بَیشین سائیکل ماڈلنگ کی وضاحت: ہم تاریخ کے بجائے سگما کیوں دکھاتے ہیں

زیادہ تر سائیکل ایپس آپ کو ایک یقینی تاریخ دکھاتی ہیں۔ "پیریڈ: مارچ 14۔" یہ ایک حقیقت معلوم ہوتی ہے۔ دراصل یہ ایک UX انتخاب ہے جو ایک واحد عدد کے پیچھے احتمال کی تقسیم کو چھپا دیتا ہے۔ بَیشین سائیکل ماڈلنگ وہی حساب کرتی ہے مگر آپ کو پھیلاؤ دکھاتی ہے۔

یہ پوسٹ بتاتی ہے کہ یہ حساب اصل میں کیسے کام کرتا ہے، Soulwise یقین کا دکھاوا کرنے کے بجائے سگما کیوں سامنے لاتا ہے، اور روزمرہ UI میں یہ کیسا نظر آتا ہے۔

یہاں "Bayesian" کا اصل مطلب کیا ہے

Bayesian استدلال دو چیزوں کو یکجا کرتا ہے:

• ایک prior: اس مخصوص صارف سے ڈیٹا حاصل کرنے سے پہلے سائیکل کی لمبائی کے بارے میں آپ کا ابتدائی یقین۔
• ایک likelihood: ہر نئے درج کیے گئے سائیکل سے آپ کو کیا معلوم ہوتا ہے۔

انہیں ضرب دیں، نارملائز کریں، اور آپ کو ایک posterior ملتا ہے: آپ کا تازہ ترین یقین۔ یہی posterior اگلے سائیکل کے لیے prior بن جاتا ہے۔ جیسے جیسے مزید سائیکل آتے ہیں، ماڈل مزید واضح ہوتا جاتا ہے۔

Soulwise ایک Gaussian prior سے آغاز کرتا ہے جو mu = 28 دن پر مرکوز ہوتا ہے اور جس کا معیاری انحراف sigma = 5 دن ہے۔ یہ وسیع تر آبادی میں سائیکل کی لمبائی کی تخمینی شکل ہے۔ جیسے جیسے آپ کے اپنے سائیکل درج ہوتے ہیں، ماڈل مرکز کو آپ کے ذاتی اوسط کی طرف منتقل کرتا ہے اور آپ کے اتار چڑھاؤ کی بنیاد پر sigma کو سخت (یا ڈھیلا) کرتا ہے۔

مختصراً، conjugate اپ ڈیٹ

گاؤسی پرائیر اور گاؤسی likelihood کے لیے ریاضی خوبصورتی سے سمٹ جاتی ہے۔ اگر آپ کا پرائیر کہتا ہے cycle ~ N(mu_0, sigma_0) اور آپ سائیکل x_1, x_2, ..., x_n کا مشاہدہ کرتے ہیں، تو پوسٹیریئر بھی گاؤسی ہوتا ہے:

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))

مطلب: آپ جتنے زیادہ سائیکل ریکارڈ کریں گے، پرائیر اتنا ہی کم اہم ہوگا اور آپ کا ذاتی ڈیٹا اتنا ہی غالب آئے گا۔ تقریباً 3 درج شدہ سائیکلوں کے بعد، آبادی کا پرائیر ایک معمولی حصہ دار رہ جاتا ہے؛ تقریباً 10, کے بعد وہ محض شور ہے۔

صارف کیا دیکھتا ہے

پوسٹیریئر ایک منحنی خط ہے۔ UI کسی نوٹیفکیشن میں منحنی خط نہیں دکھا سکتا۔ چنانچہ Soulwise اسے دو چیزوں میں سمیٹ دیتا ہے:

• ایک ممکنہ دائرہ۔ وہ کھڑکی جہاں پوسٹیریئر اپنی زیادہ تر کمیت رکھتا ہے (مثلاً مرکزی 68% وقفہ، تقریباً +/- 1 سگما)۔
• ایک اعتماد کا لیبل۔ سادہ انگریزی کے تین ٹیگز میں سے ایک:
  • "Likely correlation" جب سگما تنگ ہو اور ڈیٹا حالیہ ہو۔
  • "Weak signal" جب سگما وسیع ہو یا ڈیٹا کم ہو۔
  • "Not enough data" جب ماڈل کے کم از کم درج شدہ سائیکلوں سے بھی کم دستیاب ہوں۔

چنانچہ "Period: March 14," کے بجائے صارف دیکھتا ہے "Likely March 12-16, weak signal۔" یہ ماڈل کا حقیقی نتیجہ ہے، کوئی UX آرائش نہیں۔

کچھ بھی کیوں نہ چھپایا جائے

تین وجوہات۔

ایمانداری۔ ایک پیٹرن ٹریکر اُس تاریخ کا وعدہ نہیں کر سکتا جو اُسے معلوم ہی نہیں۔ سگما کو سامنے لانا ہی واحد طریقہ ہے جس سے صارف بھروسے کا اندازہ لگا سکتا ہے۔

حفاظت۔ ایک پُریقین دکھنے والی تاریخ لوگوں کو اس کے گرد ایسی چیزوں کی منصوبہ بندی پر اُکساتی ہے جنہیں ایپ سہارا نہیں دے سکتی، جن میں حمل قرار پانا، مانع حمل، اور طبی فیصلے شامل ہیں۔ ایک کانفیڈنس لیبل کہتا ہے کہ "یہ ایک تخمینہ ہے،" اور یہی اس کی حقیقت ہے۔

بے قاعدہ سائیکلز کے سامنے مضبوطی۔ PCOS، پیری مینوپاز، گولی چھوڑنے کے بعد کے سائیکلز، اور ہارمون تھراپی، یہ سب سگما کو وسیع کر دیتے ہیں۔ ایک روایتی ٹریکر یا تو بُری طرح چُوک جاتا ہے یا خاموشی سے صارف کو نظر انداز کر دیتا ہے۔ ایک Bayesian ٹریکر بس تخمینے کو "کمزور سگنل" کا لیبل دے دیتا ہے اور کام جاری رکھتا ہے۔

ماڈل کیا نہیں ہے

چند سخت حدود، جنہیں لکھ دیا گیا ہے تاکہ یہ بدل نہ سکیں:

• یہ اگلی ماہواری کی تاریخی حد سے آگے کسی مخصوص سائیکل واقعے کا تخمینہ نہیں لگاتا۔
• یہ خاندانی منصوبہ‌بندی کی کوئی کھڑکی فراہم نہیں کرتا۔
• یہ حمل ٹھہرانے یا مانع حمل کے استعمال کے لیے ڈیزائن نہیں کیا گیا۔
• یہ طبی طور پر تصدیق‌شدہ نہیں ہے اور ماہواری کے رہ جانے، بے‌قاعدہ خون آنے، یا مستقل علامات کے لیے طبی مشورے کا متبادل نہیں ہے۔

یہ حدود اس لیے نہیں ہیں کہ ماڈل احتیاط برت رہا ہے۔ بلکہ یہ اس لیے ہیں کہ ماڈل کا دائرہ‌کار درست طور پر متعین ہے۔ ماہواری کا تخمینہ اور خاندانی منصوبہ‌بندی کا تخمینہ مختلف مسائل ہیں جن کے لیے مختلف ڈیٹا کی ضرورت اور مختلف ضابطہ‌جاتی معیار درکار ہیں۔

جہاں ریاضی روزمرہ معمول سے ملتی ہے

Soulwise میں، Bayesian آؤٹ پٹ اُس سائیکل-فیز سیاق کو فراہم کرتا ہے جو روزانہ چیک-اِن میں استعمال ہوتا ہے۔ 20-سیکنڈ کا یہ معمول پوچھتا ہے کہ آپ کیسا محسوس کر رہے ہیں؛ جواب سائیکل فیز کو پانچ میں سے ایک عنصر کے طور پر استعمال کرتا ہے۔ جب سگما وسیع ہو، تو ریسپانس کارڈ سائیکل فیز کو کم اہمیت دیتا ہے۔ جب سگما تنگ ہو، تو یہ سائیکل فیز کو زیادہ اہمیت دیتا ہے۔ ریاضی اپنی اہمیت اِس طرح حاصل کرتی ہے کہ وہ اپنے یقین کی سطح کے بارے میں ایماندار رہتی ہے۔

مختصر یہ کہ: ایک حقیقی Bayesian ٹریکر سگما کو سامنے لاتا ہے۔ اگر آپ کی ایپ صرف ایک پُریقین تاریخ دکھاتی ہے، تو نیچے چھپا ماڈل شاید وہی ہو، مگر پیشکش وہ بات چھپا رہی ہے جو وہ دراصل جانتی ہے۔