Bajesovsko modelovanje ciklusa: zašto prikazujemo sigmu, a ne datum

Većina aplikacija za praćenje ciklusa pokazuje ti samouveren datum. „Menstruacija: 14. mart.” Izgleda kao činjenica. Zapravo je to izbor u dizajnu koji iza jednog broja skriva raspodelu verovatnoće. Bajesovsko modelovanje ciklusa radi istu matematiku, ali ti pokazuje raspon.

Ovaj tekst objašnjava kako matematika zapravo funkcioniše, zašto Soulwise iznosi sigmu umesto da se pravi da je sve izvesno i kako to izgleda u svakodnevnom interfejsu.

Šta ovde zapravo znači „bajesovski"

Bajesovsko zaključivanje spaja dve stvari:

• Prior: tvoje početno uverenje o dužini ciklusa pre nego što imaš podatke od ovog konkretnog korisnika.
• Verodostojnost: ono što ti svaki novozabeleženi ciklus govori.

Pomnožiš ih, normalizuješ i dobiješ posterior: tvoje ažurirano uverenje. Taj posterior postaje prior za sledeći ciklus. Model postaje precizniji kako pristiže više ciklusa.

Soulwise počinje s Gausovim priorom centriranim na mu = 28 dana uz standardnu devijaciju od sigma = 5 dana. To je gruba slika dužine ciklusa u široj populaciji. Kako se beleže tvoji sopstveni ciklusi, model pomera centar ka tvojoj ličnoj sredini i sužava (ili širi) sigmu na osnovu tvoje varijabilnosti.

Konjugovano ažuriranje, u jednom pasusu

Za gausovski prior i gausovsku verodostojnost, matematika se lepo sažima. Ako tvoj prior kaže cycle ~ N(mu_0, sigma_0) a ti posmatraš cikluse x_1, x_2, ..., x_n, posteriorna raspodela je takođe gausovska:

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))

Prevod: što više ciklusa beležiš, to prior manje znači, a tvoji lični podaci sve više dominiraju. Nakon ~3 zabeleženih ciklusa, populacioni prior je mali doprinos; nakon ~10, on je samo šum.

Šta korisnik vidi

Posteriorna verovatnoća je kriva. UI ne može da prikaže krivu u obaveštenju. Zato je Soulwise sažima u dve stvari:

• Verovatan opseg. Prozor u kome posteriorna raspodela smešta najveći deo svoje mase (npr. centralni interval od 68%, otprilike +/- 1 sigma).
• Oznaka pouzdanosti. Jedna od tri jasne reči:
  • „Verovatna korelacija” kada je sigma uska, a podaci skorašnji.
  • „Slab signal” kada je sigma široka ili su podaci oskudni.
  • „Nema dovoljno podataka” kada je zabeleženo manje ciklusa od minimuma koji model zahteva.

Tako umesto „Menstruacija: mart 14,” korisnik vidi „Verovatno 12–16,. mart, slab signal.” To je stvarni izlaz modela, a ne ukras u dizajnu.

Zašto ništa ne kriti

Tri razloga.

Iskrenost. Praćenje obrazaca ne može da obeća datum koji ne zna. Prikazivanje sigme jedini je način da korisnik kalibriše poverenje.

Bezbednost. Datum koji deluje sigurno navodi ljude da oko njega planiraju stvari koje aplikacija ne može da podrži, uključujući začeće, kontracepciju i kliničke odluke. Oznaka pouzdanosti govori „ovo je procena”, što i jeste.

Otpornost na neredovne cikluse. PCOS, perimenopauza, ciklusi nakon prestanka pilule i hormonska terapija — sve to širi sigmu. Tradicionalno praćenje ili grdno promaši ili tiho odustane od korisnika. Bajesovsko praćenje jednostavno označi procenu kao „slab signal” i nastavlja da radi.

Šta model nije

Nekoliko strogih granica, zapisanih da ne bi mogle da se pomere:

• Ne procenjuje konkretne događaje ciklusa izvan opsega datuma sledeće menstruacije.
• Ne daje prozor za planiranje porodice.
• Nije osmišljen za slučajeve začeća ili kontracepcije.
• Nije klinički validiran i ne zamenjuje savet lekara kod izostalih menstruacija, neredovnog krvarenja ili upornih simptoma.

Ove granice ne znače da je model konzervativan. One znače da je model ispravno usmeren. Procena menstruacije i procena planiranja porodice dva su različita problema, sa različitim potrebama za podacima i različitim regulatornim merilima.

Gde se matematika susreće sa svakodnevnim ritualom

U Soulwise-u, Bajesov rezultat napaja kontekst faze ciklusa koji se koristi u dnevnom obraćanju. Ritual od 20 sekundi pita kako se osećaš; odgovor koristi fazu ciklusa kao jedan od pet ulaznih podataka. Kada je sigma široka, kartica odgovora manje ponderiše fazu ciklusa. Kada je sigma uska, više je ponderiše. Matematika zaslužuje svoju težinu time što je iskrena o tome koliko je sigurna.

Kraća verzija: pravi Bajesov tragač iznosi sigmu na videlo. Ako tvoja aplikacija prikazuje jedan samouveren datum, model ispod haube možda je isti, ali okvir krije ono što zaista zna.