DOI: https://doi.org/10.1007/s11135-026-02773-3
تاريخ النشر: 2026-04-27
المؤلف: Francesca Pennecchi وآخرون
الموضوع الرئيسي: القياس العلمي وتقييم عدم اليقين
نظرة عامة
تناقش هذه الفقرة أهمية عمليات العد في مختلف السياقات العلمية والتكنولوجية، مع تسليط الضوء على انتشار أخطاء العد التي يمكن أن تؤدي إلى تقدير أقل أو أعلى من القيمة المقاسة، وهي العدد المقصود من العناصر. يبني المؤلفون على نموذج عام مقترح سابقًا لقياسات العد، مقدمين إطارًا بايزيًا يتضمن دالة احتمالية منفصلة لنمذجة أخطاء العد. يسمح هذا النهج باشتقاق دالة الكتلة الاحتمالية اللاحقة (PMF) للقيمة المقاسة، مدمجًا المعلومات السابقة والبيانات الجديدة من عملية العد لتقديم تقديرات مصححة وعدم اليقين المرتبط بها.
تقدم الطريقة البايزية المقترحة عدة مزايا على النماذج السابقة، مثل نموذج بيش و بينيتشي (2012)، الذي يركز فقط على العناصر الحالية الفعلية دون النظر إلى العناصر الغائبة. يستوعب النموذج البايزي مجموعة من العناصر القابلة للعد من 0 إلى إجمالي السكان، مما يمنع التقديرات غير المعقولة. بالإضافة إلى ذلك، فإنه يتضمن بشكل جوهري المعرفة السابقة حول القيمة المقاسة، مما يعزز قابليته للتطبيق، بما في ذلك التمديدات المحتملة للنماذج الهرمية ومشكلات التصنيف المتعلقة بالإيجابيات والسلبيات الحقيقية/الكاذبة. بشكل عام، يقدم هذا العمل إطارًا قويًا لتحسين دقة قياسات العد وعدم اليقين المرتبط بها.
مقدمة
تسلط المقدمة الضوء على الدور الحاسم لعد العناصر في مجالات علمية وتكنولوجية متنوعة، بما في ذلك الوقت والتردد، والبصريات، وعلم الأحياء الدقيقة، فضلاً عن التطبيقات اليومية مثل قياس الطاقة الكهربائية والمعاملات المالية. يعد العد الدقيق أمرًا ضروريًا لاشتقاق قياسات ذات مغزى، يمكن التعبير عنها إما كتقدير مع عدم اليقين المرتبط به أو كدالة توزيع احتمالية، وتحديدًا دالة كتلة احتمالية منفصلة (PMF). ومع ذلك، فإن الإرشادات الحالية، مثل “دليل التعبير عن عدم اليقين في القياس” (GUM)، لا تعالج بشكل كافٍ عدم اليقين في قياسات العد.
على الرغم من الاهتمام الموجه للعد في مجالات مثل الكيمياء والاتصالات الكمومية، لا يزال هناك تصور بأن العد لا يشكل قياسًا رسميًا، مما يؤدي إلى نقص في تقييمات عدم اليقين التفصيلية في بعض المجالات. تحتوي النماذج السابقة التي تعالج أخطاء العد على قيود، مثل استيعابها فقط لحالات فردية من العد المفقود أو المزدوج. تقترح هذه الدراسة نموذجًا بايزيًا كاملًا يعزز تقدير القيمة المقاسة من خلال دمج احتمال أخطاء العد، مما يسمح بتصحيح التحيزات وتعيين عدم اليقين المناسب في القياسات.
مناقشة
في هذا القسم، يناقش المؤلفون التحديات المتعلقة بتقدير عدد العناصر بدقة (القيمة المقاسة) بسبب الأخطاء البشرية أو الآلية المحتملة، والتي يمكن أن تؤدي إلى إيجابيات كاذبة وسلبيات كاذبة في العد. يقترحون دالة كتلة احتمالية (PMF) لعدد العناصر الفعلي، $Y$، بناءً على عدد ملحوظ، $x$، ضمن مجموعة سكانية محدودة الحجم $n$. يتم نمذجة عملية العد كنظام اتصالات منفصل، حيث تكون نقل الإشارات التي تمثل وجود أو غياب العناصر عرضة للضوضاء، مما يؤثر على الإشارات المستلمة. يستخرج المؤلفون دالة احتمالية للعدد الملحوظ بالنظر إلى العدد الحقيقي للعناصر، والتي تتضمن احتمالات أخطاء العد.
يتم استخدام الإطار البايزي لتحديث المعرفة السابقة حول القيمة المقاسة باستخدام البيانات الملحوظة. يقدم المؤلفون سيناريوهات متنوعة لتوضيح كيفية تصرف دالة الاحتمالية تحت ظروف مختلفة من دقة العد، بما في ذلك حالات عدم وجود أخطاء، والأخطاء النظامية، واحتمالات الخطأ المتساوية. كما يناقشون آثار توزيعات سابقة مختلفة على دالة الكتلة الاحتمالية اللاحقة لـ $Y$، مؤكدين أن اختيار التوزيع السابق يمكن أن يؤثر بشكل كبير على تقديرات القيمة المقاسة وعدم اليقين المرتبط بها. يختتم القسم بأمثلة عملية، مثل تقدير عدد الركاب على متن طائرة ومراقبة الالتزام بالعلاج، مما يوضح قابلية تطبيق نموذجهم في السياقات الواقعية.
القيود
تناقش فقرة القيود قيود الطريقة البايزية المقدمة في الورقة، وخاصة اعتمادها على فرضية حجم السكان المحدود، المشار إليه بـ $n$. تطرح هذه الفرضية تحديات في التطبيقات الواقعية، مثل تقدير أعداد الحيوانات أو عد الفوتونات، حيث يمكن أن يكون تعريف $n$ معقدًا. على سبيل المثال، في المسوحات الجوية لعد الحيوانات، قد تعيق دقة الصور العد الفعال، بينما في اكتشاف الفوتونات، يمكن أن يؤدي وقت الملاحظة إلى قيمة غير محدودة لـ $n$، مما يعقد تطبيق النموذج.
لمعالجة مشكلة تحديد $n$ بشكل خاطئ، يقترح المؤلفون استخدام توزيع هايبر بايزي، والذي يمكن أن يقلل من تأثير $n$ على نتائج الاستنتاج عندما تكون قيمته غير مؤكدة. يقترحون نموذج بايزي هرمي كامل يتضمن توزيعات هايبر بايزي لجميع المعلمات ذات الصلة ($n$، $p^{\uparrow}$، $p^{\leftarrow}$، $p^{\rightarrow}$)، مما يسمح بدمج المعرفة السابقة من خلال عمليات الاستنباط. يعترف المؤلفون بأن تعيين هذه الاحتمالات يعتمد بشكل كبير على السياق وأن التطورات المستقبلية ستستكشف هذه التعميمات بشكل أكبر، خاصة فيما يتعلق بتحديات الإيجابيات والسلبيات الكاذبة في سيناريوهات عد الفوتونات.
DOI: https://doi.org/10.1007/s11135-026-02773-3
Publication Date: 2026-04-27
Author(s): Francesca Pennecchi et al.
Primary Topic: Scientific Measurement and Uncertainty Evaluation
Overview
The section discusses the significance of counting processes in various scientific and technological contexts, highlighting the prevalence of counting errors that can lead to underestimation or overestimation of the measurand, which is the intended count of items. The authors build upon a previously proposed general model for counting measurements, introducing a Bayesian framework that incorporates a discrete likelihood function to model counting errors. This approach allows for the derivation of a posterior probability mass function (PMF) for the measurand, integrating prior information and new data from the counting process to provide corrected estimates and associated uncertainties.
The proposed Bayesian method offers several advantages over previous models, such as that of Bich and Pennecchi (2012), which focuses solely on the actual present items without considering absent objects. The Bayesian model accommodates a range of countable items from 0 to the total population, thus preventing implausible estimates. Additionally, it inherently incorporates prior knowledge about the measurand, which enhances its applicability, including potential extensions to hierarchical models and classification problems related to true/false positives and negatives. Overall, this work presents a robust framework for improving the accuracy of counting measurements and their associated uncertainties.
Introduction
The introduction highlights the critical role of counting items in various scientific and technological domains, including time and frequency, optics, and microbiology, as well as in everyday applications like electric power metering and financial transactions. Accurate counting is essential for deriving meaningful measurements, which can be expressed either as an estimate with associated uncertainty or as a probability distribution, specifically a discrete probability mass function (PMF). However, existing guidelines, such as the “Guide to the expression of uncertainty in measurement” (GUM), do not adequately address uncertainty in counting measurements.
Despite the attention given to counting in fields like chemistry and quantum communication, there remains a perception that counting does not constitute a formal measurement, leading to a lack of detailed uncertainty assessments in some areas. Previous models addressing counting errors have limitations, such as accommodating only single instances of missing or double counts. This research proposes a fully Bayesian model that enhances the estimation of the measurand by incorporating the probability of counting errors, allowing for the correction of biases and the assignment of appropriate measurement uncertainties.
Discussion
In this section, the authors discuss the challenges of accurately estimating the number of items (the measurand) due to potential human or instrumental errors, which can lead to false positives and false negatives in counting. They propose a probability mass function (PMF) for the actual number of items, $Y$, based on an observed count, $x$, within a finite population of size $n$. The counting process is modeled as a discrete communication system, where the transmission of signals representing the presence or absence of items is subject to noise, affecting the received signals. The authors derive a likelihood function for the observed count given the true number of items, which incorporates the probabilities of counting errors.
The Bayesian framework is employed to update prior knowledge about the measurand using the observed data. The authors present various scenarios to illustrate how the likelihood function behaves under different conditions of counting accuracy, including cases of no errors, systematic errors, and equal error probabilities. They also discuss the implications of different prior distributions on the posterior PMF of $Y$, emphasizing that the choice of prior can significantly influence the estimates of the measurand and associated uncertainties. The section concludes with practical examples, such as estimating passenger counts on an airplane and monitoring medication adherence, demonstrating the applicability of their model in real-world contexts.
Limitations
The section on limitations discusses the constraints of the Bayesian method presented in the paper, particularly its reliance on the assumption of a finite population size, denoted as $n$. This assumption poses challenges in real-world applications, such as estimating animal populations or counting photons, where defining $n$ can be complex. For instance, in aerial surveys for animal counting, the resolution of images may hinder effective counting, while in photon detection, the observation time can lead to an infinite $n$, complicating the model’s application.
To address the issue of misspecified $n$, the authors suggest employing a hyperprior distribution, which could reduce the influence of $n$ on inference outcomes when its value is uncertain. They propose a fully hierarchical Bayesian model that incorporates hyperprior distributions for all relevant parameters ($n$, $p^{\uparrow}$, $p^{\leftarrow}$, $p^{\rightarrow}$), allowing for the integration of prior knowledge through elicitation processes. The authors acknowledge that the assignment of these probabilities is highly context-dependent and that future developments will explore these generalizations further, particularly in relation to the challenges of false positives and negatives in photon counting scenarios.