Giải thích Mô hình Chu kỳ Bayes: Vì sao chúng tôi hiển thị Sigma thay vì một ngày cụ thể

Hầu hết các ứng dụng theo dõi chu kỳ đều cho bạn một ngày chắc nịch. "Kỳ kinh: ngày 14 tháng Ba." Trông như một sự thật hiển nhiên. Nhưng đó chỉ là một lựa chọn về trải nghiệm người dùng, che giấu cả một phân phối xác suất sau lưng một con số duy nhất. Mô hình chu kỳ Bayes vẫn dùng đúng phép toán ấy, nhưng cho bạn thấy độ phân tán.

Bài viết này giải thích cách phép toán thực sự vận hành, vì sao Soulwise đưa ra sigma thay vì giả vờ chắc chắn, và điều đó hiện ra như thế nào trong giao diện hằng ngày.

"Bayesian" thực sự nghĩa là gì ở đây

Suy luận Bayesian kết hợp hai yếu tố:

• Một giá trị tiên nghiệm (prior): niềm tin ban đầu của bạn về độ dài chu kỳ trước khi có dữ liệu từ chính người dùng cụ thể này.
• Một độ khả dĩ (likelihood): điều mà mỗi chu kỳ vừa được ghi nhận cho bạn biết.

Nhân chúng lại, chuẩn hóa, và bạn có được một giá trị hậu nghiệm (posterior): niềm tin đã được cập nhật của bạn. Giá trị hậu nghiệm đó trở thành giá trị tiên nghiệm cho chu kỳ tiếp theo. Mô hình ngày càng sắc bén hơn khi có thêm nhiều chu kỳ.

Soulwise bắt đầu với một giá trị tiên nghiệm Gaussian lấy tâm tại mu = 28 ngày với độ lệch chuẩn sigma = 5 ngày. Đó là hình dạng đại khái của độ dài chu kỳ trên toàn bộ dân số rộng lớn hơn. Khi các chu kỳ của riêng bạn được ghi nhận, mô hình sẽ dịch chuyển tâm về phía giá trị trung bình cá nhân của bạn và thắt chặt (hoặc nới lỏng) sigma dựa trên mức độ biến thiên của bạn.

Cập nhật liên hợp, gói gọn trong một đoạn

Với một tiên nghiệm Gauss và một hàm hợp lý Gauss, phép toán thu gọn lại rất gọn gàng. Nếu tiên nghiệm của bạn nói rằng cycle ~ N(mu_0, sigma_0) và bạn quan sát các chu kỳ x_1, x_2, ..., x_n, thì hậu nghiệm cũng là phân phối Gauss:

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))

Diễn giải: bạn ghi lại càng nhiều chu kỳ thì tiên nghiệm càng ít quan trọng và dữ liệu cá nhân của bạn càng chiếm ưu thế. Sau khoảng ~3 chu kỳ được ghi lại, tiên nghiệm dân số chỉ còn đóng góp nhỏ; sau khoảng ~10, thì nó chỉ là nhiễu.

Những gì người dùng nhìn thấy

Phân phối hậu nghiệm là một đường cong. Giao diện không thể hiển thị một đường cong trong thông báo. Vì vậy Soulwise nén nó lại thành hai thứ:

• Một khoảng khả dĩ. Cửa sổ nơi phân phối hậu nghiệm đặt phần lớn khối lượng của nó (ví dụ, khoảng trung tâm 68%, xấp xỉ +/- 1 sigma).
• Một nhãn độ tin cậy. Một trong ba nhãn diễn đạt mộc mạc, dễ hiểu:
  • "Tương quan khả dĩ" khi sigma hẹp và dữ liệu mới.
  • "Tín hiệu yếu" khi sigma rộng hoặc dữ liệu thưa thớt.
  • "Chưa đủ dữ liệu" khi số chu kỳ được ghi nhận ít hơn mức tối thiểu của mô hình.

Vì vậy thay vì "Kỳ kinh: ngày 14, tháng Ba", người dùng sẽ thấy "Khả năng ngày 12-16, tháng Ba, tín hiệu yếu." Đó là kết quả thực sự của mô hình, không phải một chi tiết tô vẽ cho giao diện.

Vì sao không giấu giếm điều gì

Có ba lý do.

Trung thực. Một công cụ theo dõi chu kỳ không thể hứa hẹn một ngày mà nó không biết chắc. Cho hiển thị sigma là cách duy nhất để bạn có thể hiệu chỉnh mức độ tin cậy.

An toàn. Một ngày dự đoán trông có vẻ chắc chắn dễ khiến người dùng lên kế hoạch dựa vào đó cho những việc mà ứng dụng không thể đảm bảo, bao gồm thụ thai, tránh thai, và các quyết định y khoa. Một nhãn độ tin cậy nói rằng "đây chỉ là một ước tính," và đúng là như vậy.

Khả năng thích ứng với chu kỳ không đều. Hội chứng buồng trứng đa nang (PCOS), tiền mãn kinh, chu kỳ sau khi ngừng thuốc tránh thai, và liệu pháp hormone đều làm sigma rộng ra. Một công cụ theo dõi truyền thống hoặc là dự đoán sai bét, hoặc lặng lẽ bỏ rơi người dùng. Một công cụ theo dõi kiểu Bayes chỉ đơn giản gắn nhãn "tín hiệu yếu" cho ước tính và vẫn tiếp tục hoạt động.

Những điều mô hình không làm

Một vài giới hạn rõ ràng, được ghi lại để không bị mơ hồ về sau:

• Nó không ước tính các sự kiện chu kỳ cụ thể nào ngoài khoảng ngày của kỳ kinh tiếp theo.
• Nó không đưa ra cửa sổ kế hoạch hóa gia đình.
• Nó không được thiết kế cho mục đích thụ thai hay tránh thai.
• Nó chưa được kiểm chứng lâm sàng và không thay thế lời khuyên y khoa khi bạn trễ kinh, chảy máu bất thường hoặc có triệu chứng kéo dài.

Những giới hạn này không phải vì mô hình quá thận trọng. Chúng cho thấy mô hình được xác định phạm vi đúng đắn. Ước tính kỳ kinh và ước tính kế hoạch hóa gia đình là hai bài toán khác nhau, với nhu cầu dữ liệu khác nhau và những tiêu chuẩn pháp lý khác nhau.

Nơi toán học gặp gỡ thói quen mỗi ngày

Trong Soulwise, kết quả Bayes cung cấp dữ liệu cho ngữ cảnh giai đoạn chu kỳ dùng trong phần check-in hằng ngày. Nghi thức 20 giây hỏi bạn đang cảm thấy thế nào; câu trả lời lấy giai đoạn chu kỳ làm một trong năm yếu tố đầu vào. Khi sigma rộng, thẻ phản hồi sẽ giảm trọng số của giai đoạn chu kỳ. Khi sigma hẹp, nó tăng trọng số của giai đoạn chu kỳ. Toán học xứng đáng với trọng số đó nhờ sự thành thật về mức độ chắc chắn của chính mình.

Nói ngắn gọn: một công cụ theo dõi Bayes thực thụ sẽ phơi bày sigma. Nếu ứng dụng của bạn chỉ hiển thị một ngày duy nhất đầy chắc chắn, mô hình bên dưới có thể vẫn vậy, nhưng cách trình bày đang che giấu những gì nó thực sự biết.