مدل‌سازی بیزی چرخه به زبان ساده: چرا سیگما را نشان می‌دهیم، نه یک تاریخ

بیشتر اپ‌های چرخه یک تاریخ قاطع به شما نشان می‌دهند. «دوره: 14 مارس.» شبیه یک واقعیت به نظر می‌رسد. اما این یک انتخاب تجربهٔ کاربری است که یک توزیع احتمال را پشت یک عدد پنهان می‌کند. مدل‌سازی بیزی چرخه همان محاسبات را انجام می‌دهد، اما پراکندگی را به شما نشان می‌دهد.

این نوشته توضیح می‌دهد که این محاسبات واقعاً چطور کار می‌کنند، چرا Soulwise به‌جای تظاهر به قطعیت، سیگما را نمایان می‌سازد، و این موضوع در رابط کاربری روزانه چه شکلی دارد.

معنای واقعی «بیزی» در اینجا چیست

استنتاج بیزی دو چیز را با هم ترکیب می‌کند:

• یک پیش‌فرض (prior): باور آغازین شما دربارهٔ طول چرخه، پیش از آنکه داده‌ای از این کاربر مشخص داشته باشید.
• یک درست‌نمایی (likelihood): آنچه هر چرخهٔ تازه ثبت‌شده به شما می‌گوید.

این دو را در هم ضرب کنید، نرمال‌سازی کنید و به یک پسین (posterior) می‌رسید: باور به‌روزشدهٔ شما. آن پسین به پیش‌فرضِ چرخهٔ بعدی تبدیل می‌شود. با رسیدن چرخه‌های بیشتر، مدل دقیق‌تر می‌شود.

Soulwise با یک پیش‌فرض گاوسی آغاز می‌شود که در mu = 28 روز متمرکز است و انحراف معیار آن sigma = 5 روز است. این همان شکل تقریبی طول چرخه در میان جمعیت گسترده‌تر است. همین‌طور که چرخه‌های خودتان ثبت می‌شوند، مدل مرکز را به سمت میانگین شخصی شما جابه‌جا می‌کند و sigma را بر اساس میزان تغییرپذیری شما تنگ‌تر (یا گشادتر) می‌کند.

به‌روزرسانی مزدوج، در یک پاراگراف

برای یک پیشین گاوسی و یک درست‌نمایی گاوسی، ریاضیات به‌زیبایی ساده می‌شود. اگر پیشین شما بگوید cycle ~ N(mu_0, sigma_0) و شما چرخه‌های x_1, x_2, ..., x_n را مشاهده کنید، پسین نیز گاوسی است:

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))

ترجمه: هرچه چرخه‌های بیشتری ثبت کنید، پیشین کم‌اهمیت‌تر می‌شود و داده‌های شخصی شما بیشتر غالب می‌شوند. پس از حدود 3 چرخهٔ ثبت‌شده، پیشینِ جمعیتی سهم کوچکی دارد؛ پس از حدود 10, تنها نوفه است.

آنچه کاربر می‌بیند

توزیع پسین یک منحنی است. رابط کاربری نمی‌تواند در یک اعلان منحنی نشان دهد. پس Soulwise آن را به دو چیز فشرده می‌کند:

• یک بازهٔ محتمل. پنجره‌ای که توزیع پسین بیشتر جرم خود را در آن قرار می‌دهد (مثلاً بازهٔ مرکزی 68%، تقریباً ‎+/-‎ 1 سیگما).
• یک برچسب اطمینان. یکی از سه برچسب ساده و روشن:
  • «همبستگی محتمل» وقتی سیگما باریک است و داده‌ها تازه‌اند.
  • «سیگنال ضعیف» وقتی سیگما گسترده است یا داده‌ها کم‌اند.
  • «دادهٔ کافی نیست» وقتی تعداد چرخه‌های ثبت‌شده کمتر از حداقل مورد نیاز مدل است.

پس به‌جای «دوره: 14, مارس» کاربر می‌بیند «احتمالاً 12–16, مارس، سیگنال ضعیف.» این خروجی واقعی مدل است، نه یک آرایش ظاهری در تجربهٔ کاربری.

چرا چیزی پنهان نمی‌کنیم

سه دلیل.

صداقت. یک ردیاب الگو نمی‌تواند تاریخی را وعده دهد که از آن بی‌خبر است. نمایش سیگما تنها راهی است که کاربر می‌تواند اعتماد خود را کالیبره کند.

ایمنی. یک تاریخِ به‌ظاهر مطمئن مردم را تشویق می‌کند برای کارهایی برنامه‌ریزی کنند که اپ از پسِ آن‌ها برنمی‌آید؛ از جمله بارداری، پیشگیری از بارداری و تصمیم‌های بالینی. برچسب اطمینان می‌گوید «این یک تخمین است»، که واقعاً هم همین است.

استواری در برابر چرخه‌های نامنظم. سندرم تخمدان پلی‌کیستیک، پیش‌یائسگی، چرخه‌های پس از قطع قرص و هورمون‌درمانی همگی سیگما را گسترده‌تر می‌کنند. یک ردیاب سنتی یا به‌شدت اشتباه می‌کند یا کاربر را بی‌سروصدا رها می‌کند. اما یک ردیاب بیزی فقط تخمین را «سیگنال ضعیف» برچسب می‌زند و به کار خود ادامه می‌دهد.

آنچه این مدل نیست

چند محدودیت قطعی که نوشته شده‌اند تا هیچ‌گاه دستخوش تغییر نشوند:

• رویدادهای مشخص چرخه را فراتر از بازهٔ زمانی پریود بعدی تخمین نمی‌زند.
• بازهٔ تنظیم خانواده ارائه نمی‌دهد.
• برای کاربردهای بارداری یا پیشگیری از بارداری طراحی نشده است.
• از نظر بالینی اعتبارسنجی نشده و جایگزین مشاورهٔ پزشکی برای پریودهای از قلم‌افتاده، خونریزی نامنظم یا علائم پایدار نیست.

این محدودیت‌ها به معنای محتاط بودن مدل نیستند. بلکه نشان‌دهندهٔ آن‌اند که دامنهٔ مدل به‌درستی تعریف شده است. تخمین پریود و تخمین تنظیم خانواده دو مسئلهٔ متفاوت‌اند با نیازهای دادهٔ متفاوت و معیارهای نظارتی متفاوت.

جایی که ریاضیات با آیین روزانه گره می‌خورد

در Soulwise، خروجی بیزی به بافت فاز چرخه که در ثبت احوال روزانه استفاده می‌شود، خوراک می‌دهد. آیین 20 ثانیه‌ای از شما می‌پرسد چه حسی دارید؛ پاسخ، فاز چرخه را به‌عنوان یکی از پنج ورودی به کار می‌گیرد. وقتی سیگما گسترده است، کارت پاسخ به فاز چرخه وزن کمتری می‌دهد. وقتی سیگما باریک است، وزن بیشتری به آن می‌دهد. ریاضیات با صادق‌بودن دربارهٔ میزان اطمینانش، وزن خود را به دست می‌آورد.

روایت کوتاه‌تر: یک ردیاب بیزی واقعی سیگما را آشکار می‌کند. اگر اپلیکیشن شما یک تاریخ قطعی و مطمئن نشان می‌دهد، شاید مدلِ پشت‌پرده همان باشد، اما قاب‌بندی، آنچه را که واقعاً می‌داند پنهان می‌کند.