《Nutrients》：Perception–Adoption Gap of an AI Dietary Management App in Real-World Dining Settings: A Field Study
编辑推荐：
背景/目标：尽管在随机对照试验中有效，但人工智能驱动的膳食管理应用在不同餐饮环境和人群中的实际采纳情况仍不确定。方法：这项基于田野的观察性研究在中国上海三个实际餐饮场所进行了18天，招募了181名参与者，根据餐饮服务风格和顾客属性分为三组。在第9天进行横断面调
背景/目标：尽管在随机对照试验中有效，但人工智能驱动的膳食管理应用在不同餐饮环境和人群中的实际采纳情况仍不确定。方法：这项基于田野的观察性研究在中国上海三个实际餐饮场所进行了18天，招募了181名参与者，根据餐饮服务风格和顾客属性分为三组。在第9天进行横断面调查，随后进行9天的前瞻性使用追踪。结果：在调整性别后，第2组（固定份量菜肴的员工食堂）的调整后平均可用性得分最高，为71.20（p < 0.001）。第3组（社区食堂）在信息质量（16.57，p = 0.03）和营养领域预期用途感知（12.01，p = 0.08）方面得分最高。然而，尽管初始感知良好，第3组记录为零次主动使用会话。结论：用户对这一人工智能驱动的膳食管理工具的积极感知并未自动转化为采纳。场景特定可用性和数字鸿沟约束定义了实际效能的边界；此外，人工智能可能放大现有的膳食自我管理行为，而非从零创造这些行为。
**论文解读：人工智能膳食管理应用在实际餐饮环境中的感知-采纳差距**
**研究背景与问题**
人工智能（AI）在医疗健康领域的整合正快速发展，其中直接面向消费者（DTC）的移动健康应用在营养评估和膳食管理方面展现出潜力，能够优化日常食物选择和摄入估算。然而，尽管随机对照试验证明了此类工具的有效性，其在实际餐饮环境中的采纳仍面临不确定性。现有挑战包括：DTC应用的最佳商业模式不明确，理想应用场景和目标人群尚不清晰，以及从技术概念验证向实际部署过渡的障碍。该研究团队此前已开发一款基于AI的个性化营养评估与推荐移动应用，并验证了其对个体膳食改善的效果，但实际部署效果因餐饮场景和用户群体的异质性而未知。为此，本研究旨在对一款AI驱动的个性化膳食管理应用进行后期实际转化研究，探讨目标用户对应用的感知与接受度，并在实际运营规模上探索适用场景。该论文发表于《Nutrients》。
**主要技术方法**
研究人员采用田野观察性研究设计，于2025年8月至12月在中国上海三个实际餐饮场所（两个员工食堂和一个社区食堂）进行为期18天的调查。根据餐饮服务风格和顾客属性，将181名参与者分为三组：第1组为自助餐式员工食堂（按重量计费，16种菜品/餐，约40秒记录膳食），第2组为固定份量员工食堂（7种菜品/餐，约20秒记录），第3组为社区食堂（26种固定份量菜品/餐，约20秒记录，主要为老年人群）。关键方法包括：第9天实施横断面问卷（系统可用性量表SUS和信息质量问卷IQQ），随后进行9天前瞻性使用追踪；AI算法包括判别模型（基于用户生物特征评估个体食物与营养素摄入）和推荐算法（通过时间序列分析生成个性化食物建议）；数据收集除问卷外，还从系统平台获取膳食记录和界面交互日志。
**研究结果**
**3.1 参与者特征**
最终纳入181名参与者，年龄以31-40岁（33.1%）和41-50岁（27.1%）为主，女性占50.3%。三组在年龄、性别和职业分布上存在统计学显著差异。
**3.2 应用可用性评价**
调整性别后，第2组（固定份量员工食堂）的SUS总分调整后均值最高，为71.20（p < 0.001），且与第1组存在显著差异（事后检验）。表明固定份量服务场景下的膳食记录时间更短（约20秒），提升了用户感知可用性。
**3.3 应用感知评价**
调整性别后，第3组（社区食堂）在信息质量均值（16.57，p = 0.03）和营养领域预期用途感知（12.01，p = 0.08）上得分最高。在视觉信息（p = 0.02）和来源可信度（p = 0.02）方面，第3组与第1组存在显著差异；在营养领域预期用途的膳食规划部分，三组间差异显著。说明老年群体对AI生成信息的感知最为积极，可能与健康管理需求较高有关。
**3.4 应用接受度**
9天追踪期内，第2组的中位使用频率为1次（IQR: 0-1），表现出最高整体参与度；第3组则全部为零次使用（100%零会话率）；第1组93.0%为零次使用。整个18天中，营养评估界面是第2组和第3组最常访问的模块。结果显示，尽管初始感知良好，但实际采纳率极低，表明感知与采纳之间存在显著差距。
**讨论与结论**
研究揭示了一致的感知-采纳差距：对AI膳食应用的积极初始态度并未转化为持续实际使用。场景特定可用性（如膳食记录时间差异）、数字鸿沟（老年群体操作障碍）以及缺乏自我管理行为是导致用户脱离的主要机制。第2组（固定份量员工食堂）因记录时间短、操作简便，成为理想场景；而第1组（自助餐式）因记录耗时较长导致可用性评分低；第3组（社区食堂）虽感知最好，但数字鸿沟阻碍了实际使用。结论部分指出：积极感知并不能保证AI膳食管理工具作为有效营养干预的采纳；场景特定可用性和数字鸿沟约束定义了实际效能的边界；AI可能放大现有的膳食自我管理行为，而非从零创造这些行为。为促进AI从技术概念验证向可持续营养干预转型，成功指标需从算法准确性转向自我管理行为可持续性。
