Penjelasan Pemodelan Siklus Bayesian: Mengapa Kami Menampilkan Sigma, Bukan Tanggal

Sebagian besar aplikasi siklus menampilkan tanggal yang terkesan pasti. "Periode: Maret 14." Tampak seperti fakta. Padahal itu pilihan UX yang menyembunyikan distribusi probabilitas di balik satu angka. Pemodelan siklus Bayesian memakai matematika yang sama, tetapi menampilkan rentangnya kepada kamu.

Tulisan ini menjelaskan bagaimana matematikanya benar-benar bekerja, mengapa Soulwise menampilkan sigma alih-alih berpura-pura pasti, dan seperti apa wujudnya di UI harian.

Apa arti "Bayesian" yang sebenarnya di sini

Inferensi Bayesian menggabungkan dua hal:

• Sebuah prior: keyakinan awalmu tentang panjang siklus sebelum kamu punya data dari pengguna tertentu ini.
• Sebuah likelihood: apa yang diberitahukan setiap siklus yang baru dicatat.

Kalikan keduanya, normalisasikan, dan kamu mendapatkan posterior: keyakinanmu yang diperbarui. Posterior itu menjadi prior untuk siklus berikutnya. Model menjadi semakin tajam seiring bertambahnya siklus.

Soulwise dimulai dengan prior Gaussian yang berpusat di mu = 28 hari dengan deviasi standar sigma = 5 hari. Itu adalah bentuk kasar panjang siklus di populasi yang lebih luas. Seiring siklusmu sendiri dicatat, model menggeser pusatnya ke arah rata-rata pribadimu dan mempersempit (atau melonggarkan) sigma berdasarkan variabilitasmu.

Pembaruan konjugat, dalam satu paragraf

Untuk prior Gaussian dan likelihood Gaussian, perhitungannya menyederhana dengan rapi. Jika prior kamu menyatakan cycle ~ N(mu_0, sigma_0) dan kamu mengamati siklus x_1, x_2, ..., x_n, posteriornya juga 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))

Artinya: semakin banyak siklus yang kamu catat, semakin kecil pengaruh prior dan semakin dominan data pribadimu. Setelah ~3 siklus tercatat, prior populasi hanya menyumbang sedikit; setelah ~10, ia menjadi sekadar derau.

Apa yang dilihat pengguna

Posterior adalah sebuah kurva. UI tidak bisa menampilkan kurva di dalam notifikasi. Jadi Soulwise memadatkannya menjadi dua hal:

• Rentang yang mungkin. Jendela tempat posterior menaruh sebagian besar massanya (misalnya, interval 68% pusat, kira-kira +/- 1 sigma).
• Label keyakinan. Salah satu dari tiga tag berbahasa sederhana:
  • "Korelasi mungkin" saat sigma rapat dan datanya baru.
  • "Sinyal lemah" saat sigma lebar atau data sedikit.
  • "Data belum cukup" saat siklus tercatat kurang dari minimum yang dibutuhkan model.

Jadi alih-alih "Haid: Maret 14,", pengguna melihat "Kemungkinan Maret 12-16, sinyal lemah." Itulah keluaran asli dari model, bukan sekadar hiasan UX.

Mengapa tidak menyembunyikan apa pun

Ada tiga alasan.

Kejujuran. Pelacak pola tidak bisa menjanjikan tanggal yang tidak diketahuinya. Menampilkan sigma adalah satu-satunya cara agar pengguna dapat mengkalibrasi kepercayaannya.

Keamanan. Tanggal yang terlihat meyakinkan mendorong orang untuk merencanakan sesuatu di sekitarnya untuk hal-hal yang tidak bisa didukung aplikasi, termasuk pembuahan, kontrasepsi, dan keputusan klinis. Label kepercayaan mengatakan "ini adalah perkiraan," dan memang begitulah adanya.

Ketahanan terhadap siklus yang tidak teratur. PCOS, perimenopause, siklus pasca-pil, dan terapi hormon semuanya memperlebar sigma. Pelacak tradisional bisa meleset jauh atau diam-diam mengabaikan penggunanya. Pelacak Bayesian cukup memberi label "sinyal lemah" pada perkiraan dan terus bekerja.

Apa yang bukan model ini

Beberapa batasan tegas, dituliskan agar tidak melenceng:

• Model ini tidak memperkirakan peristiwa siklus tertentu di luar rentang tanggal periode berikutnya.
• Model ini tidak memberikan jendela perencanaan keluarga.
• Model ini tidak dirancang untuk kasus penggunaan konsepsi atau kontrasepsi.
• Model ini belum tervalidasi secara klinis dan tidak menggantikan nasihat medis untuk haid yang terlewat, perdarahan tidak teratur, atau gejala yang menetap.

Batasan-batasan ini bukan karena model bersikap konservatif. Ini karena cakupan model memang ditetapkan dengan tepat. Perkiraan periode dan perkiraan perencanaan keluarga adalah dua masalah berbeda dengan kebutuhan data berbeda dan standar regulasi yang berbeda pula.

Tempat matematika bertemu ritual harian

Di Soulwise, keluaran Bayesian menyuplai konteks fase siklus yang dipakai dalam check-in harian. Ritual 20 detik menanyakan bagaimana perasaanmu; jawabannya menjadikan fase siklus sebagai salah satu dari lima input. Saat sigma melebar, kartu jawaban memberi bobot lebih kecil pada fase siklus. Saat sigma menyempit, bobotnya lebih besar. Matematika membuktikan nilainya dengan jujur soal seberapa yakin dirinya.

Versi singkatnya: pelacak Bayesian yang sungguhan memunculkan sigma. Jika aplikasimu menampilkan satu tanggal yang penuh keyakinan, model di baliknya bisa jadi sama, tetapi cara penyajiannya menyembunyikan apa yang sebenarnya ia ketahui.