در حالی‌که روش‌های سنتی مانند «کمترین مربعات» تنها به حداقل‌سازی میانگین خطا توجه دارند، MALP با تمرکز بر بیشینه‌سازی ضریب هم‌توافق، به دنبال بیشترین میزان هم‌راستایی بین مقادیر پیش‌بینی‌شده و واقعی است.

به گزارش ایتنا و به نقل از سایتک‌دیلی، ضریب هم‌توافق، که نخستین‌بار در سال ۱۹۸۹ توسط «لین» معرفی شد، نشان می‌دهد داده‌ها تا چه اندازه با خط ۴۵ درجه در نمودار پراکندگی هم‌راستا هستند. این معیار ترکیبی از دو مفهوم دقت (نزدیکی داده‌ها به یکدیگر) و صحت (نزدیکی به مقدار واقعی) است.

کیم توضیح داد که برخلاف ضریب هم‌بستگی «پیرسون» که صرفاً شدت و جهت رابطه را می‌سنجد، MALP به‌دنبال پیش‌بینی‌هایی است که دقیقاً با داده‌های واقعی هم‌تراز باشند. برای مثال، در نموداری که پیش‌بینی‌ها در امتداد خط ۴۵ درجه قرار گیرند، می‌توان گفت بین داده‌های واقعی و پیش‌بینی‌شده توافق بالایی وجود دارد.

 

برای آزمودن عملکرد MALP، پژوهشگران آن را روی داده‌های شبیه‌سازی‌شده و واقعی، از جمله اسکن‌های چشمی و اندازه‌گیری چربی بدن، آزمایش کردند. در مطالعه‌ای در حوزه چشم‌پزشکی، داده‌های به‌دست‌آمده از دو دستگاه OCT یعنی Stratus و Cirrus مقایسه شد. MALP توانست پیش‌بینی‌هایی ارائه دهد که هم‌خوانی بیشتری با داده‌های واقعی داشتند، هرچند روش کمترین مربعات اندکی در کاهش خطای میانگین بهتر عمل کرد. در بررسی دیگری روی داده‌های مربوط به ۲۵۲ فرد بالغ نیز نتایج مشابهی به دست آمد و MALP پیش‌بینی‌هایی هماهنگ‌تر با مقادیر واقعی ارائه داد.

به گفته‌ی پژوهشگران، انتخاب میان MALP و روش‌های سنتی باید بر اساس هدف پروژه باشد: اگر کاهش خطا اهمیت بیشتری دارد، روش‌های کلاسیک مناسب‌ترند؛ اما اگر هدف، هم‌ترازی کامل با واقعیت است، MALP انتخاب بهتری خواهد بود. تیم تحقیقاتی قصد دارد در گام بعدی نسخه‌ی پیشرفته‌تری به نام Maximum Agreement Predictor توسعه دهد که محدود به مدل‌های خطی نباشد.