Bayesianische Zyklusmodellierung erklärt: Warum wir Sigma anzeigen, nicht ein Datum

Die meisten Zyklus-Apps zeigen ein genaues Datum an. "Periode: 14. März." Es wirkt wie eine Tatsache. Es ist eine Designentscheidung der Benutzeroberfläche, die eine Wahrscheinlichkeitsverteilung hinter einer einzigen Zahl verbirgt. Die Bayesianische Zyklusmodellierung führt dieselbe Mathematik durch, zeigt aber die Streuung.

Dieser Artikel erklärt, wie die Mathematik wirklich funktioniert, warum Soulwise Sigma anzeigt statt Gewissheit vorzutäuschen, und wie das im täglichen Interface aussieht.

Was "Bayesianisch" hier wirklich bedeutet

Bayesianische Inferenz kombiniert zwei Dinge:

• Einen Prior: deine anfängliche Überzeugung über die Zykluslänge, bevor du Daten von dieser spezifischen Nutzerin hast.
• Eine Likelihood (Wahrscheinlichkeit): was dir jeder neu erfasste Zyklus mitteilt.

Multipliziere sie, normalisiere und du erhältst eine Posterior: die aktualisierte Überzeugung. Diese Posterior wird zum Prior für den nächsten Zyklus. Das Modell wird präziser, je mehr Zyklen eintreffen.

Soulwise beginnt mit einem Gaußschen Prior, zentriert bei mu = 28 Tagen mit einer Standardabweichung von sigma = 5 Tagen. Das ist die ungefähre Form der Zykluslängenverteilung in der Gesamtbevölkerung. Wenn deine eigenen Zyklen erfasst werden, verschiebt das Modell den Mittelpunkt in Richtung deines persönlichen Durchschnitts und verengt (oder weitet) das Sigma basierend auf deiner Variabilität.

Das konjugierte Update, in einem Absatz

Für einen Gaußschen Prior und eine Gaußsche Likelihood vereinfacht sich die Mathematik elegant. Wenn dein Prior besagt Zyklus ~ N(mu_0, sigma_0) und du die Zyklen x_1, x_2, ..., x_n beobachtest, ist die Posterior ebenfalls Gauß'sch:

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))

Auf Deutsch: Je mehr Zyklen du erfasst, desto weniger zählt der Prior und desto mehr dominieren deine persönlichen Daten. Nach etwa 3 erfassten Zyklen trägt der Bevölkerungs-Prior wenig bei; nach etwa 10 ist er Rauschen.

Was der Nutzer sieht

Die Posterior ist eine Kurve. Die Benutzeroberfläche kann keine Kurve in einer Benachrichtigung anzeigen. Daher komprimiert Soulwise sie auf zwei Dinge:

• Einen wahrscheinlichen Bereich. Das Zeitfenster, in dem die Posterior den Großteil ihrer Masse konzentriert (z. B. das zentrale 68%-Intervall, ungefähr +/- 1 Sigma).
• Ein Konfidenzlabel. Eines von drei Schlüsselwörtern in einfacher Sprache:
  • "Wahrscheinliche Korrelation", wenn Sigma eng ist und die Daten aktuell sind.
  • "Schwaches Signal", wenn Sigma weit ist oder die Daten spärlich sind.
  • "Nicht genügend Daten", wenn weniger als die Mindestanzahl an erfassten Zyklen vorliegt.

Anstatt "Periode: 14. März" sieht die Nutzerin also "Wahrscheinlich 12.–16. März, schwaches Signal." Das ist der tatsächliche Output des Modells, kein Interface-Schmuck.

Warum nichts verbergen

Drei Gründe.

Ehrlichkeit. Ein Muster-Tracker kann kein Datum versprechen, das er nicht kennt. Sigma anzuzeigen ist die einzige Möglichkeit für die Nutzerin, das Vertrauen in die App zu kalibrieren.

Sicherheit. Ein sicher wirkendes Datum verleitet Menschen dazu, dafür zu planen, was die App nicht leisten kann, einschließlich Empfängnis, Verhütung und klinischer Entscheidungen. Ein Konfidenzlabel sagt "das ist eine Schätzung", was es nun einmal ist.

Robustheit bei unregelmäßigen Zyklen. PCOS, Perimenopause, Zyklen nach der Pille und Hormontherapie weiten alle Sigma aus. Ein traditioneller Tracker liegt entweder sehr falsch oder lässt die Nutzerin stillschweigend im Stich. Ein Bayesianischer Tracker kennzeichnet die Schätzung einfach als "schwaches Signal" und arbeitet weiter.

Was das Modell nicht ist

Einige klare Grenzen, damit sie nicht verwässern können:

• Es schätzt keine spezifischen Zyklusereignisse über den nächsten Perioden-Datumsbereich hinaus.
• Es liefert kein Familienplanungsfenster.
• Es ist nicht für Anwendungsfälle rund um Empfängnis oder Verhütung ausgelegt.
• Es ist nicht klinisch validiert und ersetzt nicht den klinischen Rat bei ausbleibenden Perioden, unregelmäßigen Blutungen oder anhaltenden Symptomen.

Diese Grenzen sind nicht auf übermäßige Vorsicht des Modells zurückzuführen. Sie spiegeln einen korrekt abgesteckten Anwendungsbereich wider. Zyklusschätzung und Fruchtbarkeitsschätzung sind unterschiedliche Probleme mit unterschiedlichen Datenanforderungen und unterschiedlichen regulatorischen Vorgaben.

Wo Mathematik auf das tägliche Ritual trifft

In Soulwise speist der Bayesianische Output den Zyklusphase-Kontext, der beim täglichen Check-in verwendet wird. Das 20-Sekunden-Ritual fragt, wie du dich fühlst; die Antwort nutzt die Zyklusphase als einen von fünf Eingaben. Wenn Sigma weit ist, gewichtet die Antwortkarte die Zyklusphase weniger. Wenn Sigma eng ist, gewichtet sie sie stärker. Die Mathematik verdient ihren Platz, indem sie ehrlich darüber ist, wie sicher sie sich ist.

Kurz gesagt: Ein echter Bayesianischer Tracker zeigt Sigma an. Wenn deine App ein einzelnes sicheres Datum zeigt, kann das zugrunde liegende Modell identisch sein, aber die Darstellung verbirgt, was es wirklich weiß.