كيف تحسب سعراتك من دون أن يستهلك ذلك وقتك كله. مقارنة بين 4 طرق، ودقتها الفعلية، والطريقة التي ستستمر عليها حتى بعد 6 أشهر.
مسح بالذكاء الاصطناعي للصور، باركود، قاعدة بيانات، إضافة سريعة: ما القيمة الحقيقية لكل طريقة، ولماذا يتوقف 80 % من الناس خلال 3 أشهر، وكيف تختار بحسب ملفك.
فريق Lean · قراءة 11 دقيقة · تم التحديث في 11 يونيو 2026
تنزيل مجاني
هناك أربع طرق لحساب سعراتك: المسح بالذكاء الاصطناعي عبر الصورة، حيث تصوّر طبقك فيتعرّف الذكاء الاصطناعي على كل صنف وكميته، ومسح الباركود، للمنتجات المعبأة بالاعتماد على بيانات الشركة المصنّعة، وقاعدة البيانات، عبر البحث مع الوزن، وهي الطريقة الأكثر دقة، والإضافة السريعة، وهي تقدير إجمالي شامل خلال 10 ثوانٍ. والطريقة المناسبة هي التي ستتمكن من الاستمرار عليها 6 أشهر، لا الأكثر دقة على الورق. كما أن تسجيل ما تتناوله لا يفيد إلا إذا كان حساب استهلاكك، أي TDEETotal Daily Energy Expenditure: إجمالي إنفاقك من الطاقة خلال 24 ساعة. TDEE = BMR + NEAT + EAT + TEF.، دقيقًا.
لماذا يتوقف 80 % من الناس عن العد خلال 3 أشهر
حساب السعرات الحرارية ينجح. هذه ليست المشكلة. المشكلة أن لا أحد تقريبًا يداوم عليه: تُظهر الدراسات الخاصة ببرامج إنقاص الوزن انسحابًا كبيرًا خلال الأسابيع الأولى، قبل ظهور أول نتيجة واضحة على الميزان.
العبء، عمليًا: البحث عن «صدر دجاج» في قائمة، اختيار الإدخال الصحيح من بين 40 تكرارًا، تقدير 150 غ بالعين، ثم البدء من جديد مع الفاصوليا، ثم زيت الزيتون. ثلاث مرات يوميًا. 90 مرة في الشهر. هذه الأعمال المحاسبية هي ما يقتل التتبّع، لا فكرة التتبّع نفسها.
الخلاصة العملية: اختيار طريقة الإدخال ليس تفصيلًا في سهولة الاستخدام. إنه المتغيّر الذي يحدد ما إذا كانت بياناتك ستظل موجودة بعد 3 أشهر. إليك الطرق الأربع، مرتبة من الأسرع إلى الأكثر تطلبًا.
مسح الذكاء الاصطناعي للصور: 5 ثوانٍ لكل وجبة
تلتقط صورة لطبقك. ويجري الذكاء الاصطناعي في Lean تعرّفًا مزدوجًا: أولًا يتعرّف على كل طعام موجود، مثل الدجاج المشوي أو الفاصوليا الخضراء، ثم يقدّر كمية كل صنف. والنتيجة ليست رقمًا إجماليًا عشوائيًا، بل تفصيلًا صنفًا بصنف، مع السعرات والماكروز لكل سطر.
بالصور، خطوة بخطوة، على وجبة حقيقية:
في الأطباق الشائعة، يكون الخطأ النموذجي نحو ±10% لكل وجبة. وهذا أقل دقة من الميزان، لكنه كافٍ إلى حد كبير لإدارة خسارة الدهون (سنعود إلى ذلك مع قانون الأعداد الكبيرة أدناه). والأهم أنه الطريقة الوحيدة التي تغطي الوجبات من دون ملصق: في المنزل، في المطعم، في الكافتيريا.
هنا يتفوّق Lean: أنت تبقى المتحكّم
فحص الذكاء الاصطناعي لا يفيد إلا إذا استطعت تصحيح ما يقترحه. يتيح لك Lean ثلاثة مفاتيح تحكّم، لكل طعام:
تعديل الكميات
شريط تمرير لكل طعام: هنا، قدّر الذكاء الاصطناعي الخبز بـ 101,4 g، ثم صُحِّح إلى 70 g. يُعاد حساب السعرات وإجمالي الطبق فورًا.
تعديل الماكروز
أنت تعرف وصفتك أفضل من المتوسط؟ هنا، الشيبس: يقترح الذكاء الاصطناعي 4,1 g من الدهون، وأنت تصحّحها إلى 14 g. وتتبعها الدونات والإجمالي.
إعادة فحص طعام واحد
هل أخذ الذكاء الاصطناعي الديك الرومي على أنه جبن؟ تكتب الاسم الصحيح، فيُعاد تحليل السطر وحده، من دون إعادة الطبق كله.
الاختبار أمام Cal AI: تفصيل مقابل حزمة إجمالية
نفس الصورة، على تطبيقين. والفرق واضح للعيان:
وهذا هو الفرق الجوهري مقارنة بمعظم تطبيقات المسح، وعلى رأسها Cal AI: فهي تعطي تقديرًا إجماليًا شاملًا للطبق، أي مجموع السعرات والماكروز من دون تفصيل قابل للتعديل صنفًا بصنف. وإذا كان التقدير غير صحيح، فإما أن تقبله أو تتجاهله. أما مع التفصيل حسب كل صنف، فيمكن تصحيح الخطأ بلمستين.
الاستخدام المناسب: الأطباق المنزلية، والمطاعم، والكافتيريا، وكل الوجبات التي لا تحتوي على باركود. وهي الطريقة الافتراضية لـ 90% من الوجبات.
فحص الباركود: دقة بمستوى الملصق
لكل ما يخرج من عبوة، الباركود لا يُضاهى: القيم الغذائية تأتي مباشرة من بيانات الشركة المصنّعة. يعتمد Lean على قواعد بيانات USDA وOpenFoodFacts، أي ملايين المراجع. تمسح، وتعدّل الكمية، وانتهى الأمر.
والحدّ واضح: طبق المعكرونة المنزلي لا يملك باركودًا. لذلك تتكامل هذه الطريقة طبيعيًا مع فحص الصورة بالذكاء الاصطناعي، ولا تستبدله.
الاستخدام المناسب: التسوق، والوجبات الخفيفة، والمنتجات المصنّعة، والمخفوقات. أعلى دقة في المنتجات الصناعية، ومن دون أي مجهود.
قاعدة البيانات + الميزان: وضع الدقة
الطريقة التقليدية: تزن طعامك، تبحث عنه في قاعدة البيانات، وتدخل الغرامات. مع ميزان مطبخ، هي أدق طريقة موجودة، وهي المستخدمة في تحضيرات المنافسات والبروتوكولات السريرية.
تُظهر لك لوحة «المتبقي / التأثير» قبل حتى أن تؤكد، ما الذي يغيّره الطعام في ميزانيات يومك: السعرات، البروتينات، الكربوهيدرات، الدهون، الألياف. فتقرر عن معرفة، لا بعد فوات الأوان.
يقلّص Lean الاحتكاك إلى الحد الأدنى: سجلّ لأطعمتك المتكررة، بحث في USDA + OpenFoodFacts، وإضافة بلمستين من القائمة. لكن لنكن صريحين بشأن الكلفة الحقيقية: 2 إلى 3 دقائق لكل وجبة، مع انضباط الوزن. وهذا الاحتكاك تحديدًا هو ما ينتج عنه 80% من التخلّي عن الطريقة التقليدية.
الاستخدام المناسب: التنشيف الصارم، وإعادة تشكيل الجسم المتقدمة، والرياضات ذات فئات الوزن. وكذلك 5 إلى 10 أطعمة متكررة في يومك، والتي يجعلها السجل شبه فورية.
الإضافة السريعة: الحزمة التي تنقذ اليوم
بوفيه عيد ميلاد، يوم مزدحم، وجبة واقفة بين اجتماعَين: بعض الوجبات لن تُتتبَّع بدقة أبدًا. تتيح لك الإضافة السريعة إدخال حزمة إجمالية، مع سعرات وماكروز تقديرية، في 10 ثوانٍ. أقل دقة، لكنها أفضل بلا حدود من فجوة في البيانات.
ويتكفّل رصيد السعرات المباشر بالباقي: في اللقطة، هدف 2 143 kcal، والمستهلك 1 000، والمتبقي 1 143، وتُعاد الحسابات باستمرار طوال اليوم. يوم تقريبي لكن مُتتبَّع أفضل من يوم مثالي تم التخلي عنه: المتوسط الأسبوعي هو ما يقود النتيجة، لا نقاء يوم واحد معزول.
الاستخدام المناسب: الأيام المزدحمة، والوجبات الاجتماعية، وخيار احتياطي يمنع الانقطاع. إنها الطريقة التي تمنع فكرة: «فاتتني وجبة، إذًا لا فائدة من الأسبوع كله».
تنزيل مجاني
أي طريقة لأي ملف شخصي
أولًا، مقارنة الطرق الأربع على المعايير الأربعة المهمة: سهولة كل وجبة، الإتاحة (هل تعمل في كل مكان، طوال الوقت)، الاستمرارية على المدى الطويل، والدقة.
فحص الصورة بالذكاء الاصطناعي
صورة واحدة، 5 ثوانٍ
الباركود
الملصق الدقيق
قاعدة البيانات + الميزان
وضع الدقة
الإضافة السريعة
حزمة الاحتياط
++ ممتاز + جيد − نقطة ضعف. و«المدى الطويل» يعني احتمال أنك ستظل تستخدم الطريقة بعد 6 أشهر.
قراءة المقارنة: لا توجد طريقة تفوز في كل شيء. المسح بالذكاء الاصطناعي يتفوق في الالتزام، والقاعدة + الميزان في الدقة، والإدخال السريع موجود فقط لسد الثغرات. ومن هنا تأتي الفئات: الطرق الأربع ليست متعارضة، والاستراتيجية الصحيحة هي مزيج يُضبط بحسب مستوى دقتك المطلوب في تلك اللحظة وجدولك اليومي. ثلاث فئات تغطي الغالبية العظمى من الحالات.
أقل قدر من الاحتكاك، التعلّم بالممارسة
مسح صور بالذكاء الاصطناعي في كل مكان، ورمز شريطي للأطعمة المعبأة، من دون وزن. الهدف الوحيد: الاستمرار 3 أشهر وتدريب عينك على الحصص. الدقة ستأتي لاحقًا، أما العادة فتبنى أولًا.
كل نسبة مئوية مهمة
الميزان + قاعدة البيانات للوجبات المنزلية، ورمز شريطي للأطعمة المعبأة، ومسح بالذكاء الاصطناعي في المطاعم. للمراحل القصيرة التي تؤتي فيها الدقة ثمارها فعلًا: نهاية التنشيف، الوزن الرسمي.
بيانات موثوقة من دون أن تفكر فيها
رمز شريطي ومسح بالذكاء الاصطناعي يوميًا، والإدخال السريع كخيار احتياطي في الأيام المستحيلة. أنت تعرف حصصك أصلًا، وكل ما تريده هو أن تكون البيانات موجودة.
قاعدة الحسم، صالحة للجميع: عند الشك، اختر أخف طريقة تتيقن أنك ستلتزم بها. البيانات المثالية التي تتوقف عن إدخالها بعد 3 أسابيع تساوي صفرًا.
خطأ ±10% الذي يختفي خلال شهر
الاعتراض الكلاسيكي على المسح بالذكاء الاصطناعي: «خطأ ±10% كبير جدًا». هذا تفكير في وجبة واحدة معزولة. لكنك لا تتابع وجبة واحدة: بل نحو 90 وجبة في الشهر.
وردي: وجبات مبالغ في تقديرها. أخضر: وجبات أقل من تقديرها. الخط الأسود: استهلاكك الفعلي. خلال شهر، تتعادل الفروقات.
هذا هو قانون الأعداد الكبيرة (كولموغوروف): الأخطاء العشوائية المستقلة تتعادل كلما زاد عدد الملاحظات. زيادة 12% يوم الاثنين تلغي 8% الناقصة يوم الثلاثاء. وما يبقى خلال شهر هو الانحياز المتوسط للنموذج، وهو قريب من الصفر في مسح مضبوط جيدًا، لا ضجيج وجبة واحدة.
أما الإدخال اليدوي، فيعاني من مشكلة مختلفة تمامًا، وهي انحياز منهجي. فالبشر يقلّلون في الإبلاغ عما يأكلونه، دائمًا في الاتجاه نفسه، والانحياز لا يختفي أبدًا مع الوقت.
الخلاصة: السؤال ليس «هل المسح بالذكاء الاصطناعي مثالي؟» بل «أي طريقة تنتج أدق البيانات على 90 وجبة؟». وهنا تفوز الأتمتة، لأنها تستبدل انحيازًا اتجاهيًا بضجيج يتلاشى.
الحساب لا يكفي: النصف الآخر من المعادلة مفقود
يوميات الطعام المثالية لا تقول شيئًا وحدها. خسارة الدهون هي توازن طاقة سلبي: مدخلات أقل من المخرجات. إذا كان إنفاقك محسوبًا بشكل خاطئ، فإن العجز لديك مجرد وهم محاسبي، ويمكنك عدّ سعراتك بدقة الغرام من دون أن تتقدم خطوة واحدة.
المشكلة: الغالبية العظمى من التطبيقات تقدّر إنفاقك باستخدام Harris-Benedict (1919) أو Mifflin-St Jeor (1990)، وهي معادلات تعتمد على الوزن الخام وتتجاهل تركيب جسمك. عند الوزن نفسه، جسم بنسبة bodyfat 15% وجسم بنسبة bodyfat 30% لا يحرقان بالطريقة نفسها إطلاقًا. Lean يحسب الإنفاق بطريقة مختلفة، عبر أربع خطوات:
BodyScan بالذكاء الاصطناعي
تلتقط صورة داخل التطبيق. يقدّر الذكاء الاصطناعي نسبة الدهون لديك من شكل جسمك الظاهر، ويُعاد ذلك كل أسبوع. هذا القياس هو ما يرسّخ الحساب كله على الكتلة الخالية من الدهون، لا على وزنك الخام.
BMR عبر نموذج خاص حاصل على براءة اختراع
الخوارزمية الحصرية المسجلة لدى Lean تحسب معدل الأيض الأساسي لديك انطلاقًا من كتلتك الخالية من الدهون الحقيقية. أدق من Harris-Benedict 1919 أو Mifflin-St Jeor 1990، اللتين لا تعرفان سوى وزنك.
NEAT وEAT وTEF مقاسة، لا تقديرية
خطواتك تُحتسب ضمن NEAT، وجلساتك الرياضية ضمن EAT عبر جداول MET المرجعية، وTEF يُحسب على أساس الماكروز التي تناولتها فعلًا، بفضل تتبعك تحديدًا.
إعادة حساب التكيف الأيضي
في العجز الممتد، ينخفض BMR. Lean هو أول تطبيق نمذج هذا المعامل وطبقه بشكل ضربي على BMR. الاصطلاح: 100% = مثالي، 90% = تكيف بمقدار 10 نقاط.
النتيجة: ميزان السعرات المباشر يقارن ما تأكله (محسوبًا بالطرق الأربع في هذا الدليل) بما تحرقه فعلًا، مع إعادة الحساب باستمرار. إن الجمع بين النصفين، مدخلات دقيقة ومخرجات دقيقة، هو ما يجعل خسارة الدهون قابلة للتنبؤ. أحدهما من دون الآخر مجرد محاسبة في فراغ.
تنزيل مجاني
الأسئلة الشائعة حول عدّ السعرات الحرارية
كم سعرة حرارية في اليوم لخسارة الوزن؟
هل مسح الصور بالذكاء الاصطناعي موثوق لعدّ السعرات؟
هل يجب وزن الأطعمة لعدّ السعرات؟
هل يجب عدّ السعرات كل يوم؟
لماذا لا أنقص وزني رغم أنني أعدّ سعراتي؟
هل يجعل عدّ السعرات الحرارية الشخصَ وسواسيًا؟
ما الفرق بين Lean وMyFitnessPal لعدّ السعرات الحرارية؟
المراجع
- Burke L.E., Wang J., Sevick M.A. (2011). Self-monitoring in weight loss: a systematic review of the literature. J Am Diet Assoc. PubMed 21185970.
- Alexander E., Tseng E., Durkin N. et al. (2018). Factors associated with early dropout in an employer-based commercial weight-loss program. Obes Sci Pract. PMC6298204.
- Lichtman S.W. et al. (1992). Discrepancy between self-reported and actual caloric intake and exercise in obese subjects. N Engl J Med. PubMed 1454084.
- Martin C.K. et al. (2009). A novel method to remotely measure food intake of free-living individuals in real time: the remote food photography method. Br J Nutr. PubMed 18616837.
- USDA FoodData Central. قاعدة بيانات مرجعية للقيم الغذائية. fdc.nal.usda.gov.
- Open Food Facts. قاعدة بيانات عالمية تعاونية للمنتجات الغذائية المعبأة. world.openfoodfacts.org.
- Hall K.D. et al. (2011). Quantification of the effect of energy imbalance on bodyweight. Lancet. PubMed 21872751.
- Mifflin M.D. et al. (1990). A new predictive equation for resting energy expenditure in healthy individuals. Am J Clin Nutr. PubMed 2305711.
- Harris J.A., Benedict F.G. (1919). A Biometric Study of Basal Metabolism in Man. Carnegie Institution of Washington.
- Ainsworth B.E. et al. (2011). Compendium of Physical Activities: a second update of codes and MET values. Med Sci Sports Exerc. PubMed 21681120.