End-to-End Workflow, Privacy/KVKK, Etika at Quality Control — Artipisyal na Katalinuhan sa Nutrisyon at Dietetics

Mga nadagdag:

Kakayahang ligtas na patakbuhin ang paglalakbay ng kliyente end-to-end sa cycle ng 'AI produces → human verify → human approves'
Kakayahang protektahan ang data ng kliyente sa loob ng saklaw ng KVKK/pagiging kumpidensyal at paghabi ng apat na etikal na prinsipyo sa bawat hakbang
Kakayahang kumuha ng sukdulang responsibilidad sa pamamagitan ng pagsuri sa sarili ng kanilang output gamit ang limang pangunahing tanong (account, source, allergen, anonymity, approval)

Sa nakaraang sampung yunit nakita namin kung paano gamitin ang AI sa mga indibidwal na gawain ng nutrisyon at dietetics: paggamit, pagkalkula, database, plano, recipe, allergy, pagsubaybay, edukasyon, ebidensya. Pinagsasama-sama ng huling unit na ito ang lahat at ipinapakita sa iyo kung paano patakbuhin ang AI end-to-end, ligtas at etikal sa iyong pang-araw-araw na pagsasanay bilang isang dietitian. Dahil hindi sapat na gawin ng maayos ang bawat gawain; kung saan napupunta ang data, sino ang magpapasya kung ano, kung saan ka huminto at kumuha ng pag-apruba ng tao — lahat ng ito ay dapat lumikha ng isang pare-parehong sistema. Nililinaw din ng unit na ito ang tatlong pulang linya na nag-uugnay sa buong module: privacy (KVKK), etika at ultimate human consent.

Isang end-to-end na paglalakbay ng kliyente

Ang sumusunod na talahanayan ay nagbubuod sa paglalakbay ng isang kliyente mula sa pagbisita sa dietitian hanggang sa pag-follow-up, kung saan ang AI ay gumaganap at kung saan ang pag-apruba ng tao ay mahalaga:

entablado

trabaho ng AI

punto ng pag-apruba ng tao

1. Paghahanda para sa pagtanggap

Gabay sa panayam, pag-edit ng tala

Ang dietitian ang nagsasagawa ng panayam

2. Pagsusuri

draft ng enerhiya/macro account

Recalculate ng dietician

3. Database

Pagkalkula gamit ang source data

Kinukumpirma ng dietician ang mga halaga

4. Plano

Balangkas ng mga pagpipilian sa pagkain

Binabalanse at kinukumpirma ng Dietitian

5. Recipe

Pagkakaiba-iba, pagpipino

Pagpapatunay ng nutrisyon at panlasa

6. Seguridad

Pre-screening ng allergen

Kinukumpirma ng dietician verbatim

7. Pagsubaybay

Buod ng uso, balangkas ng mensahe

Klinikal na interpretasyon at relasyon sa mga tao

8. Edukasyon

Balangkas ng nilalaman

Pang-agham/etikal na pag-audit

9. Katibayan

Buod, kritikal na query

Ang pinagmulan ay napatunayan ng isang dietitian

Tingnan ang karaniwang pattern sa chart na ito: Ang AI ay gumagawa ng blueprint o paunang hakbang sa bawat yugto; Mayroong punto ng pag-apruba ng tao sa bawat yugto. Ang system ay batay sa cycle ng "AI produces → human verify → human confirms". Kung masira ang cycle na ito, makakakuha ka ng bilis ngunit mawawalan ka ng seguridad at pananagutan.

Privacy at KVKK: pagprotekta ng data

Ang data ng kliyente (pagkakakilanlan, kasaysayan ng kalusugan, pagsusuri, gamot, pagsukat) ay "personal na data ng espesyal na kategorya" sa loob ng saklaw ng KVKK sa Türkiye at GDPR sa Europe at nararapat sa pinakamataas na proteksyon. Mga prinsipyong dapat sundin kapag nagtatrabaho sa mga tool ng AI:

Anonymize: Alisin ang pagkakakilanlan ng data tulad ng pangalan, TR ID, contact, institusyon, petsa ng kapanganakan. "43 taong gulang na babae, type 2 diabetes" ay sapat na.
Minimum na data: Ibahagi ang minimum na data na kinakailangan para sa gawain; wala na.
Pumili ng ligtas na tool: Pumili ng mga corporate na tool na may kontrata sa pagpoproseso ng data kung saan hindi ginagamit ang data sa pagsasanay ng modelo.
Tahasang pahintulot: Ipaalam sa kliyente kung paano pinoproseso ang kanyang data at makuha ang kanyang pahintulot.
Pagre-record at pagpapanatili: Kontrolin kung saan iniimbak ang data at kung sino ang may access dito; Tanggalin ang hindi kinakailangang data.

Pansin: Ang pag-upload ng pagsusuri na PDF o file ng kliyente sa isang AI tool nang hindi ito ina-anonymize "para sa bilis" ay maaaring magresulta sa isang paglabag sa KVKK na mahirap lutasin sa isang pag-click. Ang bilis ay hindi kailanman tinatalo ang privacy. Kung may pagdududa, huwag ibahagi.

Etikal na balangkas: apat na prinsipyo

Ang apat na klasikal na prinsipyo ng etika sa kalusugan ay nalalapat din sa nutritional practice: beneficence (nagtatrabaho para sa kapakanan ng kliyente), nonmaleficence (lalo na sa mga desisyon na kritikal sa kaligtasan), awtonomiya (paggalang sa sariling desisyon ng kliyente, may alam na pahintulot), at hustisya (inclusive service na sensitibo sa mga pagkakaiba sa mga mapagkukunan, badyet, at kultura). Ang paggamit ng AI ay hindi dapat sumalungat sa mga prinsipyong ito: ang hindi na-verify na output ay maaaring magdulot ng pinsala (paglabag sa non-maleficence), ang pagpoproseso ng data nang hindi nagpapaalam sa kliyente ay lumalabag sa awtonomiya, ang paggawa ng mga plano ayon sa isang kultura ay nagpapahina sa hustisya. Ang etika ay hindi isang layer na idinagdag sa ibang pagkakataon, ngunit isang disiplina na hinabi sa bawat hakbang.

Kontrol sa kalidad: pag-inspeksyon ng iyong sariling gawa

Regular na i-audit ang iyong sariling paggamit ng AI habang nagtatrabaho nang end-to-end. Isang simpleng pagsusuri sa sarili: para sa bawat pag-print ng kliyente, "Na-verify ko ba ang numerong ito? Nag-screen ba ako para sa allergen na ito? Pinatunayan ko ba ang claim na ito? Na-anonymize ko ba ang data na ito? Inaprubahan ko ba ang planong ito?" Kung hindi mo masagot ang "oo" sa limang tanong na ito, hindi pa handa ang output.

tatlong mini case

Case 1 — Ang mahinang link sa chain. Mabilis na itinatakda ng isang dietitian ang chain ng intake-account-plan na may AI ngunit nilalaktawan ang hakbang sa kaligtasan (pag-verify ng allergen); dahil ipinapalagay nito na "kung ang mga nakaraang hakbang ay mabuti, ito ay mabuti din". Gayunpaman, ang kliyente ay nagkaroon ng allergy sa linga at ang isang sarsa sa plano ay naglalaman ng linga. Kung maputol ang isang link sa chain, hindi ligtas ang buong chain. Aralin: ang punto ng pag-apruba ng bawat yugto ay independyente; Hindi pinapalitan ng isa ang isa.

Kaso 2 — Kadena ng paglabag sa privacy. Para sa kahusayan, sinusubukan ng isang klinika na i-load ang lahat ng mga file ng kliyente ayon sa pangalan sa isang AI tool at gumawa ng mass plan. Ang isang pag-audit ay nagpapakita na ito ay isang paglabag sa KVKK at ang data ay lumabas sa institusyon. Ihihinto ng klinika ang proseso at lumipat sa isang hindi nagpapakilala at kinontratang daloy. Aral: hindi pinahihintulutan ng kahusayan ang pagsalakay sa privacy; I-set up ang system bilang protektado ng privacy mula sa simula.

Case 3 — Tamang end-to-end na daloy. Para sa isang bagong kliyente, isang dietitian: (1) gumagawa ng gabay sa pakikipanayam na may hindi nakikilalang data, (2) may AI draft at manu-manong i-verify ang kalkulasyon, (3) nagpapakain ng mga nutritional value mula sa USDA, (4) kumukuha at nagbabalanse sa plano ng opsyon, (5) mga screen para sa mga allergens sa one-to-one na batayan, (6) nagbibigay ng personalized na edukasyon sa kliyente, (7) na gumagamit ng personalized na follow-up sa kliyente. Inilalapat nito ang punto ng pag-apruba sa bawat hakbang, pinananatiling hindi nagpapakilalang data, at inaaprubahan ang mismong plano. Resulta: nakakatipid ng ~40% na oras sa AI, nang hindi nakompromiso ang kaligtasan at pananagutan. Aralin: ang bilis at seguridad ay magkakasama kapag ang system ay na-set up nang tama.

Nakokopya na mga template ng prompt

END-TO-END WORKING FRAMEWORK TEMPLATEAng iyong tungkulin: DRAFT paghahanda ng katulong sa dietitian. Maglagay ng tala na "KAILANGAN NG PAG-APPROVAL NG DIETICIAN" sa dulo ng bawat printout at ilista kung aling mga punto ang kailangang ma-verify sa salita (account, allergen, source). Kliyente (anonymous): [...]. Quest: [yugto]. Huwag magdagdag ng ginawang data; markahan kung saan hindi ka sigurado.

PRIVACY PRE-CHECK TEMPLATESmaaari ba ang sumusunod na text para sa privacy BAGO ito ibigay sa isang AI tool: Naglalaman ba ito ng data ng pagkakakilanlan gaya ng pangalan, ID, contact, institusyon, petsa ng kapanganakan, analysis ID? Kung gayon, markahan ito at magmungkahi ng isang hindi kilalang bersyon. Teksto: [...]

QUALITY SELF-AUDIT TEMPLATE Mag-apply ng checklist para sa sumusunod na printout ng kliyente at markahan ang bawat item bilang natugunan/nawawala: (1) ang account ay na-verify, (2) ay ang nutritional value mula sa pinagmulan, (3) ito ba ay na-screen para sa mga allergens, (4) ay ang data na hindi nakikilala, (5) mayroon bang pag-apruba ng dietitian, (6) ay ang claim sa kalusugan. Ipahiwatig ang anumang mga pagkukulang. Output: [...]

TEMPLATE NG ETHICAL REVIEWNagdudulot ba ng problema ang sumusunod na plano/nilalaman sa mga tuntunin ng apat na prinsipyong etikal: benepisyo, non-maleficence, awtonomiya (pagsang-ayon/impormasyon), katarungan (badyet/cultural inclusivity)? Maikling suriin ang bawat patakaran at magmungkahi ng mga pagpapabuti. Nilalaman: [...]

Mahinang prompt / Malakas na prompt

Mahinang prompt:

Idinagdag ko ang pagsusuri at file ni Ms. Ayşe, isang kumpletong plano ang lalabas.

Pinangalanang data, "buong plano" sa isang hakbang, walang mga punto ng pag-apruba: panganib ng parehong paglabag sa KVKK at hindi na-verify, hindi ligtas na output.

Napakahusay na prompt:

Ang iyong tungkulin: draft assistant; Ang pag-apruba ay pag-aari ng dietician. Kliyente (anonymous): 41 taong gulang na babae, type 2 diabetes, [mga nauugnay na numerong halaga, pangalan/pagkakakilanlan WALA]. Gawain: DRAFT meal plan, na may mga pagpipilian. Mga tinantyang macro para sa bawat pagkain at isang tala na "dapat i-verify." Allergen: linga (huwag magdagdag ng anuman). Sa dulo, ilista kung aling mga punto ang kailangang personal na suriin ng dietitian. Pagdaragdag ng angkop na data.

Ang pangalawang prompt ay nag-anonymize ng data, nag-stub sa output, naglalaman ng hadlang sa seguridad at mga checkpoint; Parehong protektado ang pagiging kumpidensyal at kalidad.

Mga karaniwang pagkakamali

Nilaktawan ang isang link sa chain: Nilaktawan ang hakbang sa seguridad/pag-apruba dahil maganda ang nakaraang hakbang.
Isinasakripisyo ang privacy para sa kahusayan: Maramihang pag-upload ng mga pinangalanang file — malubhang paglabag sa KVKK.
Inaasahan ang isang one-shot na "buong plano": Umaasa sa black-box na output na lumalampas sa mga checkpoint.
Pag-iisip tungkol sa etika pagkatapos: Alalahanin ang etika sa dulo sa halip na isama ang mga ito sa bawat hakbang.
Pag-bypass sa self-checking: Gamit ang output nang hindi sinusubukan ito laban sa limang pangunahing tanong (account/allergen/source/anonymous/approval).
Paglimot sa pahintulot: Hindi pagpapaalam sa kliyente tungkol sa kung paano pinoproseso ang kanyang data.

Sa buod

Maaaring mapabilis ng artificial intelligence ang pagsasagawa ng nutrisyon at dietetics end-to-end; ngunit ito ay magiging ligtas lamang kung ang cycle ng "AI produces → human verify → human confirms" ay pinananatili sa bawat yugto. Palaging i-anonymize ang data ng kliyente, huwag isakripisyo ang KVKK at pagiging kompidensiyal para sa kapakanan ng bilis, isama ang apat na prinsipyo ng etika sa bawat hakbang, at i-audit sa sarili ang iyong mga output na may limang pangunahing tanong. Ang bawat link sa chain ay isang independiyenteng punto ng pag-apruba; Kapag nasira ang isa sa kanila, hindi ligtas ang sistema. Tandaan: Pinalalakas ng AI ang iyong propesyon, ngunit hindi ito pinapalitan. Ang diagnosis, desisyon sa paggamot, at pag-apruba ng huling plano—ang agham, etika, at lagda—ay pag-aari ng dietitian. Ang AI ay ang iyong mabilis na katulong; Ikaw ang responsableng eksperto.

Gawain ng aplikasyon

Mag-set up ng isang maliit na daloy ng kliyente mula simula hanggang matapos: pumili ng anonymous na profile, sunud-sunod na gumawa ng (1) gabay sa pakikipanayam, (2) outline ng account + verification, (3) isang pagkain na may source data, (4) allergen screening, (5) isang handout ng pagsasanay. Isulat kung aling checkpoint ng tao ang inilapat mo sa bawat hakbang. Pagkatapos ay ilapat ang "template ng kalidad ng self-audit" sa buong daloy, hanapin at ayusin ang anumang mga puwang. Panghuli, patakbuhin ang "privacy precheck" upang kumpirmahin na ang iyong data ay tunay na anonymous.

checklist

[ ] Inilapat ko ang cycle ng “AI generates → verify → validate” sa bawat yugto.
[ ] Nag-anonymize ako ng data ng kliyente at nagbahagi ng kaunting data.
[ ] Gumamit ako ng ligtas/contracted na sasakyan; Nakatanggap ako ng pahintulot.
[ ] Naobserbahan ko ang apat na etikal na prinsipyo (pakinabang, non-maleficence, awtonomiya, hustisya).
[ ] Self-check ko ang output na may limang pangunahing katanungan.
[ ] Bilang isang dietician, ibinigay ko ang huling pag-apruba; Ako ay may pananagutan.

Pagsusulit sa Module

1. Inililipat ng isang dietitian ang pang-araw-araw na calorie na target na kinakalkula ng artificial intelligence sa plano ng kliyente nang hindi ito sinusuri. Ano ang pangunahing pagkakamali sa pamamaraang ito?

A) Hindi magagamit ang output ng artificial intelligence nang walang pag-verify; Ang draft ng account ay dapat muling kalkulahin at aprubahan ng dietitian ✔
B) Ang artificial intelligence ay palaging minamaliit ang bilang ng calorie
C) Sa halip na pagkalkula ng calorie, macrocalculation lamang ang dapat gawin.
D) Ang plano ay dapat na ibinigay sa kliyente sa papel sa halip na e-mail.

Paliwanag: Bagama't ang artificial intelligence ay maaaring gumawa ng isang kalkulasyon nang tama, maaari rin itong kumuha ng isang pagpapalagay tulad ng koepisyent ng aktibidad nang hindi tama at makagawa ng mga maling resulta na may parehong kumpiyansa. Ang dietetics ay isang larangan na kritikal sa kaligtasan; Ang bawat account ay dapat muling ma-verify ng isang dietician, at ang huling pag-apruba ay dapat na pagmamay-ari ng tao.

2. Ano ang pinakamahusay na pag-uugali sa mga tuntunin ng privacy (KVKK) kapag naglilipat ng data ng kliyente sa isang tool ng artificial intelligence?

A) Ang buong pangalan ng kliyente at ang pagsusuri na PDF ay dapat na i-upload para sa bilis.
B) Ang kinakailangang klinikal na impormasyon lamang ang dapat ibahagi sa pamamagitan ng pag-alis ng personal na nakakapagpakilalang impormasyon at pag-anonymize ng data ✔
C) Kung ang data ay naka-encrypt, ang impormasyon ng pangalan ay maaari ding ipadala
D) Ang buong file ay maaaring ibahagi nang hindi nagtatanong sa kliyente dahil ang layunin ay mabuti

Paliwanag: Ang data ng kalusugan ng kliyente ay espesyal na personal na data. Ang pagtukoy sa impormasyon tulad ng pangalan, TR ID, at impormasyon sa pakikipag-ugnayan ay dapat na alisin at ang data ay i-anonymize; Ang minimum na data na kinakailangan para sa gawain ay dapat ibahagi. Ang pag-upload ng raw file ayon sa pangalan ay isang malubhang paglabag.

3. Ang artificial intelligence ay nagbibigay ng '220 g carbohydrates, 150 g protein, 90 g fat' para sa target na 2000 kcal. Ano ang unang pagpapatunay na dapat gawin ng dietitian?

A) Pagtanggap ng mga halaga kung ano ang mga ito, dahil ang artificial intelligence ay walang error sa arithmetic
B) Ito ay sapat na upang kontrolin lamang ang dami ng protina
C) I-multiply ang macro grams pabalik sa 4/4/9 upang masuri kung ang kabuuan ay umabot sa target na calories ✔
D) Pagtaas ng calorie na layunin sa 2290 batay sa mga macro

Paliwanag: Ang mga macro na pinarami pabalik sa 4/4/9: 220x4 + 150x4 + 90x9 = 880 + 600 + 810 = 2290 kcal. Lumagpas sa kabuuang target ng 290 kcal; hindi pare-pareho ang mga halaga. Ang back multiplication ay ang pinakasimple at pinakamabisang paraan para mahuli ang AI macro errors.

4. Ano ang pinakamahina at pinakamapanganib na punto ng artificial intelligence sa nutritional value data?

A) Ang artificial intelligence ay palaging nagbibigay ng mga nutritional value sa mga metric unit
B) Ang artificial intelligence ay nakakaalam lamang ng mga halaga ng mga gulay
C) Ang artificial intelligence ay mabagal dahil nagbibigay ito ng mga nutritional value na may napakaraming decimal.
D) Maaaring iakma ng artificial intelligence ang mga nutritional value habang ginagawa ang mga ito mula sa memorya nito; kaya dapat kunin ang mga halaga mula sa isang kinikilalang database ✔

Paliwanag: Ang modelo ng wika ay hindi naaalala ang mga numero, ito ay bumubuo ng mga ito nang may posibilidad; Samakatuwid, maaari itong magbigay ng protina/calorie na halaga ng isang pagkain na matatas ngunit hindi tama (hallucination). Para sa kadahilanang ito, ang mga nutritional value ay dapat kunin mula sa mga kilalang database, at ang artificial intelligence ay dapat gumana lamang sa data na iyon.

5. Sa isang meal plan, pinananatili ng artificial intelligence ang mga calorie at macro nang eksakto, ngunit ang buong araw ay binubuo ng puting tinapay, pasta at manok. Ano ang kulang dito?

A) Kahit na naglalaman ito ng mga macro, ang balanse ng hibla, gulay at micronutrients ay hindi nakakamit; Ang plano ay hindi sapat sa mga tuntunin ng pagkakaiba-iba ng nutrisyon ✔
B) Ang target ng calorie ay masyadong mataas
C) May problema dahil mataas ang dami ng protina
D) Ang bilang ng mga pagkain ay dapat na higit sa tatlo

Paliwanag: Ang katotohanan na ang macro ay tumama sa target ay hindi nagpapahiwatig na ang plano ay malusog. Ang hibla, gulay at balanseng micronutrient (mga bitamina, mineral) ay dapat ding ibigay. Ang paghatol sa balanseng ito ay kabilang sa dietitian; Ang katumpakan ng macro lamang ay hindi sapat.

6. Para sa isang kliyente na alerdye sa mga hazelnut, ang artificial intelligence ay nagmumungkahi ng isang kapalit tulad ng 'gumamit ng almond butter'. Bakit maaaring ituring ng dietitian na hindi ligtas ang rekomendasyong ito?

A) Ang almond paste ay mas mahal kaysa sa hazelnut paste
B) Ang mga almond ay maaaring nasa parehong tree nut allergy group bilang mga hazelnut; Maaaring mapanganib ang pagpapalit dahil nabibilang ito sa parehong grupo ✔
C) Ang almond paste ay mas mataas sa calories
D) Ang almond paste ay hindi angkop para sa Turkish cuisine.

Paliwanag: Ang mga hazelnut at almond ay nasa parehong 'tree nut' allergy group. Ang allergy ay pinamamahalaan sa isang pangkat na batayan, hindi isang solong pagkain; Kung ang kapalit ay nahulog sa parehong grupo, ito ay mapanganib. Alam ng dietitian ang grupo ng allergy at eksaktong tinitiyak ang pagpapalit.

7. Ano ang tamang diskarte sa paggamit ng mayaman sa bitamina K na madahong mga gulay para sa isang kliyente na umiinom ng warfarin (pagpapayat ng dugo)?

A) Lahat ng berdeng madahong pagkain ay dapat na mahigpit na ipinagbabawal
B) Ang paggamit ng bitamina K ay dapat pahintulutan at hindi dapat isaalang-alang
C) Ang pag-inom ng bitamina K ay dapat panatilihing pare-pareho at ang sitwasyon ay dapat ibahagi sa manggagamot ✔
D) Ang mga madahong gulay ay dapat lamang kainin sa hapunan

Paliwanag: Para sa mga gumagamit ng warfarin, ang layunin ay hindi ganap na ipagbawal ang bitamina K, ngunit panatilihing pare-pareho ang kanilang paggamit; Ang malalaking pagbabagu-bago ay nakakapinsala sa epekto ng gamot. Ang ganitong uri ng pagpilit na 'manatiling pare-pareho' ay isang klinikal na pagiging sopistikado na nawawala sa AI at ibinabahagi sa manggagamot.

8. Paano magagawa ang tamang interpretasyon kapag ang isang kliyente ay nakakita ng 'pagtaas' ng 1 kg sa isang linggo?

A) Ang plano ay dapat na isulat kaagad mula sa simula na may mababang calorie
B) Dapat ihinto ng kliyente ang pagtimbang.
C) Ang isang linggong pagtaas ay itinuturing na tiyak na pagtaas ng timbang.
D) Ang mga trend ng maraming linggo ay dapat tingnan, hindi isang solong sukat; ang panandaliang pagbabagu-bago (tulad ng pagpapanatili ng tubig) ay dapat na masuri sa klinika ✔

Paliwanag: Ang isang pagsukat ay nakaliligaw; Ang mga salik tulad ng pagpapanatili ng tubig, cycle ng regla, at paggamit ng asin ay lumilikha ng panandaliang pagbabago. Ang mahalaga ay ang multi-week trend. Ang klinikal na interpretasyong ito ay ginawa ng dietitian; Ang AI ay nag-aayos lamang ng data.

9. Ang artipisyal na katalinuhan ay gumagawa ng pangungusap na 'nagsusunog ng taba ang berdeng tsaa at nagpapabilis ng metabolismo' sa isang sketch ng social media. Ano ang etikal na responsibilidad ng isang dietitian?

A) Ibinatay ang pinalaking pag-aangkin sa ebidensya, isinasalin ito sa sinukat na wika at pagdaragdag ng babala sa pangkalahatang impormasyon ✔
B) Ang paglalathala ng pag-aangkin kung ano ito dahil nakakaakit ito ng pansin
C) Palakasin pa ang pangungusap at idagdag ang 'pinipigilan ang kanser'
D) Hindi i-publish ang nilalaman sa lahat, dahil ang pakikipag-usap tungkol sa green tea ay ipinagbabawal

Deskripsyon: Ang artipisyal na katalinuhan ay madaling gumawa ng mga pinalaking pag-aangkin at hindi gaanong napatunayan. Dapat i-moderate ng dietitian ang mga claim na ito ayon sa antas ng ebidensya, alisin ang wika ng katiyakan at himala, at idagdag ang caveat na 'ito ay pangkalahatang impormasyon'. Ang katapatan sa mga claim sa kalusugan ay isang etikal na obligasyon.

10. Humihingi ng artificial intelligence ang isang dietitian para sa '3 pag-aaral na nagpapatunay ng mga benepisyo ng paulit-ulit na pag-aayuno' para sa pagtatanghal. Ano ang pangunahing panganib ng kahilingang ito?

A) Ang artificial intelligence ay nagbibigay ng labis na trabaho at napapagod ang dietitian
B) Ang artificial intelligence ay maaaring mag-imbento ng mga hindi umiiral na pag-aaral, mga may-akda, at mga journal; hindi maaaring gamitin ang mga mapagkukunan nang walang pag-verify mula sa pangunahing pinagmulan ✔
C) Ang mga pag-aaral ng artificial intelligence ay ibinibigay lamang sa Ingles
D) Tatlong pag-aaral ay palaging hindi sapat para sa isang pagtatanghal

Paliwanag: Ang mga modelo ng wika ay maaaring mag-imbento ng mga gawa, may-akda, at mga journal na hindi aktwal na umiiral (pinagmulan ng guni-guni). Ang artificial intelligence ay hindi isang literatura na search engine. Ang tamang paraan: maghanap ng mga tunay na mapagkukunan mula sa PubMed/Cochrane at ipabuod ang mga ito sa pamamagitan ng AI; Ang bawat sanggunian ay na-verify mula sa pangunahing pinagmulan.

11. Bakit mali na maghinuha na 'napapayat ka ng almusal' mula sa isang obserbasyonal na pag-aaral na nagpapakita na 'mas payat ang kumakain ng almusal'?

A) Ang pag-aaral ay hindi pa wasto dahil ito ay masyadong bago.
B) Ang almusal ay talagang nagpapataba sa iyo, ang pag-aaral ay mali
C) Ang pag-aaral sa obserbasyon ay nagpapakita lamang ng ugnayan; ay hindi nagpapatunay ng sanhi, ang pagsasamahan ay maaaring dahil sa iba pang mga kadahilanan ✔
D) Ito ay hindi wasto dahil ang sample ay binubuo lamang ng mga babae

Paliwanag: Ang obserbasyonal na pag-aaral ay nagpapakita ng ugnayan (pagganap nang magkasama), hindi sanhi (isang sanhi ng isa pa). Ang mga kumakain ng almusal ay karaniwang mabubuhay nang mas aktibo at regular; Ang relasyon ay maaaring dahil sa iba pang mga kadahilanan. Ang nakakalito na ugnayan sa sanhi ay isang karaniwang error sa pagbabasa ng ebidensya.

12. Sa 24 na oras na paalala sa nutrisyon, sinasabi ng kliyente na '2 dakot ng mani sa isang araw'. Ipinapalagay ng AI na ito ay '60 gramo'. Ano ang tamang diskarte?

A) Ang pagpapalagay ng artificial intelligence na 60 gramo ay itinuturing na tiyak
B) Ang mga mani ay ganap na tinanggal mula sa plano
C) 100 gramo ay kinuha bilang isang average na halaga
D) Ang bahagi ay hindi pagpapalagay ng artificial intelligence, ito ay nililinaw sa pamamagitan ng pagtatanong sa kliyente o pagsukat nito gamit ang isang sukat ✔

Paliwanag: Malaki ang pagkakaiba ng mga pagtatantya ng bahagi sa bawat tao; Ang isang dakot ay maaaring 30 g o 90 g. Ang palagay ng AI ay isang panimulang hanay, hindi isang sukat. Ang aktwal na bahagi ay dapat linawin sa pamamagitan ng pagtatanong sa kliyente o paggamit ng sukat sa kusina.

13. Ang mga database ng nutrisyon ay karaniwang nagbibigay ng mga halaga bawat 100 gramo na hilaw. Anong error ang maaaring idulot nito?

A) Ang paglalapat ng hilaw na halaga sa lutong bahagi (o kabaligtaran) ay maaaring magpakilala ng mga malubhang error sa calorie/macro; Dapat linawin ang yunit ng pagsukat ✔
B) Ang mga hilaw na halaga ay palaging mas mababa kaysa sa mga lutong halaga, walang problema
C) Walang magiging problema dahil ang mga database ay nagbabalik lamang ng mga lutong halaga.
D) Ang pagkakaiba ng hilaw/luto ay nakikita lamang sa karne, hindi sa butil.

Paglalarawan: Sa panahon ng pagluluto, ang pagkain ay sumisipsip ng tubig at nagbabago ang timbang nito; Ang 100 g ng hilaw na bigas ay tumataas hanggang ~250-300 gramo kapag niluto. Ang paglalapat ng hilaw na halaga sa lutong halaga (o kabaligtaran) ay magreresulta sa mga malubhang error sa calorie. Dapat laging linawin kung hilaw o luto ang halagang ginamit.

14. Paano inilalarawan ng pangunahing prinsipyo na binibigyang-diin sa buong modyul ang papel ng artificial intelligence sa dietetics?

A) Ang artipisyal na katalinuhan ay maaaring gumawa ng mga desisyon nang mag-isa, na pinapalitan ang mga nakaranasang dietitian
B) Ang artificial intelligence ay isang assistant at draft generator; Ang diagnosis, desisyon sa paggamot at panghuling pag-apruba ay pagmamay-ari ng dietitian/doktor ✔
C) Ang artificial intelligence ay ginagamit lamang para sa visual na disenyo, hindi para sa mga kalkulasyon
D) Ligtas ang output ng artificial intelligence kahit walang verification dahil nakabatay ito sa scientific sources

Paglalarawan: Pinapabilis ng artificial intelligence ang paulit-ulit na trabaho bilang isang assistant at draft generator, ngunit dahil ito ay nagtatrabaho sa isang lugar na kritikal sa kaligtasan, ang diagnosis, pagpapasya sa nutritional therapy at pag-apruba sa huling plano ay pagmamay-ari ng karampatang espesyalista (dietitian at, kung kinakailangan, manggagamot). Ang hindi na-verify na output ay isang unsigned draft.