TechMoon 科技月球
WordPress、SEO 與 AI 工具實測指南
Food Compass 2.0 食物評分查詢工具：分數怎麼讀、台灣飲食有哪些死角
Food Compass 2.0 把 Tufts 發表於 Nature Food 的 9273 項食物評分做成中文查詢工具。本文拆解分數衡量什麼、四套評分系統為何意見相左，以及珍奶泡麵等台灣食物為什麼查不到。
用 AI 摘要這篇文章：
Food Compass 2.0 是美國塔夫茨（Tufts）大學團隊開發、2024 年發表於《Nature Food》的食物營養評分系統，為 9273 項食物與飲料打出 1 到 100 的分數。網址 yingyang.icu 把這份公開的研究資料做成中文可搜尋的介面，打開即用、免註冊。
但這個工具真正值得看的，不是某個食物拿了幾分，而是同一項食物在四套評分系統裡常常打架。例如甜菜葉（beet greens）在 Food Compass 拿到滿分 100，歐洲的 Nutri-Score 卻只給它 C。理解這種分歧，比記住任何一個數字更能幫你判斷這類營養評分工具的資訊價值。
研究是 Tufts 做的，查詢介面是第三方做的
根據研究團隊在《Nature Food》發表的論文（Barrett 等人，2024 年，作者宣稱），Food Compass 2.0 是一套營養素剖析系統（nutrient profiling system），把每一項食物用 54 個屬性、9 個與健康相關的面向來評分，最後合成一個 1 到 100 的整數。分數愈高，代表這項食物在這套模型裡的整體營養表現愈好。9 個面向涵蓋營養素比例、維生素、礦物質、食物成分、添加物、加工程度、特定脂肪、膳食纖維等，是一個相當全面的綜合指標，而不是只看熱量或單一營養素。
這裡有個容易混淆的地方要先講清楚。塔夫茨大學是評分模型的研究者，原始資料在他們的論文附錄與官方網站公開。yingyang.icu 則是第三方把這份公開資料整理成中文搜尋介面，並不是塔夫茨官方推出的產品。工具頁面上沒有營運者名稱、沒有服務條款、也沒有隱私政策。資料本身可信：欄位結構與論文附錄一致，但工具的營運主體不明，這點後面限制段會再談。
它本質上就是一個把研究資料庫包上搜尋框的前端，跟一般用來管理資料的 資料庫用戶端工具 屬於不同類型：這裡你只能查，不能改、不能匯出、不能批次分析。
分數到底在衡量什麼
Food Compass 2.0 最大的特色，是它不採用傳統那種「高蛋白、低脂肪」的簡化標準。根據研究團隊的說明（作者宣稱），評分模型同時考慮維生素、礦物質、膳食纖維的密度，也把加工程度、添加物、特定脂肪比例都算進去。換句話說，一塊原形雞胸肉和一塊加工雞塊，即使蛋白質含量接近，分數也會拉開差距。
依食物群組彙整均分，會看到一個相當清楚的梯度：
| 食物群組 | 項數 | 平均分數 | 最低 | 最高 |
|---|---|---|---|---|
| 豆類、堅果與種子 | 312 | 80.8 | 1 | 100 |
| 海鮮 | 330 | 80.5 | 30 | 100 |
| 蔬菜 | 1468 | 76.2 | 1 | 100 |
| 水果 | 242 | 70.5 | 14 | 100 |
| 醬料與調味品 | 196 | 47.0 | 1 | 100 |
| 乳製品 | 319 | 44.6 | 1 | 87 |
| 肉類、家禽、蛋 | 1069 | 44.1 | 1 | 81 |
| 混合菜餚 | 2551 | 44.1 | 1 | 100 |
| 穀類 | 1005 | 35.7 | 1 | 89 |
| 飲料 | 409 | 32.1 | 1 | 100 |
| 油脂類 | 178 | 24.9 | 1 | 78 |
| 零食與甜點 | 1194 | 18.4 | 1 | 91 |
少加工的植物性食物與海鮮在最頂端，油脂與零食甜點墊底，這個方向符合多數人對營養的常識。但平均分數只說了一半的故事。全部 9273 項的整體平均是 47.3 分、中位數 47 分，標準差將近 28 分，分布相當分散。意思是任何一個群組裡都有極端值，不能只看群組平均就幫單一食物下定論。例如乳製品平均 44.6 分看似普通，但裡頭從無糖優格到調味奶都有，分數落差極大；肉類群組平均 44.1 分，但去皮雞胸肉和加工香腸也被算在同一群裡。
讀分數的三個練習
數字本身不會講話，要把它放進對照組裡才看得出意義。從這份資料集裡，可以整理出三個最能看出這套模型個性的觀察。
### 練習一：2.0 比 1.0 更嫌棄超加工食品
Food Compass 2.0 是 1.0 的改版，把同一項食物的兩個版本分數並排顯示，就能看到模型的心證怎麼移動。改版的方向很一致：對超加工食品更嚴，對少加工的蛋白質更寬。
整顆水煮蛋從 60 分升到 72 分（加 12 分），生雞蛋從 61 升到 73；鮭魚生魚從 97 升到滿分 100，無添加油的烤鮭魚也從 86 升到 95。黃豆煮熟拿到 100 分。相反地，家樂氏原味 Cheerios 麥片從 89 分掉到 77（扣 12 分），巧克力口味從 68 掉到 50（扣 18 分），蜂蜜堅果口味從 74 掉到 58。降幅最大的幾項清一色是含糖穀片與檸檬紅茶飲料（iced tea lemonade 一次掉了 20 分），它們的 NOVA 加工程度標記都是 4，也就是超加工。
這組對照告訴你這套模型在乎什麼：加工程度的權重在 2.0 明顯提高。如果只看單一版本的分數，會錯過這個趨勢。值得一提的是，奶油（butter）這種油脂雖然也從 7 分升到 27 分，漲幅最大，但絕對分數仍然很低，因為它在營養密度這項先天吃虧。改版對它仁慈一點，不代表它變成健康食品。
### 練習二：四套評分系統會吵架
這個工具最有資訊密度的地方，是它同時顯示四套系統：Food Compass Score（FCS，1 到 100 分）、NOVA（加工程度 1 到 4 級）、澳洲的 HSR 健康星級（0.5 到 5 星）、歐洲的 Nutri-Score（A 到 E）。四套系統衡量的重點不同，常常意見相左。先簡單認識它們：NOVA 只看加工程度，不管營養素；HSR 把幾個關鍵營養素與風險因子加權算成星級；Nutri-Score 用每 100 公克的熱量、糖、飽和脂肪、鈉與纖維換成 A 到 E 的顏色標籤。
我把全資料集交叉篩選後發現：有 211 項食物 FCS 在 75 分以上，Nutri-Score 卻只有 C 到 E。例如甜菜葉、瑞士甜菜、蕃茄乾這些 FCS 拿滿分 100 的深色蔬菜，Nutri-Score 給它們 C；胡蘿蔔乾 FCS 100、Nutri-Score 只有 D。反過來也有 72 項食物 FCS 低於 40 分，Nutri-Score 卻拿了 A，幾乎全是代糖與無糖加工品：液態糖精 FCS 只有 1 分卻拿 A，無糖蒟蒻果凍、無糖義式冰品、無糖冰棒也都是 FCS 個位數但 Nutri-Score A。
這不是誰對誰錯。Nutri-Score 的演算法看重每 100 公克的糖、飽和脂肪、鈉與纖維，代糖產品因為糖和熱量極低所以吃香；Food Compass 則把營養密度與加工程度一起算，幾乎沒有真實營養價值的超加工代糖品自然被壓低。看到這種分歧時，與其爭哪個分數準，不如問：我想知道的是這項食物的營養密度、還是它對單一營養素攝取的影響？不同問題該參考不同系統。同一項食物在四套系統裡的相對位置，往往比任何一個絕對數字更能透露它的營養輪廓。
拿鮭魚來實際走一次。生鮭魚 FCS 拿 100 分、NOVA 是 1（未加工）、HSR 給 4.5 星、Nutri-Score 給 A，四套系統難得一致，指向它是營養密度高又少加工的食物。換成原味 Cheerios 麥片，FCS 還有 77 分不算差，但 NOVA 標記為 4（超加工），Nutri-Score 只給 C，HSR 雖有 4.5 星卻掩蓋了加工程度的疑慮。四個指標擺在一起，你才會看出這項食物在營養密度上尚可、但在加工程度上被另一套系統質疑的矛盾。這正是這個工具比單一分數網站更有價值的地方。
### 練習三：台灣常見食物大量缺席
這是資料庫覆蓋範圍最需要先講清楚的事。珍珠奶茶（bubble tea、boba）、拉麵（ramen）、燕麥奶在資料集裡查無對應條目；台灣人熟悉的即食杯麵形式也找不到，雖然資料庫裡有家常湯麵這類條目。粉圓（tapioca）只以布丁的形式出現幾筆，分數從 1 到 33 分不等，跟手搖杯裡的珍珠完全是兩回事。
原因在資料來源。這 9273 項食物的底層是美國農業部的 What We Eat in America 飲食調查資料庫，本質上是北美飲食的樣貌。滷肉飯、鹽酥雞、蚵仔煎、牛肉麵這類台灣主食根本不在採樣範圍裡。所以如果你打開工具搜尋台灣小吃卻查不到，請別誤會成「查不到代表它分數低」。它只是不在這套美國資料庫裡。
這個限制也意味著，工具介面雖然提供簡體中文翻譯，但翻譯是把英文食物名稱用字典轉換出來的（例如把 blueberry 對應到藍莓），對沒有英文對應詞的台灣在地食物幫助有限。想在台灣飲食場景裡用這套分數，能直接查的主要是生鮮原形食物（蔬菜、水果、魚鮮、堅果）、進口食材，以及連鎖美式餐飲與包裝食品。若你手邊已有自己常煮的菜單，搭配像 CookHero 這類食譜排程工具 把食材對應進 Food Compass 資料，會比單純在搜尋框打字更有效率，也能補上台灣食物缺席造成的盲區。
附帶一提，如果你需要的是食物圖像搭配文章或簡報使用，這個工具沒有內建圖片，可以另找 FoodiesFeed 這類免費食物圖庫 補足；Food Compass 的價值在數字與模型，不在視覺素材。
工具本身的幾個硬限制
把資料放一邊，這個工具本身的狀態也有幾個必須先講的限制。
營運主體不明是第一個要留意的。yingyang.icu 沒有掛出營運公司、聯絡方式、服務條款或隱私政策。它是一個純前端靜態網站，搜尋全部在瀏覽器裡跑，沒有帳號、沒有資料庫寫入，理論上不會收集你的查詢內容，但這屬技術推斷，而非營運方可問責的隱私聲明。要把它當作日常信賴的工具之前，這個條款真空要自己衡量。
資料也有凍結日期的問題。Food Compass 2.0 的資料是 2024 年發表的研究快照，工具頁面沒有可見的更新機制。營養科學會持續修正，模型日後可能出 3.0，廠商配方也會變動（同一個品牌的麥片改版後營養成分可能不同）。你看到的分數是某個時間點的模型輸出，不是即時的食品真相。
分數的本質是相對排名，不是處方。研究團隊在後續追蹤研究裡宣稱，長期飲食的平均 Food Compass 分數較高，與若干健康指標的關聯較佳（作者宣稱）。但這是群體統計層級的觀察，不能直接換成「吃這個 90 分的食物你就會更健康」的個人建議。要為自己或家人做飲食決策，這個工具只能當參考之一，不能取代營養師或醫師。
工具定位上，它是查詢介面，不是資料分析工具。如果你想批次分析、或把分數接進自己的應用，直接用塔夫茨官方釋出的原始資料會比手動查這個網站有效率。把 Food Compass 當認識模型的起點，把原始資料當實作材料，會比把它當萬用查詢框更稱職。
什麼人會覺得有用，什麼人會失望
把上面這些限制放進來，這工具的適合圈其實很明確。
適合用的，是想知道某個評分模型如何衡量食物的人：營養系學生、食品研發、內容創作者，或是常買美式連鎖與進口食材、想交叉比對幾套國際評分系統的消費者。對這群人，9273 項食物、四套系統並排、2.0 對 1.0 的版本差異，是很有價值的參考資料。
會失望的，是想直接得到「我午餐該吃什麼」答案的人。這套工具不會告訴你滷肉飯幾分、不會幫你排序夜市小吃，也不會考慮你的個人健康狀況。把它當美食推薦引擎，只會一直撞到查無資料。
實際使用的下一步很簡單。先挑一項你常吃、且在資料庫裡有對應的食物（例如鮭魚、燕麥、雞蛋），同時看四套系統給它的評價，問自己它們為什麼一致或為什麼分歧。這個動作做熟了，你會比只記分數的人更懂這類營養評分系統能告訴你什麼、又在哪裡集體失明。真正要為自己的飲食做決定時，把這個工具的結果當成多個參考中的一個，再搭配專業意見，會是比較穩的用法。
