استدلال مبتنی بر مورد: تفاوت میان نسخه‌ها

* بازیابی: با توجه به مسئله هدف، برای حل آن، بازیابی پرونده هایپرونده‌های حافظه مورد نیاز است. یک مورد شامل، مسئله، راه حل و چگونگی استخراج راه حل است. برای مثال فرد می خواهدمی‌خواهد [[پنکیک]] ذخال اخته آماده کند. او به عنوان یک آشپز تازهتازه‌کار، کار،می‌تواند می تواند موفقیت هایموفقیت‌های قبلی را ببیند و با استفاده از تجربیانت پنکیک بپزد.

* استفاده مجدد: برای حل مسئله از حالت قبلی به مسالهمسئله هدف دست پیدا کنید. این مسئله ممکن است شامل تطبیق راه‌حل با شرایط جدید باشد. در مثال پنکیک، فرد باید راه‌حل بازیابی خود را با اضافه کردن زغال آخته بسازد.

* بازنویسی:پس از نگاشت راه‌حل قبلی به وضعیت هدف، راه‌حل جدید را در دنیای واقعی آزمایش کنید (یایک شبیه‌سازی) و، در صورت نیاز، بازبینی کنید. فرض کنید فرد با استفاده از اضافه کردن زغال اخته به خمیر، مواد پنکیک خود را تنظیم می کندمی‌کند. بعد از مخلوط کردن، او متوجه می‌شود که خمیر به رنگ آبی درآمده است. این مسئله بیان می کندمی‌کند که که او باید اضافه کردن ذغال اخته را تا زمانی که خمیر را در ماهیتابه می ریزدمی‌ریزد به تعویق بیندازد.

* حفظ کردن: بعد از این که راه‌حل با موفقیت با مشکل هدف تطبیق داده شد، تجربه حاصل را به عنوان یک مورد جدید به ذهن بسپارید. بر این اساس فرد یافته هاییافته‌های خود را در ذهن ثبت می کندمی‌کند و به عنوان تجربه در پخت پنکیک استفاده می کندمی‌کند.

در نگاه اول، CBR ممکن است شبیه [[الگوریتم]] های‌های القایی قانون از [[یادگیری ماشین]] باشد. مانند الگوریتم القایی قانون، CBR هم با مجموعه ای از مسائل و مثال هایمثال‌های آموزشی شروع می شودمی‌شود. این تعاریف از این نمونه ها،نمونه‌ها، با شناسایی نقاط مشترک بین پرونده بازیابی شده و مسئله هدف، شکل می گیردمی‌گیرد. به طوربه‌طور مثال اگر روش ساده پنکیک درست کردن به روشی برای پنکیک بلوبری تعمیم داده شود، شرایطی ایجاد می کندمی‌کند که از روش هایروش‌های خاصی برای پخت آن استفاده شود. در واقع تفاوت بین تعمیم ضمنی در CBR و تعمیم در القای قاعده زمانی است. الگوریتم القایی قانون، تعمیم مجموعه هایمجموعه‌های آزمایشی نمونه هانمونه‌ها را قبل از شناخت مسئله هدف ترسیم می کندمی‌کند. به عنوان مثال اگر از این الگوریتم برای آموزش انواع پنکیک هاپنکیک‌ها مانند پنکیک هلندی یا پنکیک موز استفاده شود، قبل از هر کاری باید قواعد و نوع پخت پنکیک هایپنکیک‌های ساده و نکات آن را یاد داد. دشواری الگوریتم القایی قانون در پیش‌بینی جهت‌های مختلف است که در آن باید تلاش شودمثال‌های آموزشی تعمیم پیدا کنند. در مثال پنکیک، CBR مسئله هدف را با استفاده از پنکیک ذخال اخته بررسی کرده استکرده‌است. پس می تواندمی‌تواند موارد خود را دقیقاً همانطورهمان‌طور که مورد نیاز برای پوشش وضعیت جدی است، تعمیم دهد.

در قانون، اغلب مواردی از CBR به دادگاه منتقل می شودمی‌شود و محدودیت هایمحدودیت‌های دلایل قانونی را به رسمیت می شناسدمی‌شناسد که این موارد عبارتند از: تاخیرتأخیر محدود، دانش مجدود دربارهدربارهٔ آینده، محدودیت مذاکره و …... .

منتقدان CBR استدلال می‌کنند که این روش [[شواهد حکایتی]] را به عنوان عامل اصلی می‌پذیرد. بدون داده‌های آماری مناسب برای پشتیبانی و تعمیم ضمنی، هیچ تضمینی وجود ندارد که تعمیم صحیح باشد. با این حال، [[استقرا|استدلال استقرایی]] که در آن داده برای ارتباط آماری خیلی کم است، ذاتابراساس شواهد حکایتی عمل می کندمی‌کند. کارهای اخیر، CBR را در چارچوب آماری توسعه می دهدمی‌دهد و استنتاج مبتنی بر فرض را به عنوان نوع خاصی از استدلال احتمالاتی در نظر می گیرد.می‌گیرد؛ بنابراین، می توان پیش بینیمی‌توان هایپیش‌بینی‌های مبتنی برنکات مهم به یک سطح اطمینان خاص را ایجاد کرد.

کار اصلی روی CBR را [[راجر شنک]] و دانشجویانش در [[دانشگاه ییل]] در سال ۱۹۸۰ انجام دادند. مدل حافظه پویای شنک مبنای اولین سیستم CBR بود. دیگر مدارس CBR و زمینه‌های مرتبط با آن در دهه ۱۹۸۰ ظهور کردند، که به موضوعاتی مانند استدلال قانونی، استدلال مبتنی بر حافظه (یک روش استدلال از مثال‌های روی ماشین‌های بسیار موازی) و ترکیب‌های CBR با روش‌های استدلال دیگر اشاره داشته اندداشته‌اند. در دهه ۱۹۹۰، توجه به CBR در سطح بین‌المللی رشد کرد و یک کنفرانس بین‌المللی در مورد استدلال موردی و CBR در سال ۱۹۹۵ برقرار شد.