Введение. Базы данных химического состава пищевых продуктов (БД ХСПП) являются важным аналитическим инструментом для пищевой промышленности и исследований в области питания. Они представляют собой всеобъемлющий источник информации о составе пищевых продуктов, содержании нутриентов и других соответствующих данных. Использование таких баз данных становится все более важным в последние годы, поскольку число исследований о влиянии рациона на здоровье неуклонно растет.

БД ХСПП используют для определения содержания нутриентов в пищевых продуктах, включая макроэлементы (например, углеводы, белки и жиры), витамины, минеральные вещества и биологически активные соединения. Информация о содержании нутриентов в пищевых продуктах может быть использована для мониторинга питания и оценки потребления пищи, а также для предоставления рекомендаций по питанию [1]. БД ХСПП также используют для создания инструментов оценки рациона питания и составления таблиц химического состава пищевых продуктов. Кроме того, БД ХСПП используются в эпидемиологических исследованиях для изучения связи между питанием и здоровьем, оценки рисков развития алиментарно-зависимых заболеваний [2].

БД ХСПП применяют для оценки воздействия производства пищевых продуктов на окружающую среду, например, углеродного следа пищевых производств, а также методов ведения сельского хозяйства [3]. К преимуществам использования БД ХСПП относятся их точность, надежность и доступность [4].

БД ХСПП предоставляют точную и актуальную информацию о содержании в пищевых продуктах нутриентов, важных с точки зрения питания и здоровья. Они также являются надежными источниками информации. Кроме того, БД ХСПП легкодоступны, поскольку они открыто размещены в Интернете или опубликованы в печатном формате [5]. Однако существуют некоторые ограничения, связанные с использованием БД ХСПП [6]. Например, некоторые базы данных могут быть недостаточно полными, чтобы собрать всю необходимую информацию о пищевом продукте. Кроме того, некоторые базы данных могут не включать данные из разных стран или регионов, а также могут не содержать подробной информации о способах приготовления (рецептурах) того или иного пищевого продукта или блюда [7][8]. Для того чтобы нивелировать данные ограничения, исследователями применяется ряд мер.

Важным инструментом являются меры контроля качества (МКК) данных. МКК представляют собой установленные руководящие принципы, которые помогают обеспечить точность данных, предоставляя рекомендации по допустимым уровням ошибок или неточностей, а также другие критерии, такие как полнота и предельная давность данных [9]. МКК можно применять к различным типам источников данных, включая ответы на опросы, результаты лабораторных исследований или онлайн-отчеты [10]. Кроме того, они помогают повысить надежность и точность любых выводов, полученных на основе анализа данных, собранных из этих ресурсов [11].

Вторая мера, принимаемая исследователями при работе с БД ХСПП, заключается в ограничении включения определенных типов источников данных в их анализ. Это помогает обеспечить включение только данных из надежных источников, точность которых была проверена до внесения их в базу [12]. Кроме того, задание критериев включения, таких как временные рамки или географический район сбора данных, дополнительно повышает достоверность и надежность любых выводов, сделанных на основе этих ресурсов [13]. Такие ограничения также могут уменьшить систематическую ошибку, возникающую из-за расхождений между системами маркировки или моделями рационов (нутриентные профили рациона) в разных странах, которые в противном случае могли бы негативно повлиять на интерпретацию результатов исследований [14].

Третий подход, часто встречающийся при использовании БД ХСПП, включает ограничение доступа к данным на основе определенных критериев, связанных с целями анализа или потребностями в отчетности, такими как режимы питания, желаемые переменные и т. д. Например, при анализе моделей вегетарианского питания из анализа исключаются все продукты, содержащие продукты животного происхождения, тогда как при анализе всего населения такие элементы могут оставаться частью анализа в зависимости от конкретной поставленной цели [15]. Кроме того, некоторые нутриенты могут нуждаться в установлении границ на основе ограничений, например, для подбора продуктов для больных диабетом второго типа [16]. Добавление фильтров, таких как возраст, пол и др., позволяет ограничить перечень потенциально потребляемой продукции [17]. Наконец, установление исходных параметров заблаговременно значительно ограничивает разброс данных, что позволяет лучше сравнивать статистические показатели, используемые в процессе, тем самым повышая достоверность проводимых анализов более точных моделей [18].

Классификация пищевой продукции, в том числе и для использования при систематизации данных химического состава, оценке фактического потребления пищи и других исследованиях, связанных с питанием, представляет собой сложную задачу, а универсальный подход к ней еще не выработан. Поэтому поиск инструментов и классификационных признаков, позволяющих выстроить систему организации данных в БД ХСПП, представляется крайне актуальным.

Цель исследования – провести лексический анализ наименований пищевых продуктов трех категорий для целей классификации и дальнейшего анализа.

Материалы и методы. В качестве материала для обработки и анализа была выбрана база результатов исследований качества и безопасности пищевых продуктов, выполненных в рамках федерального проекта «Укрепление общественного здоровья» национального проекта «Демография»1 в 2020 и 2021 годах. Для анализа были отобраны результаты исследований химического состава хлебобулочных изделий, мясных полуфабрикатов и питьевого молока.

Для анализа наименований использовали группу основных методов лингвистического анализа. Токенизация – процесс обработки естественного языка, который включает разбиение необработанного текста на более мелкие фрагменты, называемые токенами. В данной работе в качестве токенов рассматривали отдельные слова. В качестве шумовых использовали слова, внесенные в пакет tidytext, такие как «и», «или», «из», «с» и подобные. Всего массив слов для исключения составлял 159 различных единиц. Стемминг – сокращение слова до его грамматической основы, неизменяемой при склонении. Для стемминга использовали алгоритм Snowball («Снежок») [19]. Анализ N-грамм – анализ последовательностей из N слов. В данной работе рассматривали только биграммы – последовательности из двух слов, при этом варианты перестановки слов местами рассматривались как одна форма.

В данной статье рассматривались результаты кластерного анализа указанных групп продуктов, полученные авторами ранее. Кластеризация проводилась методом k-средних, оптимальное число кластеров определялось на основании 30 показателей, таких как индекс Хюберта и индекс Фридмана. Показатели для кластеризации выбирали на основании анализа их распределения с максимально возможным включением критически значимых нутриентов. Для целей настоящего анализа в качестве критически значимых нутриентов рассматривали содержание белка, жира, пищевой соли. Для оценки содержания в образцах пищевых продуктов соли использовали данные о количественном содержании в них натрия.

Алгоритм и соответствующие вычисления реализованы на языке R версии 4.2.1 в среде разработки RStudio [20].

Результаты. Был проведен анализ наиболее часто встречающихся слов в образцах хлебобулочных изделий. По результатам кластеризации [21] было выделено три группы хлеба с различным содержанием критически значимых нутриентов. Первый кластер (301 образец) характеризовался наименьшим содержанием белка и наибольшим содержанием натрия, второй кластер (194 образца) – наибольшим содержанием жира и средним содержанием натрия, третий кластер (306 образцов) – наибольшим содержанием белка и наименьшим содержанием натрия.

После подобного разделения интерес представляло проведение обратного анализа, то есть было необходимо выделить наименования образцов или их части, которые наиболее часто встречались в соответствующих кластерах (табл. 1). Необходимо отметить, что даже без применения стемминга видны слова, которые по частоте встречаемости позволяли дифференцировать одну группу от другой. Так, практически все образцы, содержащие в себе слово «батон», относились к третьему и частично ко второму кластеру. А практически все образцы хлеба «Дарницкого» относились к первому кластеру, то есть к группе с высоким содержанием натрия.

После стемминга можно было сделать дополнительные выводы о том, что во втором кластере продуктов чаще встречается указание на муку и ее сорт, в том числе чаще – указание именно на муку первого или высшего сорта (табл. 2). Это может свидетельствовать о том, что данные категории хлеба специально изготавливаются с большим содержанием жира для улучшения органолептических свойств и, как следствие, потенциальным установлением у потребителя связи между сортностью и вкусом.

Для подтверждения полученных выводов также были проанализированы биграммы, входящие в наименования образцов (табл. 3). В данном случае не были исключены стоп-слова для более корректного анализа. Были подтверждены первичные предположения о том, что существует дополнительная возможность для эмпирического отнесения хлеба к одному или другому кластеру из полученных.

Далее был проведен анализ наиболее часто встречающихся слов на этикетках образцов мясных полуфабрикатов и колбасных изделий. По результатам кластеризации [22] было выделено три группы мясных полуфабрикатов с различным содержанием жира и пищевой соли (натрия).

В первый кластер (457 образцов) попали образцы с минимальным содержанием жира и максимальным содержанием натрия, во вторую группу (179 образцов) – со средним содержанием жира и минимальным содержанием натрия, а в третью (288 образцов) – с высоким содержанием натрия и максимальным содержанием жира.

Для третьей группы продуктов характерно то, что среди их наименований встречается довольно большое количество слов с высокой частотой повторения, что требует более детального анализа, для первичного представления были взяты 20 наиболее часто встречающихся слов (табл. 4).

Необходимо отметить, что именно докторская колбаса наиболее часто относилась к первому кластеру. Однако остальные виды мясных полуфабрикатов распределялись равномерно, с учетом размеров соответствующих групп, среди кластеров.

После стемминга (табл. 5) также невозможно было отделить какие-то конкретные наименования, которые характеризовали бы тот или иной кластер.

Также были проанализированы биграммы, входящие в наименования образцов (табл. 6). В данном случае для более корректного анализа стоп-слова не были исключены. Интерес представляло наличие указания на категорию и вид продукта, именно как применяемый термин.

Можно сделать вывод о том, что продукты категории «Б» чаще встречались в первом и в третьем кластере, чем во втором. Обратную ситуацию наблюдали с продуктами из мяса птицы, что соответствует логике, что данные изделия являются менее жирными. Данный вывод также поддерживает то, что практически все образцы докторской колбасы также были отнесены к первому кластеру.

Был проведен анализ наиболее часто встречающихся слов в образцах молока. По результатам кластеризации [23] были получены три группы: первая группа (49 образцов) – молоко с содержанием жира как 3,2, так и 2,5 %, но с содержанием кальция от 500 до 700 мг/кг, вторая группа (129 образцов) – молоко с содержанием жира 3,2 % и содержанием кальция 1050–1200 мг/кг, третья группа (112 образцов) – молоко с содержанием жира 2,5 % и содержанием кальция 1050–1200 мг/кг.

Очевидно, что в названии фигурирует указание жирности молока, поэтому видно разделение по соответствующим кластерам, а также выявлены образцы, которые по результатам фактических измерений не соответствуют заявленным на этикетке (табл. 7).

После стемминга (табл. 8) были получены аналогичные результаты, отсутствовали специфические формы наименований, которые указывали бы на возможность выделить первый кластер среди остальных.

Также были проанализированы биграммы, входящие в наименования образцов (табл. 9). В данном случае также для более корректного анализа стоп-слова не были исключены. Были подтверждены первичные результаты о том, что отсутствует дополнительная возможность для эмпирического отнесения молока к первому кластеру с меньшим содержанием кальция.

Обсуждение. Классификация пищевых продуктов – это процесс их распределения по категориям на основе их сходства. Это важный шаг в разработке соответствующих баз данных, поскольку он позволяет эффективно находить и сравнивать пищевую ценность продуктов между собой. В литературе представлены различные подходы к классификации пищевых продуктов и описаны преимущества и недостатки каждого из них.

Один из подходов к классификации пищевых продуктов (КПП) основан на их составе. Этот подход привлекателен тем, что позволяет сравнивать продукты на основе их нутриентного профиля, выделяя схожие продукты и их виды. Этот подход также может быть полезен при поиске продуктов, отвечающих определенным диетическим требованиям, таким как низкоуглеводные или веганские рационы [24]. Было отмечено, что этот подход может неточно отражать истинный состав пищевого продукта, поскольку некоторые пищевые вещества могут быть не включены в анализ [25].

Подходы на основе лингвистического анализа используют методы обработки естественного языка для определения релевантных ключевых слов, характеризующих блюда, представленные в онлайн-рецептах или меню ресторанов, чтобы классифицировать их в соответствии с местом их происхождения или типами кухни [26]. Эти методы в значительной степени зависят от точности описания блюд, которые могут быть затруднены из-за тонких различий между кухнями даже в пределах одной группы, например итальянской и италоамериканской кухни. Кроме того, они не учитывают содержание нутриентов, которое также может помочь отличить конкретные блюда, принадлежащие к определенной кухне, поэтому необходимо провести дополнительные исследования, прежде чем этот подход станет широко использоваться.

Визуальные особенности, извлеченные из изображений с использованием методов компьютерного зрения, также недавно были исследованы с многообещающими результатами с точки зрения точности и масштабируемости [27]. Преимущество этого подхода заключается в том, что он более понятен, чем текстовые методы, поскольку визуальные характеристики часто теснее связаны с региональной кухней, чем просто слова, например, японские суши по сравнению с американскими суши-роллами. Однако для извлечения визуальных признаков требуются специализированные модели глубокого обучения, построенные на больших наборах данных, что может ограничивать его использование небольшими организациями с меньшим количеством вычислительных ресурсов, чем необходимо для реализации подобных моделей.

Напротив, модели, основанные на паттернах использования ингредиентов, продемонстрировали потенциал в качестве альтернативного метода, способного точно классифицировать различные блюда в разных культурах без необходимости большого объема данных [28]. Анализируя онлайн-рецепты, можно определить частые сочетания ингредиентов, связанные с конкретными типами блюд, а также культурные предпочтения, что позволяет проводить точную классификацию без прямого доступа к наборам данных изображений блюд. Хотя этот метод по-прежнему в значительной степени зависит от ручных процессов описания ингредиентов, он потенциально может обеспечить эффективный способ классификации ранее неизвестных блюд, как только будет предоставлено достаточно обучающих примеров.

Учитывая вышеизложенное, можно сделать вывод о том, что современный потребитель является внимательным, изучающим доступную ему информацию о продукте и интересующимся потенциальным влиянием продукта на состояние своего здоровья.

Таким образом, государственная политика в области здоровьесбережения должна быть направлена на повышение возможности осуществления корректного выбора пищевых продуктов (осознанный выбор для формирования здорового рациона) посредством управления как доступными торговыми наименованиями, которые будут достоверно отражать состав или категорию продукта, так и максимально полным составом его маркировки.

В российском законодательстве требования к наименованиям продуктов установлены в ТР ТС 0222, а именно наименование пищевой продукции, указываемое в маркировке, должно позволять относить продукцию к пищевой продукции, достоверно ее характеризовать и позволять отличать ее от другой пищевой продукции. Однако данная формулировка ограничена тем, что наименования должны быть сформулированы в соответствии с действующими техническими регламентами. Таким образом, продукция не обязательно будет иметь наименования, которые могли бы позволить отнести ее к тому или иному виду, предусмотренному национальными или международными стандартами. Это было бы необходимым условием для соотнесения показателей качества и соответствующих наименований продуктов.

При анализе наименований различных групп пищевых продуктов было выявлено наличие взаимосвязи между наличием отдельных слов и словосочетаний и химическим составом этих продуктов. В частности, исследование показало, что данная связь имеется у тех групп продуктов, где наименования являются более описательными, то есть для хлебобулочных изделий и для мясных полуфабрикатов и колбасных изделий. Однако эта связь должна быть доведена до потребителя, так как само по себе включение таких конкретных обозначений, как хлеб «Дарницкий» или колбаса «Докторская», в наименование продукта не ассоциируется с тем или иным уровнем содержания нутриента. Для молока же подобная связь отсутствует, то есть отсутствует какая-либо возможность разделения молока с низким и средним содержанием кальция. Для потребителя это означает невозможность самостоятельной оценки уровня потребляемого кальция, что особенно критично для детей и пожилых людей.

Учитывая, что стандарты на соответствующие группы продуктов являются определяющими в части формирования наименований, данное исследование демонстрирует важность стандартизации как деятельности по косвенному управлению ожиданиями потребителей пищевой продукции. С точки зрения государственной задачи по управлению качеством продуктов, необходимо развивать стандарты вида «общие технические условия» для соответствующих групп продукции. Закрепление сортности не ограничит торговые возможности, но повысит прозрачность выбора для покупателей.

Заключение. Данное исследование показало, что для некоторых групп продуктов наименования или их отдельные части могут быть ассоциированы с химическим составом этих продуктов. Данный факт может быть использован в первую очередь для систематизации данных химического состава пищевых продуктов в БД ХСПП, создания классификаций пищевой продукции, дальнейших исследованиях как для оценки восприятия потребителем продукции, так и для составления более корректных моделей потребления, учитывающих специфику наличия выявленных подгрупп в различных регионах. Будущие исследования должны быть сосредоточены на изучении более конкретных аспектов этой взаимосвязи, например региональных особенностей и различных трактовок при переводе наименований импортной продукции. Такие исследования могли бы в итоге дать возможность разработки дополнительной классификации пищевых продуктов для создания достоверной базы данных химического состава пищевых продуктов.

1. Паспорт федерального проекта «Формирование системы мотивации граждан к здоровому образу жизни, включая здоровое питание и отказ от вредны х привычек», реализующийся в рамках исполнения Указа Президента Российской Федерации от 07.05.2018 № 204 «О национальных целях и стратегических задачах развития Российской Федерации на период до 2024 года». 2. ТР ТС 022/2011 «Технический регламент Таможенного союза. Пищевая продукция в части ее маркировки». Введен в действие решением Комиссии Таможенного союза от 09.12.2011 № 881 «О принятии технического регламента Таможенного союза “Пищевая продукция в части ее маркировки”».