Besin Tüketimini İzleme ve Öneri Sunan Akıllı Telefon Uygulamaları: Mevcut Uygulamaların Yapay Zekâ Tabanlı İşlevselliklerinin, Özelliklerinin ve Kalitesinin Değerlendirilmesi

Beslenme alışkanlıkları ve günlük gıda alımı, obezite, tip 2 diyabet ve kardiyovasküler rahatsızlıklar gibi kronik hastalıkların önlenmesinde ve insan sağlığının korunmasında belirleyici bir rol oynamaktadır. Mobil sağlık teknolojilerinin hızla yaygınlaşmasıyla birlikte ticari uygulama mağazalarında gıda tüketimi takibi ve diyet önerisi sunan yüzlerce dijital uygulama kullanıma sunulmuştur. Ancak, genelde geniş halk kitleleri tarafından yoğun biçimde indirilen bu uygulamaların kanıta dayalı teknik kalitesi, yapay zekâ yetenekleri ve kullanıcılara sağladıkları gerçek fayda sistematik biçimde yeterince değerlendirilmemiştir. Mevcut literatür, veri girişinin elle yapılmasının kullanıcılar üzerinde önemli bir bilişsel yük oluşturduğunu ve uzun dönemli kullanımı olumsuz etkilediğini göstermektedir. Bu doğrultuda, ticari pazarda yer alan uygulamaların teknolojik olgunluk düzeyini, yazılım kalitesini ve otomasyon imkânlarını incelemek bilgisayar bilimleri ve dijital sağlık alanlarında önemli bir araştırma ihtiyacı olarak öne çıkmaktadır.

Çalışma, Google Play Store, Apple App Store ve Microsoft Store mağazalarında yer alan gıda tüketimi takibi ve öneri uygulamalarının teknik kalitesini ve yapay zekâ işlevselliklerini sistematik olarak değerlendirmeyi amaçlamaktadır. Araştırmada PRISMA kılavuz ilkeleri takip edilerek belirlenen anahtar kelimelerle arama yapılmış ve tespit edilen 473 uygulamadan dâhil etme kriterlerini karşılayan 80 uygulama incelemeye alınmıştır. Uygulamaların değerlendirilmesi amacıyla mevcut MARS ve uMARS gibi araçlar genişletilerek estetik, genel özellikler, performans, kullanılabilirlik, işlevsellik, şeffaflık, algılanan etki ve öznel kalite boyutlarını içeren özgün bir değerlendirme ölçeği geliştirilmiştir. Değerlendirmeler iki yıl mobil uygulama geliştirme deneyimine sahip bağımsız uzman değerlendiriciler tarafından yürütülmüş; gözlemciler arası güvenilirlik sınıf içi korelasyon katsayısı (ICC) ile ölçeğin iç tutarlılığı ise Cronbach alfa katsayısı ile doğrulanmıştır. Ayrıca, kullanıcıların beklenti ve şikâyetlerini analiz etmek üzere mağazalardan alınan 900 kullanıcı yorumu kelime bulutu teknikleriyle incelenmiştir.

İnceleme sonuçunda mobil uygulamaların genel kalite ortalamasının 5 üzerinden 3.44 olduğu, ancak alt boyutlar arasında belirgin farkların bulunduğu saptanmıştır. Uygulamalar performans (4.92), kullanılabilirlik (4.46) ve estetik (4.34) boyutlarında yüksek puanlar alırken; işlevsellik (2.15), algılanan etki (2.74) ve genel özellikler (2.86) boyutlarında ciddi eksiklikler sergilemiştir. İşlevsellik analizinde, uygulamaların %92.5'inin gıda tanıma, %91.25'inin porsiyon tahmini ve %88.75'inin besin değeri kestirimi sunduğu; ancak bu süreçlerin ezici çoğunlukla elle veri girişine veya barkod taramaya dayandığı belirlenmiştir. Fotoğraftan otomatik gıda tanıma, hacim ve besin değeri hesaplamasını bütünleşik biçimde gerçekleştirebilen tek uygulamanın 'Foodvisor' olduğu tespit edilmiştir. Kişiselleştirilmiş besin tüketim geçmişine dayalı otantik besin önerisi sunma özelliğinin ise uygulamaların yalnızca %5'inde (4 uygulama) mevcut olduğu ve sadece 'WW Weight Watchers Reimagined' uygulamasının besin tüketimine dayalı öneri geliştirdiği görülmüştür. Kullanıcı yorumları analizi de barkod tarama hataları, abonelik ücretleri ve uygulama çökmelerinin temel memnuniyetsizlik kaynakları olduğunu doğrulamıştır.

Elde edilen bulgular, mobil uygulama pazarındaki mevcut gıda takip çözümlerinin gelişmiş bilgisayarlı görü ve derin öğrenme literatüründeki akademik ilerlemelerin gerisinde kaldığını göstermektedir. Yazarlar, bilimsel çalışmalarda geliştirilen evrişimli sınır ağları, 3B rekonstrüksiyon ve yapay zekâ tabanlı öneri sistemlerinin ticari uygulamalara aktarılmasında büyük bir kopukluk bulunduğunu vurgulamaktadır. Gıda veri tabanlarının yerel mutfakları kapsayacak şekilde zenginleştirilmesi, diyetisyen ve beslenme uzmanlarının yazılım geliştirme süreçlerine dâhil edilmesi ve kullanıcı gizliliğini gözeten şeffaf veri politikalarının benimsenmesi temel tasarım ilkesi olarak önerilmektedir. Bu çalışma, dijital sağlık, insan-bilgisayar etkileşimi ve gıda bilişimi alanlarında çalışan araştırmacılar için mevcut pazarın metodolojik bir haritasını sunmakta; tez ve makale çalışmalarında kanıta dayalı mobil sağlık müdahalelerinin tasarlanması ve değerlendirilmesi için sağlam bir kuramsal ve pratik zemin oluşturmaktadır.

Elde edilen bulgular, incelenen mobil uygulamaların estetik tasarım, kullanıcı arayüzü ve temel sistem performansı gibi yazılım kalitesi boyutlarında yüksek standartlara ulaştığını göstermektedir. Bu durum, ticari uygulama pazarındaki yoğun rekabetin geliştiricileri görsel açıdan çekici ve akıcı navigasyon yapıları sunmaya zorladığını açıklamaktadır.

Ancak estetik alandaki başarının, gıda analizi otomasyonu ve yapay zekâ tabanlı akıllı işlevlerde yakalanamadığı görülmektedir. Uygulamaların çoğunluğunda porsiyon hacmi ve besin değerlerinin tespiti kullanıcıların manuel veri girişlerine ya da sadece barkod tarama özelliklerine dayanmakta, bu da günlük gıda takibi süreçlerinde pratikliği sınırlamaktadır.

Yazarlar, bu durumun temelinde derin öğrenme modellerinin mobil platformlardaki yüksek işlemci ve batarya maliyetleri ile zengin gıda veri tabanlarına erişim kısıtlarının yattığını belirtmektedir. Klinik literatürde yer alan gelişmiş görüntü işleme algoritmalarının ticari uygulamalara entegre edilememesi, kuramsal çalışmalar ile pratik dünya arasındaki boşluğu göstermektedir.

Bu bağlamda, gelecekteki tasarım süreçlerinde teknik performans ile gelişmiş yapay zekâ mimarileri arasında bir optimizasyon kurulması gerekmektedir. Ayrıca, uygulamaların kullanıcılar üzerinde kalıcı davranışsal ve sağlıksal değişimler yaratabilmesi için geliştirme aşamalarına uzman diyetisyenlerin ve sağlık profesyonellerinin aktif katılımı sağlanmalıdır.

Yazarlar, diyet takip uygulamalarının kullanılabilirlik ve besin tahmini geçerliliğini inceleyen önceki literatürle uyumlu şekilde, ticari pazardaki mevcut uygulamaların genel sağlık ve fitness hedeflerine odaklandığını ancak kişiselleştirilmiş ve kanıta dayalı klinik derinlikten yoksun olduğunu belirtmektedir (Samad et al., 2022).

İki yönlü görüntü analizine dayalı otomatik hacim kestirim yöntemlerini ele alan çalışmalarla karşılaştırma yapılarak, ticari uygulamalarda porsiyon boyutlarının otomatik olarak algılanması teknolojisinin son derece sınırlı kaldığı ve pratik entegrasyon zorluklarının devam ettiği vurgulanmaktadır (Samad et al., 2022).

Bu makale, mHealth (mobil sağlık) literatüründe gıda tüketimi takibi ve diyet önerisi sunan mobil uygulamaların teknik kapasitelerini ve kanıta dayalı yazılım kalitelerini bütüncül bir biçimde analiz ederek önemli bir boşluğu doldurmaktadır. Alan yazında genellikle kullanıcıların kendi kendilerini raporlama mekanizmaları ve manuel veri giriş süreçlerine odaklanılırken, bu çalışma yapay zekâ tabanlı gıda tanıma, porsiyon tahmini ve otomatik besin değeri analizi gibi ileri düzey otomasyon süreçlerinin ticari pazardaki olgunluk seviyesini ortaya koymaktadır. Yazılım kalitesi boyutlarını sistematik bir ölçekle test ederek, akademik araştırmalar ile pratik uygulama geliştirme süreçleri arasında bir köprü kurmaktadır.

Çalışma, önceki literatürde yer alan mobil sağlık derecelendirme araçlarını (MARS ve uMARS gibi) temel alarak bunları gıda ve beslenme alanının özel gereksinimlerine göre genişletmektedir. Önceki ampirik ve kuramsal çalışmaların gıda tanıma konusundaki derin öğrenme algoritmik başarılarını (örneğin CNN ve SVM modelleri) kabul etmekle birlikte, bu algoritmaların ticari mobil pazarındaki uygulamalara yansıma düzeyini sörgülamaktadır. Teorik arka planda yer alan gıda tanıma ve hacim tahminleme literatürüyle doğrudan ilişki kurmakta, ancak bu ileri teknolojilerin mevcut ticari mağazalardaki eksikliğini göstererek önceki çalışmalardan ayrışmaktadır.

Çalışma, gıda tüketimi ve diyet öneri uygulamalarının mevcut durumuna ilişkin kapsamlı bir sistematik inceleme sunarak literatür taraması süreçlerine metodolojik bir standart kazandırmaktadır. Tasarlanan özel değerlendirme aracı sayesinde, araştırmacıların ve geliştiricilerin gelecekteki mHealth uygulamalarını hangi yazılım kalitesi parametrelerine göre tasarlamaları gerektiğini net bir biçimde şemalaştırmaktadır. Üç bağımsız değerlendiricinin katılımı ve yüksek güvenirlik katsayıları (ICC) ile sunulan bu ampirik kanıtlar, gıda bilişimi (food computing) alanındaki araştırmalar için güçlü bir referans noktası ve sentez zemini oluşturmaktadır.