Modelarea bayesiană a ciclului explicată: de ce afișăm sigma, nu o dată

Majoritatea aplicațiilor de ciclu îți arată o dată sigură. „Menstruația: 14 martie." Pare un fapt. Este o alegere de UX care ascunde o distribuție de probabilitate în spatele unui singur număr. Modelarea bayesiană a ciclului face aceeași matematică, dar îți arată dispersia.

Acest articol explică cum funcționează de fapt matematica, de ce Soulwise scoate la suprafață sigma în loc să mimeze certitudinea și cum arată asta în interfața de zi cu zi.

Ce înseamnă de fapt „bayesian" aici

Inferența bayesiană combină două lucruri:

• Un prior: convingerea ta de pornire despre durata ciclului, înainte de a avea date de la acest utilizator anume.
• O verosimilitate: ceea ce îți spune fiecare ciclu nou înregistrat.

Le înmulțești, le normalizezi și obții un posterior: convingerea ta actualizată. Acel posterior devine priorul pentru ciclul următor. Modelul devine tot mai precis pe măsură ce sosesc mai multe cicluri.

Soulwise pornește de la un prior gaussian centrat pe mu = 28 zile, cu o abatere standard de sigma = 5 zile. Aceasta este forma aproximativă a duratei ciclului în populația mai largă. Pe măsură ce ciclurile tale sunt înregistrate, modelul deplasează centrul către media ta personală și strânge (sau lărgește) sigma în funcție de variabilitatea ta.

Actualizarea conjugată, într-un singur paragraf

Pentru o distribuție a priori gaussiană și o verosimilitate gaussiană, calculele se simplifică frumos. Dacă distribuția a priori spune cycle ~ N(mu_0, sigma_0) și observi cicluri x_1, x_2, ..., x_n, distribuția a posteriori este tot gaussiană:

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))

Pe înțelesul tuturor: cu cât înregistrezi mai multe cicluri, cu atât contează mai puțin distribuția a priori și cu atât domină mai mult datele tale personale. După ~3 cicluri înregistrate, distribuția a priori a populației contribuie puțin; după ~10, devine zgomot.

Ce vede utilizatorul

Distribuția posterioară este o curbă. Interfața nu poate afișa o curbă într-o notificare. Așa că Soulwise o comprimă în două lucruri:

• Un interval probabil. Fereastra în care distribuția posterioară concentrează cea mai mare parte a masei sale (de exemplu, intervalul central de 68%, aproximativ +/- 1 sigma).
• O etichetă de încredere. Una dintre cele trei etichete în limbaj simplu:
  • „Corelație probabilă” când sigma este strânsă, iar datele sunt recente.
  • „Semnal slab” când sigma este largă sau datele sunt puține.
  • „Date insuficiente” când sunt disponibile mai puține cicluri înregistrate decât minimul cerut de model.

Așadar, în loc de „Menstruație: 14, martie”, utilizatorul vede „Probabil 12–16, martie, semnal slab.” Acesta este rezultatul real al modelului, nu un artificiu de UX.

De ce nu ascundem nimic

Trei motive.

Onestitate. Un instrument de urmărire a tiparelor nu poate promite o dată pe care nu o cunoaște. Afișarea valorii sigma este singura cale prin care utilizatoarea își poate calibra încrederea.

Siguranță. O dată care pare sigură încurajează oamenii să își facă planuri în jurul ei pentru lucruri pe care aplicația nu le poate susține, inclusiv concepția, contracepția și deciziile clinice. O etichetă de încredere spune „aceasta este o estimare”, ceea ce și este.

Rezistență la cicluri neregulate. SOPC, perimenopauza, ciclurile de după pilulă și terapia hormonală lărgesc, toate, valoarea sigma. Un instrument de urmărire tradițional fie greșește grav, fie renunță în tăcere la utilizatoare. Un instrument de urmărire bayesian doar etichetează estimarea drept „semnal slab” și continuă să funcționeze.

Ce nu este modelul

Câteva limite ferme, notate ca să nu se piardă pe parcurs:

• Nu estimează evenimente specifice ale ciclului dincolo de intervalul de date al următoarei menstruații.
• Nu oferă o fereastră de planificare familială.
• Nu este conceput pentru cazuri de concepție sau contracepție.
• Nu este validat clinic și nu înlocuiește sfatul medical în caz de menstruații întârziate, sângerări neregulate sau simptome persistente.

Aceste limite nu înseamnă că modelul este prudent. Înseamnă că modelul are un domeniu de aplicare corect delimitat. Estimarea menstruației și estimarea pentru planificare familială sunt probleme diferite, cu nevoi de date diferite și cu praguri de reglementare diferite.

Unde matematica întâlnește ritualul zilnic

În Soulwise, rezultatul bayesian alimentează contextul de fază a ciclului folosit în check-in-ul zilnic. Ritualul de 20 secunde te întreabă cum te simți; răspunsul folosește faza ciclului ca unul dintre cinci factori. Când sigma este larg, cardul de răspuns acordă mai puțină greutate fazei ciclului. Când sigma este strâns, îi acordă mai multă greutate. Matematica își merită greutatea fiind sinceră cu privire la cât de încrezătoare este.

Pe scurt: un tracker bayesian autentic scoate la lumină sigma. Dacă aplicația ta îți arată o singură dată plină de încredere, modelul din spate poate fi același, dar modul de prezentare ascunde ce știe de fapt.