બાયેઝિયન સાયકલ મોડેલિંગ સમજાવ્યું: અમે તારીખ નહીં, સિગ્મા કેમ બતાવીએ છીએ

મોટાભાગની સાયકલ app તમને એક આત્મવિશ્વાસભરી તારીખ બતાવે છે. "Period: March 14." એ હકીકત જેવી લાગે છે. ખરેખર તો એ એક UX પસંદગી છે, જે એક જ આંકડા પાછળ સંભાવનાનું વિતરણ છુપાવે છે. બાયેઝિયન સાયકલ મોડેલિંગ એ જ ગણિત કરે છે, પણ તમને વ્યાપ બતાવે છે.

આ પોસ્ટ સમજાવે છે કે ગણિત ખરેખર કેવી રીતે કામ કરે છે, Soulwise નિશ્ચિતતાનો ડોળ કરવાને બદલે સિગ્મા કેમ સામે લાવે છે, અને રોજિંદા UIમાં એ કેવું દેખાય છે.

શું યાદ રાખવું

• બેયેઝિયન ચક્ર મોડેલિંગ એક ગૌસિયન પ્રાયર (prior)થી શરૂ થાય છે, જે સામાન્ય માસિક ચક્રની લંબાઈ દર્શાવે છે (Soulwise mu=28, sigma=5 વાપરે છે), અને દરેક નવા નોંધાયેલા ચક્ર સાથે કોન્જુગેટ અપડેટ દ્વારા તે પ્રાયરને અપડેટ કરે છે.
• આનું પરિણામ એક જ તારીખ નહીં, પણ સંભાવનાનું વિતરણ (probability distribution) હોય છે.
• Soulwise આને એક સંભવિત રેન્જ તરીકે રજૂ કરે છે, સાથે ત્રણમાંથી એક કોન્ફિડન્સ લેબલ આપે છે: "Likely correlation," "Weak signal," અથવા "Not enough data." Sigma વપરાશકર્તાને બતાવવામાં આવે છે, છુપાવવામાં આવતું નથી.
• આ મોડેલ પૅટર્ન ટ્રેકિંગ માટે છે, ફૅમિલી પ્લાનિંગ કે ગર્ભનિરોધ માટે નહીં.

અહીં "Bayesian" નો ખરેખર શું અર્થ થાય છે

Bayesian inference બે વસ્તુઓને જોડે છે:

• એક prior: આ ચોક્કસ યૂઝર પાસેથી ડેટા મળે તે પહેલાં ચક્રની લંબાઈ વિશે તમારી શરૂઆતની માન્યતા.
• એક likelihood: દરેક નવા નોંધાયેલા ચક્ર તમને શું જણાવે છે.

તેમને ગુણો, normalize કરો, અને તમને મળે છે એક posterior: તમારી અપડેટ થયેલી માન્યતા. એ posterior પછીના ચક્ર માટે prior બની જાય છે. જેમ વધુ ચક્ર આવતા જાય તેમ મોડેલ વધુ ચોક્કસ બને છે.

Soulwise એક Gaussian prior થી શરૂ થાય છે, જે mu = 28 દિવસ પર કેન્દ્રિત છે અને જેનું standard deviation sigma = 5 દિવસ છે. વ્યાપક વસ્તીમાં ચક્રની લંબાઈનો આ આશરે આકાર છે. જેમ તમારાં પોતાનાં ચક્ર નોંધાતાં જાય, મોડેલ કેન્દ્રને તમારી અંગત સરેરાશ તરફ ખસેડે છે અને તમારી વિવિધતા પ્રમાણે sigma ને કડક (કે ઢીલું) કરે છે.

કોન્જુગેટ અપડેટ, એક ફકરામાં

ગૌસિયન પ્રાયર અને ગૌસિયન likelihood માટે, ગણિત સરસ રીતે સરળ થઈ જાય છે. જો તમારો પ્રાયર cycle ~ N(mu_0, sigma_0) કહે અને તમે ચક્રો x_1, x_2, ..., x_n નોંધો, તો પોસ્ટેરિયર પણ ગૌસિયન હોય છે:

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))

સરળ ભાષામાં: તમે જેટલાં વધુ ચક્રો નોંધો, પ્રાયર એટલો ઓછો મહત્ત્વનો બને અને તમારો અંગત ડેટા એટલો વધુ પ્રભાવી બને. આશરે 3 નોંધાયેલાં ચક્રો પછી, વસ્તી-આધારિત પ્રાયર નાનો ફાળો આપે છે; આશરે 10, પછી તે માત્ર ઘોંઘાટ બની રહે છે.

વપરાશકર્તા શું જુએ છે

પોસ્ટિરિયર એક વળાંક છે. UI નોટિફિકેશનમાં વળાંક બતાવી શકતું નથી. એટલે Soulwise તેને બે બાબતોમાં સંકોચી દે છે:

• એક સંભવિત રેન્જ. એ વિન્ડો જ્યાં પોસ્ટિરિયર પોતાનો મોટાભાગનો ભાર મૂકે છે (દા.ત., કેન્દ્રીય 68% અંતરાલ, આશરે +/- 1 સિગ્મા).
• એક કોન્ફિડન્સ લેબલ. ત્રણ સરળ-ભાષાના ટૅગમાંથી એક:
  • "સંભવિત સહસંબંધ" જ્યારે સિગ્મા ચુસ્ત હોય અને ડેટા તાજો હોય.
  • "નબળો સંકેત" જ્યારે સિગ્મા પહોળું હોય અથવા ડેટા ઓછો હોય.
  • "પૂરતો ડેટા નથી" જ્યારે મોડેલના ન્યૂનતમ લૉગ થયેલા ચક્ર કરતાં ઓછા ઉપલબ્ધ હોય.

એટલે "પિરિયડ: માર્ચ 14," ને બદલે વપરાશકર્તા જુએ છે "સંભવિત માર્ચ 12-16, નબળો સંકેત." એ મોડેલનું વાસ્તવિક આઉટપુટ છે, કોઈ UX શોભા નથી.

કેમ કંઈ છુપાવવું નહીં

ત્રણ કારણો.

પ્રામાણિકતા. પેટર્ન ટ્રેકર એવી તારીખનું વચન ન આપી શકે જે તેને ખબર નથી. sigma બતાવવી એ જ એકમાત્ર રસ્તો છે જેનાથી વપરાશકર્તા ભરોસો કેલિબ્રેટ કરી શકે.

સલામતી. આત્મવિશ્વાસથી ભરેલી દેખાતી તારીખ લોકોને એવી બાબતો માટે તેની આસપાસ યોજના બનાવવા પ્રેરે છે જેને app ટેકો આપી શકતી નથી — જેમાં ગર્ભધારણ, ગર્ભનિરોધ અને તબીબી નિર્ણયો સામેલ છે. કોન્ફિડન્સ લેબલ કહે છે કે "આ એક અંદાજ છે," જે ખરેખર છે પણ એવું જ.

અનિયમિત ચક્રો સામે મજબૂતી. PCOS, પેરિમેનોપોઝ, ગોળી પછીના ચક્રો અને હોર્મોન થેરપી — આ બધાં sigma ને પહોળી કરે છે. પરંપરાગત ટ્રેકર કાં તો ખરાબ રીતે ચૂકી જાય છે અથવા ચૂપચાપ વપરાશકર્તાને છોડી દે છે. Bayesian ટ્રેકર ફક્ત અંદાજને "નબળો સિગ્નલ" તરીકે લેબલ કરે છે અને કામ કરતો રહે છે.

મોડેલ શું નથી

થોડીક સ્પષ્ટ મર્યાદાઓ, જે અહીં લખી છે જેથી તે બદલાય નહીં:

• તે આગામી પિરિયડની તારીખ-શ્રેણી સિવાય ચક્રની ચોક્કસ ઘટનાઓનો અંદાજ આપતું નથી.
• તે ફેમિલી-પ્લાનિંગ વિન્ડો આપતું નથી.
• તે ગર્ભધારણ કે ગર્ભનિરોધક હેતુઓ માટે બનાવાયું નથી.
• તે ક્લિનિકલી માન્ય નથી અને ચૂકી ગયેલા પિરિયડ, અનિયમિત રક્તસ્રાવ કે સતત રહેતા લક્ષણો માટે ક્લિનિકલ સલાહનું સ્થાન લેતું નથી.

આ મર્યાદાઓ એટલે મોડેલ સાવધ છે એવું નથી. એનો અર્થ એ કે મોડેલનો વ્યાપ યોગ્ય રીતે નક્કી થયેલો છે. પિરિયડનો અંદાજ અને ફેમિલી-પ્લાનિંગનો અંદાજ — બંને અલગ સમસ્યાઓ છે, જેમની ડેટા-જરૂરિયાતો અલગ છે અને નિયમનકારી માપદંડ પણ અલગ છે.

ગણિત રોજિંદા ધાર્મિક ક્રિયા સાથે જ્યાં મળે છે

Soulwise માં, Bayesian આઉટપુટ રોજિંદા ચેક-ઇનમાં વપરાતા સાયકલ-ફેઝ સંદર્ભને પોષે છે. 20-સેકન્ડની આ ક્રિયા તમને પૂછે છે કે તમે કેવું અનુભવો છો; પ્રતિભાવ સાયકલ ફેઝને પાંચ ઇનપુટમાંથી એક તરીકે વાપરે છે. જ્યારે sigma પહોળું હોય, ત્યારે પ્રતિભાવ કાર્ડ સાયકલ ફેઝને ઓછું વજન આપે છે. જ્યારે sigma સંકડું હોય, ત્યારે તે સાયકલ ફેઝને વધુ વજન આપે છે. પોતે કેટલું આત્મવિશ્વાસ ધરાવે છે તે વિશે પ્રામાણિક રહીને ગણિત પોતાનું વજન કમાય છે.

ટૂંકમાં: એક સાચું Bayesian ટ્રેકર sigma ને સામે લાવે છે. જો તમારી app એક જ આત્મવિશ્વાસપૂર્ણ તારીખ બતાવે, તો અંદરનું મોડેલ ભલે એ જ હોય, પણ રજૂઆત તે ખરેખર શું જાણે છે તે છુપાવી રહી છે.

સામાન્ય પ્રશ્નો

સાદી સરેરાશને બદલે Bayesian મોડેલ કેમ વાપરવું?

સાદી સરેરાશ એ ધ્યાનમાં લેતી નથી કે અંદાજ કેટલો ભરોસાપાત્ર છે. એક જ 28-દિવસની સરેરાશ ધરાવતા બે યુઝર્સના ચક્રની વધઘટ ખૂબ અલગ હોઈ શકે છે. Bayesian મોડેલ ફક્ત મધ્યબિંદુ નહીં, પણ તમારા ડેટાનો ફેલાવો પણ ટ્રૅક કરે છે, એટલે અનિયમિત ચક્રો માટે અંદાજિત શ્રેણી પહોળી થાય છે અને નિયમિત ચક્રો માટે સાંકડી થાય છે.

સિગ્મા ખરેખર વ્યવહારમાં શું સૂચવે છે?

સિગ્મા એ ચક્ર-લંબાઈના વિતરણનું માનક વિચલન (standard deviation) છે. નાનો સિગ્મા (2 દિવસથી ઓછો) એટલે કે તમારા ચક્રો એકબીજાની ખૂબ નજીક ગોઠવાયેલા છે; સંભવિત શ્રેણી થોડા દિવસોને આવરી લે છે. મોટો સિગ્મા (5+ દિવસ) એટલે કે ચક્રો એક અઠવાડિયા કે વધુ પર ફેલાય છે, અને app એ આ વાત જણાવવી જોઈએ.

ફક્ત એક જ અંદાજિત તારીખ કેમ ન આપવી?

કારણ કે મોડેલને ખરેખર એક તારીખ ખબર નથી. એક જ તારીખ એ એક UX પસંદગી છે જે અનિશ્ચિતતાને છુપાવે છે. શ્રેણી દર્શાવવી વધુ પ્રામાણિક છે અને ગણિત ખરેખર કેવી રીતે કામ કરે છે તેની સાથે મેળ ખાય છે.

શું આ ચોક્કસ ચક્ર-ઘટનાઓનો અંદાજ આપે છે?

ના. Bayesian ચક્ર મોડેલિંગ એ અંદાજ આપે છે કે આગામી પિરિયડ ક્યારે આવવાની શક્યતા છે. તે કુટુંબ-આયોજનનું સાધન નથી, ગર્ભનિરોધનું સાધન નથી, અને તબીબી રીતે પ્રમાણિત પદ્ધતિઓનો વિકલ્પ નથી.