饮食行为(Healthy Eating Behavior, HEB)得分的表现,并与经典OLS模型对照,同时测试LLM对定性文本中HEB决定因素(determinants)的识别能力。研究结论表明:LLM辅助工作流可在充足训练样本下逼近观测均值,回归输出与STATA一致,定性编码与文献具实质一致性(Cohen's κ=0.75),但其预测个体异质性能力不足(存在回归趋均压缩),整体预测误差略高于OLS,宜作为探索性补充工具而非传统统计之替代。
主要关键技术方法
研究人员采用横断面调查设计,便利抽样获取印度两所农业大学914名本科生(年龄均值20.42岁)自填问卷数据,含13题项HEB量表总分(0–65)及营养素养(Nutrition Literacy, NL)等人口学与行为预测变量。定量部分将数据集按0%(无训练)、50:50、70:30、80:20、90:10及约800:114划分训练—测试集,通过ChatGPT-4o网页端上传训练集并以结构化提示词指示模型学习自变量—HEB关系后对测试集预测得分,同批数据用STATA做OLS回归作基线,比较预测—观测均值差(配对t检验)、均方根误差(Root Mean Square Error, RMSE)、平均绝对误差(Mean Absolute Error, MAE)及Pearson相关系数(r)。定性部分选取文献中13条HEB相关叙述段,经零样本提示(zero-shot prompting)令ChatGPT-4o生成开放式编码(open codes),与文献父码(parent codes)按完全匹配/更具体/新增三类别比对,计算Cohen's Kappa评估评分者间信度。
研究结果
4.1 Characteristics of respondents (n = 914)
样本平均年龄20.42岁,年均家庭收入230.08万卢比,营养素养均值20.40/32,HEB均值38.05/65;男性占58.32%,多数住校(72%)、来自核家庭(56.78%),44%自评健康一般,44%自评健康良好。
4.2 Comparing regression analysis results using LLM and statistical software
LLM(ChatGPT-4o)与STATA对同一全样本(N=914)OLS回归输出的各变量系数及t值完全一致:营养素养(β=0.731, p<0.001)、住校(vs校外租房 β=-2.851, p<0.001)、自评健康(良好 vs 差 β=3.175, p<0.001;一般 vs 差 β=1.725, p<0.1)、常/总是接触营养信息(vs 从不 p<0.05或p<0.05)、感知很需要营养信息(β=3.727, p<0.001)与HEB显著正相关;模型R2=0.2175。证明LLM可复现传统统计软件回归结果。
4.3 Prediction of healthy eating behavior
实验1(无独立训练集):LLM对全样本直接预测,预测均分35.644显著低于观测均分38.048(p<0.0001),系统性低估。实验2–4(训练50%、70%、80%):预测均分持续显著低于观测均分(p<0.001或p=0.004),RMSE 8.90–9.98,MAE 6.88–7.89,Pearson r=0.411–0.501。实验5(训练90%,ntrain=823):预测均分40.804与观测40.813无显著差异(p=0.994),RMSE=9.629。实验6(训练≈800例):预测均分39.132与观测41.088无显著差异(p=0.052),Pearson r升至0.556。随训练集增大,预测均值趋近观测均值,RMSE与MAE总体下降,但LLM预测值标准差(SD=2.50–4.95)远低于观测SD(9.59–10.51),呈回归趋均(regression-to-the-mean)压缩效应;OLS基线RMSE与MAE在各划分下略低于LLM。结论:LLM辅助工作流在大数据量下可近似群体均值但难以还原个体变异,整体精度未超越OLS。
4.4 Identifying determinants of healthy eating behavior using qualitative data
LLM对13条HEB引文生成的开放式编码与文献父码比对显示:4项完全匹配(如"膳食推荐知识"?知识技能)、7项更具体(如"情绪健康、压力水平"细化心理学维度)、2项为新增子维度(如"感知营养价值");经标准化后Cohen's Kappa κ=0.75,属实质性(substantial)一致,表明ChatGPT-4o在零样本下可识别与文献吻合的健康饮食行为决定因素并给出更具情境细粒度的编码。
讨论与结论翻译
研究结果显示,当使用较大比例训练数据时LLM辅助预测与健康饮食行为观测均值无统计学差异——此观察结果具数据集特异性,不应视为通用训练数据阈值。定性部分LLM可从文本识别合理行为决定因素,但属探索性解读而非验证性因果机制。LLM辅助分析工作流可支持行为营养学调查数据之探索性预测与释义,而常规统计模型(如OLS回归)仍具稍强预测精度,故基于LLM之方法目前应视作既有统计方法的互补工具而非替代。未来需借助更大多样样本及严格评估框架确定其在营养与社会科学研究中行为预测的可靠性与更广适用性。局限性包括样本同质(印度农科大本科生)、未做多次运行稳定性检验、通过网页端非API实施致严格重现性受限、未进行权重微调(fine-tuning)仅用提示词条件化、未与传统机器学习模型(随机森林、梯度提升等)对比基准。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号