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 | |
|---|---|---|---|
| آخرین مشاهده | جدیدترین مقدار ثبتشده و شناختهشده متغیر هدف است. این مقدار معمولاً مبنایی برای تشخیص افزایش، کاهش یا وضعیت فعلی متغیر محسوب میشود. | مفاهیم اصلی پلتفرم | |
| اجماع پیشبینی / پیشبینی اجماعی / پیشبینی ترکیبی / نتیجه تجمیعی | اجماع پیشبینی، نمای ترکیبی چند پیشبینی یا چند نگاه پیشبینانه است. این نتیجه میتواند نشان دهد پیشبینیها در چه محدودهای متمرکز شدهاند، کاربران کجا اختلاف نظر دارند، و انتظارات در یک پروژه چگونه توزیع شده است. در چارچوب فنی آرنیل، پیشبینیهای احتمالاتی میتوانند بهصورت یک تجمیع وزنی از دیدگاهها ترکیب شوند؛ بنابراین هر دیدگاه در نتیجه نهایی سهم دارد، بدون آنکه فقط یک پیشبینی بهعنوان پیشبینی درست انتخاب شود. در صورت وجود، اجماع ممکن است اطلاعات مدلمحور یا پشتیبانیشده با هوش مصنوعی را نیز در بر بگیرد. این نتیجه خلاصهای از انتظارات است، نه تضمینی درباره آینده. | مفاهیم اصلی پلتفرم | |
| احتمال افزایش / احتمال کاهش / بدون تغییر | احتمالهای جهتدار هستند. این موارد نشان میدهند کاربر چقدر احتمال میدهد متغیر نسبت به یک مقدار مرجع، مانند آخرین مشاهده، افزایش یابد، کاهش یابد یا ثابت بماند. | مفاهیم ثبت پیشبینی | |
| احتمال ضمنی / پیشبینی نقطهای ضمنی | مقادیری هستند که سامانه از انتخاب کاربر استخراج میکند. این اطلاعات کمک میکند کاربر مطمئن شود پیشبینی ذخیرهشده همان چیزی است که قصد بیان آن را داشته است. | مفاهیم ثبت پیشبینی | |
| استخراج چگالی | استخراج چگالی روشی پیشرفته برای دریافت باور کاربر درباره شکل کامل نتایج ممکن است، نه فقط یک مقدار نقطهای یا یک بازه. در چارچوب کیفی توسعهیافته آرنیل، کاربر میتواند شکل چگالی مورد انتظار را ترسیم کند؛ بخشهای بالاتر نمودار یعنی مقادیر محتملتر، و بخشهای پایینتر یعنی مقادیر کماحتمالتر. سیستم میتواند این منحنی را پاکسازی، هموار و نرمالسازی کند تا مانند یک توزیع احتمال رفتار کند، سپس آن را با مدلی مانند مدل مخلوط گاوسی تقریب بزند. هدف بازتولید دقیق همه جزئیات رسم کاربر نیست، بلکه ثبت ساختار کلی و احتمالهای ضمنی آن است. | مفاهیم پیشبینی کیفی | |
| استنتاج بیننوعی | استنتاج بیننوعی یعنی استخراج اطلاعات مفید از یک نوع پیشبینی در قالب نوعی دیگر. برای مثال، پیشبینی توزیعی میتواند یک برآورد نقطهای مانند میانگین یا میانه داشته باشد، و پیشبینی نقطهای یا توزیعی میتواند جهت افزایش یا کاهش را بهطور ضمنی نشان دهد. آرنیل میتواند از این مقادیر ضمنی برای نمایش، خلاصهسازی و مقایسه اکتشافی استفاده کند. اما در امتیازدهی، آرنیل از استنتاج بیننوعی پرهیز میکند: پیشبینی توزیعی با CRPS، پیشبینی نقطهای با خطای مطلق، و پیشبینی جهتدار با امتیاز برایر ارزیابی میشود. این کار باعث میشود کاربران بر اساس همان نوع پیشبینیای سنجیده شوند که واقعاً انتخاب کردهاند. | مفاهیم امتیازدهی و عملکرد | |
| افق پیشبینی / دوره آینده | تاریخ یا دورهای در آینده است که پیشبینی درباره آن انجام میشود. در نمودار ممکن است این بخش بهصورت ناحیه هایلایتشده نمایش داده شود؛ مثلاً پایان ماه یا پایان سال. | مفاهیم اصلی پلتفرم | |
| امتیاز برایر | امتیاز برایر برای ارزیابی پیشبینیهای احتمالاتی درباره نتایج گسسته یا جهتدار به کار میرود. در آرنیل، این معیار بهویژه زمانی کاربرد دارد که کاربر برای جهت حرکت، مانند کاهش، بدون تغییر ماندن، یا افزایش، احتمال تعیین میکند. این امتیاز بردار احتمالهای پیشبینیشده را با چیزی که واقعاً رخ داده است، یعنی دسته تحققیافته، مقایسه میکند. از نظر شهودی، امتیاز برایر میانگین خطای مربعی بین احتمالها و نتیجه مشاهدهشده است؛ بنابراین مقدار کمتر نشاندهنده عملکرد بهتر است. چون امتیاز برایر یک قاعده امتیازدهی کاملاً درست است، کاربر در حالت مورد انتظار با گزارش احتمالهای واقعی خود بهترین نتیجه را میگیرد. | مفاهیم امتیازدهی و عملکرد | |
| امتیاز مهارت / امتیاز مهارت منفی / عدم بهبود نسبت به خط مبنا | امتیاز مهارت، جریمه یا خطای یک پیشبینی را با جریمه پیشبینی خط مبنا برای همان پروژه، افق پیشبینی و نوع امتیاز مقایسه میکند. این کار لازم است، چون جریمههای خام مانند CRPS، امتیاز برایر و خطای مطلق در پروژههایی با سطح دشواری متفاوت مستقیماً قابلمقایسه نیستند. در مقیاس آرنیل، امتیاز مهارت ۱ یعنی پیشبینی کامل، ۰ یعنی بهتر از خط مبنا عمل نکرده است، و مقدار منفی یعنی عملکرد از خط مبنا ضعیفتر بوده است. چون این امتیاز بدون واحد است، مقایسه و تجمیع آن بین پروژهها سادهتر میشود. باید آن را ابزاری برای نرمالسازی و مقایسه منصفانه دانست، نه یک قاعده امتیازدهی کاملاً خالص. | مفاهیم امتیازدهی و عملکرد | |
| امتیاز میانگین / امتیاز کل / امتیاز ترکیبی / وزن امتیاز | امتیاز میانگین، کیفیت عملکرد پیشبینی کاربر را در پروژهها یا مسابقههای معتبر خلاصه میکند. امتیاز کل، سهم تجمعی کاربر را نشان میدهد، چون نتایج مشارکتها را جمع میکند نه میانگینگیری. بنابراین ممکن است کاربری با یک پیشبینی بسیار خوب امتیاز میانگین بالایی داشته باشد، اما به دلیل مشارکت کم، امتیاز کل او چندان زیاد نباشد. امتیاز ترکیبی چند خانواده امتیازدهی، مانند امتیاز برایر، خطای مطلق و CRPS را با هم ترکیب میکند. وزن امتیاز مشخص میکند هر خانواده چه سهمی داشته باشد؛ معمولاً CRPS میتواند وزن بیشتری بگیرد، چون کل توزیع پیشبینی را ارزیابی میکند. | مفاهیم امتیازدهی و عملکرد | |
| امتیازدهی / امتیاز پیشبینی / عملکرد پیشبینی | پس از مشخص شدن مقدار واقعی، پیشبینی ارزیابی میشود. امتیاز پیشبینی عددی برای سنجش عملکرد است و عملکرد پیشبینی نشان میدهد پیشبینی نسبت به نتیجه واقعی چقدر دقیق یا مفید بوده است. | مفاهیم امتیازدهی و عملکرد | |
| پروژه نظرسنجی / پروژه پیشبینی / پروژه | پروژه نظرسنجی واحد اصلی پیشبینی در آرنیل است. هر پروژه معمولاً توسط یک کاربر ایجاد میشود و روی یک متغیر هدف یا پرسش مشخص تمرکز دارد؛ مانند قیمت، شاخص، متغیر اقتصادی یا نتیجه آیندهای که قابلاندازهگیری باشد. پروژه افق پیشبینی، منبع داده، انواع مجاز پیشبینی و قواعد نظرسنجی برای مشارکت را مشخص میکند؛ از جمله اینکه چه کسانی میتوانند پیشبینی ثبت کنند، چه زمانی ثبت پیشبینی باز است و آیا ثبت چند پیشبینی مجاز است یا نه. کاربران باید پیش از مشارکت این جزئیات را بررسی کنند. پس از آنکه مقدار واقعی منتشر و ثبت شد، پیشبینیهای پروژه میتوانند با نتیجه واقعی مقایسه شوند و برای امتیازدهی یا تحلیل اجماع به کار روند. | مفاهیم اصلی پلتفرم | |
| پیشبینی / برآورد / انتظار / انتظار ذهنی | در آرنیل این واژهها تقریباً به یک معنا بهکار میروند؛ یعنی بیان دیدگاه درباره یک نتیجه آینده، چه این دیدگاه از قضاوت و تجربه کاربر بیاید و چه از یک مدل آماری. | مفاهیم اصلی پلتفرم | |
| پیشبینی انسانی | پیشبینیای است که توسط یک فرد ثبت میشود، نه مستقیماً توسط مدل. این پیشبینی میتواند بر قضاوت، تجربه، شهود یا دانش تخصصی کاربر تکیه داشته باشد. | مفاهیم ثبت پیشبینی | |
| پیشبینی توزیعی / پیشبینی احتمالاتی / توزیع احتمال / توزیع پیشبینی | پیشبینی توزیعی، یا پیشبینی احتمالاتی، نتیجه آینده را بهصورت یک توزیع احتمال کامل توصیف میکند، نه فقط یک مقدار واحد. این نوع پیشبینی نشان میدهد کدام مقادیر محتملتر یا کماحتمالترند و نااطمینانی چگونه اطراف انتظار مرکزی پخش شده است. در آرنیل، این روش به کاربر اجازه میدهد علاوه بر دیدگاه اصلی خود، مانند میانگین یا میانه، نمای ریسک اطراف آن را نیز بیان کند؛ از جمله پراکندگی، چولگی و امکان رخدادهای بسیار دور از انتظار. پیشبینی توزیعی زمانی بهویژه مفید است که آینده از چند جهت مختلف نامطمئن باشد و با CRPS ارزیابی میشود. | مفاهیم ثبت پیشبینی | |
| پیشبینی جهتدار / جهت ضمنی | بر این تمرکز دارد که متغیر هدف افزایش مییابد، کاهش مییابد یا بدون تغییر میماند. جهت ضمنی نیز میتواند از مقایسه پیشبینی نقطهای یا توزیعی با آخرین مشاهده بهدست آید. | مفاهیم ثبت پیشبینی | |
| پیشبینی شرطی / پیشبینی غیرشرطی / پروژه سناریویی | پیشبینی غیرشرطی باید همه امکانهای مرتبط را در نظر بگیرد و به وقوع یک رویداد خاص مشروط نباشد. اگر پیشبینی وابسته به سناریوی مشخصی است، بهتر است در قالب پروژه سناریویی با قواعد جداگانه ثبت شود. | مفاهیم ثبت پیشبینی | |
| پیشبینی عمومی / پیشبینی خصوصی / پیشبینی اشتراکگذاریشده | این اصطلاحات سطح نمایش پیشبینی را نشان میدهند. بهصورت پیشفرض پیشبینی فردی خصوصی است، اما کاربر در صورت امکان میتواند آن را عمومی کند یا با گروه مشخصی به اشتراک بگذارد. | مفاهیم ثبت پیشبینی | |
| پیشبینی معیار / خط مبنا | پیشبینی محک، یا پیشبینی خط مبنا، پیشبینی مرجعی است که برای سنجش ارزش افزوده پیشبینیهای ثبتشده به کار میرود. در آرنیل، پیشبینیها فقط با مقدار واقعی مقایسه نمیشوند؛ بلکه با یک محک ساده برای همان پروژه و همان افق پیشبینی نیز مقایسه میشوند. این کار تفاوت دشواری پروژهها را بهتر در نظر میگیرد، چون بعضی متغیرها آسانتر از بعضی دیگر قابل پیشبینیاند. محک اصلی آرنیل یک خط مبنای خودرگرسیو فصلی است: از تاریخچه اخیر و الگوهای تکرارشونده ساده استفاده میکند، اما شفاف و قابلبازتولید باقی میماند. یک پیشبینی خوب باید بهتر از این خط مبنا عمل کند، نه اینکه صرفاً یک عدد یا احتمال ارائه دهد. | مفاهیم اصلی پلتفرم | |
| پیشبینی نقطهای / انتخاب یک نقطه | پیشبینیای است که فقط یک مقدار مشخص را بیان میکند؛ مثلاً قیمت ۴۲۰۰. اگر کاربر فقط یک نقطه انتخاب کند، عدمقطعیت پیرامون آن مقدار بیان نمیشود. | مفاهیم ثبت پیشبینی | |
| تحریف راهبردی / پیشبینی صادقانه / چارچوب آشکارکننده اطلاعات | تحریف راهبردی یعنی کاربر پیشبینی را از باور واقعی خود دور کند تا مزیتی بهدست آورد. پیشبینی صادقانه و طراحی آشکارکننده اطلاعات میکوشند کاربر را به بیان باور واقعی تشویق کنند. | مفاهیم پیشرفته ریاضی و فنی | |
| ترکیب چند پیشبینی توزیعی / ترکیب چند پیشبینی جهتدار / ترکیب چند پیشبینی نقطهای | ترکیب چند پیشبینی یعنی خلاصه کردن چند پیشبینی از یک نوع در قالب یک نمای ترکیبی یا یک امتیاز برای یک افق پیشبینی. در آرنیل، روش ترکیب به خانواده پیشبینی بستگی دارد. پیشبینیهای توزیعی میتوانند بهصورت یک مخلوط یا تجمیع خطی دیدگاهها ترکیب شوند و نااطمینانی کامل هر پیشبینی را حفظ کنند. پیشبینیهای جهتدار میتوانند با ترکیب احتمالهای مربوط به حالتهایی مانند کاهش، بدون تغییر و افزایش تجمیع شوند. پیشبینیهای نقطهای حساسترند: میتوان آنها را برای نمایش اختلاف نظر، تمرکز یا نقاط دورافتاده کنار هم نشان داد، اما برای امتیازدهی باید همچنان نقطهای باقی بمانند و با خطای مطلق ارزیابی شوند، نه اینکه به یک توزیع تبدیل شوند. | مفاهیم امتیازدهی و عملکرد | |
| تقویت افزایشی / تقویت ضربی / پاداش مشارکت / ضریب استعداد | تقویت افزایشی و تقویت ضربی دو سازوکار متفاوت برای تعدیل امتیاز هستند. تقویت افزایشی مانند اعتبار اضافه برای مشارکت عمل میکند: هدف آن تشویق کاربران به شرکت در یک پروژه یا مسابقه خاص است، حتی اگر پیشبینی آنها فقط کمی بهتر از خط مبنا باشد. تقویت ضربی خودِ امتیاز عملکرد را مقیاس میکند؛ بنابراین پیشبینهای قویتر بیشتر سود میبرند، اما عملکرد ضعیف نیز میتواند جریمه بیشتری بگیرد. در طراحی امتیازدهی آرنیل، تقویت افزایشی بیشتر شبیه پاداش مشارکت است، در حالی که تقویت ضربی بیشتر شبیه ضریب استعداد یا عملکرد است. | مفاهیم امتیازدهی و عملکرد | |
| توزیع نرمال چوله | گسترشی از توزیع نرمال است که امکان نامتقارنی را فراهم میکند. وقتی نااطمینانی به یک سمت متمایل است مفید است، اما دنبالههای واقعاً سنگین ایجاد نمیکند. | انواع توزیع | |
| توزیع SGT / توزیع t تعمیمیافته چوله | توزیعی انعطافپذیر است که میتواند هم چولگی و هم دنبالههای سنگین را نشان دهد. | انواع توزیع |