《Frontiers in Public Health》：Compliance of large language model generated meal plans with polish dietary recommendations: a real-world evaluation under average user conditions—3(LM)Diet study
编辑推荐：
摘要
引言：饮食是影响健康的关键因素之一。遵循健康饮食原则决定了许多疾病是否发生或得以预防。为促进健康饮食习惯的普及，已发布众多指南和建议。然而，将这些原则付诸实践可能存在困难。近年来，大型语言模型（large language models，LLMs）受到
摘要
引言：饮食是影响健康的关键因素之一。遵循健康饮食原则决定了许多疾病是否发生或得以预防。为促进健康饮食习惯的普及，已发布众多指南和建议。然而，将这些原则付诸实践可能存在困难。近年来，大型语言模型（large language models，LLMs）受到越来越多的关注，同时越来越多的报告也指出，公众不加批判地采纳LLMs生成的健康建议所引发的风险。
目的：本研究旨在评估在真实世界平均用户条件下，LLMs生成的膳食计划是否符合波兰健康饮食建议。
材料与方法：研究使用三种广泛应用的LLMs——ChatGPT、Gemini和Copilot——来生成饮食方案。每个模型生成35天的膳食计划，涵盖三个指定的能量水平：2000 kcal、2500 kcal和3000 kcal（每个模型合计生成105天的膳食计划）。根据每天满足建议的平均数量和满足建议的总数量，评估菜单与建议的符合程度。
结果：Copilot获得最高总体符合度评分（中位数每天7/9条建议），显著优于ChatGPT（中位数6/9；p = 0.002）和Gemini（中位数5/9；p < 0.001）。符合度通常与目标能量水平无关。所有模型均一致限制了红肉和加工肉类摄入，并且在水果和蔬菜摄入、甜食、脂肪和乳制品方面通常满足建议。然而，在全谷物产品方面的依从性较差。所有被评估的模型均未完全符合所有被测国家膳食建议。
结论：LLMs生成的饮食方案与波兰膳食建议的符合度为中等水平，但仍存在重要缺陷。虽然人工智能生成的膳食计划在某些领域可能鼓励更健康的饮食模式，但尚不能认为其与国家膳食指导完全一致。对LLM生成的膳食计划应谨慎解读，且不应取代专业膳食咨询。
**论文解读：大语言模型生成膳食计划与波兰膳食建议的一致性评估——3(LM)Diet研究**
**一、研究背景与问题**
饮食是影响健康的最重要因素之一，均衡膳食可有效预防和治疗疾病，而不平衡的食物摄入则与多种疾病风险相关。然而，对于缺乏营养知识的人群而言，理解并落实健康饮食原则存在困难。为帮助公众遵循健康饮食，许多国家发布了膳食指南，波兰也制定了以“健康饮食餐盘”为核心的本国建议，包括限制红肉、增加全谷物、保证充足水分等。国家指南比国际通用指南更贴合本国人群的需求，但公众在实际执行中仍面临知识不足、实践动机缺乏等障碍。近年来，大型语言模型（large language models，LLMs）迅速普及，越来越多的公众可能向其寻求健康建议。然而，LLMs的回答质量取决于提示词（prompt）的准确性与用户的批判性验证能力，而普通用户往往不具备这些技能。因此，在真实世界平均用户条件下，评估LLMs生成的膳食计划是否符合国家膳食建议，对于公共健康具有重要的现实意义。
**二、研究目的与设计**
本研究旨在评估三种广泛使用的LLMs——ChatGPT、Gemini和Copilot——在模拟普通用户条件下生成的膳食计划，是否符合波兰健康饮食建议。研究人员设计了一套标准化流程：每个模型分别生成能量值为2000 kcal、2500 kcal和3000 kcal的35天膳食计划，每个模型共生成105天计划，总计315天菜单。所有提示词均使用波兰语，针对健康、无饮食限制、年龄19～30岁、具有平均烹饪技能、无营养专业知识的普通用户。生成过程中，若出现信息缺失或简化，研究人员仅要求模型补充细节以确定营养值，不进行任何改善营养质量的修改。膳食计划随后由营养师根据波兰国家公共卫生研究所发布的健康饮食建议进行评估，评估标准包含9项建议，其中每日建议（如每天摄入至少400克果蔬）每日记1分，每周建议（如限制红肉每周500克）按每周7天每天1分计，每日最高可得9分，以中位数和均值反映平均每天符合的建议数量。
**三、主要方法与技术**
研究使用了三种语言模型：ChatGPT（GPT-5.5）、Gemini（Gemini 2.5 Flash）和Microsoft 365 Copilot（基于GPT-5）。所有提示词在2026年5月11日至25日期间执行，使用未生成过任何健康或饮食相关内容的免费账户，以模拟无经验用户并减少对话历史的影响。膳食计划的营养分析基于模型输出的食物组成，盐摄入量通过钠摄入量乘以2.5换算得到。统计方法包括Shapiro–Wilk正态性检验、Kruskal–Wallis检验比较模型间分数差异、Friedman方差分析比较同一模型内不同能量值差异，以及Pearson χ2检验比较各建议达标天数的分布，显著性水平经Bonferroni校正。
**四、研究结果**
*总体符合度比较*：Copilot的每日符合度中位数为7/9，显著高于ChatGPT（6/9，p=0.002）和Gemini（5/9，p<0.001）；ChatGPT与Gemini之间无统计学显著差异（p=0.093）。按能量水平分层，Copilot在2500和3000 kcal的能量水平下显著优于其他模型，在2000 kcal下优于ChatGPT但未显著优于Gemini。
*能量水平影响*：在模型内部，ChatGPT各能量水平间的符合度无显著差异（p=0.052）。Gemini和Copilot中，2500 kcal计划显著高于2000 kcal计划，但2000与3000 kcal、2500与3000 kcal之间均无显著差异，提示能量水平对符合度总体影响不大。
*各条建议达标情况*：所有模型在推荐3（限制红肉和加工红肉）上达到100%达标天数。模型在推荐2（果蔬摄入）、5（限制甜食）、6（植物脂肪替代动物脂肪）和8（乳制品摄入）方面普遍表现良好，中等水平符合推荐4（限盐）和推荐9（豆类摄入），而在推荐1（每餐全谷物）上表现极差。Copilot在推荐7（每周两次油性鱼类）上所有15周全部达标，ChatGPT和Gemini分别仅有4周和5周达标。各条建议的达标天数在模型间差异均有统计学意义（除推荐3外，p值均<0.05）。
**五、讨论要点与结论**
这是首个在特定国家现实情境中，比较不同LLMs生成膳食计划与国家膳食指南符合度的研究。结果显示，Copilot生成的饮食方案与波兰建议符合程度最高，但仍未达到完全一致。能量水平对符合度影响轻微，表明模型在不同能量需求下均能保持一定水平的建议符合度，这是一项积极特征。然而，全谷物摄入建议普遍未达标，盐摄入量平均为6.32±2.2 g/天，高于5 g/天的限值，且实际烹饪中额外加盐可能进一步增加摄入。鱼类和豆类摄入不足，尤其体现在ChatGPT和Gemini模型中。研究局限性包括：未测试模型的最大能力，仅使用三种模型，且评估仅针对建议符合度而非健康结局。研究强调，LLM生成的膳食计划可作为参考，帮助用户了解如何执行某些建议，但不能完全取代专业膳食咨询。最终结论为：三种主流LLMs生成的膳食方案与波兰国家膳食建议的符合度处于中等水平，其中Copilot表现较优；但在全谷物、盐摄入和鱼类豆类等方面存在明显缺陷，故不应被未经专业指导的用户盲目遵循。
