Objašnjenje bayesovskog modeliranja ciklusa: zašto prikazujemo sigmu, a ne datum

Većina aplikacija za praćenje ciklusa prikazuje ti samouvjeren datum. „Menstruacija: 14. ožujka.” Izgleda kao činjenica. A zapravo je odabir u dizajnu sučelja koji iza jednog broja skriva razdiobu vjerojatnosti. Bayesovsko modeliranje ciklusa radi istu matematiku, ali ti prikazuje raspršenje.

Ovaj tekst objašnjava kako matematika zaista funkcionira, zašto Soulwise prikazuje sigmu umjesto da glumi sigurnost te kako to izgleda u svakodnevnom sučelju.

Što „Bayesovski” ovdje zapravo znači

Bayesovsko zaključivanje kombinira dvije stvari:

• Prior: tvoje početno uvjerenje o duljini ciklusa prije nego što imaš podatke o tom konkretnom korisniku.
• Vjerodostojnost: ono što ti govori svaki novozabilježeni ciklus.

Pomnoži ih, normaliziraj i dobiješ posterior: svoje ažurirano uvjerenje. Taj posterior postaje prior za sljedeći ciklus. Model postaje precizniji kako pristiže više ciklusa.

Soulwise kreće s Gaussovim priorom centriranim na mu = 28 dana uz standardnu devijaciju od sigma = 5 dana. To je gruba slika duljine ciklusa u široj populaciji. Kako se bilježe tvoji ciklusi, model pomiče središte prema tvojoj osobnoj sredini te steže (ili olabavljuje) sigmu prema tvojoj varijabilnosti.

Konjugirano ažuriranje, u jednom odlomku

Za Gaussovu apriornu razdiobu i Gaussovu vjerodostojnost, matematika se lijepo pojednostavi. Ako tvoja apriorna razdioba kaže cycle ~ N(mu_0, sigma_0), a ti promatraš cikluse x_1, x_2, ..., x_n, aposteriorna razdioba također je Gaussova:

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))

Prijevod: što više ciklusa bilježiš, to manje znači apriorna razdioba, a to više prevladavaju tvoji osobni podaci. Nakon ~3 zabilježenih ciklusa, populacijska apriorna razdioba malo doprinosi; nakon ~10, ona je tek šum.

Što korisnik vidi

Posteriorna distribucija je krivulja. Sučelje ne može prikazati krivulju u obavijesti. Zato je Soulwise sažima u dvije stvari:

• Vjerojatni raspon. Prozor u kojem posteriorna distribucija smješta najveći dio svoje mase (npr. središnji interval od 68%, otprilike +/- 1 sigma).
• Oznaka pouzdanosti. Jedna od tri jednostavne oznake:
  • "Vjerojatna korelacija" kada je sigma uska, a podaci nedavni.
  • "Slab signal" kada je sigma široka ili su podaci oskudni.
  • "Nedovoljno podataka" kada je dostupno manje od minimalnog broja zabilježenih ciklusa koje model traži.

Tako umjesto "Menstruacija: 14,. ožujka" korisnik vidi "Vjerojatno 12.-16,. ožujka, slab signal." To je stvarni izlaz modela, a ne ukras sučelja.

Zašto ništa ne skrivamo

Tri razloga.

Iskrenost. Pratilac obrazaca ne može obećati datum koji ne zna. Prikazivanje sigme jedini je način na koji korisnica može kalibrirati povjerenje.

Sigurnost. Datum koji izgleda samouvjereno potiče ljude da oko njega planiraju stvari koje aplikacija ne može poduprijeti, uključujući začeće, kontracepciju i kliničke odluke. Oznaka pouzdanosti kaže "ovo je procjena", a upravo to i jest.

Otpornost na nepravilne cikluse. PCOS, perimenopauza, ciklusi nakon prestanka pilule i hormonska terapija svi šire sigmu. Tradicionalni pratilac ili promaši za mnogo ili tiho odustane od korisnice. Bayesov pratilac estimaciju jednostavno označi kao "slab signal" i nastavlja raditi.

Što model nije

Nekoliko čvrstih granica, zapisanih da se ne mogu pomaknuti:

• Ne procjenjuje specifične događaje u ciklusu izvan raspona datuma sljedeće menstruacije.
• Ne daje prozor za planiranje obitelji.
• Nije osmišljen za slučajeve začeća ili kontracepcije.
• Nije klinički potvrđen i ne zamjenjuje liječnički savjet kod izostanka menstruacije, nepravilnog krvarenja ili upornih simptoma.

Te granice nisu znak da je model oprezan. One su znak da je model ispravno usmjeren. Procjena menstruacije i procjena planiranja obitelji različiti su problemi s različitim podatkovnim potrebama i različitim regulatornim mjerilima.

Gdje se matematika susreće sa svakodnevnim ritualom

U Soulwiseu se Bayesov rezultat ulijeva u kontekst faze ciklusa koji se koristi u svakodnevnoj prijavi. Ritual od 20 sekunde pita kako se osjećaš; odgovor koristi fazu ciklusa kao jedan od pet ulaznih podataka. Kad je sigma široka, kartica odgovora pridaje fazi ciklusa manju težinu. Kad je sigma uska, pridaje joj veću težinu. Matematika zaslužuje svoju težinu time što je iskrena o tome koliko je sigurna.

Kraća verzija: pravi Bayesov pratitelj iznosi sigmu na vidjelo. Ako ti aplikacija pokazuje jedan samouvjeren datum, model ispod haube možda je isti, ali način prikaza skriva ono što zapravo zna.