この研究は、ナイジェリアの研究機関の研究論文です。

掲載誌：Journal of Artificial Intelligence and Robotics

ライセンス: CC BY　対象: 公開論文　確認元: 論文PDF

研究の目的

食事の多様さは、食べ物へのアクセスや食事の質を簡便に知る手がかりとして広く使われています。ただし、多くの種類の食品群を食べているからといって、量や栄養の密度が十分とは限りません。この論文は、ナイジェリア南部ニジェール・デルタ地域のバイエルサ州で、大学生と大学講師の食事パターンを調べ、さらに「この調査対象者の中で相対的に食事面のリスクが高いのは誰か」を示す指標を作って分析したものです。

著者は、平均的な多様性スコアだけでなく、食べる頻度や食品の構成にも目を向けるべきだと考えました。そのうえで、人工知能（AI）の一分野である機械学習の手法を探索的に用い、食事データをわかりやすい特徴に整理することを目指しました。論文は、機械学習が栄養不良を診断できるとも、作成した指標が臨床的に妥当だとも主張していないと明記しています。

何をどう調べたか

調査は2026年、州内の4つの大学で行われ、学生162人と講師54人の計216人が対面の聞き取りに応じました。声をかけた240人のうち216人が回答し、回答率は90％でした。対象は大学関係者に限られており、州の住民全体を代表するものではありません。

質問票では、穀類、いも類、豆類、野菜、果物、肉類、魚介類、乳製品、油脂類、飲料の10の食品群について、過去7日間に何日食べたかを尋ねました。その答えから三つの指標を計算しています。一つ目は10群のうち何群を少なくとも1回食べたかを数える「食事多様性スコア」、二つ目は全食品群の頻度を合計した「総摂取頻度」、三つ目は豆類・野菜・果物・肉類・魚介類・乳製品といった栄養価の高い食品群の頻度を合計したスコアです。これらを同じ重みで組み合わせ、多様性や頻度が低いほど値が高くなる「栄養脆弱性指数」を作りました。指数が上位3分の1に入る人を「相対的に脆弱性が高いグループ」と定義しています。これはあくまで調査対象者どうしを比べた相対的な区分で、医学的な診断ではありません。

分析には三つの手法を使いました。似た食べ方の人をまとめる「K平均法」によるクラスター分析、多数の決定木を組み合わせて分類する「ランダムフォレスト」、そして分類モデルの判断にどの食品群がどれだけ影響したかを示す「SHAP（シャープレイ値）」です。

主な結果

食事多様性スコアの平均は10点満点中9.63点で、71.8％の人が7日間に10群すべてを食べていました。ほとんどの人が満点近くに集まる「天井効果」が強く、このスコアだけでは人の違いを見分けにくいことがわかりました。一方で、食べる頻度には大きな差がありました。頻度の平均スコアは野菜が13.09、いも類が12.90と高かったのに対し、乳製品は1.27と最も低く、7日間に乳製品を食べた人は73.1％にとどまりました。多様性が高くても、栄養価の高い一部の食品群はあまり頻繁に食べられていない場合があるということです。

クラスター分析では3つのグループに分ける案が最も良い評価でしたが、グループ間の分かれ方を示す指標（シルエット係数）は0.1344と低く、2グループ案との差もごくわずかでした。グループどうしは大きく重なっており、標本を入れ替えたときの安定性もばらつきがありました。そのため著者は、これらを明確な集団ではなく探索的な目安と位置づけています。そのうえで、全食品群の頻度が平均より低い15人のグループ（全員が脆弱性の高い区分）、いも類と野菜は多いが果物・肉・魚・乳製品・豆類が少ない79人のグループ、穀類・豆類・果物・肉・魚・乳製品が平均より多い122人の比較的多様なグループ、という特徴が示されました。

ランダムフォレストは、脆弱性の高い区分かどうかを10の食品群の頻度から95.4％の正解率で分類しました。ただし、この区分そのものが同じ食事データから計算されたものなので、この高い数値は「指数のルールをどれだけ再現できたか」を示すにすぎず、実際の栄養状態を独立に予測できたことを意味しない、と論文は強調しています。

SHAPによる分析では、モデルの判断に平均して最も大きく影響したのは乳製品で、魚介類、果物、豆類、穀類が続きました。乳製品を7日間まったく食べていない人では、モデルが脆弱性の高い区分と判定する確率が大きく押し上げられていました。もっとも、乳製品は指数の計算にも含まれ、摂取する人の割合も最も低かったため、その重要度は実際以上に大きく出ている可能性があると著者は指摘しています。また、これはモデルの判断の仕組みを説明するもので、乳製品を食べることが脆弱性を下げるという因果関係を示すものではありません。

この研究が示すこと

この研究は、ほぼ全員が多くの食品群を食べているように見える集団でも、頻度や中身に目を向けると、乳製品や魚介類などの摂取の少なさに違いが表れることを示しました。同時に、機械学習の高い精度がそのまま実際の栄養状態の判定を意味するわけではないことも明確にしています。結果はあくまでこの大学関係者の標本についての探索的な整理であり、食事の多様性を一つの数字だけで判断しないことの大切さを伝える研究といえます。

著者：Michael Ige Ediabai Edaba（Department of Agricultural Economics and Extension , University of Africa , Toru-Orua , Nigeria）

※本記事は原著論文をもとに、日本語で要約・説明を加えた研究紹介です。 出典（原著論文）：Michael Ige Ediabai Edaba. Dietary Patterns and Sample-Relative Nutritional Vulnerability among University Students and Lecturers in Bayelsa State, Nigeria: K-Means, Random Forest and Shapley Analysis. Journal of Artificial Intelligence and Robotics 2026-10-06. DOI: 10.61577/jaiar.2026.100003. 原著ライセンス：CC BY.