この研究は、インドの研究機関の研究論文です。

掲載誌：International Journal of Innovative Research in Technology

ライセンス: CC BY　対象: 公開論文　確認元: OpenAlex

研究の目的

料理のレシピが健康的かどうか、あるいは特定の栄養素を多く含むかどうかを人が一つひとつ判断するのは、時間がかかり難しい作業です。とくに大量のレシピをまとめて確認しようとすると、その負担は大きくなります。

研究チームは、レシピや栄養に関するデータが増えてきた状況を背景に、機械学習を使ってレシピの栄養的な特徴を自動的に判別できないかを検討しました。ここで用いられているのは「マルチラベル分類」と呼ばれる考え方で、1つのレシピに複数の栄養ラベル（たとえば「たんぱく質が豊富」と「鉄分が豊富」の両方）を同時に当てはめられる枠組みです。

何を調べ、どう進めたか

著者らは725件のレシピを対象としました。まずデータの不備を整え、欠けている情報を補い、材料の記述を扱いやすい形に整理したうえで、判別に役立ちそうな項目を選び出し、新たな項目も作成しています。最終的なデータは15個の主要な属性からなり、材料の情報は学習に使えるよう数値へ変換されました。

論文が扱った栄養カテゴリは、健康的（Healthy）、たんぱく質が豊富、食物繊維が豊富、カルシウムが豊富、鉄分が豊富といった6つの区分です。判別には、決定木、ランダムフォレスト、サポートベクターマシン（SVM）、XGBoostという4種類の機械学習アルゴリズムが用いられました。データは580件を学習用、145件を評価用に分けて、それぞれの性能が比較されています。

報告された主な結果

論文の報告によると、正解率（accuracy）ではXGBoostが最も高く、75.68%でした。一方、F1スコアという別の指標ではSVMが最良で、0.5760という値が示されています。F1スコアは、見落としの少なさと誤判定の少なさを両立できているかをまとめて表す指標で、正解率とは異なる角度から性能を捉えるものです。

著者らは、機械学習によってレシピをさまざまな栄養ラベルへ自動的に振り分けることは可能だとしつつ、その精度はカテゴリによってばらつきがあると述べています。つまり、うまく判別できる栄養区分もあれば、そうでない区分もあるということです。

この研究が示すこと

この研究は、材料の情報を構造化されたデータとして整えることで、レシピの栄養的な性格を機械が推し量る道筋があることを示しています。同時に、指標によって最良の手法が入れ替わる点や、カテゴリごとに成績が異なる点は、こうした自動判別がまだ一様な精度には達していないことも伝えています。

著者：Pratiksha Dabhade（School of Information Technology , Indira University , Pune , India）、Pratiksha Mulay（School of Information Technology , Indira University , Pune , India）、Dr. Kavita Dhakad（Asst. Prof. , School of Information Technology , Indira University , Pune , India）

※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）：Pratiksha Dabhade, Pratiksha Mulay, Dr. Kavita Dhakad. Machine Learning-Based Nutritional Prediction of Recipes Using Structured Ingredient Data. International Journal of Innovative Research in Technology 2026-09-16. DOI: 10.64643/ijirt.208533-459. 原著ライセンス：CC BY.