Η Μπεϊζιανή μοντελοποίηση κύκλου με απλά λόγια: Γιατί δείχνουμε σίγμα, όχι μια ημερομηνία

Οι περισσότερες εφαρμογές κύκλου σού δείχνουν μια ημερομηνία με σιγουριά. «Περίοδος: 14 Μαρτίου.» Μοιάζει με γεγονός. Είναι μια επιλογή σχεδιασμού UX που κρύβει μια κατανομή πιθανοτήτων πίσω από έναν μόνο αριθμό. Η Μπεϊζιανή μοντελοποίηση κύκλου κάνει τα ίδια μαθηματικά, αλλά σου δείχνει το εύρος.

Αυτή η ανάρτηση εξηγεί πώς λειτουργούν στην πραγματικότητα τα μαθηματικά, γιατί το Soulwise αναδεικνύει το σίγμα αντί να προσποιείται βεβαιότητα, και πώς φαίνεται αυτό στο καθημερινό περιβάλλον χρήστη.

Τι σημαίνει στ' αλήθεια εδώ ο όρος «μπεϊζιανός»

Η μπεϊζιανή συμπερασματολογία συνδυάζει δύο πράγματα:

• Μια εκ των προτέρων πεποίθηση (prior): την αρχική σου εκτίμηση για τη διάρκεια του κύκλου, πριν αποκτήσεις δεδομένα από αυτόν τον συγκεκριμένο χρήστη.
• Μια πιθανοφάνεια (likelihood): τι σου αποκαλύπτει κάθε νέος καταγεγραμμένος κύκλος.

Πολλαπλασίασέ τα, κανονικοποίησε, και προκύπτει μια εκ των υστέρων πεποίθηση (posterior): η επικαιροποιημένη σου εκτίμηση. Αυτή η εκ των υστέρων πεποίθηση γίνεται η εκ των προτέρων για τον επόμενο κύκλο. Το μοντέλο γίνεται πιο ακριβές όσο φτάνουν περισσότεροι κύκλοι.

Το Soulwise ξεκινά με μια γκαουσιανή εκ των προτέρων πεποίθηση με κέντρο mu = 28 ημέρες και τυπική απόκλιση sigma = 5 ημέρες. Αυτό είναι το κατά προσέγγιση σχήμα της διάρκειας του κύκλου στον ευρύτερο πληθυσμό. Καθώς καταγράφονται οι δικοί σου κύκλοι, το μοντέλο μετατοπίζει το κέντρο προς τον προσωπικό σου μέσο όρο και στενεύει (ή χαλαρώνει) το sigma με βάση τη δική σου μεταβλητότητα.

Η συζυγής ενημέρωση, σε μία παράγραφο

Για μια Gaussian prior και μια Gaussian likelihood, τα μαθηματικά απλοποιούνται όμορφα. Αν η prior σου λέει cycle ~ N(mu_0, sigma_0) και παρατηρείς κύκλους x_1, x_2, ..., x_n, η posterior είναι επίσης Gaussian:

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))

Με απλά λόγια: όσο περισσότερους κύκλους καταγράφεις, τόσο λιγότερο μετράει η prior και τόσο περισσότερο κυριαρχούν τα προσωπικά σου δεδομένα. Μετά από ~3 καταγεγραμμένους κύκλους, η prior του πληθυσμού συνεισφέρει ελάχιστα· μετά από ~10, είναι θόρυβος.

Τι βλέπει ο χρήστης

Η εκ των υστέρων κατανομή είναι μια καμπύλη. Το περιβάλλον δεν μπορεί να δείξει μια καμπύλη σε μια ειδοποίηση. Έτσι, το Soulwise τη συμπυκνώνει σε δύο πράγματα:

• Ένα πιθανό εύρος. Το παράθυρο όπου η εκ των υστέρων κατανομή τοποθετεί το μεγαλύτερο μέρος της μάζας της (π.χ., το κεντρικό διάστημα 68%, περίπου +/- 1 σίγμα).
• Μια ετικέτα εμπιστοσύνης. Μία από τρεις απλές, κατανοητές ενδείξεις:
  • «Πιθανή συσχέτιση» όταν το σίγμα είναι στενό και τα δεδομένα πρόσφατα.
  • «Ασθενές σήμα» όταν το σίγμα είναι ευρύ ή τα δεδομένα λιγοστά.
  • «Ανεπαρκή δεδομένα» όταν είναι διαθέσιμοι λιγότεροι από τους ελάχιστους καταγεγραμμένους κύκλους που χρειάζεται το μοντέλο.

Έτσι, αντί για «Περίοδος: Μάρτιος 14,» ο χρήστης βλέπει «Πιθανώς Μάρτιος 12-16, ασθενές σήμα». Αυτό είναι το πραγματικό αποτέλεσμα του μοντέλου, όχι ένα στολίδι του UX.

Γιατί δεν κρύβουμε τίποτα

Τρεις λόγοι.

Ειλικρίνεια. Ένας ανιχνευτής μοτίβων δεν μπορεί να υποσχεθεί μια ημερομηνία που δεν γνωρίζει. Η ανάδειξη του σίγμα είναι ο μόνος τρόπος για να βαθμονομήσει ο χρήστης την εμπιστοσύνη του.

Ασφάλεια. Μια ημερομηνία που φαίνεται σίγουρη παρακινεί τους ανθρώπους να σχεδιάσουν γύρω της πράγματα που η εφαρμογή δεν μπορεί να υποστηρίξει, όπως τη σύλληψη, την αντισύλληψη και τις κλινικές αποφάσεις. Μια ένδειξη βεβαιότητας λέει «αυτό είναι μια εκτίμηση», που είναι ακριβώς αυτό που είναι.

Αντοχή στους ακανόνιστους κύκλους. Το σύνδρομο πολυκυστικών ωοθηκών, η περιεμμηνόπαυση, οι κύκλοι μετά το χάπι και η ορμονοθεραπεία διευρύνουν όλα το σίγμα. Ένας παραδοσιακός ανιχνευτής είτε πέφτει εντελώς έξω είτε εγκαταλείπει σιωπηλά τον χρήστη. Ένας μπεϋζιανός ανιχνευτής απλώς χαρακτηρίζει την εκτίμηση ως «ασθενές σήμα» και συνεχίζει να δουλεύει.

Τι δεν είναι το μοντέλο

Λίγα αυστηρά όρια, γραμμένα ώστε να μην ξεθωριάσουν:

• Δεν εκτιμά συγκεκριμένα γεγονότα του κύκλου πέρα από το εύρος ημερομηνιών της επόμενης περιόδου.
• Δεν παράγει χρονικό παράθυρο οικογενειακού προγραμματισμού.
• Δεν είναι σχεδιασμένο για περιπτώσεις σύλληψης ή αντισύλληψης.
• Δεν έχει κλινική επικύρωση και δεν αντικαθιστά την κλινική συμβουλή για καθυστερημένη περίοδο, ακανόνιστη αιμορραγία ή επίμονα συμπτώματα.

Αυτά τα όρια δεν σημαίνουν ότι το μοντέλο είναι συντηρητικό. Σημαίνουν ότι έχει σωστά οριοθετηθεί. Η εκτίμηση της περιόδου και η εκτίμηση για οικογενειακό προγραμματισμό είναι διαφορετικά προβλήματα, με διαφορετικές ανάγκες σε δεδομένα και διαφορετικά κανονιστικά πρότυπα.

Όπου τα μαθηματικά συναντούν το καθημερινό τελετουργικό

Στο Soulwise, το αποτέλεσμα κατά Bayes τροφοδοτεί το πλαίσιο φάσης κύκλου που χρησιμοποιείται στο καθημερινό check-in. Το τελετουργικό των 20 δευτερολέπτων σε ρωτά πώς νιώθεις· η απάντηση αξιοποιεί τη φάση του κύκλου ως ένα από πέντε δεδομένα εισόδου. Όταν το σίγμα είναι ευρύ, η κάρτα απόκρισης δίνει μικρότερη βαρύτητα στη φάση του κύκλου. Όταν το σίγμα είναι στενό, της δίνει μεγαλύτερη. Τα μαθηματικά κερδίζουν τη βαρύτητά τους όντας ειλικρινή για το πόσο σίγουρα είναι.

Η συντομότερη εκδοχή: ένας πραγματικός ανιχνευτής κατά Bayes αναδεικνύει το σίγμα. Αν η εφαρμογή σου δείχνει μία και μόνη σίγουρη ημερομηνία, το μοντέλο από κάτω μπορεί να είναι το ίδιο, αλλά ο τρόπος παρουσίασης κρύβει αυτό που πραγματικά γνωρίζει.