食物种族测试

食物种族测试是一个引人入胜、数据驱动的测验，它揭示了日常食物偏好如何惊人地预测自我报告的种族或民族身份。其核心是来自美国大规模饮食调查的严格实证分析，证明文化食物模式远比随意刻板印象所暗示的更加结构化——且可预测。

其基础可追溯到对公共饮食数据的详细二次分析，很可能来自由疾病控制与预防中心（CDC）运营的金标准项目——国家健康与营养调查（NHANES）。NHANES自1970年代起收集全国代表性的健康和营养数据，包括详细的食物频率问卷（FFQ），参与者报告他们食用数百种特定食物和饮料的频率。多个调查周期组合后，这些数据集涵盖了数万名同时自我识别种族/民族（通常为非西班牙裔白人、非西班牙裔黑人、西语裔和亚裔类别）的受访者。

在2025年由East Hunter在Substack上发布的分析《黑人真的喜欢炸鸡吗？》中，一位研究者将随机森林分类器——一种在预测建模中广泛使用的稳健机器学习算法——应用于这些来自NHANES的数据。仅使用自我报告的食物消费频率作为预测变量（不包括年龄、收入或地点等人口统计输入），该模型在保留测试样本上将个体正确分类为其自我报告的种族/民族群体，准确率达82%。这远远超过四个群体随机猜测的约40%基线。模型性能进一步通过Cohen’s Kappa值为0.74得到验证，表明超出偶然的“实质性”一致性——这是分类任务中强有力的统计支持。

这种高准确率凸显了一个实证现实：美国各民族群体之间存在系统性的食物偏好差异，这些差异由文化传统、地区历史、移民模式以及代代相传的家庭食谱驱动。例如，较高报告消费的炒蔬菜、豆腐或饺子强烈指向亚裔偏好；Tex-Mex类如玉米饼作为配菜或莎莎酱指向西语裔模式；炸鸡、肉汁酱或某些糖果与黑人偏好一致；而葡萄酒、低热量汽水或茅屋奶酪则倾向于白人模式。这些信号并非随机——随机森林算法通过特征重要性排名识别出最具区分度的食物，并生成清晰的“相对于其他民族的额外偏好”条形图。

食物种族测试将这一数据驱动的洞察提炼成简洁、引人入胜的测验形式。它直接从分析的偏好排名图表中提取每个群体前八项最具预测性的食物。用户只需对是否定期（至少每月）享用每种食物回答“是”或“否”，然后提交即可立即获得结果，揭示他们的味觉最接近哪种民族模式。

表面上看似玩乐，但该测试的力量在于其基于真实大规模调查数据和经过验证的机器学习结果。它突显文化如何深深嵌入日常习惯，将像味觉这样私人的东西转变为对群体身份惊人可靠的代理——这一切都由实证证据支持，而非轶事。在大数据时代，这项工作展示了人类差异以微妙、可量化的方式显现，邀请人们反思食物、文化与身份的交汇。

参考文献

• Bennett, G., Bardon, L. A., & Gibney, E. R. (2022). A comparison of dietary patterns and factors influencing food choice among ethnic groups living in one locality: A systematic review. Nutrients, 14(5), Article 941. https://doi.org/10.3390/nu14050941
• East Hunter. (2025, December 31). Do Black people really like fried chicken? East Hunter.