人工智能介导的食品选择：关于个性化、说服、消费者自主性与产业转化的系统性证据图谱

《TRENDS IN FOOD SCIENCE & TECHNOLOGY》：AI-mediated food choice: A systematic evidence map of personalisation, persuasion, consumer agency, and industrial translation

　　

•个性化和说服力主导面向消费者的食品AI。•代理结果占所纳入的197份报告的83.2%。•仅有16.8%报告测量了可观察或纵向的真实世界行为。•仅2.5%进入了商业现场或持续运营环境。•42.1%的纳入报告提及了风险或不良后果。

引言

面向消费者的人工智能（AI）正在迅速改变食品环境。算法精选的电子杂货商店（Chakraborty等，2024）、具有算法排序主页的食品配送平台（Alqahtani & Aljarallah，2024）、个性化营养和辅导应用程序（Bohn等，2024；Stein & Brooks，2017）、对话式自助终端和聊天机器人（Hsiao & Chen，2022；Osei等，2024），以及生成式或多智能体膳食计划助手（Goh等，2026；Harish等，2025）如今塑造着消费者如何搜索、评估、选择、购买和消费食品。

食品决策不同于其他电子商务环境中的选择。食品决策频率高、具有习惯性、体现于身体之中，且通常在认知限制、情绪状态和感官渴望下做出，而非通过深思熟虑的比较（K?ster，2009）。单次购买金额不大，但食品选择在反复发生的场景和社会环境中被建构，因此其累积效应塑造了膳食质量和长期健康（Sobal & Bisogni，2009）。因此，在此领域的算法引导具有直接的健康、伦理和社会含义。

面向消费者的推荐、对话和自动下单系统已在食品零售、配送和餐饮服务领域大规模部署，而关于其对实际食品购买和消费后果的证据仍然薄弱且分散于不同学科。消费者行为学和营销学研究了信任、拟人化和支付意愿（Califano等，2024；Nie等，2025）；人机交互和信息系统研究聚焦于界面设计和可用性（Dubiel等，2024；Starke等，2021）；公共卫生和营养学研究评估膳食依从性和健康干预（Armand等，2024；Chew等，2024）；计算机科学工作则优先考虑预测和分类准确率（Ataguba等，2024）。相邻的二手文献反映了同样的学科割裂（Kechri等，2025；Reitano等，2025；Shorbaji等，2025）。因此，心理机制、真实世界的选择架构和评估情境很少被同时考量。

综合这一多学科文献揭示了现有二手综述中的空白。以往的综述聚焦于上游农业加工、供应链物流和工业食品安全（Ambikalekshmi等，2026；Dhal & Kar，2025；Herrera-Granda等，2026；Jan等，2025；Reitano等，2025；Zatsu等，2024）、临床营养诊断（Belkhouribchia & Pen，2026）、实验室食品检测（Ding等，2025；Inglis等，2024），或通用零售聊天机器人和电子商务智能体（Balaskas，2026；Greilich等，2025；Iniesta & López，2025）。领域特定的综述涉及餐饮服务机器人（Ogan，2024）、移动食品点单体验（Shorbaji等，2025）或精准营养框架（Abdur Rahman等，2026；Agrawal等，2025；Armand等，2024）；更广泛的农食供应链综述也在其四个领域中考察了消费者对AI的接受度（Reitano等，2025）。我们未在这些检索结果中发现任何来源在同一框架内同时组织AI能力功能分类、双重企业/消费者价值视角、结果测量水平分布以及评估情境来研究AI介导的食品选择。我们将此描述为我们检索到的综述中的组织性空白，而非首创性主张：各组成部分已充分确立，其贡献在于将二者结合。补充材料S7.4在这些维度上比较了最接近的综述，对于在我们检查的材料中不可见的维度，记录为"未确立"而非"缺失"。

一项更广泛的关于用于研究食品消费者行为的新兴技术的系统综述，还将人工智能、虚拟现实、社交媒体分析和大数据作为研究工具而非主动选择架构智能体涵盖在内（Kechri等，2025）。在本综述检索截止日之后发表的一篇观点文章进一步提出了AI-PNUTRI检查表，用于AI赋能的精准营养研究的设计、报告与评估（Massara等，2026）。这些贡献与本综述有大量重叠，但并未被其取代。其分析对象不同：本综述限定于在交互点配置食品选择的AI系统，并按功能角色（P3D）、界面级和消费者级机制（在双重价值结构AIFCA内）、结果测量水平和评估情境（FVML）组织检索到的报告，涵盖电子杂货、食品配送、餐饮服务、个性化营养和家庭烹饪。补充材料S7.4明确列出了这些重叠和差异，而非断言新颖性。

七个综述问题在补充材料S5中重新呈现。检索冻结于2026年6月29日；研究特定问题、纳入标准和编码程序于2026年8月5日正式化，且本综述未进行前瞻注册。该方案改编自Ketney（2026）描述的通用PRISMA合规模板，而非构成前瞻注册。补充材料S8记录了投稿前的四项修订、修订阶段的八项修订（AM-05至AM-12）以及试点后的澄清说明。第4节（2016年1月至2026年6月AI介导的食品选择演变）、第5节（AI如何重塑食品决策：P3D分布）、第6节（消费者反应机制）、第7节（从意向到真实行为）、第8节（现场验证与工业转化）、第9节（负责任创新与非预期后果）、第10节（未来研究议程）分别阐述了技术多样性、历史P3D编码、消费者构念、结果测量、评估情境、企业-消费者张力以及研究优先事项。RQ1在修订过程中被缩小范围至系统数量与所描述的技术多样性（AM-12）。

本系统证据图谱通过映射过去十年的原始实证报告（出版日期为2016年1月1日至2026年6月29日；共纳入196份报告，2026年为部分年份）来弥补这一组织性空白。我们引入了两个统一结构：AI食品选择架构（AIFCA）框架和P3D四个功能（预测、个性化、说服力、委托）。将这些功能与报告的心理机制、结果测量水平和现场验证成熟度水平（FVML 0-5）进行对照映射，展示了检索到的文献如何描述AI介导的食品选择、报告的证据在何处最为薄弱，以及负责任的工业转化需要满足什么条件。AIFCA、P3D、FVML和第10节提出的报告检查表均为作者为本综述开发的自定义工具。它们均未针对外部参考标准进行测试或在独立样本中进行验证，因此其在语料库之外的适用性属于概念性建议，而非实证结果。

章节片段

概念边界与分析框架

由于AI既可以分析食品相关行为，也可以在实时选择中进行干预，因此需要明确界定边界。离线评论挖掘、社交聆听和市场细分模型属于前者。本综述考察的是后者：在消费者选择点预测、交互、影响或代为行动的面向消费者系统。

我们用AI食品选择架构（AIFCA）来组织检索到的文献，这是作者提出的概念结构，而非经过测试的

方法

本系统证据图谱参照PRISMA 2020声明（Page等，2021）进行报告，对于描述性图谱适用的条目，参照了"无荟萃分析综合"（SWiM）报告指南（Campbell等，2020）。SWiM是为报告干预效应但不进行荟萃分析的综合而开发的；由于本综述不综合效应，仅应用了与分组、呈现和透明度相关的报告条目，补充

2016年1月至2026年6月AI介导的食品选择演变

在纳入时间窗口内，发表数量和所描述系统的多样性均显著增加（共纳入196份报告）。年产量从2016年的5份、2017年的6份、2018年的6份、2019年的4份和2020年的7份增长至2021年的13份、2022年的20份和2023年的19份，随后在2024年达到44份、2025年达到49份，2026年截至6月29日检索截止的部分覆盖期间为23份。分组来看，2016-2020年为28份，2021-2023年为52份，2024-2026年为116份，最后一个时期跨度为2.5年。这些

AI如何重塑食品决策：P3D分布

图2展示了AI食品选择架构（AIFCA），包括第2节介绍的四项P3D功能和双重企业/消费者价值视角。AIFCA为本综述组织证据；它并非经验证的因果模型，四项功能被绘制为并列而非序列关系，箭头表示编码关系而非经验证的中介作用。

历史P3D编码将个性化分配给了153份报告（78.1%），说服力分配给了126份报告

应用场景

AI系统在六个应用领域中介消费者食品选择：个性化营养（Ataguba等，2024；Bohn等，2024；Braga等，2024；Chew等，2024；Gao等，2025；Goh等，2026；Harish等，2025；Stein & Brooks，2017；Vu等，2022）；线上线下杂货零售（Chakraborty等，2024；De Bauw等，2022；de Vries等，2025, 2026；Henrichs等，2025；Lee & Park，2026；Michels等，2024；Rana等，2024；Sasaki & Ito，2024）；

从意向到真实行为

该文献最清晰的结构性特征是其依赖代理指标而非食品选择或长期健康结果直接测量。在196份报告中，83份（42.3%）被编码为自我报告感知，46份（23.5%）被编码为行为意向，35份（17.9%）被编码为模拟选择。真实世界中的可观察行为编码了16份（8.2%），纵向行为编码了16份（8.2%）。总计164份报告（83.7%）被归类为意向、自我报告或

现场验证与工业转化

评估和部署情境同样不均衡。现场验证成熟度水平（FVML）分类从0级（概念）到5级（纵向运营部署；定义见图3b和补充材料S4.6）。它是一种综述特定的描述性工具，并非经过验证的量表，也不是技术准备度水平，更不是方法学严谨性的排名，其评审者间一致性在所有编码字段中最弱（原始221份报告上κ = 0.54）

负责任创新与非预期后果

83份报告至少包含一项风险或伦理权衡条目，共139个条目；如第6节和补充材料S6.4所述，这些是证据状态不一的编码标签，而非不良事件的计数。综合来看，它们指向了企业与消费者/公共福利之间反复出现的张力——前者关注转化、预订、销售、留存和劳动效率，后者包括自主权、透明度、隐私、公平性、文化公平性等

未来研究议程

AI介导的食品选择研究正在快速扩展，但其证据基础在结构上仍不均衡。从探索性可行性研究迈向方法学严谨、伦理一致且可扩展的部署，需要在研究实践中实现七项转变。

表2将当前六个空白与作者提出的可检验假设配对。这些是我们为未来实证研究提出的方向，并非从纳入报告中得出的发现，且其表述方式为每项

局限

本综述存在若干局限。首先，也是最重要的，综合依赖于标题、摘要和书目元数据；未对任何纳入报告进行全文系统评估，因此记录中未详述的细节——样本量、架构、实验控制、流失率和分析方案——无法被评估，且被编码为"未报告"的特征可能实际上存在于底层研究中。其次，索引记录中的选择性报告可能

结论

在从Scopus、Web of Science和PubMed检索到的196份报告语料库中，历史P3D编码最常记录个性化（n = 153）和说服力（n = 126）；二者在92份报告中共现，其中76份恰好描述了该组合。预测在历史上被编码于67份报告中，委托在22份报告中（包括2份仅有D编码）。这些是历史分配，而非在明确标准下经验证的频率。报告发现的方向以正面为主（n

未引用参考文献
Chen等，2026；Jan等，2025；Wang等，2025；Wang等，2025。

作者贡献声明
Otto Ketney：概念化、方法论、软件、形式分析、调查、数据管理、撰写—原稿、可视化、项目管理。Anca-Maria Tifrea：调查、数据管理、验证、撰写—审阅与编辑。

利益冲突声明
作者2（Anca-Maria Tifrea）隶属于ALCALIN SRL（罗马尼亚巴亚马里）。

作者声明不存在任何可能影响本文所报告工作的竞争性经济或个人利益。

数据可用性：修订后的补充材料以及 196 份报告语料库的完整报告级表格 S6.2、S6.3、S6.4、S6.6 和 S6.7 已作为该综述 Zenodo 记录的新版本归档（Ketney & Tifrea, 2026）。

手稿准备过程中生成式人工智能及人工智能辅助技术的声明：在准备本作品期间，作者使用 Claude（Anthropic）、ChatGPT（OpenAI）和 Gemini（Google）作为人工智能辅助工具，用于语言润色、语法及可读性改进、编辑结构调整、起草支持以及手稿的迭代修订。这些工具在写作和修订工作流的多个阶段中使用。作者对所有人工智能辅助输出进行了批判性审查、验证和编辑，并保留了对科学解释和最终的

资金：本综述未获得任何直接资金资助，作者也未因其开展而获得任何报酬。支持为非财务性质：即以云计算额度形式提供的实物计算资源，来自 Google.org 及 Gemini 学术计划的 Google Cloud Research Credits 项目。没有任何组织参与本综述的设计、检索、筛选、提取或分析、结果解释、手稿撰写或提交决定

致谢：本研究得到了 Google.org 及 Gemini 学术计划 Google Cloud Research Credits 项目的支持。项目由锡比乌卢西亚恩·布拉加大学（Lucian Blaga University of Sibiu）通过研究资助 LBUS-IRG-2024 资助。Google 的支持包括实物形式的云计算额度，不涉及财务支付，大学资助也未为本综述的开展提供直接资金，如资金部分所述。

Otto Ketney|Anca-Maria Tifrea