Estimaciones de comidas y fotos
Descubre qué puede revelar una descripción o una imagen de comida, qué queda invisible y qué detalles hacen más útil un registro aproximado de comidas.
Leer el método de comidas →Métodos
Sabe qué hay detrás de una estimación.
Algunas entradas de tu diario personal de bienestar provienen directamente de lo que tú registras. Otras incluyen estimaciones de IA, basadas en fórmulas o de fuentes conectadas. Estas páginas te muestran cuál es cuál.
Cada método indica las entradas, el orden de las fuentes, los datos faltantes y los límites que pueden afectar al resultado.
Resumen de métodos · Unos 3 min de lectura
Entradas, orden de fuentes, datos faltantes y límites
Explicamos la información que puede cambiar de forma significativa una estimación visible, para que puedas decidir cuánta importancia darle.
Explicaciones actuales
Dos estimaciones comunes, dos problemas distintos.
La nutrición de las comidas parte de información incierta sobre alimentos y raciones. El gasto diario parte de una estimación de un wearable o de una ecuación poblacional. Ambos requieren etiquetas y revisión cuidadosas.
Gasto energético diario
Revisa la prioridad de la fuente WHOOP, el método alternativo Mifflin–St Jeor, los factores de actividad, un ejemplo práctico y las reglas de cobertura de periodos.
Leer el método de energía →Cambios de método
Cada método detallado incluye una versión y una fecha de revisión, lo que facilita encontrar cambios significativos en un cálculo visible.
Reglas compartidas
Qué deberían decirte las estimaciones transparentes.
Los detalles varían según la función, pero las preguntas se mantienen constantes.
01¿Qué se ha tenido en cuenta?
Datos del usuario, una imagen, un valor del perfil o datos conectados.
02¿Qué va primero?
La regla de prioridad de fuentes que se usa cuando existen varios valores.
03¿Qué faltaba?
El método indica si los valores faltantes se excluyen, no están disponibles o se integran en un total mostrado.
04¿Qué puede salir mal?
Error individual, entrada incompleta y casos de uso no compatibles.
Un límite deliberado
Una fórmula no es una medición.
Las ecuaciones publicadas pueden ser útiles como contexto general aunque sigan siendo materialmente incorrectas para una persona. Los valores de wearables conectados también son estimaciones basadas en modelos.
Revisión del usuario
La corrección forma parte del flujo de trabajo.
La IA puede malinterpretar alimentos, cantidades y lenguaje cotidiano. Cuando un valor importa, comprueba la fuente, añade más detalle y corrige el registro guardado.
Usa las estimaciones con sus límites incluidos.
Lee el método, comprueba la cobertura y trata el resultado como contexto, no como certeza.