Geleneksel ve Yapay Zekâ Destekli Diyet Analiz Yöntemlerinin Karşılaştırılması: Türkiye Beslenme Rehberi Örneği
| dc.contributor.author | Ulu, Betül | |
| dc.contributor.author | Çolak, Beda Büşra Özalp | |
| dc.contributor.author | Uslu, Burcu | |
| dc.date.accessioned | 2026-10-09T21:00:23Z | |
| dc.date.issued | 2026 | |
| dc.department | Yüksek İhtisas Üniversitesi | |
| dc.description.abstract | Gi?riş: Beslenme, bireylerin sağlığını doğrudan etkileyen önemli bir faktördür ve besin tüketim kaydı analizlerinin doğru ve detaylı yapılması beslenme tedavisinin oluşturulmasında oldukça önemlidir. Geleneksel diyet analiz yöntemlerinin yanı sıra, son yıllarda yapay zeka tabanlı araçlar da beslenme ve diyetetik alanında kullanılmaya başlanmıştır. Materyal ve Metodlar: Bu çalışma, 42 yaşındaki sağlıklı bir kadın için Türkiye Beslenme Rehberi’nde önerilen günlük örnek menünün, ChatGPT4o, Google Gemini (Sürüm 2.5 Pro), DeepSeek, Microsoft Copilot olmak üzere dört farklı yapay zeka sistemi ile referans olarak kabul edilen Amerika Birleşik Devlerleri (ABD) Ulusal Kanser Enstitüsü tarafından geliştirilen ASA 24 (Sürüm 2024) ve Beslenme Bilgi Sistemi (BEBİS) (Sürüm 9.0) gibi diyet analiz programları kullanılarak karşılaştırılmıştır. Yapay zeka sistemlerinin her biri aynı beslenme planına ilişkin enerji ve besin ögesi analizlerini üretmiş, bu veriler Microsoft Excel ortamında yapılandırılmıştır. Aynı plan, BEBİS ve ASA-24 sistemlerinde de analiz edilerek referans değerler elde edilmiştir. Elde edilen veriler yapay zeka sistemleri ve referans sistemler bazında organize edilmiş, besin ögeleri (enerji, protein, yağ, karbonhidrat, vitaminler ve mineraller) sütun bazında hizalanmıştır. Her yapay zeka sisteminin her bir besin ögesi için, hem BEBİS hem de ASA-24 referans değerlerinden farkları hesaplanmıştır. Bu farklar, sistematik sapma olup olmadığını belirlemek amacıyla analiz edilmiştir. Farkların dağılımının istatistiksel analiz için uygun olup olmadığını test etmek amacıyla Shapiro-Wilk normallik testi uygulanmıştır. Tüm sistemlerde fark dağılımlarının normal dağılmadığı (p<0,05) belirlenmiştir. Normallik varsayımı sağlanmadığı için parametrik olmayan Wilcoxon signed-rank testi uygulanmıştır. Bu test, her bir yapay zeka sisteminin analizlerinin referans sistemlerle istatistiksel olarak anlamlı fark içerip içermediğini test etmiştir. Test istatistikleri ve p değerleri tablo halinde raporlanmıştır. Bulgular: Bu çalışmada, Türkiye Beslenme Rehberi’nde örnek menünün farklı yapay zekâ araçları (ChatGPT-4o, Copilot, Gemini, DeepSeek) ve geleneksel sistemlerle (ASA-24, BEBIS) yapılan besin ögesi tahminleri karşılaştırılmıştır. Gemini, BEBİS ve ASA-24 ile kıyaslandığında anlamlı farklılık göstermeyereken tutarlı AI olarak saptanmıştır (sırasıyla p=0,526, p=0,529). Tartışma: Bu çalışmada, Türkiye Beslenme Rehberi’ne dayalı örnek bir günlük menünün farklı yapay zeka sistemleri tarafından yapılan besin öğesi analizleri, alanın yaygın olarak kullanılan referans sistemleri olan BEBİS ve ASA-24 ile karşılaştırılmıştır. Analizler sonucunda, üç yapay zeka sisteminin (ChatGPT-4o, Copilot, Deepseek) besin öğesi tahminlerinin referans sistemlerle istatistiksel olarak anlamlı farklılıklar içerdiği; yalnızca Gemini sisteminin, hem BEBİS hem de ASA-24 ile istatistiksel olarak benzer sonuçlar ürettiği saptanmıştır. Bu bulgu, özellikle beslenme ve diyetetik uygulamalarında yapay zeka teknolojilerinin dikkatli ve kontrollü bir şekilde kullanılması gerektiğini ortaya koymaktadır. Gemini’nin referans sistemlerle olan uyumu, bu sistemin gelecekteki beslenme analizlerinde kullanılabilirliğini desteklemekle birlikte; diğer yapay zeka sistemlerinin, besin veri tabanı altyapısı, dil modeli eğitimi ve gıda tanıma algoritmalarındaki farklılıklar nedeniyle referanslardan sapmalar gösterdiği düşünülmektedir. Sonuç: Yapay zeka destekli araçlar beslenme analizlerinde potansiyel vaat etmekle birlikte, bu teknolojilerin doğruluk ve güvenilirlik düzeyleri sistemden sisteme önemli ölçüde farklılık gösterebilmektedir. Bu nedenle, bu tür sistemler kullanılırken referans veri tabanlarıyla kıyaslama yapılması ve sonuçların profesyonel değerlendirmeye tabi tutulması büyük önem taşımaktadır. Ayrıca, yapay zeka modellerinin besin ögesi hesaplamalarında standardizasyonu sağlamak için gelecekte daha geniş örneklemli ve sistematik çalışmalar yapılması önerilmektedir. | |
| dc.identifier.dergiparkid | 1744942 | |
| dc.identifier.endpage | 3 | |
| dc.identifier.issn | 2717-8439 | |
| dc.identifier.issn | 2717-9257 | |
| dc.identifier.issue | Ek Sayı 1 | |
| dc.identifier.orcid | 0000-0003-2357-5205 | |
| dc.identifier.orcid | 0000-0002-7923-842X | |
| dc.identifier.orcid | 0000-0002-6371-6562 | |
| dc.identifier.startpage | 2 | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12794/97 | |
| dc.identifier.volume | 6 | |
| dc.language.iso | tr | |
| dc.relation.ispartof | Yüksek İhtisas Üniversitesi Sağlık Bilimleri Dergisi | |
| dc.relation.publicationcategory | Konferans Öğesi - Ulusal - Kurum Öğretim Elemanı | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.snmz | KA_DergiPark_20260922 | |
| dc.subject | Beslenme durumunun değerlendirmesi | |
| dc.subject | yapay zeka | |
| dc.subject | diyetetik | |
| dc.subject | beslenme rehberleri | |
| dc.title | Geleneksel ve Yapay Zekâ Destekli Diyet Analiz Yöntemlerinin Karşılaştırılması: Türkiye Beslenme Rehberi Örneği | |
| dc.type | Conference Object |







