एंड-टू-एंड वर्कफ़्लो, गोपनीयता/केवीकेके, नैतिकता और गुणवत्ता नियंत्रण

लाभ:

• 'एआई उत्पादन → मानव सत्यापन → मानव अनुमोदन' के चक्र के साथ ग्राहक यात्रा को शुरू से अंत तक सुरक्षित रूप से संचालित करने की क्षमता
• केवीकेके/गोपनीयता के दायरे में ग्राहक डेटा की सुरक्षा करने और हर चरण में चार नैतिक सिद्धांतों को बुनने की क्षमता
• पांच प्रमुख प्रश्नों (खाता, स्रोत, एलर्जेन, गुमनामी, अनुमोदन) के साथ अपने आउटपुट की स्वयं जांच करके अंतिम जिम्मेदारी लेने की क्षमता

पिछली दस इकाइयों में हमने देखा है कि पोषण और आहार विज्ञान के व्यक्तिगत कार्यों में एआई का उपयोग कैसे किया जाए: सेवन, गणना, डेटाबेस, योजना, नुस्खा, एलर्जी, ट्रैकिंग, शिक्षा, साक्ष्य। यह अंतिम इकाई यह सब एक साथ लाती है और आपको दिखाती है कि एक आहार विशेषज्ञ के रूप में अपने दैनिक अभ्यास में एआई को शुरू से अंत तक, सुरक्षित और नैतिक रूप से कैसे संचालित किया जाए। क्योंकि प्रत्येक कार्य को अच्छे से करना ही पर्याप्त नहीं है; डेटा कहां जाता है, कौन क्या तय करता है, आप कहां रुकते हैं और मानवीय अनुमोदन प्राप्त करते हैं - इन सभी को एक सुसंगत प्रणाली बनानी चाहिए। यह इकाई पूरे मॉड्यूल को जोड़ने वाली तीन लाल रेखाओं को भी स्पष्ट करती है: गोपनीयता (KVKK), नैतिकता और अंतिम मानवीय सहमति।

शुरू से अंत तक ग्राहक यात्रा

निम्नलिखित तालिका एक ग्राहक की आहार विशेषज्ञ से लेकर अनुवर्ती कार्रवाई तक की यात्रा का सारांश प्रस्तुत करती है, जहां एआई काम आता है और जहां मानव अनुमोदन आवश्यक है:

मंच

एआई का काम

मानव अनुमोदन बिंदु

1. स्वागत की तैयारी

साक्षात्कार गाइड, नोट संपादन

आहार विशेषज्ञ साक्षात्कार आयोजित करता है

2. मूल्यांकन

ऊर्जा/मैक्रो खाता ड्राफ्ट

आहार विशेषज्ञ पुनर्गणना करता है

3. डेटाबेस

स्रोत डेटा के साथ गणना

आहार विशेषज्ञ मूल्यों की पुष्टि करते हैं

4. योजना

भोजन विकल्पों की रूपरेखा

आहार विशेषज्ञ संतुलन और पुष्टि करते हैं

5. नुस्खा

विविधता, परिष्कार

पोषण और स्वाद सत्यापन

6. सुरक्षा

एलर्जेन प्री-स्क्रीनिंग

आहार विशेषज्ञ शब्दशः पुष्टि करते हैं

7. ट्रैकिंग

रुझान सारांश, संदेश रूपरेखा

मनुष्यों में नैदानिक ​​व्याख्या और संबंध

8. शिक्षा

सामग्री रूपरेखा

वैज्ञानिक/नैतिक लेखापरीक्षा

9. सबूत

सारांश, आलोचनात्मक प्रश्न

स्रोत को आहार विशेषज्ञ द्वारा सत्यापित किया गया है

इस चार्ट में सामान्य पैटर्न देखें: एआई प्रत्येक चरण में एक ब्लूप्रिंट या प्रारंभिक चरण तैयार करता है; प्रत्येक चरण में एक मानवीय अनुमोदन बिंदु होता है। यह प्रणाली "एआई उत्पादन → मानव सत्यापन → मानव पुष्टि" के चक्र पर आधारित है। यदि यह चक्र टूट जाता है, तो आप गति तो हासिल कर लेते हैं, लेकिन सुरक्षा और जवाबदेही खो देते हैं।

गोपनीयता और KVKK: डेटा की सुरक्षा

ग्राहक डेटा (पहचान, स्वास्थ्य इतिहास, विश्लेषण, दवा, माप) तुर्किये में केवीकेके और यूरोप में जीडीपीआर के दायरे में "विशेष श्रेणी का व्यक्तिगत डेटा" है और उच्चतम सुरक्षा का हकदार है। एआई टूल के साथ काम करते समय पालन किए जाने वाले सिद्धांत:

1. गुमनाम करें: नाम, टीआर आईडी, संपर्क, संस्थान, जन्मतिथि जैसे पहचान संबंधी डेटा को हटा दें। "43 वर्षीय महिला, टाइप 2 मधुमेह" पर्याप्त है।
2. न्यूनतम डेटा: कार्य के लिए आवश्यक न्यूनतम डेटा साझा करें; अब और नहीं।
3. एक सुरक्षित उपकरण चुनें: डेटा प्रोसेसिंग अनुबंध वाले कॉर्पोरेट टूल चुनें जहां मॉडल प्रशिक्षण में डेटा का उपयोग नहीं किया जाता है।
4. स्पष्ट सहमति: ग्राहक को सूचित करें कि उसका डेटा कैसे संसाधित किया जाता है और उसकी सहमति प्राप्त करें।
5. रिकॉर्डिंग और प्रतिधारण: नियंत्रित करें कि डेटा कहाँ संग्रहीत है और उस तक किसकी पहुँच है; अनावश्यक डेटा हटाएँ.

ध्यान दें: किसी विश्लेषण पीडीएफ या क्लाइंट फ़ाइल को "गति के लिए" अज्ञात किए बिना एआई टूल पर अपलोड करने से केवीकेके उल्लंघन हो सकता है जिसे एक क्लिक से ठीक करना मुश्किल है। गति कभी भी गोपनीयता को मात नहीं देती। यदि संदेह हो तो साझा न करें।

नैतिक ढाँचा: चार सिद्धांत

स्वास्थ्य नैतिकता के चार शास्त्रीय सिद्धांत पोषण संबंधी अभ्यास पर भी लागू होते हैं: उपकार (ग्राहक की भलाई के लिए काम करना), गैर-नुकसानदेह (विशेष रूप से सुरक्षा-महत्वपूर्ण निर्णयों में), स्वायत्तता (ग्राहक के स्वयं के निर्णय का सम्मान, सूचित सहमति), और न्याय (समावेशी सेवा जो संसाधनों, बजट और संस्कृति में अंतर के प्रति संवेदनशील है)। एआई के उपयोग को इन सिद्धांतों के साथ टकराव नहीं होना चाहिए: असत्यापित आउटपुट नुकसान पहुंचा सकता है (गैर-दुर्भावना का उल्लंघन), ग्राहक को सूचित किए बिना डेटा संसाधित करना स्वायत्तता का उल्लंघन करता है, एक ही संस्कृति के अनुसार योजनाएं बनाना न्याय को कमजोर करता है। नैतिकता कोई बाद में जोड़ी गई परत नहीं है, बल्कि हर कदम पर बुना गया एक अनुशासन है।

गुणवत्ता नियंत्रण: अपने स्वयं के कार्य का निरीक्षण करना

शुरू से अंत तक काम करते हुए एआई के अपने उपयोग का नियमित रूप से ऑडिट करें। एक सरल स्व-जाँच: प्रत्येक ग्राहक के प्रिंटआउट के लिए, "क्या मैंने इस नंबर को सत्यापित किया? क्या मैंने इस एलर्जेन के लिए स्क्रीनिंग की? क्या मैंने इस दावे की पुष्टि की? क्या मैंने इस डेटा को अज्ञात किया? क्या मैंने इस योजना को मंजूरी दी?" यदि आप इन पांच प्रश्नों का उत्तर "हां" में नहीं दे पाते हैं, तो आउटपुट अभी तैयार नहीं है।

तीन मिनी मामले

केस 1 - श्रृंखला की कमजोर कड़ी। एक आहार विशेषज्ञ एआई के साथ तुरंत सेवन-खाता-योजना श्रृंखला स्थापित करता है लेकिन सुरक्षा कदम (एलर्जी सत्यापन) को छोड़ देता है; क्योंकि यह मानता है कि "यदि पिछले कदम अच्छे थे, तो यह भी अच्छा है"। हालाँकि, ग्राहक को तिल से एलर्जी थी और योजना में सॉस में तिल शामिल था। यदि शृंखला की एक कड़ी टूट जाती है तो पूरी शृंखला असुरक्षित हो जाती है। पाठ: प्रत्येक चरण का अनुमोदन बिंदु स्वतंत्र है; एक दूसरे का स्थान नहीं लेता.

केस 2 - गोपनीयता उल्लंघन श्रृंखला। दक्षता के लिए, एक क्लिनिक सभी क्लाइंट फ़ाइलों को एआई टूल में नाम से लोड करने और एक बड़े पैमाने पर योजना तैयार करने का प्रयास करता है। ऑडिट से पता चला कि यह केवीकेके उल्लंघन है और डेटा संस्थान से बाहर चला गया है। क्लिनिक प्रक्रिया को रोक देता है और एक अज्ञात और अनुबंधित प्रवाह पर स्विच कर देता है। सबक: दक्षता गोपनीयता के उल्लंघन का बहाना नहीं बनाती; सिस्टम को स्क्रैच से गोपनीयता-संरक्षित के रूप में सेट करें।

केस 3 - सही एंड-टू-एंड प्रवाह। एक नए ग्राहक के लिए, एक आहार विशेषज्ञ: (1) अज्ञात डेटा के साथ एक साक्षात्कार गाइड तैयार करता है, (2) एआई ड्राफ्ट रखता है और गणना को मैन्युअल रूप से सत्यापित करता है, (3) यूएसडीए से पोषण मूल्यों को फ़ीड करता है, (4) विकल्प योजना प्राप्त करता है और संतुलित करता है, (5) एक-से-एक आधार पर एलर्जी के लिए स्क्रीन, (6) ग्राहक को व्यक्तिगत शिक्षा प्रदान करता है, (7) साप्ताहिक अनुवर्ती के लिए प्रवृत्ति सारांश का उपयोग करता है। यह हर कदम पर अनुमोदन बिंदु लागू करता है, डेटा को गुमनाम रखता है, और योजना को स्वयं अनुमोदित करता है। परिणाम: सुरक्षा और जवाबदेही से समझौता किए बिना, एआई के साथ ~40% समय की बचत होती है। सबक: जब सिस्टम सही ढंग से सेट किया जाता है तो गति और सुरक्षा एक साथ आती हैं।

कॉपी करने योग्य शीघ्र टेम्पलेट

एंड-टू-एंड वर्किंग फ्रेमवर्क टेम्पलेटआपकी भूमिका: ड्राफ्ट तैयार करने वाले आहार विशेषज्ञ के सहायक। प्रत्येक प्रिंटआउट के अंत में "आहार विशेषज्ञ अनुमोदन आवश्यक" नोट डालें और सूचीबद्ध करें कि किन बिंदुओं को शब्दशः सत्यापित करने की आवश्यकता है (खाता, एलर्जेन, स्रोत)। ग्राहक (गुमनाम): [...]। क्वेस्ट: [मंच]। मनगढ़ंत डेटा न जोड़ें; जहां आप निश्चित नहीं हैं वहां चिह्नित करें।

गोपनीयता प्री-चेक टेम्पलेट्स AI टूल को देने से पहले गोपनीयता के लिए निम्नलिखित पाठ को स्कैन करें: क्या इसमें नाम, आईडी, संपर्क, संस्थान, जन्म तिथि, विश्लेषण आईडी जैसे पहचान डेटा शामिल हैं? यदि हां, तो इसे चिह्नित करें और एक अज्ञात संस्करण सुझाएं। पाठ: [...]

गुणवत्ता स्व-ऑडिट टेम्पलेट निम्नलिखित क्लाइंट प्रिंटआउट के लिए एक चेकलिस्ट लागू करें और प्रत्येक आइटम को पूरा/लापता के रूप में चिह्नित करें: (1) खाता सत्यापित है, (2) स्रोत से पोषण मूल्य है, (3) क्या एलर्जी के लिए जांच की गई है, (4) डेटा अज्ञात है, (5) क्या आहार विशेषज्ञ की मंजूरी है, (6) स्वास्थ्य दावा मात्रा निर्धारित है। किसी भी चूक को इंगित करें. आउटपुट: [...]

नैतिक समीक्षा टेम्पलेटक्या निम्नलिखित योजना/सामग्री चार नैतिक सिद्धांतों: लाभ, गैर-नुकसान, स्वायत्तता (सहमति/सूचना), न्याय (बजट/सांस्कृतिक समावेशिता) के संदर्भ में कोई समस्या उत्पन्न करती है? प्रत्येक नीति का संक्षेप में मूल्यांकन करें और सुधार का सुझाव दें। सामग्री: [...]

कमजोर संकेत/मजबूत संकेत

कमजोर संकेत:

मैंने सुश्री आयसे का विश्लेषण और फ़ाइल जोड़ी, एक पूरी योजना सामने आ जाएगी।

नामित डेटा, एक चरण में "पूर्ण योजना", कोई अनुमोदन बिंदु नहीं: केवीकेके उल्लंघन और असत्यापित, असुरक्षित आउटपुट दोनों का जोखिम।

शक्तिशाली संकेत:

आपकी भूमिका: मसौदा सहायक; अनुमोदन आहार विशेषज्ञ का है। ग्राहक (अनाम): 41 वर्षीय महिला, टाइप 2 मधुमेह, [प्रासंगिक संख्यात्मक मान, नाम/पहचान कोई नहीं]। कार्य: विकल्पों के साथ भोजन योजना का मसौदा तैयार करें। प्रत्येक भोजन के लिए अनुमानित मैक्रोज़ और एक "सत्यापित होना चाहिए" नोट। एलर्जेन: तिल (कोई भी न डालें)। अंत में, सूचीबद्ध करें कि आहार विशेषज्ञ द्वारा किन बिंदुओं की व्यक्तिगत रूप से जाँच की जानी चाहिए। फिटेड डेटा जोड़ना.

दूसरा प्रॉम्प्ट डेटा को अज्ञात करता है, आउटपुट को रोकता है, सुरक्षा बाधा और चौकियों को शामिल करता है; गोपनीयता और गुणवत्ता दोनों सुरक्षित हैं।

सामान्य गलतियाँ

• श्रृंखला में एक लिंक को छोड़ना: सुरक्षा/अनुमोदन चरण को छोड़ना क्योंकि पिछला चरण अच्छा था।
• दक्षता के लिए गोपनीयता का त्याग: नामित फ़ाइलों को बड़ी मात्रा में अपलोड करना - गंभीर केवीकेके उल्लंघन।
• एक-शॉट "पूर्ण योजना" की अपेक्षा करना: ब्लैक-बॉक्स आउटपुट पर भरोसा करना जो चौकियों को छोड़ देता है।
• बाद में नैतिकता के बारे में सोचना: नैतिकता को हर कदम पर बुनने के बजाय अंत में याद रखना।
• स्व-जांच को दरकिनार करना: पांच बुनियादी प्रश्नों (खाता/एलर्जेन/स्रोत/गुमनाम/अनुमोदन) के विरुद्ध परीक्षण किए बिना आउटपुट का उपयोग करना।
• सहमति को भूल जाना: ग्राहक को यह नहीं बताना कि उसका डेटा कैसे संसाधित किया जाता है।

सारांश

कृत्रिम बुद्धिमत्ता पोषण और आहार विज्ञान के अभ्यास को शुरू से अंत तक तेज कर सकती है; लेकिन यह तभी सुरक्षित होगा जब "एआई उत्पादन → मानव सत्यापन → मानव पुष्टि" का चक्र हर चरण पर कायम रहेगा। क्लाइंट डेटा को हमेशा अज्ञात रखें, गति के लिए केवीकेके और गोपनीयता का त्याग न करें, हर कदम में नैतिकता के चार सिद्धांतों को बुनें, और पांच बुनियादी प्रश्नों के साथ अपने आउटपुट का स्व-ऑडिट करें। श्रृंखला में प्रत्येक लिंक अनुमोदन का एक स्वतंत्र बिंदु है; जब उनमें से एक टूट जाता है, तो सिस्टम असुरक्षित हो जाता है। याद रखें: एआई आपके पेशे को मजबूत करता है, लेकिन इसे प्रतिस्थापित नहीं करता है। निदान, उपचार निर्णय, और अंतिम योजना अनुमोदन-विज्ञान, नैतिकता और हस्ताक्षर-आहार विशेषज्ञ के हैं। AI आपका तेज़ सहायक है; आप जिम्मेदार विशेषज्ञ हैं.

आवेदन कार्य

शुरू से अंत तक एक लघु ग्राहक प्रवाह स्थापित करें: एक अनाम प्रोफ़ाइल चुनें, क्रमिक रूप से (1) साक्षात्कार मार्गदर्शिका, (2) खाता रूपरेखा + सत्यापन, (3) स्रोत डेटा के साथ भोजन, (4) एलर्जेन स्क्रीनिंग, (5) एक प्रशिक्षण पुस्तिका तैयार करें। यह लिखें कि आपने प्रत्येक चरण पर कौन सा मानव चेकपॉइंट लागू किया है। फिर पूरे प्रवाह पर "गुणवत्ता स्व-ऑडिट टेम्पलेट" लागू करें, किसी भी अंतराल को ढूंढें और ठीक करें। अंत में, यह पुष्टि करने के लिए "गोपनीयता प्रीचेक" चलाएँ कि आपका डेटा वास्तव में गुमनाम है।

चेकलिस्ट

• [ ] मैंने प्रत्येक चरण में "एआई उत्पन्न करता है → सत्यापित करता है → मान्य करता है" चक्र लागू किया है।
• [ ] मैंने क्लाइंट डेटा को अज्ञात कर दिया और न्यूनतम डेटा साझा किया।
• [ ] मैंने एक सुरक्षित/अनुबंधित वाहन का उपयोग किया; मुझे सहमति मिल गयी.
• [ ] मैंने चार नैतिक सिद्धांतों (लाभ, गैर-नुकसान, स्वायत्तता, न्याय) का पालन किया।
• [ ] मैंने पांच प्रमुख प्रश्नों के साथ आउटपुट की स्वयं जांच की।
• [ ] एक आहार विशेषज्ञ के रूप में, मैंने अंतिम स्वीकृति दी; मैं जिम्मेदार हूं.

मॉड्यूल परीक्षा

1. एक आहार विशेषज्ञ कृत्रिम बुद्धिमत्ता द्वारा गणना किए गए दैनिक कैलोरी लक्ष्य को ग्राहक की योजना में बिना जाँचे स्थानांतरित कर देता है। इस दृष्टिकोण में मूलभूत गलती क्या है?

• ए) सत्यापन के बिना कृत्रिम बुद्धिमत्ता आउटपुट का उपयोग नहीं किया जा सकता है; खाता ड्राफ्ट की पुनर्गणना की जानी चाहिए और आहार विशेषज्ञ द्वारा अनुमोदित किया जाना चाहिए
• बी) कृत्रिम बुद्धिमत्ता हमेशा कैलोरी की संख्या को कम आंकती है
• C) कैलोरी गणना के स्थान पर केवल स्थूल गणना करनी चाहिए।
• डी) योजना ग्राहक को ई-मेल के बजाय कागज पर दी जानी चाहिए थी।

स्पष्टीकरण: जबकि कृत्रिम बुद्धिमत्ता सही ढंग से गणना कर सकती है, यह गतिविधि गुणांक जैसी धारणा को भी गलत तरीके से ले सकती है और उसी आत्मविश्वास के साथ गलत परिणाम दे सकती है। डायटेटिक्स एक सुरक्षा-महत्वपूर्ण क्षेत्र है; प्रत्येक खाते को आहार विशेषज्ञ द्वारा पुनः सत्यापित किया जाना चाहिए, और अंतिम स्वीकृति मानव की होनी चाहिए।

2. क्लाइंट डेटा को कृत्रिम बुद्धिमत्ता उपकरण में स्थानांतरित करते समय गोपनीयता (KVKK) के संदर्भ में सबसे अच्छा व्यवहार क्या है?

• ए) गति के लिए ग्राहक का पूरा नाम और विश्लेषण पीडीएफ अपलोड किया जाना चाहिए।
• बी) व्यक्तिगत रूप से पहचान योग्य जानकारी को हटाकर और डेटा को अज्ञात करके केवल आवश्यक नैदानिक जानकारी साझा की जानी चाहिए ✔
• सी) यदि डेटा एन्क्रिप्ट किया गया है, तो नाम की जानकारी भी भेजी जा सकती है
• डी) पूरी फ़ाइल क्लाइंट से पूछे बिना साझा की जा सकती है क्योंकि उद्देश्य अच्छा है

स्पष्टीकरण: ग्राहक स्वास्थ्य डेटा विशेष व्यक्तिगत डेटा है। नाम, टीआर आईडी और संपर्क जानकारी जैसी पहचान संबंधी जानकारी हटा दी जानी चाहिए और डेटा को अज्ञात कर दिया जाना चाहिए; कार्य के लिए आवश्यक न्यूनतम डेटा साझा किया जाना चाहिए। कच्ची फ़ाइल को नाम से अपलोड करना एक गंभीर उल्लंघन है।

3. आर्टिफिशियल इंटेलिजेंस 2000 किलो कैलोरी के लक्ष्य के लिए '220 ग्राम कार्बोहाइड्रेट, 150 ग्राम प्रोटीन, 90 ग्राम वसा' देता है। आहार विशेषज्ञ को सबसे पहले कौन सा सत्यापन करना चाहिए?

• ए) मूल्यों को वैसे ही स्वीकार करना जैसे वे हैं, क्योंकि कृत्रिम बुद्धिमत्ता अंकगणित में त्रुटि रहित है
• बी) यह केवल प्रोटीन की मात्रा को नियंत्रित करने के लिए पर्याप्त है
• सी) यह जांचने के लिए कि कुल लक्ष्य कैलोरी तक पहुंचता है या नहीं, मैक्रो ग्राम को 4/4/9 से गुणा करें
• डी) मैक्रोज़ के आधार पर कैलोरी लक्ष्य को 2290 तक बढ़ाना

स्पष्टीकरण: मैक्रोज़ को 4/4/9 से गुणा किया गया: 220x4 + 150x4 + 90x9 = 880 + 600 + 810 = 2290 किलो कैलोरी। कुल लक्ष्य से 290 किलो कैलोरी अधिक है; मूल्य असंगत हैं. एआई मैक्रो त्रुटियों को पकड़ने के लिए बैक मल्टीप्लिकेशन सबसे सरल और सबसे शक्तिशाली तरीका है।

4. पोषण मूल्य डेटा में कृत्रिम बुद्धिमत्ता का सबसे कमजोर और सबसे जोखिम भरा बिंदु क्या है?

• ए) कृत्रिम बुद्धिमत्ता हमेशा मीट्रिक इकाइयों में पोषण मूल्य देती है
• बी) आर्टिफिशियल इंटेलिजेंस केवल सब्जियों के मूल्यों को जानता है
• सी) कृत्रिम बुद्धि धीमी है क्योंकि यह बहुत अधिक दशमलव के साथ पोषण मूल्य देता है।
• डी) कृत्रिम बुद्धिमत्ता पोषण मूल्यों को अपनी स्मृति से उत्पन्न करते हुए अनुकूलित कर सकती है; इसलिए मान किसी मान्यता प्राप्त डेटाबेस से लिया जाना चाहिए ✔

स्पष्टीकरण: भाषा मॉडल संख्याओं को याद नहीं रखता, यह उन्हें संभाव्य रूप से उत्पन्न करता है; इसलिए, यह भोजन का प्रोटीन/कैलोरी मान धाराप्रवाह लेकिन गलत तरीके से दे सकता है (मतिभ्रम)। इस कारण से, पोषण मूल्यों को प्रसिद्ध डेटाबेस से लिया जाना चाहिए, और कृत्रिम बुद्धिमत्ता को केवल उस डेटा के साथ काम करना चाहिए।

5. भोजन योजना में, कृत्रिम बुद्धिमत्ता ने कैलोरी और मैक्रोज़ को सटीक रखा है, लेकिन पूरे दिन में सफेद ब्रेड, पास्ता और चिकन शामिल होते हैं। यहाँ क्या कमी है?

• ए) भले ही इसमें मैक्रोज़ होते हैं, फाइबर, सब्जियों और सूक्ष्म पोषक तत्वों का संतुलन हासिल नहीं किया जाता है; पोषण विविधता ✔ की दृष्टि से योजना अपर्याप्त है
• बी) कैलोरी लक्ष्य बहुत अधिक रखा गया है
• C) प्रोटीन की मात्रा अधिक होने से दिक्कत होती है
• घ) भोजन की संख्या तीन से अधिक होनी चाहिए

स्पष्टीकरण: तथ्य यह है कि मैक्रो लक्ष्य को हिट करता है यह नहीं दर्शाता है कि योजना स्वस्थ है। फाइबर, सब्जियाँ और सूक्ष्म पोषक संतुलन (विटामिन, खनिज) भी प्रदान किया जाना चाहिए। यह संतुलन निर्णय आहार विशेषज्ञ का है; अकेले मैक्रो सटीकता पर्याप्त नहीं है.

6. हेज़लनट्स से एलर्जी वाले ग्राहक के लिए, कृत्रिम बुद्धिमत्ता 'बादाम मक्खन का उपयोग करें' जैसे विकल्प का सुझाव देती है। आहार विशेषज्ञ इस अनुशंसा को असुरक्षित क्यों मान सकते हैं?

• ए) बादाम का पेस्ट हेज़लनट पेस्ट की तुलना में अधिक महंगा है
• बी) बादाम हेज़लनट्स के समान ट्री नट एलर्जी समूह में हो सकते हैं; प्रतिस्थापन जोखिम भरा हो सकता है क्योंकि यह एक ही समूह में आता है ✔
• सी) बादाम के पेस्ट में कैलोरी बहुत अधिक होती है
• डी) बादाम का पेस्ट तुर्की व्यंजनों के लिए उपयुक्त नहीं है।

स्पष्टीकरण: हेज़लनट्स और बादाम एक ही 'ट्री नट' एलर्जी समूह में हैं। एलर्जी का प्रबंधन समूह के आधार पर किया जाता है, एकल भोजन के आधार पर नहीं; यदि स्थानापन्न व्यक्ति उसी समूह में आता है, तो यह जोखिम भरा है। आहार विशेषज्ञ एलर्जी समूह को जानता है और प्रतिस्थापन की सटीक पुष्टि करता है।

7. वारफारिन (रक्त को पतला करने वाली दवा) लेने वाले ग्राहक के लिए विटामिन के से भरपूर पत्तेदार साग का उपयोग करने का सही तरीका क्या है?

• ए) सभी हरी पत्तेदार खाद्य पदार्थों पर सख्ती से प्रतिबंध लगाया जाना चाहिए
• बी) विटामिन K के सेवन की अनुमति दी जानी चाहिए और इसे बिल्कुल भी ध्यान में नहीं रखा जाना चाहिए
• सी) विटामिन के का सेवन लगातार रखा जाना चाहिए और स्थिति को चिकित्सक के साथ साझा किया जाना चाहिए
• डी) पत्तेदार सब्जियां केवल रात के खाने में ही खानी चाहिए

स्पष्टीकरण: वारफारिन का उपयोग करने वालों के लिए, लक्ष्य विटामिन K पर पूरी तरह से प्रतिबंध लगाना नहीं है, बल्कि उनके सेवन को लगातार बनाए रखना है; बड़े उतार-चढ़ाव से दवा का असर ख़राब हो जाता है। यह 'सुसंगत रखें' प्रकार की बाधा एक नैदानिक ​​परिष्कार है जो एआई में गायब है और इसे चिकित्सक के साथ साझा किया जाता है।

8. जब एक ग्राहक एक सप्ताह में 1 किलो की 'वृद्धि' देखता है तो सही व्याख्या कैसे की जा सकती है?

• ए) कम कैलोरी वाली योजना तुरंत शुरू से लिखी जानी चाहिए
• ख) ग्राहक को वजन तौलना बंद करवा देना चाहिए।
• सी) एक सप्ताह की वृद्धि को निश्चित वजन बढ़ना माना जाता है।
• डी) बहु-सप्ताह के रुझानों को देखा जाना चाहिए, एक भी माप नहीं; अल्पकालिक उतार-चढ़ाव (जैसे जल प्रतिधारण) का मूल्यांकन चिकित्सकीय रूप से किया जाना चाहिए

स्पष्टीकरण: एक एकल माप भ्रामक है; जल प्रतिधारण, मासिक धर्म चक्र और नमक का सेवन जैसे कारक अल्पकालिक उतार-चढ़ाव पैदा करते हैं। जो महत्वपूर्ण है वह बहु-सप्ताह की प्रवृत्ति है। यह नैदानिक ​​व्याख्या आहार विशेषज्ञ द्वारा की गई है; AI केवल डेटा को व्यवस्थित करता है।

9. आर्टिफिशियल इंटेलिजेंस एक सोशल मीडिया स्केच में 'ग्रीन टी वसा जलाती है और चयापचय को गति देती है' वाक्य तैयार करती है। एक आहार विशेषज्ञ की नैतिक जिम्मेदारी क्या है?

• ए) अतिशयोक्तिपूर्ण दावे को साक्ष्य पर आधारित करना, उसका नपी-तुली भाषा में अनुवाद करना और एक सामान्य सूचना चेतावनी जोड़ना ✔
• बी) दावे को ज्यों का त्यों प्रकाशित करना क्योंकि यह ध्यान आकर्षित करता है
• सी) वाक्य को और मजबूत करें और 'कैंसर से बचाता है' जोड़ें
• डी) सामग्री को बिल्कुल भी प्रकाशित नहीं करना, क्योंकि ग्रीन टी के बारे में बात करना प्रतिबंधित है

विवरण: आर्टिफिशियल इंटेलिजेंस अतिरंजित और खराब साबित दावे करने के लिए प्रवृत्त है। आहार विशेषज्ञ को साक्ष्य के स्तर के अनुसार इन दावों को नियंत्रित करना चाहिए, निश्चितता और चमत्कार की भाषा को हटा देना चाहिए और 'यह सामान्य जानकारी है' चेतावनी जोड़ देनी चाहिए। स्वास्थ्य संबंधी दावों में ईमानदारी एक नैतिक दायित्व है।

10. एक आहार विशेषज्ञ प्रस्तुतिकरण के लिए कृत्रिम बुद्धिमत्ता से 'आंतरायिक उपवास के लाभों को साबित करने वाले 3 अध्ययनों' की मांग करता है। इस अनुरोध का मुख्य जोखिम क्या है?

• ए) कृत्रिम बुद्धिमत्ता बहुत अधिक काम देती है और आहार विशेषज्ञ को थका देती है
• बी) कृत्रिम बुद्धिमत्ता अस्तित्वहीन अध्ययनों, लेखकों और पत्रिकाओं का आविष्कार कर सकती है; प्राथमिक स्रोत से सत्यापन के बिना स्रोतों का उपयोग नहीं किया जा सकता ✔
• सी) आर्टिफिशियल इंटेलिजेंस की पढ़ाई केवल अंग्रेजी में दी जाती है
• डी) एक प्रस्तुति के लिए तीन अध्ययन हमेशा अपर्याप्त होते हैं

स्पष्टीकरण: भाषा मॉडल उन कार्यों, लेखकों और पत्रिकाओं का आविष्कार कर सकते हैं जो वास्तव में मौजूद नहीं हैं (स्रोत मतिभ्रम)। आर्टिफिशियल इंटेलिजेंस कोई साहित्य खोज इंजन नहीं है। सही तरीका: पबमेड/कोक्रेन से वास्तविक स्रोत ढूंढें और उन्हें एआई द्वारा सारांशित करें; प्रत्येक संदर्भ को प्राथमिक स्रोत से सत्यापित किया जाता है।

11. एक अवलोकन अध्ययन से यह निष्कर्ष निकालना क्यों गलत है कि 'नाश्ता आपका वजन कम करता है' जो दर्शाता है कि 'जो लोग नाश्ता करते हैं वे पतले होते हैं'?

• ए) अध्ययन अभी मान्य नहीं है क्योंकि यह बहुत नया है।
• बी) नाश्ता वास्तव में आपका वजन बढ़ाता है, अध्ययन गलत है
• सी) अवलोकन संबंधी अध्ययन केवल सहसंबंध दिखाता है; कार्य-कारण सिद्ध नहीं होता, संबंध अन्य कारकों के कारण हो सकता है ✔
• डी) यह अमान्य है क्योंकि नमूने में केवल महिलाएं शामिल हैं

स्पष्टीकरण: अवलोकन संबंधी अध्ययन सहसंबंध (एक साथ घटित होना) दर्शाता है, कारण नहीं (एक दूसरे का कारण बनता है)। जो लोग नाश्ता करते हैं वे आम तौर पर अधिक सक्रिय और नियमित रूप से रह सकते हैं; संबंध अन्य कारकों के कारण हो सकता है. कार्य-कारण के साथ भ्रमित सहसंबंध साक्ष्य पढ़ने में एक सामान्य त्रुटि है।

12. 24 घंटे के पोषण अनुस्मारक में, ग्राहक कहता है 'दिन में 2 मुट्ठी नट्स'। एआई मानता है कि यह '60 ग्राम' है। सही दृष्टिकोण क्या है?

• A) आर्टिफिशियल इंटेलिजेंस का 60 ग्राम का अनुमान निश्चित माना जाता है
• बी) नट्स को योजना से पूरी तरह हटा दिया गया है
• C) 100 ग्राम को औसत मान के रूप में लिया जाता है
• डी) भाग कृत्रिम बुद्धिमत्ता की धारणा नहीं है, इसे ग्राहक से पूछकर या पैमाने से मापकर स्पष्ट किया जाता है ✔

स्पष्टीकरण: भाग का अनुमान व्यक्ति-दर-व्यक्ति में बहुत भिन्न होता है; एक मुट्ठी 30 ग्राम या 90 ग्राम हो सकती है। एआई की धारणा एक प्रारंभिक सीमा है, माप नहीं। वास्तविक भाग को ग्राहक से पूछकर या रसोई पैमाने का उपयोग करके स्पष्ट किया जाना चाहिए।

13. पोषण संबंधी डेटाबेस आमतौर पर प्रति 100 ग्राम कच्चे का मूल्य देते हैं। इससे क्या त्रुटि हो सकती है?

• ए) पके हुए हिस्से पर कच्चा मूल्य लागू करने से (या इसके विपरीत) गंभीर कैलोरी/मैक्रो त्रुटियां हो सकती हैं; माप की इकाई को स्पष्ट किया जाना चाहिए ✔
• बी) कच्चे मूल्य हमेशा पके मूल्यों से कम होते हैं, कोई समस्या नहीं
• सी) कोई समस्या नहीं होगी क्योंकि डेटाबेस केवल पके हुए मान लौटाते हैं।
• डी) कच्चा/पका हुआ अंतर केवल मांस में देखा जाता है, अनाज में नहीं।

विवरण: खाना पकाने के दौरान, भोजन पानी को अवशोषित करता है और उसका वजन बदलता है; 100 ग्राम कच्चा चावल पकने पर ~250-300 ग्राम तक बढ़ जाता है। पकी हुई मात्रा में कच्चे मूल्य को लागू करने (या इसके विपरीत) के परिणामस्वरूप गंभीर कैलोरी त्रुटियाँ होंगी। यह हमेशा स्पष्ट किया जाना चाहिए कि उपयोग किया गया मूल्य कच्चा है या पका हुआ।

14. पूरे मॉड्यूल में जिस मुख्य सिद्धांत पर जोर दिया गया है वह आहार विज्ञान में कृत्रिम बुद्धिमत्ता की भूमिका का वर्णन कैसे करता है?

• ए) अनुभवी आहार विशेषज्ञों की जगह कृत्रिम बुद्धिमत्ता स्वयं निर्णय ले सकती है
• बी) आर्टिफिशियल इंटेलिजेंस एक सहायक और ड्राफ्ट जनरेटर है; निदान, उपचार निर्णय और अंतिम अनुमोदन आहार विशेषज्ञ/चिकित्सक ✔ का है
• सी) आर्टिफिशियल इंटेलिजेंस का उपयोग केवल दृश्य डिजाइन के लिए किया जाता है, गणना के लिए नहीं
• डी) आर्टिफिशियल इंटेलिजेंस आउटपुट बिना सत्यापन के भी सुरक्षित है क्योंकि यह वैज्ञानिक स्रोतों पर आधारित है

विवरण: आर्टिफिशियल इंटेलिजेंस एक सहायक और ड्राफ्ट जनरेटर के रूप में दोहराए जाने वाले काम को गति देता है, लेकिन चूंकि यह सुरक्षा-महत्वपूर्ण क्षेत्र में काम कर रहा है, इसलिए निदान, पोषण चिकित्सा निर्णय और अंतिम योजना अनुमोदन सक्षम विशेषज्ञ (आहार विशेषज्ञ और, जब आवश्यक हो, चिकित्सक) का होता है। असत्यापित आउटपुट एक अहस्ताक्षरित ड्राफ्ट है।