در این صفحه برخی مفاهیم اصلی در آرنیل بهصورت نسبتاً غیرتخصصی معرفی میشود. برای اطلاعات بیشتر صفحهٔ سوالات متداول یا این مقاله دربارهٔ جزئیات تکنیکی یا این کلیپ دربارهٔ مقدمات یا این کلیپ دربارهٔ ثبت انتظارات را ببینید.
| مفهوم | توضیحات | گروه | |
|---|---|---|---|
| توزیع t استیودنت / درجه آزادی | توزیعی شبیه نرمال است، اما میتواند دنبالههای کلفتتری داشته باشد. پارامتر درجه آزادی شدت دنبالهها را کنترل میکند؛ مقدار کوچکتر معمولاً به معنای احتمال بیشتر برای نتایج حدی است. | انواع توزیع | |
| چند افق پیشبینی | بعضی پروژهها از کاربران میخواهند برای بیش از یک تاریخ یا دوره آینده پیشبینی ثبت کنند. هر افق میتواند جداگانه ارزیابی شود و در امتیاز کلی نیز اثر داشته باشد. | مفاهیم اصلی پلتفرم | |
| چند پیشبینی از یک پیشبین | چند پیشبینی از یک پیشبین یعنی اگر قواعد پروژه اجازه دهد، یک کاربر میتواند برای یک افق پیشبینی بیش از یک پیشبینی ثبت کند. آرنیل این پیشبینیها را در همان خانوادهای خلاصه میکند که کاربر واقعاً انتخاب کرده است. چند پیشبینی توزیعی میتوانند بهصورت یک مخلوط ترکیب شوند و با CRPS امتیاز بگیرند؛ چند پیشبینی جهتدار میتوانند بهصورت مخلوطی از احتمالهای جهتدار ترکیب شوند و با امتیاز برایر سنجیده شوند. چند پیشبینی نقطهای حساستر است: برای امتیازدهی باید همچنان نقطهای باقی بمانند، بنابراین آرنیل هرکدام را با خطای مطلق ارزیابی میکند و میانگین آن خطاها را برای آن افق میگیرد. این کار مانع میشود پیشبینیهای نقطهای طوری سنجیده شوند که انگار کاربر یک پیشبینی توزیعی کامل ثبت کرده است. | مفاهیم امتیازدهی و عملکرد | |
| دوره ارسال | بازه زمانیای است که کاربران در آن میتوانند پیشبینی خود را ثبت کنند. قواعد پروژه باید زمان شروع و پایان ارسال را مشخص کنند. | مفاهیم اصلی پلتفرم | |
| عدمقطعیت / ریسک | عدمقطعیت یعنی مقدار آینده دقیقاً معلوم نیست. ریسک به امکان تفاوت مقدار واقعی با مقدار مورد انتظار یا مرکزی اشاره دارد، بهویژه زمانی که این تفاوت مهم یا پرهزینه باشد. | مفاهیم نااطمینانی و احتمال | |
| فراوانی / برچسب داده | بسامد نشان میدهد یک متغیر چه زمانی اندازهگیری میشود یا مقدار آن مربوط به چه دورهای است. این موضوع مهم است، چون بعضی متغیرها در یک نقطه مشخص از زمان اندازهگیری میشوند، مانند متغیرهای ذخیرهای، و بعضی دیگر در طول یک بازه زمانی سنجیده میشوند، مانند متغیرهای جریانی. برچسب داده تاریخ، دوره، بخش زمانی یا آیتم فهرستیِ مربوط به هر مقدار داده را مشخص میکند. در آرنیل، هر نوع بسامد قالب مقدار و فیلد جزئیات مخصوص خود را دارد؛ بنابراین برچسبها باید مطابق ساختار مورد انتظار وارد شوند، مانند تاریخهای روزانه، بخشهای ساعتی، برچسبهای ماهانه یا فصلی، یا آیتمهای فهرست سفارشی. | مفاهیم بسامد و برچسب داده | |
| قاعده امتیازدهی / قاعده امتیازدهی درست / قاعده امتیازدهی کاملاً درست | قاعدهای است که نحوه نمرهدادن به پیشبینی را مشخص میکند. قواعد درست طوری طراحی میشوند که کاربر بهجای دستکاری راهبردی، باور واقعی خود را گزارش کند. | مفاهیم امتیازدهی و عملکرد | |
| قواعد نظرسنجی / قواعد مشارکت | توضیح میدهند پروژه چگونه اجرا میشود؛ مثلاً چه کسانی میتوانند شرکت کنند، چه زمانی امکان ارسال پیشبینی وجود دارد، آیا چند پیشبینی مجاز است و پروژه چند افق پیشبینی دارد. | مفاهیم اصلی پلتفرم | |
| کنترلهای نمودار | ابزارهایی در اطراف نمودار هستند، مانند بزرگنمایی یا تغییر تعداد مشاهدات نمایشدادهشده. این ابزارها بهویژه در صفحه موبایل مفیدند. | مفاهیم اصلی پلتفرم | |
| متغیر هدف | همان چیزی است که پروژه از کاربران میخواهد درباره آینده آن پیشبینی کنند؛ مانند قیمت، نرخ ارز، شاخص، نماگر اقتصادی، متغیر مالی، نتیجه ورزشی یا هر مقداری که در طول زمان ثبت میشود. | مفاهیم اصلی پلتفرم | |
| مدل آماری / پیشبینی مدلمحور | مدل آماری با استفاده از داده و قواعد ریاضی پیشبینی تولید میکند. پیشبینی مدل میتواند با پیشبینی انسانی مقایسه شود یا در صورت پشتیبانی پروژه در نتایج ترکیبی استفاده شود. | مفاهیم اصلی پلتفرم | |
| مدیر پروژه | شخص یا نقشی است که کارهای اجرایی پروژه، مثل ثبت مقدار واقعی پس از انتشار آن، را انجام میدهد. | مفاهیم اصلی پلتفرم | |
| مسابقه / جلسه پیشبینی | دور یا مرحلهای مشخص از پیشبینی است که در آن پیشبینیها ثبت میشوند و بعداً بر اساس قواعد پروژه امتیازدهی و مقایسه میشوند. | مفاهیم امتیازدهی و عملکرد | |
| مقدار واقعی | مقداری است که در آینده واقعاً منتشر یا ثبت میشود. پس از ثبت این مقدار، امکان ارزیابی و امتیازدهی به پیشبینیهای مربوط به آن افق فراهم میشود. | مفاهیم اصلی پلتفرم | |
| منبع داده | نشان میدهد دادههای تاریخی و مقدار واقعی از کجا گرفته میشوند. این بخش به کاربر کمک میکند اعتبار داده را بسنجد و مطمئن شود دقیقاً همان متغیری را پیشبینی میکند که مدنظر اوست. | مفاهیم اصلی پلتفرم | |
| نرمالسازی بین مسابقهای | نرمالسازی بین مسابقهها کمک میکند امتیازها در پروژهها یا مسابقههایی با سطح دشواری متفاوت قابلمقایسه شوند. بهجای مقایسه مستقیم خطاها یا جریمههای خام، آرنیل هر پیشبینی را با یک پیشبینی خط مبنا برای همان پروژه، افق پیشبینی و نوع امتیاز مقایسه میکند. امتیاز مهارت برابر با ۱ یعنی پیشبینی کامل، امتیاز ۰ یعنی بهتر از خط مبنا عمل نکرده است، و مقدار منفی یعنی عملکرد از خط مبنا ضعیفتر بوده است. این کار امتیازها را بدون واحد و برای تجمیع بین پروژهها مناسبتر میکند. این روش بیشتر ابزاری برای انصاف و مقایسه است، نه یک قاعده امتیازدهی کاملاً خالص؛ بنابراین وقتی امتیاز خط مبنا بسیار کوچک باشد، آرنیل از محافظتهای عددی استفاده میکند. | مفاهیم امتیازدهی و عملکرد | |
| نمودار | نمایش تصویری متغیر هدف در طول زمان است. کاربر با آن میتواند روند گذشته، آخرین مقدار، افق آینده و واحد اندازهگیری را پیش از ثبت پیشبینی بررسی کند. | مفاهیم اصلی پلتفرم | |
| نوع پیشبینی | نوع پیشبینی قالبی است که کاربر برای بیان پیشبینی خود انتخاب میکند. در آرنیل، انواع اصلی شامل پیشبینی نقطهای، پیشبینی توزیعی یا احتمالاتی، و پیشبینی جهتدار هستند. پیشبینی نقطهای یک مقدار مورد انتظار ارائه میکند؛ پیشبینی توزیعی نتایج ممکن و نااطمینانی اطراف آنها را توضیح میدهد؛ و پیشبینی جهتدار احتمال حرکت متغیر، مانند افزایش، کاهش یا بدون تغییر ماندن را بیان میکند. نوع پیشبینی مهم است، چون مشخص میکند کاربر چه اطلاعاتی ثبت میکند و آن پیشبینی بعداً چگونه خلاصه، ترکیب و امتیازدهی میشود. برای حفظ انصاف در ارزیابی، آرنیل هر نوع را با روش متناسب خودش میسنجد: پیشبینی نقطهای با خطای مطلق، پیشبینی توزیعی با CRPS، و پیشبینی جهتدار با امتیاز برایر. | مفاهیم ثبت پیشبینی | |
| واحد اندازهگیری | مشخص میکند متغیر با چه مقیاسی سنجیده میشود؛ مانند دلار، درصد، واحد شاخص یا پول محلی. پیشبینی باید با همین واحد وارد شود. | مفاهیم اصلی پلتفرم | |
| CRPS / امتیاز احتمال رتبهای پیوسته | CRPS، یا امتیاز احتمال رتبهبندیشده پیوسته، روشی برای امتیازدهی به پیشبینیهای توزیعی درباره نتایج پیوسته است. این معیار کل توزیع پیشبینیشده را با مقدار واقعیِ تحققیافته مقایسه میکند، نه فقط یک برآورد نقطهای را. بهصورت شهودی، CRPS فاصله میان توزیع تجمعی پیشبینی و توزیع پلهای ساختهشده از مقدار مشاهدهشده را میسنجد. مقدار کمتر CRPS یعنی پیشبینی احتمال بیشتری را نزدیک به چیزی که واقعاً رخ داده قرار داده و نااطمینانی را مناسبتر بیان کرده است. این معیار در آرنیل مفید است، چون هم دقت و هم کیفیت بیان نااطمینانی را در یک پیشبینی توزیعی کامل ارزیابی میکند. | مفاهیم امتیازدهی و عملکرد |