Il modello Bayesiano del ciclo spiegato: perché mostriamo sigma, non una data

Il modello Bayesiano del ciclo spiegato: perché mostriamo sigma, non una data

La maggior parte delle app di tracciamento del ciclo mostra una data precisa. "Ciclo: 14 marzo." Sembra un dato di fatto. È in realtà una scelta di interfaccia che nasconde una distribuzione di probabilità dietro un singolo numero. Il modello Bayesiano del ciclo esegue la stessa matematica, ma mostra la dispersione.

Questo articolo spiega come funziona la matematica, perché Soulwise mostra sigma invece di fingere certezza e come appare tutto ciò nell'interfaccia quotidiana.

Cosa significa davvero "Bayesiano" in questo contesto

L'inferenza Bayesiana combina due elementi:

• Una prior: la tua convinzione iniziale sulla durata del ciclo prima di avere dati specifici sull'utente.
• Una likelihood: ciò che ogni nuovo ciclo registrato ti dice.

Moltiplicali, normalizza e ottieni una posterior: la convinzione aggiornata. Quella posterior diventa la prior per il ciclo successivo. Il modello diventa più preciso man mano che arrivano più cicli.

Soulwise parte da una prior gaussiana centrata su mu = 28 giorni con una deviazione standard di sigma = 5 giorni. È la forma approssimativa della distribuzione della durata del ciclo nella popolazione generale. Man mano che i tuoi cicli vengono registrati, il modello sposta il centro verso la tua media personale e stringe (o allarga) il sigma in base alla tua variabilità.

L'aggiornamento coniugato, in un paragrafo

Per una prior gaussiana e una likelihood gaussiana, la matematica si semplifica elegantemente. Se la tua prior dice ciclo ~ N(mu_0, sigma_0) e osservi i cicli x_1, x_2, ..., x_n, anche la posterior è gaussiana:

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))

In parole semplici: più cicli registri, meno conta la prior e più dominano i tuoi dati personali. Dopo circa 3 cicli registrati, la prior della popolazione contribuisce poco; dopo circa 10, è rumore di fondo.

Cosa vede l'utente

La posterior è una curva. L'interfaccia non può mostrare una curva in una notifica. Perciò Soulwise la comprime in due elementi:

• Un intervallo probabile. La finestra temporale in cui la posterior concentra la maggior parte della sua massa (ad esempio, l'intervallo centrale al 68%, circa +/- 1 sigma).
• Un'etichetta di confidenza. Uno di tre tag in linguaggio naturale:
  • "Correlazione probabile" quando il sigma è stretto e i dati sono recenti.
  • "Segnale debole" quando il sigma è ampio o i dati sono scarsi.
  • "Dati insufficienti" quando il numero di cicli registrati è inferiore al minimo richiesto dal modello.

Quindi invece di "Ciclo: 14 marzo", l'utente vede "Probabile 12-16 marzo, segnale debole." Questo è il vero output del modello, non un abbellimento dell'interfaccia.

Perché non nascondere nulla

Tre ragioni.

Onestà. Un tracker di pattern non può promettere una data che non conosce. Mostrare sigma è l'unico modo per consentire all'utente di calibrare la propria fiducia.

Sicurezza. Una data dall'aspetto certo incoraggia le persone a pianificare intorno ad essa per scopi che l'app non può supportare, incluse la procreazione, la contraccezione e le decisioni cliniche. Un'etichetta di confidenza dice "questa è una stima", che è esattamente ciò che è.

Robustezza per cicli irregolari. PCOS, perimenopausa, cicli post-pillola e apoyo y reflexión ormonale allargano tutti il sigma. Un tracker tradizionale o sbaglia vistosamente o abbandona silenziosamente l'utente. Un tracker Bayesiano etichetta semplicemente la stima come "segnale debole" e continua a funzionare.

Cosa il modello non è

Alcuni limiti precisi, scritti affinché non possano sfumarsi nel tempo:

• Non stima eventi specifici del ciclo oltre all'intervallo della data del prossimo ciclo.
• Non fornisce una finestra per la pianificazione familiare.
• Non è progettato per casi d'uso legati alla procreazione o alla contraccezione.
• Non è clinicamente validato e non sostituisce il consulto clinico per cicli assenti, sanguinamenti irregolari o supporto e riflessione persistenti.

Questi limiti non derivano da prudenza eccessiva del modello. Derivano dall'aver definito correttamente il suo perimetro. La stima del ciclo e la stima della fertilità sono problemi diversi, con dati diversi e requisiti regolatori diversi.

Dove la matematica incontra il rituale quotidiano

In Soulwise, l'output Bayesiano alimenta il contesto della fase del ciclo usato nel check-in giornaliero. Il rituale di 20 secondi chiede come ti senti; la risposta usa la fase del ciclo come uno dei cinque input. Quando il sigma è ampio, la scheda di risposta pesa meno la fase del ciclo. Quando il sigma è stretto, la pesa di più. La matematica guadagna il suo spazio essendo onesta su quanto è sicura.

In breve: un vero tracker Bayesiano mostra sigma. Se la tua app mostra una singola data certa, il modello sottostante potrebbe essere lo stesso, ma il modo in cui viene presentato nasconde ciò che sa davvero.