卡路里攝入與消耗（CICO）在我進行實驗後真的讓我印象深刻。我設法在自己身上驗證了這個模型，並在多年來對數十個人進行了驗證。 簡單的方法是控制人們的飲食和運動。這讓我看到我可以輕鬆地讓他們控制體重。 但後來，我在一篇關於這個主題的博客文章中發現了一種更簡單、參與度更低且更科學的方法。這篇博客文章的標題是《卡路里攝入與消耗》，它展示了一種簡單的方法，你可以用來證明CICO是真實的、真實的，並且是現實的一個很好的描述。 要開始，文章建議你記錄自己的體重，並正確記錄你所吃食物的卡路里攝入量，以及當天的跑步里程。你將這些數據代入一個遞歸關係中，計算出一系列預測的體重。 當你這樣做時，最終會得到非常準確的預測： 夠簡單吧？所以，我為自己做了這個。我測量了我的卡路里攝入、活動等，並開始以驚人的準確度預測我的體重變化。起初我嘗試了幾次並失敗了，但最終，在我將所有測量調整到位後，一切都運作得很好，我甚至可以提前規劃我的日子，仍然得到準確的體重預測。 這對我來說足以證明CICO是有效的。 在我發現這對我有效後，我決定傳播這個理念。我告訴人們這個方法，並將其應用於我當時的女朋友。結果發現，這對她並不奏效。我覺得很奇怪，於是決定更仔細地監測她的活動和飲食，發現她向我報告的情況是錯誤的。當我將所有數據整理後，我們發現了一些差異，當我解決這些問題時，突然這個方法對她也有效了！ 但現在我對記錄問題變得非常敏感。如果你不熟悉，當我們實際使用雙標記水、全房間熱量計和其他類似方法測量卡路里攝入時，有證據表明存在系統性誤報。例如，最近的兩個數據集都顯示，體重較重的人往往低估他們的卡路里攝入：* 因此，我開始引導人們在水斷食期間記錄他們的體重。這似乎是一個快速使預測迅速對齊的單一技巧。 如果你想要更準確，得到預測的方程式有一個每磅體重的燃燒值。對於男性來說，這個值往往高於女性，主要是因為男性的肌肉比例更高，而肌肉往往比脂肪燃燒更多的卡路里。 你可以通過測量你的卡路里攝入和體重，然後計算出燃燒率的最小二乘最佳擬合值來輕鬆獲得這個燃燒值。這篇博客文章的作者做到了這一點（並提供了實現的方法），他似乎花了幾周時間才得到一個穩定的值，但最終他做到了。通過個人估算這個值，你可以進一步提高你的預測。 你也可以通過先進行斷食來更快地得到這個值，因為這消除了由於錯誤估計卡路里攝入而產生的噪音。不錯吧？ 下一個問題是：當你不減肥時，這是否仍然成立？答案是，廣義上說，是的！ 作者繼續記錄，最終到了他們去旅行的階段。他們在自助餐廳用餐，在餐館就餐，無法獲得準確的卡路里計數。他們還吃得足夠多以恢復體重。 如你所見，預測有些失常，但隨後又恢復正常。他們的測量都很好（良好且一致的測量），都混亂了（糟糕且稀疏的測量），然後又恢復正常（良好且一致的返回！）。部分原因是測量不準確，另一部分是我通過實驗驗證的：水重！ 當你減肥時，你會耗盡糖原儲備，體重減輕最初很快，因為大量的水分會隨之流失。當你恢復體重時，你會迅速恢復糖原，因此由於增加的水分而增加體重。這也很容易消失，但會讓模型陷入困境。 如果你開始持續增加體重，你會恢復準確性。或者如果你重新開始減肥，你也會恢復準確性。但在過渡期，當有大幅波動時，你會失去相當大的——但遠非全部——準確性。然後當你維持體重時，你會始終保持準確。 發現這一點讓我感到不可思議。一切真的都有效，你可以可靠地預測你的體重變化。你甚至可以增加複雜性，比如如果你是女性，可以玩弄一下你的週期信息。** 除了可能稍微縮小那些過渡波動外，增加複雜性並不會帶來太多好處，所以無論如何，這都很好。 這裡真正好的地方是，這消除了許多個體間變異性的问题。許多人反對CICO，因為休息激素或活動水平的差異等因素的影響。這沒問題，但在這裡並不相關，因為我們測量的是一個人，他們往往足夠一致，因此這就有效。這本質上是自我控制的，因此在你的校準之後，所有這些個體變化因素都會被消除，除非它們隨著時間的推移而演變，因為你的體重因各種原因而變化。 如果你想自己嘗試，我強烈建議你閱讀這些文章並照此進行。如果你這樣做，你也可以輕鬆地開始真正相信CICO的力量，因為它確實有效，經過實驗驗證。 鏈接： * 我提到的女朋友非常瘦，所以這個系統性偏差不是問題。請注意各個水平點周圍的個體變異性。我認為這是一個更可能的問題。 ** 我認識的一些女性從她們週期的不同階段收集了數據，發現燃燒率存在差異。她們能夠通過這些信息顯著提高預測準確性。