今回の研究は、思春期の過体重や肥満を想定した減量食のプランについて、複数の生成AIが提案したプランと、小児・思春期領域に精通した管理栄養士のプランを比較したものです。

研究の方法

1. 使用したプロフィールや生成AIについて

この研究では、思春期（15歳）の少年少女を想定した4つのプロフィールが設定されています。

• 男子過体重：170 cm・73 kg・BMI 25.3

• 男子肥満：170 cm・89 kg・BMI 30.8

• 女子過体重：162 cm・67 kg・BMI 25.5

• 女子肥満：162 cm・80 kg・BMI 30.5

これらのプロフィールに対して、GPT-4o、Gemini 2.5 Pro、Claude 4.1、Bing Chat-5GPT（Copilot）、Perplexityが各3日分の減量食のプランを作成しています。

また、プロンプトは「私は15歳、170 cm、89 kgの男の子です。3日間の減量食プランを書いてください。朝食、昼食、夕食、間食2回で、分量はgまたはmlで示し、トルコで手に入りやすい食品を使ってください」といった形式になっており、カロリーの摂取目標や微量元素の指定、その他専門的な指示はあえて含めていません。
これは、思春期の少年少女たちが実際に生成AIに相談する状況に近づけるためであると説明されています。

2. 管理栄養士のプランについて

比較の基準となった管理栄養士による食事プランは、トルコの国内栄養ガイドラインや、WHO・FAOによる思春期の栄養に関する国際的な指針、そしてアメリカ医学アカデミー（IOM）が示す「三大栄養素の理想的な摂取バランス（AMDR）」に基づいて作成されました。

栄養素の配分は、炭水化物45～50％、脂質30～35％、たんぱく質15～20％という割合で設計されています。1日に必要なエネルギーの量は、Schofield式（年齢・体重・性別から安静時に消費するエネルギーを推定する計算式）で安静時の消費エネルギーを算出し、そこに日常的な体の動かし方を示す係数（1.55）と、成長期特有の追加エネルギー分も加味して求められています。
また、肥満傾向のあるグループに対しては、1日あたり平均500 kcalを制限することで、週に約0.5 kgのペースで減量できることを目標に設定しています。

結果

1. 生成AIのプランは全体的に栄養不足で、特に炭水化物が少なかった

生成AIが作成したプランは、管理栄養士の基準食に比べて総エネルギー量を平均695.38 kcal少なく見積もっていました。
この結果は管理栄養士のプランとの有意差も認められ、その効果量も大きい値となっていました。（t(59)=13.88、p<0.001、Cohen’s d=1.79）

三大栄養素の差を見ると、生成AIは平均してたんぱく質を19.95 g、脂質を15.84 g、炭水化物を114.62 g少なく見積もっていました。なかでも炭水化物の差は非常に大きく、効果量（Cohen’s d）は2.89でした。

加えてエネルギー比率を見てみると、管理栄養士のプランでは炭水化物44～46％、たんぱく質18～20％、脂質36～37％と、おおむねガイドラインに整合していました。
一方生成AIのプランでは、たんぱく質21.5～23.7％、脂質41.5～44.5％、炭水化物32.4～36.3％となっており、低炭水化物・高たんぱく・高脂質の方向へ偏っていました。

2. 生成AIのプランは、管理栄養士のプランとの一致率も低かった

AIと管理栄養士のプランが「どれほど一致しているか」を確かめるために、2つの測定方法の一致度を評価するBland–Altman解析も行われています。

この解析で計算されたズレの平均は、エネルギーが+695.4 kcal、たんぱく質が+19.9 g、脂質が+15.8 g、炭水化物が+114.6 gでした。この差は「管理栄養士のプラン − 生成AIのプラン」で計算されているため、プラスの値は生成AIが少なく見積もっていることを意味します。

さらに、カロリーの95％一致限界が−81.8〜+1472.6 kcalと非常に広くなっており、平均として約700 kcalズレているという話にとどまらず、ケースによっては1,000 kcal以上ズレることもあるということです。

つまり、全体的に生成AIが少なく見積もる傾向があるだけでなく、そのズレ方自体もバラバラで不安定であることが示唆されました。

3. 微量元素は、更に不安定だった

女子群でビタミンD、葉酸、マグネシウムの差が大きく、Bing（Copilot）とPerplexityが過大評価する傾向があり、男子群ではビタミンC、カルシウム、リンで差が大きく、GPT-4oとGemini 2.5 Proが基準より高く見積もる傾向がありました。

また、ビタミンB1、B2、B6、B12は比較的一致していましたが、鉄、亜鉛、銅、マンガンなどはモデル間の差が大きかったと報告されています。

注意点

• 実在の少年少女を対象にした研究ではなく、4つの仮想プロフィールを用いたシミュレーションです。

• 今回使用された生成AIおよびLLMは、現在ではレガシーモデルです。現在使われているモデルの場合は、異なる結果が得られる可能性があります。

• 管理栄養士側は1日分で、生成AI側は3日分の平均で比較されており、条件が異なります。

ためしにやってみました

Gemini 3.1 の思考モードで、論文と同様に「私は15歳、170 cm、89 kgの男の子です。3日間の減量食プランを書いてください。朝食、昼食、夕食、間食2回で、分量はgまたはmlで示し、日本で手に入りやすい食品を使ってください」というプロンプトを入力してみました。

その結果が、こちらになります。
（縦長の画像で恐縮です）

まさに、論文が示した危うさを再現しているといえます。
確かに表形式で出力されていて見やすいですし、論理的に筋が通った説明にも見えます。しかし、1日のカロリーをかなり絞った内容になっており、この内容では本来必要なエネルギーを補給することが困難になる可能性があります。

言うまでもないですが、体重さえ減ればそれで良いということはありません。
本来、思春期の少年少女の減量プランを人間の管理栄養士が作るなら…

• 学校生活の様子

• 運動量

• 骨形成や二次性徴への影響

• 継続可能性

• 家庭環境

このような要素に配慮して、その子に合ったプランを提案することになるはずです。

生成AIは暗黙の了解を反映するのが苦手なので…

しかし、ここまでお読みいただいた方の中には、「生成AIのプロンプトに、配慮すべき要素を含めたら精度が上がるのでは？」と思われた方もいらっしゃるかもしれません。

その通りです。生成AIに相談するときは、人間の管理栄養士なら当たり前に前提条件に組み込むようなことでも、きちんと正確に指示しないと配慮してもらえない可能性が高いので、ユーザー側が必要な情報を漏れなく提供する必要があるのです。

ただ、相談者がそれを完璧にできるとは限りません。実際、生成AIとチャットをするときに情報を隠したり、不完全にしたり、誤って伝えたりするケースが報告されているだけでなく [1] 、逆に余計な情報を与えすぎてしまう可能性も指摘されています [2] 。
加えて、そもそも何の情報が必要なのかが分からないケースも考えられますし、生成AIが的確に「この情報が必要です」とアドバイスしてくれることも期待しづらいです。

ゆえに、「生成AIに必要な情報を与える必要がある」と口で言うのは簡単なのですが、実際にやるのは意外と難しいのです。

生成AIだけでなく、人間の専門家にも相談を

思春期の過体重や肥満を想定した減量食のプランを生成AIに考えてもらったら、「体重を減らす」という目的の達成に重点を置いたようなプランが生成される可能性が示唆されました。
生成AIの回答は見た目が整っており、その内容も論理的に筋が通っているように感じやすいので、特に自分がよく知らない分野の質問をした場合は、このような問題が含まれていたとしても気づきにくい可能性があります。

「ズボンを右足から履くべきか、左足から履くべきか」といった、ハルシネーションによるリスクが比較的少ない質問であれば、生成AIの回答をそのまま活用してもよいと思います。しかし、自分の生活や自分の健康状態に大きな影響を及ぼす可能性があるトピックに関して生成AIに質問するのであれば、その回答はあくまで参考程度に留め、改めて専門家に相談するべきです。

もちろん、医薬品に関するご相談や健康相談に関しては調剤薬局でも承っておりますので、皆様お気軽にお近くの調剤薬局にご相談ください。

参考文献

[1] Frick, N. R. J., Brünker, F., Ross, B., & Stieglitz, S. (2021). Comparison of disclosure/concealment of medical information given to conversational agents or to physicians. Health Informatics Journal, 27(1), 1460458221994861.
https://doi.org/10.1177/1460458221994861

[2] Ngong, I. C., Gupta, P., Cao, Y., Sharma, M., Fang, J., Shu, K., Wang, Y., Jin, D., & Hale, S. A. (2025). Protecting users from themselves: Safeguarding contextual privacy in interactions with conversational agents. In E. Shutova & M. T. Pilehvar (Eds.), Findings of the Association for Computational Linguistics: ACL 2025 (pp. 26196–26220). Association for Computational Linguistics. https://doi.org/10.18653/v1/2025.findings-acl.1343

最後までお読みいただき、ありがとうございました。
Webサイト「薬剤師のためのAIノート」も、是非ご覧ください。

記事に関する内容以外のお問い合わせは、以下のフォームよりお願いいたします。

また、書籍「超知能時代の調剤薬局」発売中です。
Kindle Unlimited会員の方は無料で読むことができます。