日本の未就学児の食事の困った行動をAIで予測する研究：食事の頻度と野菜摂取、どちらのデータがより役立つか

🍽️ 未就学児の「偏食」って、どんな問題？

小さなお子さんを持つ親御さんにとって、「うちの子、好き嫌いが多くて困る」「野菜を全然食べてくれない」といった食事に関する悩みは尽きないものです。特に未就学児の時期は、食の好みがはっきりと表れやすく、特定の食べ物だけを選んで食べる「選択的摂食行動」、いわゆる「偏食」が見られることが少なくありません。

この偏食は、単なる「わがまま」で片付けられない、いくつかの重要な問題を引き起こす可能性があります。まず、栄養バランスの偏りです。特定の食品ばかり食べたり、特定の食品を全く食べなかったりすることで、成長に必要なビタミン、ミネラル、タンパク質などの栄養素が不足し、子どもの健やかな成長に影響を及ぼすことがあります。例えば、野菜不足は食物繊維の摂取量低下につながり、便秘の原因となることもあります。

次に、食事の時間が親子にとってストレスになることです。親は「食べさせなければ」という焦りから、子どもは「食べたくないものを無理やり食べさせられる」という抵抗感から、食事の時間が楽しい団らんの場ではなく、緊張や対立の場になってしまうことがあります。これが続くと、子どもの食への興味を失わせたり、親子の関係に悪影響を与えたりする可能性も指摘されています。

さらに、偏食は将来の食習慣にも影響を及ぼすことがあります。幼い頃に培われた食の好みや習慣は、大人になってからの食生活の基礎となるため、偏食が固定化すると、生活習慣病のリスクを高めることにもつながりかねません。このような理由から、子どもの偏食を早期に発見し、適切な対応をとることが非常に重要だと考えられています。

💡 AIが子どもの偏食を予測する？研究の目的と背景

近年、医療や公衆衛生の分野では、人工知能（AI）や機械学習（ML）の技術が、病気の診断やリスク予測、治療効果の推定など、さまざまな場面で活用され始めています。膨大なデータを分析し、人間では見つけにくいパターンや法則性を見つけ出すAIの能力は、子どもの健康問題の早期発見にも大きな可能性を秘めています。

今回ご紹介する研究は、まさにこのAIの力を借りて、日本の未就学児における偏食（選択的摂食行動）を早期に予測しようと試みたものです。研究者たちは、子どもの偏食を予測するために、どのような種類の食事データが最も効果的であるかという問いに焦点を当てました。具体的には、「野菜の摂取状況」に関する詳細なデータと、「さまざまな食品の摂取頻度」に関するデータ（食事頻度質問票、FFQ）の2種類を比較し、どちらがより正確に偏食を予測できるかを検証しました。

この研究の目的は、AIを活用することで、親御さんが気づきにくい、あるいは「一時的なものだろう」と見過ごしがちな子どもの偏食を、より客観的かつ早期に特定できる可能性を探ることです。早期に偏食を特定できれば、栄養士や小児科医などの専門家が、より早い段階で個々の子どもに合わせたアドバイスやサポートを提供できるようになり、子どもの健やかな成長を支援し、親の食事に関するストレスを軽減することにもつながると期待されています。

🔬 研究の進め方：どんな子どもたちを、どう調べたの？

研究の対象者

この研究では、日本の3歳から6歳までの未就学児283人のデータが分析されました。この年齢層は、食の好みが形成されやすく、偏食が顕著になりやすい時期であるため、早期介入の重要性が高いと考えられています。研究は、ある一時点でのデータを収集・分析する「横断研究」として実施されました。

「偏食」の定義

研究では、子どもの「偏食」を客観的に評価するために、「選択的摂食行動スコア」という指標が用いられました。このスコアが1.59以上の子どもが「偏食がある」と定義されました。このスコアは、子どもの好き嫌いや食べ物の選り好みに関する質問票（例えば、「新しい食べ物をなかなか試さない」「特定の食感のものを嫌がる」といった項目）の結果を数値化したもので、偏食の程度を測るための標準的な方法の一つです。

比較した2種類のデータ

AIモデルの予測性能を比較するために、以下の2種類の食事に関するデータが入力情報として使用されました。

1. 野菜摂取データ： 15種類の指定された野菜（例：トマト、ピーマン、ほうれん草など）について、子どもがどれくらいの頻度で食べているかという詳細な情報です。
2. 食事頻度質問票（FFQ）データ： 15種類の一般的な食品項目（例：肉、魚、ご飯、パン、乳製品など、より広範な食品群）について、子どもがどれくらいの頻度で食べているかという情報です。
   
   （簡易注釈：食事頻度質問票（FFQ）とは、Food Frequency Questionnaireの略で、過去一定期間（例えば1ヶ月間）に特定の食品をどれくらいの頻度で摂取したかを尋ねる調査票のことです。個人の一般的な食習慣を把握するのに用いられます。）

これらの食事データに加えて、子どもの年齢と性別も予測因子としてAIモデルに組み込まれました。

AI（機械学習）モデルの活用

研究者たちは、偏食を予測するために、合計11種類の異なる機械学習アルゴリズムを訓練し、その性能を評価しました。これにより、11,253通りもの特徴量（予測に使うデータ項目）とモデルの組み合わせが検証されました。

モデルの性能評価には、「5分割交差検証」という手法が用いられました。

（簡易注釈：5分割交差検証とは、データを5つのグループに分け、そのうち4つのグループをAIの学習に使い、残りの1つのグループで予測の正確さを評価する、という作業を5回繰り返す手法です。これにより、モデルが未知のデータに対してもどれだけ正確に予測できるか、その汎用性を客観的に測ることができます。）

評価指標としては、以下の5つが用いられました。

• 精度（Accuracy）： 全体として、偏食があるかないかをどれだけ正しく予測できたかの割合。
• 適合率（Precision）： AIが「偏食がある」と予測した子どもの中で、実際に偏食があった割合。
• 再現率（Recall）： 実際に偏食がある子どものうち、AIがどれだけ見逃さずに「偏食がある」と予測できたかの割合。
• F1スコア： 適合率と再現率のバランスを示す指標で、両方が高いときに高値になります。
• ROC-AUC： 偏食がある子どもとない子どもを、AIがどれだけうまく区別できるかを示す総合的な指標です。値が1に近いほど識別能力が高いことを意味します。

重要な予測因子の特定

さらに、どのデータ項目が偏食の予測に最も貢献したかを特定するために、「順列重要度分析」という手法が実施されました。

（簡易注釈：順列重要度分析とは、AIモデルの予測に使われたデータ項目（特徴量）の中から、予測結果に最も大きな影響を与えているものを特定する手法です。特定のデータ項目をランダムに入れ替えたときに、モデルの予測性能がどれだけ低下するかを測ることで、その項目の重要度を評価します。）

📊 研究結果：AIはどちらのデータでより正確に予測できた？

この研究で11種類の機械学習アルゴリズムと2種類のデータ（野菜摂取データと食事頻度質問票データ）を比較した結果、子どもの偏食を予測する上で、野菜摂取データに基づいたAIモデルの方が、食事頻度質問票（FFQ）データに基づいたモデルよりも優れた性能を示すことが明らかになりました。

特に、野菜摂取データを用いた「L1ロジスティック回帰」というAIモデルが最も高い予測性能を示しました。その主な結果は以下の通りです。

上記の表からわかるように、野菜摂取データを用いたモデルは、ROC-AUCが0.717と比較的高い値を示しており、偏食のある子どもとない子どもを区別する能力が優れていることが示されました。特にF1スコアも0.808と高く、適合率と再現率のバランスが取れていることがわかります。

また、順列重要度分析の結果、野菜摂取データに基づくL1ロジスティック回帰モデルにおいて、トマト、ネギ、里芋の3つの野菜が、子どもの偏食を予測する上で特に重要な因子であることが特定されました。

一方、食事頻度質問票（FFQ）データを用いたモデルの中では、「ナイーブベイズ」というAIモデルが比較的良い識別能力（ROC-AUC = 0.619）を示しましたが、野菜摂取データを用いたモデルには及ばない結果となりました。

この結果は、子どもの偏食を早期に発見するためには、一般的な食品の摂取頻度だけでなく、特定の食品、特に野菜の摂取状況に関する詳細な情報が非常に有効であることを示唆しています。

🧐 研究の考察：なぜ野菜摂取データが優れていたのか？

今回の研究結果は、子どもの偏食を予測する上で、一般的な食事頻度よりも、具体的な「野菜の摂取状況」に関する詳細なデータがより有効であることを明確に示しました。では、なぜ野菜摂取データが優れていたのでしょうか？

その理由として、いくつかの点が考えられます。

1. 偏食の本質との関連性： 子どもの偏食は、多くの場合、特定の味（苦味、酸味など）、食感（ネバネバ、シャキシャキなど）、匂い、見た目などに対する強い拒否反応として現れます。野菜は、これらの要素を多様に持ち合わせている食品群であり、子どもが嫌いやすい特徴を多く含んでいます。そのため、どの野菜をどの程度食べているかという具体的な情報は、子どもの「好き嫌い」のパターンをより直接的に反映し、偏食の有無を予測する上で強力な手がかりとなったと考えられます。
2. 情報の具体性： 食事頻度質問票（FFQ）が「肉」「魚」「穀物」といった比較的大きな食品群の摂取頻度を尋ねるのに対し、野菜摂取データは「トマト」「ネギ」「里芋」といった個別の野菜に焦点を当てています。この詳細な情報が、子どもの食事の好みの微妙な違いや、特定の食品に対する拒否反応をより正確に捉えることを可能にしたのでしょう。
3. 特定の野菜の重要性： 研究で特に重要な予測因子として挙げられた「トマト」「ネギ」「里芋」は、それぞれ子どもにとって特徴的な要素を持っています。
   • トマト： 酸味や独特の食感、生で食べることが多い点など。
   • ネギ： 強い匂いや辛味、独特の食感など。
   • 里芋： ぬめりやねっとりとした食感など。

   これらの野菜に対する好き嫌いは、子どもの味覚や食感に対する感受性、あるいは調理法への適応能力を反映している可能性があり、それが偏食の有無と強く関連していたと考えられます。

この結果は、子どもの食生活を評価する際には、単に「バランスよく食べているか」という大まかな視点だけでなく、「具体的にどの食品を、どのように摂取しているか」という詳細な視点が非常に重要であることを示唆しています。特に野菜の摂取状況を詳しく把握することが、偏食の早期発見に繋がるという点で、今後の栄養指導や健康管理において重要な示唆を与えるものです。

👨‍👩‍👧‍👦 実生活へのアドバイス：子どもの偏食にどう向き合う？

今回の研究で、AIが子どもの偏食を早期に予測する可能性が示されましたが、日々の生活の中で親御さんができることもたくさんあります。子どもの偏食に悩んだときに、ぜひ試していただきたい実生活へのアドバイスをいくつかご紹介します。

• 無理強いはしない： 「食べなさい！」と無理強いすると、食事の時間が嫌いになり、かえって偏食が悪化することがあります。一口でも食べたら褒める、食べなくても責めない、という姿勢が大切です。
• 楽しい食事環境を作る： 食事の時間は、家族で楽しく過ごす時間であることを意識しましょう。テレビを消し、会話を楽しみながら、リラックスした雰囲気で食卓を囲むことが重要です。
• 調理法を工夫する： 子どもが嫌いな野菜も、調理法を変えることで食べやすくなることがあります。
  • 細かく刻んでハンバーグやカレーに混ぜ込む。
  • 甘みのある食材（カボチャ、サツマイモなど）と一緒に調理する。
  • スープやスムージーにして、見た目や食感を変える。
  • 揚げたり焼いたりして、香ばしさを加える。
• 一緒に料理をする体験： 子どもが料理に参加することで、食材への興味が湧き、自分で作ったものを食べてみようという意欲につながることがあります。簡単な作業（野菜を洗う、混ぜる、盛り付けるなど）から始めましょう。
• 少量から試す、繰り返し提供する： 新しい食べ物や嫌いな食べ物は、ごく少量から提供し、食べられなくても諦めずに、日を変えて繰り返し食卓に出してみましょう。子どもは何度も経験することで、食べられるようになることがあります。
• 親が手本を示す： 親が「おいしいね」と言いながら、さまざまな食べ物を楽しんで食べる姿を見せることは、子どもにとって何よりの食育になります。
• 見た目を工夫する： キャラクターの形にしたり、彩り豊かに盛り付けたりすることで、子どもの食欲を刺激することができます。
• 栄養バランスは1日・1週間単位で考える： 毎食完璧な栄養バランスを目指すのは大変です。1日や1週間を通して、さまざまな食品が摂取できていれば大丈夫、と少し肩の力を抜いて考えましょう。
• 専門家への相談をためらわない： どうしても偏食が改善しない、子どもの成長に影響が出ているかもしれないと感じたら、小児科医や管理栄養士に相談しましょう。専門家は、個々の子どもの状況に合わせた具体的なアドバイスやサポートを提供してくれます。

今回の研究のように、AIが偏食の早期発見に役立つようになれば、親御さんが一人で抱え込まずに、より早く専門家のサポートを受けられるようになるかもしれません。未来の技術が、子育ての悩みを少しでも軽くしてくれることを期待しましょう。

🚧 研究の限界と今後の課題

今回の研究は、AIが子どもの偏食予測に有効な可能性を示唆する画期的なものですが、いくつかの限界点と今後の課題も存在します。

• 横断研究であること： 本研究は、ある一時点のデータを用いて分析を行う「横断研究」です。そのため、「野菜摂取が少ないから偏食になった」といった因果関係を明確に断定することはできません。偏食が先にあり、その結果として特定の野菜の摂取が少なくなった可能性も考えられます。今後の研究では、長期的な視点で子どもの食生活と偏食の関連を追跡する「縦断研究」が必要となるでしょう。
• 対象者数の限定性： 研究対象となった子どもは283人であり、日本の未就学児全体を代表するには限定的な数です。より大規模な集団での検証や、異なる地域、社会経済的背景を持つ子どもたちでの研究を通じて、結果の汎用性を確認する必要があります。
• 自己申告によるデータ収集： 食事に関するデータは、親御さんの記憶に基づく自己申告によって収集されています。これにより、記憶の偏りや、実際よりも良い食生活を報告してしまう「報告バイアス」が生じる可能性があります。客観的な食事評価方法（例えば、食事記録や写真記録など）を組み合わせることで、より正確なデータ収集が望まれます。
• 日本の未就学児に限定： 本研究の結果は、日本の3～6歳の子どもを対象としたものです。食文化や生活習慣が異なる他の国や地域、あるいは異なる年齢層の子どもたちに、そのまま結果を適用できるとは限りません。
• AIモデルのさらなる改善： 今回のAIモデルは一定の予測性能を示しましたが、さらに精度を高める余地があります。より多くのデータや、異なる種類のデータ（例えば、子どもの発達状況、親の食習慣、家庭環境など）を組み合わせることで、予測性能の向上が期待されます。
• 実用化に向けた課題： AIによる偏食予測を実生活で活用するためには、手軽にデータを収集できる仕組みや、予測結果をどのように親や専門家にフィードバックするか、といった実用化に向けた課題を解決する必要があります。また、AIによる予測が「診断」と受け取られないように、倫理的な側面やプライバシー保護にも十分な配慮が求められます。

これらの課題を克服し、研究がさらに進展することで、AIが子どもの偏食の早期発見と適切な介入に、より大きく貢献できるようになることが期待されます。

まとめ

今回の研究は、AI（機械学習）を活用することで、日本の未就学児の偏食を早期に予測できる可能性を示した画期的なものです。特に、一般的な食事頻度に関するデータよりも、「トマト、ネギ、里芋」といった具体的な野菜の摂取状況に関する詳細なデータが、偏食の予測においてより高い有効性を持つことが明らかになりました。

子どもの偏食は、栄養不足や成長への影響、そして親子の食事ストレスなど、さまざまな問題を引き起こす可能性があります。そのため、早期に偏食の兆候を捉え、適切なサポートを行うことが、子どもの健やかな成長にとって非常に重要です。

この研究結果は、将来的にAIが、親御さんが気づきにくい偏食のサインを早期に特定し、小児科医や管理栄養士といった専門家が、より個別化されたアドバイスや介入を提供するための強力なツールとなり得ることを示唆しています。これにより、親御さんの負担が軽減され、すべての子どもたちが楽しく、バランスの取れた食生活を送れるようになる未来が期待されます。

もしお子さんの偏食で悩んでいる方がいらっしゃいましたら、一人で抱え込まず、今回の研究のような新しい知見や、信頼できる専門機関の情報を活用し、必要であれば専門家へ相談することを強くお勧めします。子どもの「食べる」をサポートすることは、その子の未来の健康を育む大切な一歩です。

関連リンク集

• <a href="https://www.mhlw.go.jp
  

  書誌情報

  DOI	10.34763/jmotherandchild.20263001.d-25-00036
  PMID	42286440
  PubMed URL	https://pubmed.ncbi.nlm.nih.gov/42286440/
  発行年	2026
  著者名	Sakane Naoki, Kawaguchi Yaeko, Somei Junichiro, Suganuma Akiko, Domichi Masayuki
  著者所属	Division of Preventive Medicine, Clinical Research Institute, National Hospital Organisation NHO Kyoto Medical Centre, Kyoto, Japan.
  雑誌名	J Mother Child