The collection and processing of personal data offers great opportunities for technological advances, but the accumulation of vast amounts of personal data also increases the risk of misuse for malicious intentions, especially in health care. Therefore, personal data are legally protected, e.g., by the European General Data Protection Regulation (GDPR), which states that individuals must be transparently informed and have the right to take control over the processing of their personal data. In real applications privacy policies are used to fulfill these requirements which can be negotiated via user interfaces. The literature proposes privacy languages as an electronic format for privacy policies while the users privacy preferences are represented by preference languages. However, this is only the beginning of the personal data life-cycle, which also includes the processing of personal data and its transfer to various stakeholders. In this work we define a personal privacy workflow, considering the negotiation of privacy policies, privacy-preserving processing and secondary use of personal data, in context of health care data processing to survey applicable Privacy Enhancing Technologies (PETs) to ensure the individuals’ privacy. Based on a broad literature review we identify open research questions for each step of the workflow.

Enforcement of General Data Protection Regulation strengthens privacy in Europe and especially emphasizes protection of special categories of data as required in health care. Layered Privacy Language intends to model privacy policies to enforce them. Hereby, a special focus lays on the Policy-based De-identification process, which is based on anonymization and privacy models. Motivated by a health care scenario, this work shows pseudonymization capabilities are essential for health care. An overview of pseudonymization methods is given, showing a great variety of methods for different use cases. Therefore, a pseudonymization extension for Layered Privacy Language is introduced to define several pseudonymization methods. Furthermore, pseudonymization is added to Policy-based De-identification process of the overarching privacy framework of Layered Privacy Language. An example policy configuration is given demonstrating the introduced pseudonymization extension on the given health care example. The results are discussed, concluded, and future work is introduced.

This preliminary study investigates the relationship between cooking skills ‘CS’ (ability to prepare food), food skills ‘FS’ (educational level about food and nutrition), sociodemographic factors (age, gender, height, weight, physical activity levels, and predefined diets), psychological behaviour (how mood states influence food intake), interest in a healthy sustainable lifestyle, and other food-centric factors. Using self-reported data from a total of 126 participants from 2 distinct surveys, the results mainly show a positive correlation between food-related scores like CS and FS, and differences in external factors (eg, social environment) that influence eating habits. While some relationships between self-reported behaviour and actual nutrition are limited due to the studies design and scope, the findings highlight the critical role of CS and FS in promoting sustainable eating habits, weight management, and cooking skills. The study emphasises the need for further research and the development of educational strategies to improve dietary behaviour and overall well-being. Another contribution is the publication of all developed tools and apps for free use to promote future research.

Systèmes de recommandation de nourritures intégrant la santé, explicabilité et incitant le changement de comportement: Le problème de surpoids et obésité touche des milliards d'adultes. En limitant le champ d'actions à la nutrition, l'aide doit offrir des conseils diététiques faciles à intégrer au quotidien. Les recommandations de repas pour toute la journée qui tiennent compte de conditions de santé d'usagers doivent intégrer les préférences des utilisateurs, les objectifs nutritionnels et le contexte quotidien (p. ex., l'heure et la date). Cependant, les jeux de données de recettes et les systèmes de recommandation existants manquent souvent de lignes directrices générales de santé, capturent mal les interactions utilisateur-produit, ou ne fournissent pas d'explications ni d'autres méthodes de persuasion pour améliorer l'efficacité des recommandations. Cette thèse comble ces lacunes et évalue des systèmes proposés pour la planification de repas en tenant compte de l'état de santé. Nous présentons un état-de l'art approfondi sur la nutrition et sur la persuasion, un aperçu des LLM, et les travaux connexes en matière de jeux de données et d'approches de recommandation. Ensuite, nos contributions se déclinent en trois parties. Notre première contribution est HUMMUS, un grand graphe alimentaire lié, incluant environ 500000 recettes, 300000 utilisateurs, 1,9 million d'interactions, des scores nutritionnels et des liens sémantiques vers FoodOn (hiérarchie de produits alimentaires) et FoodData (ingrédients nutritionnels et données de produits). Elle permet de raisonner sur des classes d'ingrédients et de vérifier des nutriments. Sa taille, la présence d'interactions et la diversité des informations nutritionnelles améliorent l'utilisabilité par rapport aux jeux de données connexes. Nous discutons de la parcimonie des données (sparsity), du prétraitement et des options de filtrage qui soutiennent différents protocoles expérimentaux. Notre deuxième contribution est une étude des comportements centrés sur l'alimentation. Nous avons collecté des questionnaires et des journaux alimentaires via une application en ligne afin d'explorer les corrélations entre compétences alimentaires (FS), compétences culinaires (CS) et contexte de consommation. L'échantillon comprend 78 participants. Les résultats montrent que FS et CS sont corrélés. Ces constats et l'application utilisée aident à explorer le domaine des comportements alimentaires et à améliorer les études et systèmes de recommandation futurs. Notre troisième contribution est un cadre pour la recommandation quotidienne de menus pour la journée, y compris des explications. Nous concevons et mettons en œuvre deux approches acceptant des entrées en langage naturel. La première, un système KBQA, recommande des menus journaliers, gère plusieurs contraintes nutritionnelles et produit des explications étayées par des chemins. Elle étend la base PFoodReq par ces fonctions, mais en hérite aussi des problèmes d'évolutivité et applique des contraintes souples. Nous proposons ensuite l'architecture FoodRAG, un pipeline modulaire, agentique et basé sur des LLM, qui réalise la recherche de recettes, la validation, la substitution d'ingrédients et l'explication pas à pas. Malgré un coût de calcul supérieur aux lignes de base, sa grande adaptabilité produit des recommandations de menus de repas plus ciblées. Les deux systèmes sont évalués et comparés à des approches de référence (collaboratives et basées sur le contenu). La persuasion est abordée via l'intégration de mécanismes de gamification adaptés, la génération d'explications et des aides génériques d'interface. Comme les méthodes collaboratives performent mal sur des données éparses telles que HUMMUS, nous évaluons des bases de référence simples basées sur le contenu, le système KBQA et trois variantes de FoodRAG. Le système de recherche Text-to-Pandas (un LLM qui transforme des questions en langage naturel en requêtes Pandas exécutées sur le jeu de données de FoodRAG) donne les meilleurs résultats de recherche de recettes.