《Food Quality and Preference》：Developing the culturally-valid food image dataset (CV-FID): Protocol and application to hedonic food images
编辑推荐：
本研究提出跨文化食品图像数据库（CV-FID）标准化开发流程，并以以色列成年人群为例构建 hedonic 食品图像数据库（HFID）。通过专家焦点小组筛选45种文化相关食品，进行营养分析和标准化摄影，收集157名参与者的感知和消费数据，验证了该流程在跨文化研究中的适用性，为营养与进食行为研究提供可靠资源。
罗尼·阿维拉姆-弗里德曼（Roni Aviram-Friedman）| 贝雷德·考夫曼-什里基（Vered Kaufman-Shriqui）| 格雷厄姆·芬莱森（Graham Finlayson）| 谢里·谢尔夫-达根（Shiri Sherf-Dagan）
以色列阿里尔大学（Ariel University）健康科学学院营养科学系
摘要
背景
在摄入行为研究中，食物图像被广泛用作真实食物的虚拟替代品。为了确保研究的科学严谨性，需要高质量、标准化且具有文化适用性的食物图像数据集（CV-FID），这些数据集应能够考虑到不同文化背景下人们对食物的认知和偏好差异。
目的
本研究提出了一种开发CV-FID的方案，并展示了其在创建针对以色列成年人群体的“享乐食物数据集”（Hedonic Food Dataset, HFID）中的应用。
方法
CV-FID的标准化流程包括五个阶段：（1）通过专家焦点小组选择具有文化代表性的食物项目；（2）进行全面的营养分析；（3）进行标准化的专业食物摄影；（4）对具有代表性的以色列成年人样本进行规范性评分调查；（5）将食物图像、营养数据和评分结果整合到指定的数据库中。本方案通过开发HFID进行了详细说明。
结果
最终的HFID包含了45种具有文化代表性的食物项目，这些食物项目配有高分辨率的图片、详细的营养信息以及157名成年人的综合评分（平均年龄：41.9±15.1岁；平均BMI：26.5±6.0 kg/m2）。调查内容涵盖了食物的识别率、消费频率、健康感知度、感官属性以及享乐反应，其内部有效性通过描述性趋势和相关性分析得到了验证。
结论
CV-FID方案为开发具有文化适用性的高质量食物图像数据集提供了结构化的框架。采用该方案，研究人员能够在不同环境中开发出更具一致性和适用性的食物图像数据库。HFID实例展示了该方案的应用价值，成为营养相关研究的宝贵资源。
引言
在当代环境中，人们普遍接触到与食物相关的视觉刺激（Blechert等人，2019年）。这些与食物相关的视觉线索在各种场景中无处不在，例如商店中的食物图片、广告、书籍和社交媒体（Boyland等人，2017年；Folkvord和van ‘t Riet，2018年）。多项研究表明，接触与食物相关的图像会激活与进食动机和实际食物消费相关的大脑系统（Boswell和Kober，2016年；Bruce等人，2010年；King等人，2018年）。事实上，食物图像能够引发与真实食物相似的神经和行为反应（Boswell和Kober，2016年）。在导致肥胖的环境中，高能量密度、加工过的、具有高度奖赏性的食物图像尤为常见（Wharton等人，2020年）。这类食物被称为“享乐食物”，因为它们能量密度高、具有强烈的愉悦感，且常常在非饥饿状态下被消费（Reichelt等人，2015年）。在西方国家，普通成年人每天都会通过品牌包装和社交媒体广告接触到这类食物的视觉呈现。值得注意的是，反复接触特定品牌的食物图像会引发对该食物的渴望（Boyland等人，2024年），这种渴望会促使人们急于消费这些食物，从而导致高能量密度加工食物的过度摄入以及全球肥胖和代谢紊乱问题的增加（Boswell和Kober，2016年）。
在多个研究领域，食物图像被作为一种便捷且低成本的实际食物替代品（Li等人，2022年）。例如，图像被用于认知任务中，以测试食物偏好、食欲调节和进食行为的趋势（Blechert等人，2014年；Charbonnier等人，2016年）。在摄入行为研究中，强调食物图像的质量和特征尤为重要，因为这些特征可以通过感官参与和神经激活影响消费者的头部阶段反应，为食物摄入做准备（Skvortsova等人，2021年）。图像的感官丰富性和真实性在塑造消费者反应方面起着重要作用（Spence等人，2016年），这突显了图像质量在准确描绘真实食物特征和增强研究结果可靠性方面的关键性（Charbonnier等人，2016年）。因此，高质量食物图像的标准化对于营养和进食行为研究的科学严谨性以及研究间的可比性至关重要（Blechert等人，2014年；Blechert等人，2019年；Toet等人，2019年）。
过去十年中，已经建立了多个食物图像数据库（Blechert等人，2014年；Blechert等人，2019年；Cai等人，2023年；Charbonnier等人，2016年；Foroni等人，2013年；King等人，2018年；Li等人，2022年；Miccoli等人，2014年；Miccoli等人，2016年；Randle等人，2022年；Shankland等人，2019年；Toet等人，2019年）。然而，目前仍存在标准化不足的问题，大多数数据集从在线资源收集图像，并试图根据特定人群调整其内容（Blechert等人，2019年；Toet等人，2019年）。这种方法可能会降低研究间的可比性，因为不同国家之间的文化差异可能显著影响食物接受度和认知（Jeong和Lee，2021年）。例如，在以色列，甜味乳制品“Milki”非常受欢迎，是当地文化的独特象征。因此，由于品牌熟悉度和积极的口味预期，Milki的图像很可能会在以色列参与者中引发强烈的享乐反应（Spence等人，2016年）。相反，来自其他国家的参与者由于对这一品牌产品不熟悉，可能不会产生类似的反应。因此，特别是那些描绘品牌享乐产品的食物图像，应该进行文化调整，以确保研究的可靠性和可重复性（Blechert等人，2014年；Charbonnier等人，2016年）。
除了文化适应外，研究中的食物图像还应与研究的具体目的相关，并根据研究主题进行定制；例如，在摄入行为领域，享乐食物图像对于研究进食相关的认知和行为特别有效（Boswell和Kober，2016年）。享乐食物图像已被广泛用于神经认知和脑成像研究，以探究对高奖励性加工食物线索的异常反应模式（Meng等人，2020年）。它们还被用于使用视觉工具评估饮食行为的研究中，如食物日记（Bayliss和Wu，2022年）和食物频率问卷（Johnson等人，2014年）。然而，现有的享乐食物图像数据库在食物份量、营养信息和文化相关性方面往往缺乏标准化。因此，本研究旨在详细阐述一种开发具有文化适用性的食物图像数据集（CV-FID）的标准化方案，并展示其在创建HFID中的应用，该数据集是针对以色列成年人群体的、具有文化背景的享乐食物图像的专题子集。这一资源可以支持广泛的研究，并有助于开发新的视觉工具来研究食物相关主题。
方法
开发流程分为五个阶段（图1）：（1）与营养专家进行焦点小组讨论，选择相关食物项目；（2）对选定的食物项目进行全面的营养分析；（3）对食物项目进行标准化的专业摄影；（4）对具有文化代表性的样本群体进行规范性评分调查；（5）将图像及其相关信息整合到指定的数据库中。
第一阶段包括建立...
享乐食物数据集的开发
根据研究方法所述，共选择了45种享乐食物项目，主要是品牌化产品、超加工食品以及其他在当代视觉食物环境中常见的美味食品（如包装、广告、社交媒体中的食品）。图2展示了HFID中包含的45种食物项目中的9种示例。
每种食物的营养成分是通过NutRatio软件（
https://nutratio.com/）确定的，或者基于产品标签提供的信息确定的。
讨论
人类的食物选择和进食行为依赖于感官（Kringelbach，2015年）。环境线索（如食物图像）在触发食欲或厌恶感方面起着重要作用，并能强烈预测进食行为（Johnson，2013年）。因此，与真实世界线索高度相似的食物图像是营养和进食行为研究中的有效工具，可以作为实际食物刺激的替代品（Boswell和Kober，2016年）。
CRediT作者贡献声明
罗尼·阿维拉姆-弗里德曼（Roni Aviram-Friedman）：撰写——审稿与编辑，撰写——初稿，项目管理，方法论，概念化。
贝雷德·考夫曼-什里基（Vered Kaufman-Shriqui）：撰写——审稿与编辑，项目管理，方法论，资金获取，概念化。
格雷厄姆·芬莱森（Graham Finlayson）：撰写——审稿与编辑，方法论。
谢里·谢尔夫-达根（Shiri Sherf-Dagan）：撰写——审稿与编辑，撰写——初稿，项目管理，方法论，概念化。
伦理审批和参与同意
该研究方案已获得阿里尔大学（Ariel University）伦理审查委员会的批准（AU-HEA-VKS-20240416）。所有参与规范性评分调查的参与者均签署了电子知情同意书。
资助
本研究得到了阿里尔大学（Ariel University）的内部资助。
未引用参考文献
Folkvord和van 't Riet，2018
利益冲突声明
作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：谢里·谢尔夫-达根（Shiri Sherf-Dagan）曾获得诺和诺德（Novo Nordisk）的研究资助。该资助与当前手稿无关。其他作者均无利益冲突。
致谢
我们感谢摄影师沙查尔·弗莱施曼（Shachar Fleischmann）为拍摄食物图像所做的贡献，以及参与调查的所有参与者。
