عنوان ترجمه شده مقاله: اسمارت فون من از وضعیت گرسنگی‌ام اطلاع دارد

Can a smartphone learn our eating habits without the user being in the loop? Clearly, the phone could use checkins based on location to infer that if you were in a cafe, for example, there is a good possibility you might eat or drink something. In this paper, we use inferred behavioral data and location history to predict if you are going to eat or not in the near future. These predictors could serve as a basis for future eating trackers that work unobtrusively in the background of your phone rather than relying on burdensome user input. In this paper, we report on a simple model that predicts the food purchases of a group of undergraduate college students (N=25) using inferred behavioral and location data from smartphones. The 10-week study uses the dining related purchase records from student college cards as ground-truth to validate our prediction model. Initial results show that we can predict food and drink purchases with an accuracy of 74% using three weeks of training data

 آیا یک اسمارت فون می‌تواند عادات غذایی ما را بدون اینکه ما را درگیر خود کند یاد بگیرد؟ بدیهی است که یک تلفن همراه می‌تواند بر اساس وارسی‌های مبتنی بر محل، این استنتاج را بدست آورده که شما در یک کافی شاپ حضور دارید. برای مثال، در این خصوص  یک احتمال خوبی مبنی بر اینکه شما در حال نوشیدن یا خوردن چیزی در این کافی شاپ هستید وجود دارد. در این مقاله قصد داریم از داده‌های رفتاری و تاریخچه‌ی مکانی به‌منظور پیش‌بینی اینکه آیا شما در آینده‌ای نزدیک مشغول غذا خوردن خواهید شد یا خیر استفاده کنیم. این پیش‌گوها می‌توانند به‌عنوان مبنایی برای ردیاب‌های خوردنی که به‌صورت مخفیانه در بک‌گراند تلفن شما کار می‌کند (بجای اکتفا بر ورودی‌های کاربر) بکار گرفته شوند. یک مدل ساده‌ای را گزارش خواهیم داد که خریدهای غذایی یک گروهی از دانشجویان در حال تحصیل (N=25) را با استفاده از داده‌های رفتاری و محل که به‌صورت استنباطی به‌دست‌آمده است، پیش‌بینی می‌سازد. در یک مطالعه‌ی 10 هفته‌ای، ما از رکوردهای خرید غذایی دانشجویان که از طریق کارت‌های دانشجویی صورت گرفته است، به‌منظور ارزیابی مدل پیش‌بینی خود استفاده کرده‌ایم. نتایج اولیه نشان می‌دهد که با استفاده از داده‌های آموزشی سه‌هفته‌ای، می‌توانیم خریدهای غذایی و نوشیدنی را با میزان صحت 74 درصدی پیش‌بینی کنیم.