Prediksi Siklus Bayesian

Kebanyakan aplikasi siklus memakai asumsi default 28 hari dan entah mengabaikan variasi atau baru mengoreksinya belakangan. Soulwise justru menggunakan prediksi Bayesian — sebuah pendekatan statistik di mana perkiraan "kamu sedang di fase apa hari ini" adalah posterior dari dua hal: panjang siklus historismu (prior) dan check-in harian yang kamu catat pada siklus ini (bukti).

Mengapa Bayesian, bukan tetap

Siklus tetap 28 hari dengan percaya diri salah untuk kebanyakan orang. Rentang normal klinis adalah 21 hingga 35 hari, variasi individu dari bulan ke bulan cukup besar, dan peristiwa hidup (stres, perjalanan, tidur, beban latihan) menggeser panjang siklus lebih jauh dari yang diperkirakan kebanyakan orang. Estimator berpanjang tetap memberi kamu label fase yang presisi padahal ketidakpastian yang mendasarinya tinggi.

Estimasi Bayesian memberi kamu label fase beserta rentang ketidakpastiannya. Saat rentangnya lebar (di awal datamu, atau setelah siklus yang berlangsung panjang), Soulwise menyatakannya pada kartu fase. Saat rentangnya sempit (setelah beberapa siklus yang stabil), label fase itu dapat dipercaya.

Apa yang menjadi dasar prior

• Panjang enam siklus terakhir kamu, jika tersedia.
• Prior awal yang lemah-informatif (28 ± 5) sebelum ada data apa pun.
• Sebuah batas drift agar siklus yang lebih lama berbobot lebih kecil daripada yang baru.

Apa saja yang menjadi bukti

• Chip check-in harian dan slider energimu.
• Setiap pendarahan atau bercak yang kamu catat.
• Tanda gejala opsional (sakit kepala, kram) jika kamu mencatatnya.

Sistem ini tidak menggunakan:

• Suhu basal tubuh (kami bukan pelacak kesuburan).
• Tebakan ovulasi berdasarkan gejala (di luar cakupan).
• Laporan lendir serviks (di luar cakupan).

Apa yang tidak dilakukannya

Ini tidak memprediksi ovulasi untuk kontrasepsi atau pembuahan. Lihat non-medical-cycle-tracking untuk sikap anti-klaim selengkapnya.

Ini tidak memberi penentuan satu hari yang pasti ketika ketidakpastian tinggi. Kartu fase menampilkan jendela 2 hingga 4 hari dengan gradasi tingkat keyakinan.

Ini tidak belajar dari data orang lain. Setiap pengguna punya model Bayesian sendiri, dijalankan di perangkat, atas riwayat terenkripsi mereka sendiri.

Di mana ini muncul

Di kartu fase dalam ritual harian, di surat rekap, dan sebagai masukan untuk cycle-weather — pembacaan variasi jangka pendek dibandingkan dengan baseline stabilmu.