Bayesianische Zyklusmodellierung erklärt: Warum wir Sigma und kein Datum anzeigen

Bayesian Cycle Modeling Explained: Warum wir Sigma zeigen, nicht ein Datum

Die meisten Zyklus-Apps zeigen Ihnen ein selbstbewusstes Datum. "Periode: 14. März." Es sieht aus wie eine Tatsache. Es ist eine UX-Entscheidung, die eine Wahrscheinlichkeitsverteilung hinter einer einzelnen Zahl verbirgt. Das Bayesian Cycle Modeling macht dieselbe Mathematik, zeigt Ihnen aber die Streuung.

Dieser Beitrag erklärt, wie die Mathematik tatsächlich funktioniert, warum Soulwise Sigma anzeigt, anstatt Sicherheit vorzutäuschen, und wie das in der täglichen Benutzeroberfläche aussieht.

Was „Bayesian“ hier tatsächlich bedeutet

Die Bayessche Inferenz kombiniert zwei Dinge:

• Eine A-priori-Wahrscheinlichkeit: deine anfängliche Annahme über die Zykluslänge, bevor Daten von dieser spezifischen Nutzerin vorliegen.
• Eine Likelihood: das, was dir jeder neu protokollierte Zyklus verrät.

Multipliziere sie, normalisiere sie, und du erhältst eine A-posteriori-Wahrscheinlichkeit: deine aktualisierte Annahme. Diese A-posteriori-Wahrscheinlichkeit wird zur A-priori-Wahrscheinlichkeit für den nächsten Zyklus. Das Modell wird mit jedem weiteren Zyklus präziser.

Soulwise beginnt mit einer Gaußschen A-priori-Wahrscheinlichkeit, zentriert bei μ = 28 Tagen mit einer Standardabweichung von σ = 5 Tagen. Dies entspricht der groben Verteilung der Zykluslängen in der Gesamtbevölkerung. Sobald deine eigenen Zyklen protokolliert werden, verschiebt das Modell den Mittelpunkt in Richtung deines persönlichen Durchschnitts und passt die Standardabweichung basierend auf deiner Variabilität an (entweder enger oder weiter).

Das konjugierte Update, in einem Absatz

Bei einer Gaußschen A-priori-Verteilung und einer Gaußschen Likelihood vereinfacht sich die Mathematik elegant. Wenn Ihre A-priori-Verteilung cycle ~ N(mu_0, sigma_0) besagt und Sie x_1, x_2, ..., x_n Zyklen beobachten, ist die A-posteriori-Verteilung ebenfalls Gaußsch:

posterior_mean = (mu_0 / sigma_0^2 + sum(x_i) / sigma_observed^2) / (1 / sigma_0^2 + n / sigma_observed^2)
posterior_sigma = sqrt(1 / (1 / sigma_0^2 + n / sigma_observed^2))

Das bedeutet: Je mehr Zyklen Sie protokollieren, desto weniger Einfluss hat die A-priori-Verteilung und desto mehr dominieren Ihre persönlichen Daten. Nach etwa 3 protokollierten Zyklen trägt die Populations-A-priori-Verteilung nur noch wenig bei; nach etwa 10, ist sie vernachlässigbar.

Was der Nutzer sieht

Die A-posteriori-Verteilung ist eine Kurve. Die Benutzeroberfläche kann in einer Benachrichtigung keine Kurve anzeigen. Daher komprimiert Soulwise sie in zwei Dinge:

• Ein wahrscheinlicher Bereich. Das Fenster, in dem die A-posteriori-Verteilung den Großteil ihrer Masse konzentriert (z. B. das zentrale 68%-Intervall, etwa +/- 1 Sigma).
• Ein Konfidenzlabel. Eines von drei verständlichen englischen Tags:
  • "Likely correlation", wenn Sigma eng und die Daten aktuell sind.
  • "Weak signal", wenn Sigma breit oder die Daten spärlich sind.
  • "Not enough data", wenn weniger als die vom Modell geforderten Mindestzyklen vorliegen.

Statt „Zeitraum: März 14,“ sieht der Nutzer also „Wahrscheinlich März 12–16, weak signal.“ Das ist die tatsächliche Ausgabe des Modells, kein UX-Schnickschnack.

Warum wir nichts verheimlichen

Drei Gründe.

Ehrlichkeit. Ein Zyklustracker kann kein Datum versprechen, das er nicht kennt. Die Angabe der Sigma-Werte ist der einzige Weg, wie die Nutzerin das Vertrauen in die App einschätzen kann.

Sicherheit. Ein zuversichtlich wirkendes Datum verleitet Menschen dazu, ihre Planung darauf aufzubauen – für Dinge, die die App nicht unterstützen kann, darunter Empfängnis, Verhütung und klinische Entscheidungen. Ein Konfidenzlabel sagt: „Dies ist eine Schätzung“ – und genau das ist es auch.

Robustheit bei unregelmäßigen Zyklen. PCOS, midlife transition, Zyklen nach der Pille und Hormontherapie vergrößern alle die Sigma-Werte. Ein traditioneller Tracker liegt entweder massiv danach oder wirft die Nutzerin stillschweigend raus. Ein Bayesscher Tracker kennzeichnet die Schätzung einfach als „schwaches Signal“ und arbeitet weiter.

Was das Modell nicht ist

Einige klare Grenzen, die hier festgehalten werden, damit sie nicht verschwimmen:

• Es schätzt keine spezifischen Zyklusereignisse außerhalb des nächsten Periodenzeitraums.
• Es gibt kein Familienplanungsfenster aus.
• Es ist nicht für Empfängnis- oder Verhütungsanwendungsfälle konzipiert.
• Es ist klinisch nicht validiert und ersetzt keine klinische Beratung bei ausbleibender Periode, unregelmäßigen Blutungen oder anhaltenden Unterstützung und Reflexion.

Diese Grenzen sind nicht darauf zurückzuführen, dass das Modell konservativ ist. Sie sind darauf zurückzuführen, dass das Modell korrekt abgegrenzt ist. Periodenschätzung und Familienplanungsschätzung sind unterschiedliche Probleme mit unterschiedlichen Datenanforderungen und unterschiedlichen regulatorischen Hürden.

Wo die Mathematik auf das tägliche Ritual trifft

In Soulwise speist die Bayessche Ausgabe den Zyklusphasen-Kontext, der beim täglichen Check-in verwendet wird. Das 20-Sekunden-Ritual fragt, wie du dich fühlst; die Antwort verwendet die Zyklusphase als einen von fünf Eingabewerten. Wenn Sigma breit ist, gewichtet die Antwortkarte die Zyklusphase weniger. Wenn Sigma eng ist, gewichtet sie die Zyklusphase stärker. Die Mathematik verdient sich ihr Gewicht, indem sie ehrlich darüber ist, wie sicher sie sich ist.

Die kürzere Version: Ein echter Bayesscher Tracker zeigt Sigma an. Wenn deine App ein einziges sicheres Datum anzeigt, mag das Modell dahinter dasselbe sein, aber die Darstellung verbirgt, was es tatsächlich weiß.