Modelowanie cyklu metodą Bayesa: dlaczego pokazujemy sigmę, a nie datę

Większość aplikacji do śledzenia cyklu pokazuje ci pewną datę. „Okres: 14 marca". Wygląda jak fakt. To wybór projektowy, który ukrywa rozkład prawdopodobieństwa za jedną liczbą. Modelowanie cyklu metodą Bayesa wykonuje te same obliczenia, ale pokazuje ci rozrzut.

Ten wpis wyjaśnia, jak naprawdę działa ta matematyka, dlaczego Soulwise pokazuje sigmę zamiast udawać pewność i jak wygląda to w codziennym interfejsie.

Co właściwie znaczy tu „bayesowski”

Wnioskowanie bayesowskie łączy dwie rzeczy:

• Prior: twoje wyjściowe przekonanie o długości cyklu, zanim masz dane od tej konkretnej osoby.
• Wiarygodność: to, co mówi ci każdy nowo zapisany cykl.

Pomnóż je, znormalizuj, a otrzymasz posterior: twoje zaktualizowane przekonanie. Ten posterior staje się priorem dla kolejnego cyklu. Model wyostrza się, gdy przybywa cykli.

Soulwise zaczyna od priora gaussowskiego wyśrodkowanego na mu = 28 dni z odchyleniem standardowym sigma = 5 dni. To z grubsza kształt długości cyklu w szerszej populacji. Gdy zapisujesz własne cykle, model przesuwa środek ku twojej osobistej średniej oraz zacieśnia (lub rozluźnia) sigmę w zależności od twojej zmienności.

Aktualizacja sprzężona, w jednym akapicie

Dla rozkładu a priori i wiarygodności o postaci gaussowskiej matematyka ładnie się upraszcza. Jeśli twój rozkład a priori mówi cycle ~ N(mu_0, sigma_0), a obserwujesz cykle x_1, x_2, ..., x_n, rozkład a posteriori również jest gaussowski:

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))

W tłumaczeniu: im więcej cykli zapiszesz, tym mniej znaczy rozkład a priori, a tym bardziej dominują twoje osobiste dane. Po około 3 zapisanych cyklach rozkład a priori populacji wnosi już niewiele; po około 10, jest jedynie szumem.

Co widzi użytkownik

Rozkład a posteriori to krzywa. Interfejs nie pokaże krzywej w powiadomieniu. Dlatego Soulwise sprowadza ją do dwóch rzeczy:

• Prawdopodobny zakres. Przedział, w którym rozkład a posteriori skupia większość swojej masy (np. centralny przedział 68%, mniej więcej +/- 1 sigma).
• Etykieta pewności. Jeden z trzech prostych opisów:
  • „Prawdopodobna korelacja”, gdy sigma jest wąska, a dane są świeże.
  • „Słaby sygnał”, gdy sigma jest szeroka lub danych jest mało.
  • „Za mało danych”, gdy zarejestrowano mniej cykli, niż wynosi minimum modelu.

Zamiast „Okres: marzec 14,” użytkownik widzi więc „Prawdopodobnie 12–16, marca, słaby sygnał”. To rzeczywisty wynik modelu, a nie ozdobnik interfejsu.

Dlaczego niczego nie ukrywamy

Trzy powody.

Uczciwość. Narzędzie śledzące wzorce nie może obiecać daty, której nie zna. Pokazanie sigmy to jedyny sposób, by móc skalibrować zaufanie.

Bezpieczeństwo. Data wyglądająca na pewną zachęca, by planować wokół niej rzeczy, których aplikacja nie jest w stanie wesprzeć — w tym poczęcie, antykoncepcję i decyzje kliniczne. Etykieta pewności mówi „to jest oszacowanie", czym właśnie jest.

Odporność na nieregularne cykle. PCOS, perimenopauza, cykle po odstawieniu pigułki i terapia hormonalna — to wszystko poszerza sigmę. Tradycyjne narzędzie albo grubo się myli, albo po cichu zostawia użytkownika samego. Narzędzie bayesowskie po prostu oznacza oszacowanie jako „słaby sygnał" i działa dalej.

Czym model nie jest

Kilka twardych ograniczeń, spisanych tak, by nie mogły się rozmyć:

• Nie szacuje konkretnych zdarzeń cyklu poza zakresem dat następnej miesiączki.
• Nie wyznacza okna do planowania rodziny.
• Nie jest przeznaczony do zastosowań związanych z poczęciem ani antykoncepcją.
• Nie jest klinicznie zwalidowany i nie zastępuje porady lekarskiej w razie braku miesiączki, nieregularnego krwawienia czy utrzymujących się objawów.

Te ograniczenia nie wynikają z nadmiernej ostrożności modelu. Wynikają z tego, że jego zakres jest dobrze określony. Szacowanie miesiączki i szacowanie na potrzeby planowania rodziny to różne problemy — z różnymi potrzebami w zakresie danych i różnymi wymogami regulacyjnymi.

Gdy matematyka spotyka codzienny rytuał

W Soulwise wynik bayesowski zasila kontekst fazy cyklu wykorzystywany przy codziennym check-inie. 20-sekundowy rytuał pyta, jak się czujesz; odpowiedź traktuje fazę cyklu jako jedno z pięciu wejść. Gdy sigma jest szeroka, karta odpowiedzi nadaje fazie cyklu mniejszą wagę. Gdy sigma jest wąska, nadaje jej większą wagę. Matematyka zasługuje na swoją wagę tym, że uczciwie mówi, jak bardzo jest pewna.

Krócej: prawdziwy bayesowski tracker pokazuje sigmę. Jeśli twoja aplikacja wyświetla jedną pewną datę, model pod maską może być ten sam, ale sposób przedstawienia ukrywa to, co naprawdę wie.