Bayesovské modelovanie cyklu vysvetlené: Prečo ukazujeme sigmu, a nie dátum

Väčšina aplikácií na sledovanie cyklu ti ukáže sebavedomý dátum. „Menštruácia: 14. marca.“ Vyzerá to ako fakt. V skutočnosti je to UX rozhodnutie, ktoré za jediným číslom skrýva rozdelenie pravdepodobnosti. Bayesovské modelovanie cyklu počíta to isté, no ukáže ti rozptyl.

Tento článok vysvetľuje, ako matematika naozaj funguje, prečo Soulwise zobrazuje sigmu namiesto predstierania istoty a ako to vyzerá v dennom rozhraní.

Čo tu vlastne znamená „bayesovský“

Bayesovská inferencia spája dve veci:

• Apriórnu hodnotu (prior): tvoje východiskové očakávanie o dĺžke cyklu skôr, než máš dáta od tohto konkrétneho používateľa.
• Vierohodnosť (likelihood): to, čo ti prezradí každý novo zaznamenaný cyklus.

Vynásob ich, normalizuj a získaš posteriórnu hodnotu (posterior): tvoje aktualizované očakávanie. Tá sa stane apriórnou hodnotou pre ďalší cyklus. Model je čoraz presnejší, ako pribúdajú ďalšie cykly.

Soulwise začína s Gaussovou apriórnou hodnotou so stredom na mu = 28 dní a so smerodajnou odchýlkou sigma = 5 dní. To je približný tvar dĺžky cyklu v širšej populácii. Ako sa zaznamenávajú tvoje vlastné cykly, model posúva stred smerom k tvojmu osobnému priemeru a sprísňuje (alebo uvoľňuje) sigmu podľa tvojej premenlivosti.

Konjugovaná aktualizácia, v jednom odseku

Pri gaussovskom prior a gaussovskej vierohodnosti sa matematika pekne zjednoduší. Ak tvoj prior hovorí cycle ~ N(mu_0, sigma_0) a ty pozoruješ cykly x_1, x_2, ..., x_n, posterior je tiež gaussovský:

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))

Preklad: čím viac cyklov si zaznamenáš, tým menej záleží na prior a tým viac prevažujú tvoje osobné údaje. Po približne 3 zaznamenaných cykloch je populačný prior len malým prispievateľom; po približne 10, je už len šumom.

Čo vidí používateľ

Posteriórna distribúcia je krivka. Používateľské rozhranie nedokáže krivku v notifikácii zobraziť. Soulwise ju preto stlačí do dvoch vecí:

• Pravdepodobný rozsah. Okno, kam posteriórna distribúcia kladie väčšinu svojej hmoty (napr. centrálny 68% interval, zhruba +/- 1 sigma).
• Označenie spoľahlivosti. Jedna z troch jednoduchých menoviek:
  • „Pravdepodobná korelácia“, keď je sigma tesná a dáta sú čerstvé.
  • „Slabý signál“, keď je sigma široká alebo dát je málo.
  • „Nedostatok dát“, keď je k dispozícii menej zaznamenaných cyklov, než je minimum modelu.

Takže namiesto „Menštruácia: marec 14,“ používateľ vidí „Pravdepodobne 12. – 16,. marca, slabý signál.“ To je skutočný výstup modelu, nie ozdoba UX.

Prečo nič neskrývame

Tri dôvody.

Úprimnosť. Sledovač vzorcov nemôže sľúbiť dátum, ktorý nepozná. Zobrazenie sigmy je jediný spôsob, ako môžeš vykalibrovať svoju dôveru.

Bezpečnosť. Sebavedomo vyzerajúci dátum láka ľudí, aby si podľa neho plánovali veci, ktoré aplikácia nedokáže podporiť — vrátane počatia, antikoncepcie a klinických rozhodnutí. Označenie istoty hovorí „toto je odhad", čím to aj naozaj je.

Odolnosť voči nepravidelným cyklom. PCOS, perimenopauza, cykly po vysadení tabletiek aj hormonálna liečba — to všetko rozširuje sigmu. Tradičný sledovač sa buď poriadne pomýli, alebo používateľku potichu odpíše. Bayesovský sledovač odhad jednoducho označí ako „slabý signál" a pracuje ďalej.

Čo model nie je

Zopár tvrdých hraníc, zapísaných tak, aby sa nemohli rozplynúť:

• Neodhaduje konkrétne udalosti cyklu nad rámec dátumového rozsahu najbližšej menštruácie.
• Nevypisuje okno na plánovanie rodičovstva.
• Nie je navrhnutý na použitie pri počatí ani antikoncepcii.
• Nie je klinicky overený a nenahrádza lekársku radu pri vynechanej menštruácii, nepravidelnom krvácaní či pretrvávajúcich príznakoch.

Tieto hranice neznamenajú, že je model opatrný. Znamenajú, že má správne vymedzený rozsah. Odhad menštruácie a odhad plánovania rodičovstva sú odlišné problémy s odlišnými nárokmi na dáta a odlišnými regulačnými latkami.

Kde sa matematika stretáva s každodenným rituálom

V Soulwise Bayesovský výstup napája kontext fázy cyklu, ktorý sa používa pri každodennom check-ine. 20-sekundový rituál sa ťa pýta, ako sa cítiš; odpoveď využíva fázu cyklu ako jeden z piatich vstupov. Keď je sigma široká, kartička s odpoveďou priraďuje fáze cyklu menšiu váhu. Keď je sigma úzka, priraďuje jej väčšiu váhu. Matematika si svoju váhu zaslúži tým, že je úprimná v tom, akú má istotu.

Kratšia verzia: skutočný Bayesovský tracker sigmu zviditeľní. Ak ti aplikácia ukáže jediný sebavedomý dátum, model pod kapotou môže byť rovnaký, no podanie skrýva, čo v skutočnosti vie.