O modelo Bayesiano do ciclo explicado: por que mostramos sigma, não uma data

O modelo Bayesiano do ciclo explicado: por que mostramos sigma, não uma data

A maioria dos aplicativos de rastreamento do ciclo exibe uma data precisa. "Menstruação: 14 de março." Parece um fato. É uma escolha de interface que esconde uma distribuição de probabilidade atrás de um único número. O modelo Bayesiano do ciclo realiza a mesma matemática, mas mostra a dispersão.

Este artigo explica como a matemática realmente funciona, por que o Soulwise exibe sigma em vez de simular certeza e como isso aparece na interface diária.

O que "Bayesiano" realmente significa aqui

A inferência Bayesiana combina duas coisas:

• Uma distribuição prévia (prior): sua crença inicial sobre a duração do ciclo antes de ter dados específicos desta usuária.
• Uma verossimilhança (likelihood): o que cada novo ciclo registrado lhe diz.

Multiplique-as, normalize e você obtém uma distribuição posterior (posterior): a crença atualizada. Essa posterior se torna a distribuição prévia para o próximo ciclo. O modelo fica mais preciso conforme mais ciclos chegam.

O Soulwise começa com uma distribuição prévia gaussiana centrada em mu = 28 dias com um desvio padrão de sigma = 5 dias. Essa é a forma aproximada da distribuição da duração do ciclo na população em geral. À medida que seus próprios ciclos são registrados, o modelo desloca o centro em direção à sua média pessoal e estreita (ou alarga) o sigma com base na sua variabilidade.

A atualização conjugada, em um parágrafo

Para uma distribuição prévia gaussiana e uma verossimilhança gaussiana, a matemática se simplifica elegantemente. Se sua distribuição prévia diz ciclo ~ N(mu_0, sigma_0) e você observa os ciclos x_1, x_2, ..., x_n, a posterior também é 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))

Traduzindo: quanto mais ciclos você registra, menos a distribuição prévia importa e mais seus dados pessoais dominam. Após cerca de 3 ciclos registrados, a distribuição prévia populacional contribui pouco; após cerca de 10, é apenas ruído.

O que o usuário vê

A posterior é uma curva. A interface não pode exibir uma curva em uma notificação. Por isso o Soulwise a comprime em dois elementos:

• Um intervalo provável. A janela onde a posterior concentra a maior parte da sua massa (por exemplo, o intervalo central de 68%, aproximadamente +/- 1 sigma).
• Um rótulo de confiança. Um de três descritores em linguagem simples:
  • "Correlação provável" quando o sigma é pequeno e os dados são recentes.
  • "Sinal fraco" quando o sigma é amplo ou os dados são escassos.
  • "Dados insuficientes" quando o número de ciclos registrados é inferior ao mínimo exigido pelo modelo.

Então, em vez de "Menstruação: 14 de março", o usuário vê "Provavelmente 12-16 de março, sinal fraco." Esse é o resultado real do modelo, não um enfeite de interface.

Por que não esconder nada

Três razões.

Honestidade. Um rastreador de padrões não pode prometer uma data que não conhece. Exibir sigma é a única forma de o usuário calibrar sua confiança.

Segurança. Uma data de aparência certa encoraja as pessoas a planejar em torno dela para coisas que o aplicativo não pode suportar, incluindo concepção, contracepção e decisões clínicas. Um rótulo de confiança diz "isso é uma estimativa", que é o que é.

Robustez para ciclos irregulares. SOP (síndrome do ovário policístico), perimenopausa, ciclos pós-pílula e apoyo y reflexión hormonal ampliam o sigma. Um rastreador tradicional ou erra muito ou abandona silenciosamente o usuário. Um rastreador Bayesiano simplesmente rotula a estimativa como "sinal fraco" e continua funcionando.

O que o modelo não é

Alguns limites precisos, escritos para que não possam se diluir com o tempo:

• Não estima eventos específicos do ciclo além do intervalo da próxima menstruação.
• Não fornece uma janela de planejamento familiar.
• Não é projetado para casos de uso relacionados à concepção ou contracepção.
• Não é clinicamente validado e não substitui aconselhamento clínico para menstruações ausentes, sangramento irregular ou supporto e riflessione persistentes.

Esses limites não são o modelo sendo conservador. São o modelo com o escopo corretamente definido. Estimativa do ciclo e estimativa de fertilidade são problemas diferentes, com necessidades de dados diferentes e exigências regulatórias diferentes.

Onde a matemática encontra o ritual diário

No Soulwise, o resultado Bayesiano alimenta o contexto da fase do ciclo utilizado no check-in diário. O ritual de 20 segundos pergunta como você está se sentindo; a resposta usa a fase do ciclo como um dos cinco parâmetros de entrada. Quando o sigma é amplo, o cartão de resposta dá menos peso à fase do ciclo. Quando o sigma é pequeno, dá mais peso. A matemática merece seu espaço sendo honesta sobre o quanto é confiante.

A versão resumida: um rastreador Bayesiano real exibe sigma. Se seu aplicativo mostra uma data única e certa, o modelo subjacente pode ser o mesmo, mas o enquadramento está ocultando o que ele realmente sabe.