Es ist notwendig, zwischen Konzepten zu unterscheiden Entwicklung von Lösungen Und Entscheidungen treffen.

Entwicklung von Lösungen ist ein Prozess der Suche nach Ideen, Methoden und Technologien der beruflichen Tätigkeit, die das Managementobjekt verbessern und bestehende Probleme lösen können. Im Prozess der Lösungsentwicklung können verschiedene Methoden zum Einsatz kommen und vor allem:Methoden der Erkenntnis,

mit welchem Kontrollsystem erhält eine Vielfalt

Informationen, die notwendig sind, um die richtige Entscheidung zu treffen. In die Aktivität

Viele Menschen können an der Entwicklung einer Lösung beteiligt sein, was eine Bereicherung darstellt

Im Kern Entscheidungsfindung Es gibt immer einen Willensakt, der das Endergebnis des Entscheidungsprozesses zusammenfasst. Daher ist die Entwicklung einer Lösung mehr breites Konzept, einschließlich nicht nur der Entscheidungsfindung, sondern auch der Sammlung und Analyse von Daten, der Bewertung verfügbarer Möglichkeiten und Optionen für die Entwicklung von Ereignissen, der Prognose des zukünftigen Zustands des verwalteten Objekts usw.

Darüber hinaus werden die Methoden zur Entscheidungsfindung im Management anhand der allgemeinen Merkmale eines bestimmten Weges unterschieden, der den Schulleiter zu einer Entscheidung führt, und nicht anhand der besonderen Methoden, die er zum Suchen, Generieren, Vergleichen und Auswählen von Managementideen verwendet.

Im Management werden Methoden zur Entscheidungsfindung häufig nach dem Vorhandensein oder Fehlen eines vorgefertigten Algorithmus unterteilt algorithmisch(durch Algorithmus generiert) und heuristisch(erfahrungsmäßig-intuitiv, nicht-algorithmisch, übernommen als Ergebnis der Generierung neuer Ideen).

Nach dem von M. Woodcock und D. Francis entwickelten Konzept entsprechen die Arten der Entscheidungsfindung dem Maß an Initiative und Wahlfreiheit der Führungskraft. Sie identifizierten vier solcher Ebenen:

1) Routine (die Entscheidung wird als fertige Antwort auf eine Standardfrage getroffen; der Manager muss lediglich die Situation richtig erkennen und Verantwortung übernehmen);

2) selektiv (die Lösung wird aus den dem Manager wohlbekannten Alternativen zur Lösung eines bestimmten Problems ausgewählt);

3) adaptiv (die getroffene Entscheidung wird nicht nur aus vorgefertigten Optionen ausgewählt, sondern auch an ein bestimmtes System oder eine bestimmte Situation angepasst);

4) innovativ (die Entscheidung wird auf der Grundlage neuer Ideen getroffen, enthält einen neuen Ansatz zur Lösung eines Problems usw.).

Die Analyse der Schulerfahrung bei Managemententscheidungen ermöglicht es uns, die vier allgemeinsten Entscheidungsmethoden zu identifizieren:

1) Reproduktion einer zuvor in einer ähnlichen Situation getroffenen Entscheidung;

2) Übertragung einer bekannten Lösung in eine andere Umgebung und Anpassung dieser Lösung an neue Bedingungen;

3) Treffen einer Entscheidung nicht auf der Grundlage eines, sondern einer ganzen Kombination von Präzedenzfällen, die dem Manager bekannt sind;

4) Treffen einer Entscheidung, die sich für den Manager als „Einsicht“ aus dem Nachdenken über die aktuelle Situation ergibt.

Im schulischen Innovationsmanagement können wir also unterscheiden vier Hauptentscheidungsmethoden: reproduktiver Präzedenzfall , extrapolieren , kombinatorisch Und heuristisch .

Fortpflanzungspräzedenzfall Die Entscheidungsmethode ist eine einfache Reproduktion einer bereits getroffenen Managemententscheidung, die sich nach Meinung der Führungskraft als ausreichend wirksam erwiesen hat. Mit der reproduktiven Präzedenzfallmethode kann sich ein Manager nicht nur auf seine eigenen Erfahrungen verlassen, sondern auch auf die Erfahrungen seiner ihm bekannten Kollegen. In diesem Fall kann sich der Wortlaut ändern (z. B. andere Fristen, andere Projektnamen, andere Verantwortliche), der Kern der Entscheidung bleibt jedoch unverändert. Der Erfolg dieser Methode hängt direkt von zwei Bedingungen ab: der tatsächlichen Wirksamkeit der früheren Entscheidung und der Identität der neuen Situation mit derjenigen, in der dieselbe Entscheidung zuvor getroffen wurde.

Das Vorhandensein einer reproduktiven Präzedenzfall-Entscheidungsmethode im Arsenal eines Schulleiters ermöglicht es, in Standardsituationen einigermaßen angemessene operative Entscheidungen zu treffen. Diese Methode weist jedoch erhebliche Nachteile auf. Erstens nimmt die Wahrscheinlichkeit des Zusammentreffens von Führungssituationen und die Fähigkeit, eine bestimmte Situation richtig mit einer anderen zu identifizieren, mit zunehmender Komplexität der Entscheidungssituationen ab. In der Regel wird die Situation mit zunehmendem Zeitrahmen für die Umsetzung der Lösung sowie der Anzahl der Aufgaben, strukturellen Komponenten des Ausführungssystems, Einflussfaktoren auf den Prozess usw. deutlich komplizierter. Zweitens kann selbst bei der Führung eines stabil funktionierenden Systems die äußere Erscheinung einer Situation trügerisch sein. Die Wahrscheinlichkeit, dass diese Situation mit der vorherigen identisch ist, ist im innovativen Management sogar noch geringer, da unter Bedingungen ständiger Aktualisierung viel häufiger als bei stabilem Funktionieren Situationen auftreten, die keine Entsprechungen im Wissens- und Erfahrungssystem des Managers haben. Drittens hängt das Wesen von Innovation im Bildungswesen auf die eine oder andere Weise mit der Notwendigkeit zusammen, neue Lösungen für alte Probleme sowie Lösungen für neue Probleme zu finden, die im Innovationsprozess auftreten. Der Einsatz der reproduktiven Präzedenzfallmethode schließt offensichtlich neue Lösungen aus, daher verurteilt eine übermäßige Begeisterung für reproduktive Entscheidungen die Schulleitung zu innovativer Stagnation, die sich meist darin äußert, dass das Managementsystem in seiner Entwicklung hinter dem verwalteten System zurückbleibt, und zwar bei Eine bestimmte Phase bremst die innovative Entwicklung der Schule.

Im Vergleich zur reproduktiven Präzedenzmethode ist sie wesentlich flexibler extrapolieren Entscheidungsmethode. Das Wesentliche des Extrapolationsprozesses bei der Entscheidungsfindung im Management ist die Übertragung bisher bekannter Ideen, Methoden, Objekte, Phänomene auf neue Bedingungen.

Das Handlungsschema für die extrapolierende Entscheidungsmethode umfasst folgende Hauptverknüpfungen:

1) die Managementsituation verstehen und die darin enthaltenen Anzeichen hervorheben, die den Kern des Problems widerspiegeln;

2) Suche nach Lösungen für ähnliche Probleme in der Erfahrung mit der Verwaltung verschiedener Systeme (Ähnlichkeit wird auf der Grundlage identifizierter wesentlicher Merkmale festgestellt);

3) Auswahl einer vorgefertigten Lösung basierend auf den Kriterien der Ähnlichkeit der Probleme und der Optimalität der erzielten Ergebnisse;

4) adaptive Übertragung einer vorgefertigten Lösung auf neue Bedingungen, wodurch sie neue Eigenschaften erhält, die den Eigenschaften des Systems, in dem sie nun implementiert wird, angemessen sind.

Obwohl die Extrapolationsmethode auf Präzedenzfällen basiert, ist sie dennoch in der Lage, erhebliche Neuerungen in die Entscheidungsfindung einzuführen. Der Einsatz der Extrapolationsmethode ermöglicht es, den Bereich der Lösungssuche zu erweitern, indem Managementerfahrungen aus verschiedenen Bereichen menschlichen Handelns genutzt werden. Eine Erweiterung des Suchbereichs wird möglich, wenn in einer Führungssituation eine Reihe von Merkmalen identifiziert werden, die sie anderen Situationen näher bringen. Notwendige Voraussetzungen für den Erfolg dieser Methode sind, dass der Manager die „Einschränkung durch den Umfang der Aufgabe“ (N. Rysev) und den Einfluss früherer Einstellungen überwindet.

Kombinatorisch Die Entscheidungsmethode besteht darin, in einer Lösung mehrere vorgefertigte Lösungen für bestimmte, dem Manager bekannte Probleme zu kombinieren. Bei der kombinatorischen Methode ist der Entscheidungsprozess wie folgt aufgebaut:

1) In einer Führungssituation wird ein Problem identifiziert und das Ziel der zu entwickelnden Lösung festgelegt;

2) der Umfang der Aufgaben, die zur Zielerreichung gelöst werden müssen, wird festgelegt;

3) Jede Aufgabe korreliert mit der persönlichen Führungserfahrung des Managers und dem Wissen über die Erfahrungen anderer Personen. Zur Lösung jeder Aufgabe werden Methoden aus den Methoden ausgewählt, die dem Manager im Voraus bekannt sind.

4) Es wird eine Lösung formuliert, die die vom Manager gewählten Methoden zu einem einzigen Weg zur Lösung des Problems vereint (kombiniert).

Somit ermöglicht die kombinatorische Methode, basierend auf Präzedenzfällen, eine neue Lösung zu bilden, die die Besonderheiten des verwalteten Objekts und den Prozess seiner Transformation widerspiegelt. Unabhängig davon, wie groß die Anzahl der Kombinationen ist, wird ihre Anzahl jedoch immer durch die Menge der „vorgefertigten Lösungen“ begrenzt, über die ein bestimmter Manager verfügt, und diese Menge reicht bei der Steuerung innovativer Prozesse nicht immer aus.

Heuristisch Die Entscheidungsmethode konzentriert sich auf die Suche nach neuen Managementideen. Gleichzeitig werden die dem Manager bekannten Erfahrungen nicht verworfen, sondern mit neuen Ideen kombiniert, wodurch grundlegend neue Lösungen für alte Probleme, die mit bisherigen Methoden nicht vollständig gelöst werden konnten, sowie erfolgreiche Lösungen möglich sind auf neue Probleme, die im Zuge der Steuerung innovativer Aktivitäten auftreten.

In den Werken verschiedener Autoren werden die Phasen der Implementierung einer heuristischen Methode zur Lösung eines Managementproblems unterschiedlich interpretiert. Die meisten Forscher betonen jedoch Einsicht als wesentliches Zeichen für die Entwicklung einer heuristischen Lösung – Einsicht, Verständnis, das Finden einer Schlüsselidee, begleitet von einem Gefühl der Freude. Wir möchten Sie daran erinnern: Das Wort „Heuristik“ hat seinen Ursprung im bekannten Ausruf „Eureka!“, was „Gefunden!“ bedeutet. Der Legende nach rief Archimedes so aus, als er plötzlich die Essenz der Lösung eines schwierigen Problems verstand. Einsicht kann entweder im Prozess aktiver geistiger Anstrengung oder im Inkubationsprozess erfolgen, wenn eine Lösung erst nach einiger Zeit nach dem Ende der aktiven Suche nach einer Lösung gefunden wird und das Problem ungelöst bleibt. Die Lösung des Problems kam also zu Archimedes, als er sich nach vielen erfolglosen Lösungsversuchen ausruhte.

Zusammenfassend identifizieren wir zwei zwingende Elemente bei der Umsetzung der heuristischen Methode: mentale Bemühungen zur Lösung eines Managementproblems und Einsicht. Bei verzögerter Einsicht wird der Entscheidungsprozess durch ein Inkubationselement ergänzt, das im Kontext der heuristischen Methode eine bewusste Ablenkung von der Aufgabe, die Ablehnung zielgerichteter Lösungsversuche (im weiteren Verlauf) darstellt unbewusste Suche Entscheidungen, die Entscheidung „reift“, ihre Grundidee „gesteht“).

Für die psychologischen Mechanismen der Inkubation gibt es heute keine eindeutige Erklärung. Laut Nobelpreisträger G. Simon werden während des Inkubationsprozesses im RAM einer Person die Konzepte, die zur Lösung des Problems verwendet werden, aktualisiert; Neue Konzepte ergeben in Kombination mit vorhandenen Lösungserfahrungen (erfolgreich oder erfolglos) unter bestimmten Voraussetzungen den Effekt von „Einsicht“. Unserer Meinung nach wird das Wesen des Inkubationsprozesses weitgehend durch das psychologische Konzept von B.V. geklärt. Zeigarnik, wonach nicht rechtzeitig abgeschlossene Aktionen besser in Erinnerung bleiben und häufiger reproduziert werden als abgeschlossene. Dies ermöglicht es Ihnen, ein einmal ungelöstes Problem nachträglich zu lösen und dabei das neu erworbene Wissen und die Erfahrung des Einzelnen unbewusst auf seine Lösung auszurichten. Somit kann der Zeigarnik-Effekt als einer der Inkubationsmechanismen angesehen werden.

N. Rysev fasst moderne Ideen darüber zusammen Managemententscheidung als Lösung für ein Managementproblem gibt das folgende Diagramm einer heuristischen Lösung an:

1) Strukturieren der Aufgabe (Identifizieren des Ausgangszustands, des Ziels, der Mittel, des „Aufgabenraums“); verbindliche Regeln, explizite und implizite Daten);

2) anregende Darstellung des Problems (Verwendung von visuellen Bildern, Bildern, Vergleichen zum besseren Verständnis des Wesens des Problems und der Parameter der gewünschten Lösung);

3) mentale Bemühungen, die darauf abzielen, Lösungsmöglichkeiten zu schaffen (in dieser Phase werden spezielle mentale Techniken eingesetzt, die die Fantasie anregen);

4) Inkubation (wenn die Lösung nicht sofort verabreicht wird);

5) Einsicht (kann auch als direkte Folge geistiger Anstrengung unter Umgehung der Inkubationsphase auftreten).

In diesem Schema sind die ersten beiden Stufen anregend, die dritte Stufe ist eine aktive Suchstufe und die letzten beiden enthalten wesentliche Merkmale der heuristischen Methode.

Der Einsatz reproduktiv-präzedentischer, extrapolierender, kombinatorischer und heuristischer Methoden im schulischen Innovationsmanagement ist nicht nur auf die Charakteristika der mit ihrer Hilfe gelösten Managementprobleme und Managementsituationen zurückzuführen, sondern auch persönliche Eigenschaften Führer. Daher wird die Wirksamkeit jeder Entscheidungsmethode sowohl von objektiven Managementbedingungen als auch von subjektiven Faktoren bestimmt.

____________________________________________

In diesem Zusammenhang sind explizite Daten diejenigen, die in der Bedingung der Verwaltungsaufgabe enthalten sind, und implizite Daten sind solche, die nicht direkt in der Bedingung angegeben sind (sie können von expliziten abgeleitet werden oder zum Zeitpunkt der Formulierung der Aufgabe so offensichtlich erscheinen oder). unbedeutend, dass sie nicht in die Bedingungsaufgaben einbezogen wurden).

Die Konferenzteilnehmer lernten moderne Praktiken bei der Auswahl, Anpassung und Beurteilung von Mitarbeitern auf verschiedenen Ebenen von Positionen in Unternehmen verschiedener Wirtschaftszweige kennen. Wir diskutierten die Besonderheiten der Durchführung von Beurteilungen von Linienpersonal und Führungskräften und lernten die Erfahrungen mit der Anwendung von Methoden zur Identifizierung von Führungskräften und Mitarbeitern mit hohem Potenzial kennen ().

Einen der besten Berichte möchten wir in Form einer Sommerrede präsentieren.

ELENA KOLOTILOVA Spezialistin für Personalbeurteilung, Moderatorin von Bildungsprogrammen, Moskauer Managementschule „Skolkovo“

Methode der Präzedenzfallbewertung. Fallstudie

Was beschreiben Präzedenzfälle? Wie können Sie das nutzen? Wie sieht die Zukunft des Assessments aus? Lassen Sie uns einige Beispiele nennen und analysieren.

Die Präzedenzfälle beschreiben:

• Kontext: Was ist das? Zum Beispiel eine Arbeitsgruppe, ein Treffen.
• Umgebungsbedingungen: Arbeitsgruppe - 3 Personen, 100 Personen usw. (worauf wir bei der Bewertung insbesondere achten)
• Handlungen des Teilnehmers, die wir beobachten können. (nicht wertend, wie wir sehen)
• Das Ergebnis, zu dem die Aktionen führen (taktisch und strategisch, soweit für diesen Anwendungsfall möglich)

Wichtig: Erfolgt die Begutachtung nicht durch Experten, werden nur positive Präzedenzfälle erfasst.

So sehen wir eine bestimmte Art von Aktivität einer bestimmten Person und können sie dann interpretieren.

Beispielanwendungsfall:

Nach der Aufgabenstellung durch den Spielleiter war die Stimmung bei drei von fünf Teilnehmern skeptisch. Einer sagte, es sei unmöglich, zwei unterstützten ihn und die Hinrichtungszeit sei begrenzt. Zu diesem Zeitpunkt begann ein anderer Teilnehmer (Andrey) emotional über seinen Vorschlag zu sprechen. Nach 3 Minuten begannen die skeptischen Teilnehmer mit der Arbeit. Jeder von ihnen nahm eine der Aufgaben und begann sie zu lösen. Fünf Minuten später fragte Andrey nach dem Ergebnis. Im Ergebnis wurde die vom Moderator gestellte Aufgabe vom Team fristgerecht unter Einhaltung von 4 von 5 gestellten Bedingungen gelöst.

IN in diesem Fall Andrey übernahm Verantwortung, zeigte gute Kommunikationsfähigkeiten und konnte Ergebnisse erzielen. Das ist für uns ein eindeutiger Indikator.

Warum verwenden wir die Präzedenzbewertungsmethode?

Erstens handelt es sich hierbei um eine Begründung konkreter Tatsachen und nicht um eine subjektive Meinung.

Dabei handelt es sich um eine Reduzierung der subjektiven Beurteilung aufgrund der großen Zahl an Gutachtern. Wir haben eine große Anzahl von Menschen, die den Präzedenzfall sehen können, und die Teilnehmer können auch zu Bewertern werden.

Wir testen die Teilnehmer auf erfolgreiche Verhaltensmuster und bewerten daher nur positive Präzedenzfälle. Es ist wichtig, dass die Teilnehmer positive, konstruktive Verhaltensweisen sehen, die sie inspirieren. Es stellt sich also heraus, dass es wichtig ist, sich zu zeigen, wenn man möchte, dass etwas Gutes über sich gesagt wird.

Welche Einschränkungen gibt es?

Es gibt Einschränkungen – es braucht Zeit, den Bewertern das Instrument klar zu machen. Die Bearbeitung der eingereichten Präzedenzfälle ist mit großem Aufwand verbunden. Wenn Ihnen diese Beispiele „einfallen“, ist es wichtig zu lernen, das Nützliche zu nehmen und das Unnütze auszusortieren.

Wenn an der Bewertung keine Experten beteiligt sind, liegen möglicherweise nicht genügend Daten vor, um eine bestimmte Kompetenz zu bewerten. Experten sind besser darin, zu validieren, was die Teilnehmer sehen. Wenn es wichtig ist, müssen Sie es berücksichtigen.

Skolkowo-Übungsfälle

1. Gamification der ersten beiden Ausbildungswochen für Studienanfänger. Universitäten

Bedingungen: geringe Motivation der Studierenden, schnelle Einbindung in den Lernprozess notwendig, geringes Bewusstsein für die Prozesse. Wir hatten fachkundige Gutachter und Moderatoren, die Präzedenzfälle schreiben konnten. In 2 Wochen – 800 Teilnehmer, 1000 Präzedenzfälle, 20 Gutachter. Wir haben die Präzedenzfallmethode verwendet, da es viel weniger Bewerter als Moderatoren gab. Basierend auf der Anzahl der Präzedenzfälle, Kompetenzen und Potenzialen wurde in der elektronischen Datenbank eine Bewertung erstellt. Zwei Wochen lang tauchten die Teilnehmer in ein Simulationsspiel mit komplexer Handlung ein und identifizierten die Führungskräfte unter den Teilnehmern sowie deren Schlüsselkompetenzen.

Einführung in das fallbasierte Denken

Originaltitel: Eine Einführung in das fallbasierte Denken

Übersetzung: Khalimova E.R.

Die Methode des Präzedenzfall-Denkens besteht darin, alte Erfahrungen zu nutzen, um neue Probleme besser wahrzunehmen und zu lösen. Bei der fallbasierten Argumentationsmethode erinnert sich der Argumentationsmechanismus an eine frühere Situation (siehe auch über ), die der aktuellen ähnelt, und nutzt sie zur Lösung eines neuen Problems. Fallbasiertes Denken kann die Anpassung früherer Lösungen an neue Bedürfnisse beinhalten; Nutzung alter Präzedenzfälle zur Erklärung neuer Situationen; Nutzung alter Präzedenzfälle zur Bewertung neuer Lösungen; oder basierend auf Präzedenzfällen können Sie mit dieser Methode eine neue Situation erklären (genau wie es Anwälte tun) oder erstellen objektive Entscheidung neues Problem (so wie es Mediatoren vor Ort tun). Arbeitsbeziehungen). Dieser Artikel enthält eine Diskussion der Prozesse des fallbasierten Denkens und der Aufgaben, für die die Methode nützlich ist.

Die Gastgeberin plant, das Abendessen für ihre Gäste vorzubereiten, darunter Menschen, die weder Fleisch noch Geflügel essen, von denen einer allergisch auf Milchprodukte ist. Auch Gäste, die das Fleisch-Kartoffel-Menü bevorzugen, werden zum Abendessen kommen, ebenso wie ihre Freundin Anne. Da Tomatensaison ist, möchte sie Tomaten als Hauptzutat in ihren Gerichten verwenden. Da sie zuvor geplant hatte, das Abendessen vorzubereiten, erinnerte sie sich an Folgendes:

Ich habe einmal im Sommer einen Tomatenkuchen (er bestand aus Mozzarella-Käse, Tomaten, Senf, Basilikum und Paprika, alles in der Kuchenfüllung) als Hauptgericht gemacht, als Vegetarier zum Abendessen vorbeikamen. Es war sehr lecker und einfach zuzubereiten. Aber ich konnte es Elana nicht servieren (aufgrund einer Milchallergie). Ich habe Elanas Rezept im Voraus abgewandelt, indem ich den Käse durch Tofu ersetzt habe. Das gelang mir, aber ich wusste nicht, wie gut der Geschmack des Tomatenkuchens zu dieser Zubereitungsart passen würde.

Und sie beschließt, keinen Tomatenkuchen zu servieren und argumentiert weiter. Da es Sommer ist, würde man davon ausgehen, dass gebratener Fisch ein großartiges Hauptgericht ist. Aber gleichzeitig erinnert sie sich an etwas anderes.

Wann habe ich das letzte Mal versucht, Anna zu dienen? gebratener Fisch, sie wollte es nicht essen. Ich musste die Hot Dogs in letzter Minute auf den Grill stellen.

Das lässt sie denken, dass sie den Fisch nicht servieren sollte, aber sie möchte den Fisch trotzdem kochen. Sie fragt sich, ob es eine Möglichkeit gibt, den Fisch so zu kochen, dass Anna ihn essen kann.

Ich erinnere mich, wie Anna in einem Restaurant Corifena aß. Ich fragte mich, welchen Teil ihres Körpers sie essen würde. Der Fisch, den ich ihr servierte, war ganz und mit dem Kopf. Und im Restaurant wurde der Fisch als Filet serviert und sah eher nach Steak als nach Fisch aus. Ich ging davon aus, dass ich den Fisch kochen musste, der eher wie Fleisch aussah. Vielleicht wäre Schwertfisch eine gute Option. Ich fragte mich, ob Anna diesen Fisch zum Abendessen bevorzugen würde. Schwertfisch schmeckt wie Hühnchen, und ich weiß, dass Anna gerne Hühnchen isst.

In dieser Situation verwendete sie sowohl konsistente als auch inkonsistente Beispiele für die Prämisse (Anna möchte keinen Fisch essen), um eine Erklärung für die Prämisse zu erhalten, die die Planung erschwert.

In diesem Beispiel wurde fallbasiertes Denken zur Planung des Abendessens verwendet. Beim fallbasierten Denken erinnert sich die Argumentationsmaschine an eine frühere Situation, die der aktuellen ähnelt, und nutzt sie, um ein neues Problem zu lösen. Im obigen Beispiel wurden erinnerte Fälle (Präzedenzfälle) verwendet, um einen Weg zur Lösung eines neuen Problems vorzuschlagen (z. B. ein Hauptgericht vorzuschlagen) oder Möglichkeiten zur Anpassung einer Lösung vorzuschlagen, die nicht ganz zur Situation passt (z. B. Käse ersetzen). mit Tofu), warnen Sie vor möglichen Verweigerungen (z. B. Anna wird keinen Fisch essen) und interpretieren Sie die Situation (z. B. warum Anna keinen Fisch isst, wird sie Schwertfisch wollen?).

Fallbasiertes Denken kann die Anpassung früherer Lösungen an neue Bedürfnisse beinhalten; Nutzung alter Präzedenzfälle zur Erklärung neuer Situationen; Nutzung alter Präzedenzfälle zur Bewertung neuer Lösungen; oder auf der Grundlage von Präzedenzfällen können Sie mit dieser Methode eine neue Situation erklären (wie es Anwälte tun) oder eine objektive Lösung für ein neues Problem finden (wie es Arbeitsmediatoren tun).

Wenn Sie beobachten, wie die Menschen um uns herum ihre Probleme lösen, werden Sie wahrscheinlich feststellen, dass sie die Methode des Denkens aus Präzedenzfällen nutzen, um fast jedes Problem zu lösen. Anwälte sind darin geschult, frühere Fälle als Präzedenzfälle zu nutzen, um Argumente in neuen Situationen aufzubauen und zu untermauern. Auch Mediatoren und Schiedsrichter werden in dieser Methode geschult. Andere Fachleute wenden diese Methode nicht grundsätzlich an, stellen jedoch oft fest, dass sie damit Probleme effektiv lösen können. Stellen Sie sich beispielsweise eine Situation vor, in der ein Arzt auf einen Patienten trifft, der eine ungewöhnliche Kombination von Symptomen aufweist. Wenn er schon einmal einem Patienten mit ähnlichen Symptomen begegnet ist, erinnert er sich wahrscheinlich an den alten Präzedenzfall und schlägt die Diagnose des früheren Patienten als Lösung für sein neues Problem vor. Wenn früher die Besprechung möglicher Erkrankungen des Körpers des Patienten viel Zeit in Anspruch nahm, spart es jetzt viel Zeit. Natürlich kann der Arzt nicht behaupten, dass seine bisherige Annahme richtig war. Allerdings muss er oder sie diese Lösung des neuen Problems in einer Weise vorschlagen, die die Berücksichtigung anderer möglicher Diagnosen nicht ausschließt. Bei alledem schlägt der Arzt unter Berücksichtigung von Präzedenzfällen leicht die am besten geeigneten Wege zur Lösung des Problems vor.

Ebenso wird sich ein Automechaniker, der mit einem ungewöhnlichen mechanischen Problem konfrontiert ist, wahrscheinlich an andere ähnliche Probleme erinnern und entscheiden, ob seine Lösung für eine neue Aufgabe verwendet werden soll. Wenn Ärzte die Genauigkeit eines therapeutischen Verfahrens beurteilen oder eine Diagnose stellen, die zu einer Situation und anderen Optionen passt, erinnern sich Ärzte bei der Überprüfung jedes Verfahrens wahrscheinlich auch an Präzedenzfälle und treffen ihre Urteile auf der Grundlage früherer Erfahrungen. Problemsituationen in therapeutischen Verfahren sind in diesem Fall besonders nützlich: Sie zeigen dem Arzt, was schief gelaufen sein könnte, und wenn das Herausfinden des Problems tatsächlich die Möglichkeit bietet, zu erklären, warum der alte Fall aufgetreten ist, konzentriert sich der Arzt darauf, die Informationen zu finden, die er benötigt Bestätigen Sie später, dass das Problem nicht größer ist. Wir erfahren mehr über Präzedenzfälle, die von uns mehr als einmal zitiert wurden politische Führer, um zu erläutern, warum bestimmte Maßnahmen ergriffen wurden oder ergriffen werden sollten.

Die Methode des Präzedenzdenkens wird häufig im alltäglichen Denken auf der Grundlage des gesunden Menschenverstandes verwendet. Das obige Beispiel der Essensplanung ist eine typische Überlegung, da wir sie alle Tag für Tag tun. Wenn wir in einem Restaurant Essen bestellen, treffen wir oft Entscheidungen darüber, welche Option die beste ist, basierend auf unseren bisherigen Erfahrungen und unseren Vorlieben. Sobald wir unsere planen Wirtschaftstätigkeit Wir erinnern uns daran, was vorher funktioniert hat und was nicht, was die beste Option war und umgekehrt, und nutzen dieses Wissen, um neue Wege zur Problemlösung zu schaffen. Ein Vertreter der Kinderbetreuung, der Zeuge eines Streits zwischen zwei Kindern ist, erinnert sich, welche Methoden zur Lösung des Problems in einer ähnlichen Situation funktioniert haben und welche nicht, und stützt seine Entscheidung darauf.

Im Allgemeinen ist es einfacher, ein Problem oder eine Aufgabe beim zweiten Mal zu lösen als beim ersten Mal, da wir uns an die vorherige Lösung erinnern und diese wiederholen. Beim zweiten Mal sind wir kompetenter, weil wir unsere Fehler kennen und unser Bestes geben, sie zu vermeiden.

Die Qualität von Entscheidungen, die auf der Methode der Präzedenzfallbegründung basieren, hängt von 4 Faktoren ab:

vorhandene Erfahrung;

die Fähigkeit, neue Situationen aus der Sicht vorhandener Erfahrungen zu verstehen;

Beherrschung der Anpassung;

Beurteilungsfähigkeit.

Ein weniger erfahrener Denker wird bei der Arbeit immer über weniger Fähigkeiten verfügen als ein erfahrenerer Denker. Aber wir werden bald sehen, dass seine Antwortvorschläge nicht unbedingt schlechter sind, wenn er einen kreativen Ansatz hat, das Problem zu verstehen und sich anzupassen. Alle Programme, die zum Zweck der automatisierten Ausführung der auf Präzedenzfällen basierenden Argumentationsmethode erstellt werden, müssen mit einer repräsentativen Präzedenzfalldatenbank ausgestattet sein. Diese Präzedenzfälle müssen die Ziele und Teilziele abdecken, die sich im Laufe der Argumentation ergeben, und müssen sowohl erfolgreiche als auch erfolglose Wege zur Erreichung dieser Ziele enthalten. Erfolgreiche Versuche werden genutzt, um Lösungen für neue Probleme vorzuschlagen. Fehlversuche werden genutzt, um vor der Möglichkeit eines Scheiterns zu warnen.

Das Verstehen eines neuen Problems aus der Perspektive bestehender Erfahrungen besteht aus zwei Teilen: dem Abrufen früher Präzedenzfälle und der Interpretation der neuen Situation auf der Grundlage vergangener Erfahrungen. Der erste Teil kann als Indexierungsproblem bezeichnet werden. Im weitesten Sinne bedeutet diese Definition, im Gedächtnis einen Präzedenzfall zu finden, der einer neuen Situation am nächsten kommt. Im engeren Sinne handelt es sich bei der Indizierungsproblematik oft darum, den im Speicher abgelegten Fällen Indizes so zuzuordnen, dass sie unter geeigneten Umständen widerrufen werden können. Das richtige Auffinden von Fällen ist der Kern des fallbasierten Denkens.

Interpretation ist der Prozess des Vergleichens einer neuen Situation mit einem entsprechenden Präzedenzfall. Wenn interpretiert problematische Situationen Sie werden mit alten Problemsituationen verglichen und kontrastiert. Das Ergebnis ist die Interpretation einer neuen Situation unter Hinzufügung erworbener Erkenntnisse über diese Situation oder deren Klassifizierung. Wenn neue Wege zur Problemlösung mit alten verglichen werden, erhält der Entscheidungsträger Einblick in die Vor- und Nachteile einer bestimmten Vorgehensweise. Typischerweise wird die Prozessinterpretation dann eingesetzt, wenn Probleme nicht vollständig verstanden werden und die Notwendigkeit besteht, eine Lösung zu kritisieren. Wenn das Problem klar definiert ist, besteht kaum Bedarf an Interpretationsprozessen.

Anpassung ist der Prozess der Anpassung einer alten Lösung an die Anforderungen einer neuen Situation. Es gibt acht Anpassungsmethoden. Mit ihnen können beliebige neue Daten zu alten Lösungen hinzugefügt, aber auch entfernt oder ersetzt werden. Der Einsatz von Anpassungsstrategien führt zu kompetenten, aber oft uninteressanten Antworten. Kreative Reaktionen resultieren aus der Anwendung von Anpassungsstrategien in neue Richtungen. Einer von Unterscheidungsmerkmale Der Vorteil des fallbasierten Denkens besteht darin, dass man aus den eigenen Erfahrungen lernen kann, etwa dass sich ein Arzt an ein hartnäckiges Problem erinnern kann, sodass er es ein anderes Mal problemlos lösen kann. Um aus Erfahrung zu lernen, ist Feedback erforderlich, um interpretieren zu können, was an der resultierenden Lösung richtig und falsch ist. Ohne Feedback kann die Reasoning Engine das Problem zwar schneller lösen, aber sie wird ihre eigenen Fehler wiederholen und ihre Fähigkeiten nie steigern. Daher sind die Bewertung und die anschließende Korrektur wichtige Faktoren für das Expertenwissen des Fallbegründers. Die Bewertung kann im Kontext der Ergebnisse anderer ähnlicher Fälle erfolgen, auf Feedback basieren oder auf Modellierung basieren.

1. Argumentation anhand von Präzedenzfällen

Es gibt zwei Möglichkeiten, fallbasiertes Denken anzuwenden: ein Problem lösen und es interpretieren. Bei der ersten Methode werden Lösungen für neue Probleme anhand alter Lösungen ermittelt. Alte Lösungen können nahezu korrekte Lösungen für neue Probleme bieten und auch Warnungen vor möglichen Fehlern oder Ausfällen bereitstellen. Das obige Beispiel präsentierte Präzedenzfälle, die sich mit Tomatenkuchen als Hauptgericht, einer Methode zur Anpassung der Zubereitung dieses Gerichts für diejenigen, die keinen Käse essen, und der Fischart befassten, die Anna bevorzugen würde. Es gab auch eine Warnung vor möglichem Pech – Anna würde einen bestimmten Fisch nicht wollen.

Bei der Interpretation werden neue Situationen im Kontext alter Situationen bewertet. Beispielsweise nutzt ein Anwalt die Interpretation im Rahmen der Argumentation aus Präzedenzfällen, wenn er sich auf eine Reihe alter Fälle bezieht, um kontroverse Situationen in einem neuen Fall zu erklären. Im Originalbeispiel lässt sich jedoch erkennen, dass die Interpretation auch zur Lösung eines Problems eingesetzt werden kann, bei dem die Gastgeberin versuchte, das Servieren von Schwertfisch an einen Gast zu rechtfertigen, von dem bekannt ist, dass er bestimmte Fischarten nicht mag.

Wir werden bald feststellen, dass beide Zweige des fallbasierten Denkens stark auf einem Fallfindungsmechanismus beruhen, der relevante Situationen zu geeigneten Zeitpunkten abrufen kann. Auch beim Lösen von Problemen und beim Dolmetschen ermöglicht das Speichern neuer Situationen im Gedächtnis, aus Erfahrungen zu lernen. Charakteristisch für die Problemlösung ist der intensive Einsatz adaptiver Prozesse zur Lösungsfindung und interpretativer Prozesse zur Bewertung der resultierenden Lösungen. Die Interpretation nutzt Präzedenzfälle, um Entscheidungen zu begründen, die Bewertung dieser Entscheidungen zu ermöglichen, wenn keine klar definierten Methoden verfügbar sind, und um Situationen zu klären, wenn die Grenzen einer Situation nicht schlüssig oder vage sind. Im Folgenden finden Sie Beispiele für beide in diesem Abschnitt beschriebenen Arten der fallbasierten Argumentation sowie eine Diskussion ihrer Anwendbarkeit.

1.1. CBRund Lösung des Problems

Im ursprünglichen Beispiel verwendete die Gastgeberin einen Problemlösungsansatz, um einen Tomatenkuchen als Hauptgericht zuzubereiten, und schlug eine Möglichkeit vor, ihn an die Bedürfnisse eines Gastes anzupassen, der an einer Milchallergie litt. Außerdem nutzte sie im Rahmen des Problemlösungsprozesses einen Präzedenzfall, um vorauszusehen, dass einer der Gäste keinen Fisch essen würde, was sie anschließend dazu veranlasste, das Abendessen entsprechend diesem Problem zu planen. Der Problemlösungsprozess ist für eine Vielzahl von Problemlösungsproblemen nützlich, einschließlich Planung, Diagnose und Design.

1.1.1. CBRbeim Entwerfen

Das obige Beispiel kann als eine Art Designproblem betrachtet werden. Es definiert Probleme als eine Reihe von Einschränkungen und ihre Lösung erfordert ein spezifisches Werkzeug, das das Einschränkungsproblem löst. Typischerweise definieren die definierten Einschränkungen das Problem, was bedeutet, dass es viele mögliche Lösungen gibt. Manchmal schränken die Einschränkungen das Problem jedoch zu sehr ein, das heißt, es gibt keine Lösung, wenn alle Einschränkungen umgesetzt werden. In diesem Fall erfordert die Lösung des Problems eine erneute Klärung des umstrittenen Themas, damit die wichtigsten Einschränkungen erfüllt und andere in einem Kompromiss erreicht werden.

Schauen wir uns die Planung des Tafelservices im Originalbeispiel an. Die Gastgeberin muss auf die Vorlieben und Abneigungen ihrer Gäste eingehen, sich an preisgünstige Gerichte halten, Gerichte so zubereiten und servieren, dass die Gäste sie probieren möchten, und beim Kochen Tomaten verwenden. Sie sollte auch das Hauptgericht und die Beilagen miteinander kompatibel machen, ohne die Hauptkomponenten zu wiederholen, Vorspeisen anbieten, die das Gericht ergänzen usw. Viele verschiedene Gerichte können diesen Anforderungen gerecht werden. Beispielsweise könnte eine vegetarische Lasagne ein Hauptgericht sein, wenn sie Tofu statt Käse enthalten würde. Und alle Beilagen und Vorspeisen würden dieses Gericht ergänzen. Auch einige andere Nudelgerichte könnten den Hauptgang bilden, ergänzt durch verschiedene Beilagen und Vorspeisen. Eine Kombination aus Hauptgerichten, von denen eines den Bedürfnissen der Gäste gerecht wird, die es bevorzugen Fleischgerichte mit Kartoffeln, andere werden Vegetarier ansprechen usw. Kombiniert mit Beilagen und Vorspeisen könnte es sich auch um eine Option für die Abendessenversorgung handeln, die allen Ansprüchen der Gäste gerecht wird. Wofür sollte sich die Hausfrau bei so vielen Möglichkeiten entscheiden?

Nehmen wir nun an, sie erinnert sich daran, dass sie in der Vergangenheit einer großen Gruppe von Menschen das Abendessen serviert hat. Dann war das Einkochen nicht besonders schwierig große Mengen preiswertes, sättigendes Lebensmittel mit Tomatenzusatz. Und sie servierte Vorspeisen, Lasagne, einen großen Gemüsesalat und Knoblauchbrot. Doch dieses Mal ist unter ihren Gästen eine Person mit einer Milchprodukteallergie und eine Vegetarierin. In diesem Fall können Sie das Fleisch aus der Lasagne entfernen und es durch Thunfisch in der Vorspeise ersetzen. Dieser Ansatz wird allen Einschränkungen gerecht, mit Ausnahme des Verzichts auf Milchprodukte. Um ihn zufrieden zu stellen, können Sie den Käse in der Lasagne durch Tofu ersetzen. Diese Anpassung der alten Speisekarte passt zur aktuellen Situation.

Das Obige war ein Beispiel für die Erfüllung der Einschränkungen des Problems. Einschränkungen geben Richtlinien vor, geben dem Entscheidungsträger jedoch keine konkrete Antwort. Darüber hinaus ist der Lösungssuchraum riesig, und obwohl es viele Antworten gibt, die bestimmte Anforderungen erfüllen, sind sie im Lösungssuchraum so weit verstreut, dass es mit Standardsuchmethoden viel Zeit in Anspruch nehmen kann, eine der Antworten zu finden. Darüber hinaus ist das Problem zu groß, um mit einer Lösung gelöst zu werden, die nur einige der Anforderungen erfüllt, da die einzelnen Teile des Problems stark miteinander verknüpft sind. Wenn man ein Problem einzeln löst und dann die gefundenen Lösungen miteinander kombiniert, bricht die Interaktion zwischen den Teilen des Problems fast immer zusammen.

Für diese Art von Problemen, die man als schwierig zu zerlegen bezeichnen kann, können Präzedenzfälle eine Möglichkeit bieten, die Teile der Probleme zusammenzusetzen. Anstatt das Problem in Teile zu zerlegen, diese einzeln zu lösen und zu einer Gesamtlösung zusammenzufassen, kann ein Präzedenzfall verwendet werden, der eine vollständige Lösung vorschlägt, und diejenigen Teile des Problems, die nicht zur neuen Situation passen, werden angepasst. Obwohl erhebliche Anpassungen erforderlich sein können, um eine alte Lösung an eine neue Situation anzupassen, wird diese Methode fast immer für die Erstellung einer Lösung von Grund auf bevorzugt, wenn es viele Einschränkungen gibt und Lösungen für Teile des Problems nicht zu einer Gesamtlösung kombiniert werden können. Tatsächlich handelt es sich bei der technischen und architektonischen Gestaltung um den Prozess der vollständigen Anpassung einer alten Lösung oder der Zusammenführung mehrerer alter Lösungen, um sie an eine neue Situation anzupassen. Die Lösung eines Problems durch Anpassung einer alten Lösung vermeidet die Arbeit mit vielen Einschränkungen und verhindert, dass das Problem in Teile aufgeteilt wird, die neu erstellt werden müssen. Beispielsweise wird die Kombination von Hauptgericht und Beilage bei der Lösung eines Problems nie berücksichtigt, da dies in alten Präzedenzfällen vorgesehen ist. Bei der Entscheidungsfindung werden weder die Komplexität der Vorbereitung, noch der Aufwand, noch die Sorgfalt berücksichtigt. Precedent bietet auch eine Lösung für diese Einschränkungen. Das Problem wird nie in Teile zerlegt, die rekonstruiert werden müssen. Vielmehr werden mangelhafte Bauteile direkt vor Ort behoben.

Ein weiterer wichtiger Zweck von Präzedenzfällen im Design besteht, wie bei allen Problemen bei der Problemlösung, darin, Probleme in vorgeschlagenen Lösungen aufzuzeigen. Als der Gastgeberin einfällt, dass Anna eines Tages keinen Fisch wollte, wird ihr klar, dass die vorgeschlagene Lösung falsch sein wird.

Das JULIA-Programm (Kolodner 1987, Hinrichs 1988, Hinrichs 1989) ist ein intelligentes System, das den Essensservice plant, und die oben genannten Beispiele sind typische Aufgaben für dieses System. CYCLOPS (Navinchandra 1988) verwendet fallbasiertes Denken, um Landschaftsdesign. „KRITIK“ (Goel 1989, Goel und Chandrasekaran 1989) kombiniert fallbasiertes Denken und simulationsbasiertes Denken für den Entwurf kleiner mechanischer Baugruppen. Das System verwendet fallbasiertes Denken, um eine Lösung vorzuschlagen, und eine Simulation, um die vorgeschlagenen Lösungen zu testen, um herauszufinden, wo Anpassungen erforderlich sind, und schlägt diese dann vor.

Mindestens ein Gerät zur Lösung von Designproblemen wird in den Einsatz gebracht moderne Welt. CLAVIER (Barletta und Hennessy 1989) wird in Lockheed verwendet, um Verbundteile aus komplexen Substanzen in einen Ofen zu legen, um ein bestimmtes Strukturteil zu erzeugen. Die Aufgabe ist scheinbar unerklärlich, da es kein vollständiges Ursache-Wirkungs-Modell dafür gibt, was funktioniert und wie es funktioniert. Einzelheiten verschiedene Größen müssen sich in separaten Teilen des Ofens befinden, aber die Größe einiger Teile und die Kompaktheit ihrer Anordnung ermöglichen eine korrekte Erwärmung der Teile. Die Person, die für die Anordnung der Teile verantwortlich war, führte ein Archiv seiner Erfahrungen, sowohl positiver als auch negativer. Basierend auf diesen Erfahrungen kann CLAVIER Teile an den entsprechenden Stellen im Ofen platzieren und vermeiden, dass Teile an gefährlichen Stellen platziert werden. Dieses Gerät arbeitet wie ein Experte und nutzt seine eigene Erfahrung. Daher ist es nützlich, wenn kein Experte verfügbar ist. CLAVIER verwendet fast immer mehrere Anwendungsfälle, um ein Teil zu entwerfen. Man bietet eine allgemeine Anordnung der Teile, die sich entsprechend anpasst. Der Rest wird zum Füllen von Lücken im Layout verwendet.

Die Mediation zwischen Fällen kann als eine Art von Design angesehen werden, bei dem die Spezifikation des Problems eingeschränkter ist. Bei der Mediation haben zwei Gegner gegensätzliche Ziele. In diesem Fall ist es unmöglich, eine Reihe spezifischer Ziele beider Parteien zu erreichen. Die Aufgabe des Mediators besteht darin, eine Kompromisslösung zu finden, die die Ziele beider Kontrahenten möglichst teilweise erreicht.

Bei der Lösung begrenzterer Probleme müssen die Entwurfsbedingungen im Zuge der Lösung des Problems neu definiert werden. Bevor Sie ein Problem mithilfe von Suchmethoden lösen optimale Lösung, empfiehlt es sich, eine der möglichen Methoden zur Minimierung von Einschränkungen zu nutzen. Bei Verwendung der fallbasierten Argumentationsmethode wird die korrekteste Lösung für ein Einschränkungsproblem durch einen Präzedenzfall verfügbar. Anschließend wird die Lösung an die neue Situation angepasst. Der MEDIATOR (Simpson 1985, Kolodner und Simpson 1989) ist das früheste Gerät, das auf der Technologie des fallbasierten Denkens basiert. Das Gerät löste grundlegende Streitigkeiten über die gemeinsame Nutzung verschiedener Ressourcen (z. B. zwei Kinder, die die gleichen Süßigkeiten wollen, oder zwei Lehrkräfte, die gleichzeitig das Kopiergerät benutzen wollen). „PERSUADER“ (Sycara 1987) löst Managementkontroversen Arbeitsressourcen. Dieses Gerät war Vorreiter bei der Verwendung von Parametrisierungsstrategien für die beste Legacy-Lösung, um relativ kleine Änderungen am bestehenden Vertrag eines Unternehmens vorzunehmen, in dem einige Komponenten fortlaufend formalisiert werden müssen, wie beispielsweise die Anpassung der Lebenshaltungskosten. Das Ergebnis ist eine ungefähre Lösung des Problems. Um die ungefähre Lösung zu bewerten, sind dann spezialisierte Kritiker erforderlich, die speziellere Probleme mit dem Vertrag identifizieren, beispielsweise ob sich das Unternehmen den Vertrag leisten kann. Die resultierende Näherungslösung kann später durch die Anwendung anderer Präzedenzfälle oder durch die Bewertung anderer Kritiker angepasst werden. Um die Lösung vollständig anzupassen, erfolgt abschließend eine abschließende Bewertung durch Kritiker, die zuvor nicht am Bewertungsprozess der Näherungslösung beteiligt waren.

Bei fast allen Designproblemen reicht ein Anwendungsfall nicht aus, um ein Problem zu lösen. Entwurfsprobleme sind in der Regel umfangreich, und wenn ein einzelner Anwendungsfall zur Lösung eines bestimmten Teils des Problems verwendet werden kann, reicht dies nicht aus, um eine vollständige Lösung bereitzustellen. Im Allgemeinen sieht ein Präzedenzfall vor allgemeine Struktur Lösungen, während andere dazu dienen, fehlende Details zu ergänzen. Daher werden Zusammensetzung und Zerlegung des Problems nicht verwendet, da zahlreiche Einschränkungen erfüllt und Probleme ihrer weiteren Vereinfachung gelöst werden müssen.

1.1.2. Argumentationsmethode basierend auf Präzedenzfällen in der Planung

Planung ist der Prozess der Festlegung einer Abfolge von Schritten oder eines Zeitplans, um einen bestimmten Zustand eines Systems zu erreichen. Der zu erreichende Zustand kann in spezifischen Begriffen definiert werden, beispielsweise durch die Definition des Endzustands des Turm-von-Hanoi-Rätsels (zum Abschließen). Brettspiel Die Scheiben müssen so angeordnet sein, dass Scheibe Nr. 1 auf Scheibe Nr. 2 liegt, die wiederum auf Scheibe Nr. 3 liegen muss, und alle Scheiben müssen mit einem Holzstab durchstochen werden. Der Staat kann auch durch Einschränkungen gekennzeichnet sein, die eingehalten werden müssen, beispielsweise bei der Planung der Platzierung von Barrieren am Flughafen (jedem Flug ist eine Barriere zugeordnet; eine Barriere kann nicht gleichzeitig für zwei Flüge genutzt werden). Im ersten Fall ist das Endergebnis des Planungsprozesses eine Abfolge von Schritten. Im zweiten Fall ist das Endergebnis ein Plan oder Zustand des Systems, zu dessen Erstellung der Planungsprozess genutzt werden muss.

Ein früher fallbasierter Planungsmechanismus war CHEF (Hammond 1989). „CHEF“ kreierte neue Rezepte basierend auf den ihm bekannten Rezepten. Bei der Erstellung eines Rezepts, das Rindfleisch und Brokkoli kombinierte, erinnerte sich CHEF beispielsweise an das Rezept für Hühnchen und Bohnen und passte das neue Rezept entsprechend an. Zunächst wurde Rindfleisch als Huhn und Brokkoli als Bohnen eingeführt. Zweitens wurden die Phasen der Zubereitung von Hühnchen und Bohnen aufgezeichnet. Da Rindfleisch keine Knochen hat, wurde der Schritt des Entbeinens weggelassen. Außerdem wurde während der Gemüsezubereitungsphase die Gesamtgarzeit des Gerichts neu definiert, da Brokkoli länger zum Garen braucht als Bohnen.

Im Planungsprozess müssen viele Probleme geklärt werden. Erstens besteht das Problem der Aufrechterhaltung der Konsistenz. Effektive Pläne sind nach Möglichkeit konsistent, d. h. Die letzten Stufen haben keinen Einfluss auf die Ergebnisse der vorherigen Stufen und die Voraussetzungen der letzten Stufen werden durch die Ausführung der vorherigen Stufen nicht verletzt (siehe Charniak und McDermott (1985)). Um diese Bedingung zu erfüllen, ist es notwendig, dass die Ergebnisse der Phasen in die Zukunft (den Rest des Plans) projiziert werden. Zweitens gibt es das Problem der Voraussetzungen. Vor der Planung einer Etappe muss sichergestellt werden, dass alle Voraussetzungen für diese Etappe erfüllt sind. Die Planung umfasst also neben der Verteilung der Hauptphasen auch die Planung von Phasen, die Sicherstellung der Erreichung von Voraussetzungen. Die gleichzeitige Lösung dieser beiden Probleme erfordert große Rechenoperationen. Mit zunehmender Anzahl der Stufen nimmt die rechnerische Komplexität des Stufenentwurfs und des Vergleichs der Vorbedingungen exponentiell zu.

Fallbasiertes Denken löst diese Probleme, indem es Pläne bereitstellt, die in der Vergangenheit verwendet wurden und diese Probleme bereits gelöst haben. Der Entscheidungsträger muss an diesem Plan nur relativ geringfügige Änderungen vornehmen und muss nicht alles von Grund auf neu planen. Ein Rezept zum Zubereiten eines Gerichts gibt beispielsweise eine Abfolge von Schritten vor und stellt sicher, dass die Voraussetzungen für jeden Schritt erfüllt sind.

Fallbasiertes Denken bietet auch Lösungen für komplexere Planungsprobleme (siehe Marks, Hammond und Converse (1989)). In einem realen Prozess ist die Zahl der um den Erfolg konkurrierenden Ziele recht groß, gleichzeitig bilden sich im Verlauf ihrer Aktivitäten neue Ziele. Und wenn Sie versuchen, jedes dieser Ziele unabhängig voneinander zu erreichen, wird sich die Planungs- und Ausführungszeit, also die Gesamtzeit zum Erreichen jedes Ziels, aufgrund der Interaktionen wahrscheinlich erhöhen. Gelingt es, mehrere Ziele gleichzeitig oder in Kombination miteinander zu erreichen, reduziert sich die Komplexität der Lösung deutlich. Fallbasiertes Denken bietet eine Möglichkeit, Ziele zu kombinieren. Zuvor verwendete Pläne werden gespeichert und als Kombination der erreichten Ziele indiziert. Wenn die Zielkombination wiederholt wird, kann der alte Plan, mit dem diese Ziele erreicht wurden, wiederverwendet werden.

Weitere Planungsschwierigkeiten ergeben sich aus dem Zusammenhang zwischen Planung und Umsetzung des Plans in der Realität. Aus der Sicht der traditionellen Planung ist ein Plan, wie oben erwähnt, eine Abfolge von Schritten, die in der Zukunft ausgeführt werden, und bei der präzedenzbasierten Planung geht es um die Kombination von Planung und Ausführung. Daher kann nicht argumentiert werden, dass eine gut konzipierte Abfolge von Schritten in der realen Welt durchführbar ist. Dafür gibt es mehrere Gründe. Erstens ist es unmöglich zu glauben, dass alle für die Planung erforderlichen Kenntnisse zu Beginn bekannt sind, da im Planungsprozess häufig neues Wissen entdeckt wird und einiges nie mit Sicherheit preisgegeben wird. Zweitens ist die Welt nicht vorhersehbar. Es treten unvorhergesehene Umstände ein (z. B. wenn während der Ausführung einer bestimmten Aufgabe ein Feueralarm ausgelöst wird). Faktoren, die zum Zeitpunkt der Planung unbekannt waren, verändern den Lauf der Dinge unerwartet (zum Beispiel hat jemand alle Nägel gekauft). bestimmter Typ zur Vervollständigung des Plans erforderlich sind und jetzt nicht verfügbar sind). Und es ist unmöglich, das Ergebnis dieser Faktoren jederzeit vorherzusagen (z. B. wurde jemand hungrig und aß die ganze Schokolade auf, die zum Backen gedacht war). Generell können sich die Umstände während des Übergangs von der Planung zur Ausführung ändern.

Um dieses Problem zu lösen, ist es notwendig, zumindest einen Teil der Planung auf die Umsetzung des Plans zu verschieben, wenn bereits mehr Wissen verfügbar ist und es möglich ist, nicht durchführbare Schritte während der Planung zu korrigieren. Wenn außerdem Probleme bei der Ausführung des Plans vorhergesehen werden können, verringert sich die Anzahl nachfolgender Korrekturen.

Das CHEF-Programm (Hammond 1989) nutzt vergangene Erfahrungen, um zukünftige Probleme vor der Zubereitung eines Gerichts zu verhindern. Wenn beim Kochen ein Problem auftritt, versucht dieses Gerät, die Ursache des Problems zu erklären und dann herauszufinden, wie es gelöst werden kann. „CHEF“ speichert die beabsichtigte Lösung eines Problems und weist aufgrund ihrer Eigenschaften auf Präzedenzfälle hin, die das Auftreten des Problems vorhersagen. Bevor eine Lösung ausgegeben wird, durchsucht „CHEF“ den Speicher nach schlechten Situationen und nutzt diese zur Antizipation mögliche Probleme, die durch die gefundenen Situationen angezeigt werden. Anschließend schlägt er anhand der korrigierten misslungenen Situation einen Kochplan vor, der das zuvor angenommene Problem beseitigt. CHEF hat einmal ein Rezept für die Zubereitung von Erdbeersoufflé entwickelt, indem er das Rezept für Vanillesoufflé modifiziert hat. Allerdings ging das zubereitete Soufflé während des Garvorgangs nicht auf. Der Grund war ein Ungleichgewicht zwischen der Menge an Starter und Flüssigkeit, die mehr als nötig war. Da eine Möglichkeit, überschüssige Flüssigkeit loszuwerden, darin besteht, sie einfach abtropfen zu lassen, vermutete CHEF, dass das Soufflé später aufgeht, wenn man die überschüssige Flüssigkeit abgießt, die beim Kochen von Erdbeeren entsteht. Der gebildete Präzedenzfall wird im Speicher gespeichert und weist auf ein Fruchtsoufflé hin. Bevor ein Rezept für ein weiteres Fruchtsoufflé erstellt wird, merkt sich „CHEF“ diesen Präzedenzfall und warnt vor einem möglichen Ungleichgewicht zwischen Starter und Flüssigkeit und bietet beim Erstellen eines Rezepts an um die überschüssige Flüssigkeit abzulassen.

Es gibt auch andere Planungsmechanismen, die bisher unbeschriebene Probleme lösen. TRUCKER (Hammond 1989b) ist ein Laufprogramm, das erwartete Ziele verfolgt und in der Lage ist, Chancen zu nutzen, die sich im Prozess ergeben, sodass Ziele früher als erwartet erreicht werden können. MEDIC (Turner 1989) ist ein Diagnoseprogramm. Es kann frühere Pläne für die Diagnose nutzen, ist aber flexibel genug, um bei Wiederverwendung unerwarteten Ereignissen folgen zu können. Wenn das Programm also eine Lungeninsuffizienz erkennt und der Patient keine vorherige Angabe macht bekannte InformationenÜber den Zustand des Herzens analysiert MEDIC, welche Informationen für die Diagnose wichtiger sind. Wenn sich herausstellt, dass das Herzproblem schwerwiegender ist, wird MEDIC seinen aktuellen Diagnoseplan unterbrechen und zu einem geeigneteren übergehen und bei Bedarf später zum ursprünglichen Plan zurückkehren. „EXPEDITOR“ plant Ereignisse im Leben eines Elternteils, der Kinder großzieht und gleichzeitig berufstätig ist. Das Programm speichert abwechselnd Ereignisse im Speicher, die wiederholt bestimmte Ziele erreicht haben. Und wenn der Prozess bei der anfänglichen Planung langsam war, erlangt das Programm mit der Zeit die Fähigkeit zur Planung, da es seine eigenen Pläne wiederverwenden kann. Schließlich zeigt CSI BATTLE PLANNER (Goodman 1989), wie Präzedenzfälle genutzt werden können, um Pläne zu bewerten und zu korrigieren, bevor sie umgesetzt werden.

1.1.3. CBR zur Diagnose

Bei der Diagnose erhält ein Spezialist, der ein Problem lösen muss, eine Reihe von Symptomen und muss diese Symptome erklären. Wenn es nur wenige mögliche Erklärungen gibt, kann die Diagnose als Lösung für ein Klassifizierungsproblem angesehen werden. Wenn es jedoch ziemlich schwierig ist, alle möglichen Erklärungen aufzulisten, kann die Diagnose als Lösung des Problems angesehen werden, eine Erklärung für das Problem zu finden. Die fallbasierte Diagnose kann vergangene Situationen nutzen, um Symptome zu erklären und auf das Vorhandensein von Erklärungen aufmerksam zu machen, die sich in der Vergangenheit als unhaltbar erwiesen haben. Das Folgende ist ein Beispiel für ein frühes SHRINK-Projekt (Kolodner 1987), ein fallbasiertes Argumentationsprojekt, das für die psychiatrische Krankenhausdiagnostik entwickelt wurde.

Ein Psychiater beobachtet einen Patienten, der deutliche Anzeichen einer schweren Depression zeigt. Die Patientin berichtet außerdem, dass sie unter anderem kürzlich ein Magenproblem entdeckt habe und die Ärzte keine entsprechende Ursache dafür finden konnten. Typischerweise waren zufällige Beschwerden im Bereich der Psychiatrie nicht von besonderer Bedeutung, bis sich ein Psychiater an einen früheren Fall erinnerte, bei dem er bei einem Patienten eine schwere Depression diagnostizierte, der außerdem körperliche Beschwerden hatte, die sich nicht erklären ließen. Erst später wurde dem Psychiater klar, dass er diese Beschwerden hätte berücksichtigen müssen; Anschließend stellte er die Diagnose einer Somatisierungsstörung mit der Entwicklung einer sekundären schweren Depression. Er geht außerdem davon aus, dass dieser Patient möglicherweise auch an einer Somatisierungsstörung mit der Entwicklung einer sekundären schweren Depression leidet, und entwickelt diese Hypothese mithilfe geeigneter diagnostischer Tests weiter.

In diesem Beispiel nutzt der Arzt eine Diagnose aus einer früheren Situation, um eine Hypothese über die Diagnose in einer neuen Situation aufzustellen. Diese Hypothese verkürzt die Zeit des Argumentationsprozesses und ermöglicht es Ihnen, früher gemachte Fehler zu vermeiden. Darüber hinaus zwingt ihn die Hypothese aus dem vorherigen Fall, seine Aufmerksamkeit genau auf die Aspekte des Falles zu richten, die er sonst nicht berücksichtigen würde: ungeklärte körperliche Symptome im Zusammenhang mit einer Somatisierungsstörung.

Natürlich kann man nicht erwarten, dass sich eine frühere Diagnose in einer neuen Situation nicht ändert. Ebenso wie bei der Planung und Gestaltung ist es oft notwendig, eine alte Diagnose an eine neue Situation anzupassen. Das CASEY-Programm (Koton 1988) ist in der Lage, Herzprobleme zu diagnostizieren, indem es frühere Diagnosen von Herzinsuffizienzpatienten anpasst, um neue Diagnosen zu bilden. Als CASEY beispielsweise versucht, eine Diagnose für einen neuen Patienten zu stellen, erinnert sie sich an einen anderen Patienten namens David. Obwohl es die häufigsten Symptome gab, gab es auch Unterschiede zwischen ihnen. Der neue Patient hatte beispielsweise verkalkte Herzklappen und fiel bei Anstrengung in Ohnmacht, David hatte diese Symptome jedoch nicht. CASEY passte Davids Diagnose an diese Unterschiede an. Die Aortenklappenverkalkung des neuen Patienten wurde als zusätzlicher Hinweis auf eine Aortenklappenerkrankung vorgelegt, seine Synkope wurde als zusätzlicher Hinweis auf eine Herzinsuffizienz vorgelegt und eine Mitralklappenerkrankung wurde in die Diagnose einbezogen.

CASEY ist ein relativ einfaches Programm, das auf einem vorhandenen, auf Simulationen basierenden Diagnoseprogramm aufbaut. Wenn ein neuer Präzedenzfall einem früheren Präzedenzfall ähnelt, erfolgt die Lösungsfindung für das Problem um ein Vielfaches schneller als beispielsweise bei einem Modellierungsprogramm (Koton 1988). Und da Anpassungen auf einem gültigen Ursache-Wirkungs-Modell basieren, sind Diagnosen so genau, als wären sie anhand desselben Modells neu erstellt worden.

Präzedenzfälle sind auch bei der Diagnose hilfreich, wenn sie Auswege aus schwierigen Situationen in der Vergangenheit aufzeigen. Während die Unfähigkeit, schwierige Situationen zu lösen, als Nebeneffekt von SHRINK und CASEY angesehen wurde, sollte das PROTOS-Programm (Baries 1989) sicherstellen, dass schwierige Situationen auf effektive Weise gelöst werden. PROTOS diagnostiziert Hörstörungen. In diesem Bereich stellen sich viele Diagnosen ähnlich dar und nur geringe Unterschiede können die Diagnosen verändern. Ein Anfänger verfügt im Gegensatz zu einem Experten nicht über das Wissen über kleine Unterschiede. PROTOS beginnt als Neuling, und wenn es Fehler macht, lernt es aus seinen Fehlern. So wird PROTOS auf kleine Unterschiede aufmerksam. Um die Diagnose richtig zu stellen, speichert er Differenzindikatoren in seinem Gedächtnis, die es ihm später ermöglichen, problemlos von der offensichtlichen Diagnose zur richtigen zu gelangen.

Die Erstellung einer Diagnose von Grund auf ist eine zeitaufwändige Aufgabe. In fast allen diagnostischen Bereichen gibt es jedoch eine ausreichende Regelmäßigkeit in der Herangehensweise an die präzedenzbasierte Diagnosestellung, denn es ist ziemlich effektiv. Natürlich kann ein Arzt nicht davon ausgehen, dass eine vorgeschlagene fallbezogene Lösung die Lösung ist. Der Lösungsvorschlag muss begründet werden. Oftmals ist die Begründung jedoch viel einfacher als die Erstellung einer neuen Diagnose. IN ähnliche Typen In vielen Bereichen kann die Methode des Präzedenzdenkens große Erfolge bringen.

1.1.4. CBR beim Erklären

Bei jeder Lösung eines Problems und beim Verständnis menschlicher Aktivitäten ist die Erklärung anomaler Dinge vorherrschend. Wenn wir in der Zeitung von einem Flugzeugabsturz lesen, versuchen wir zu erklären, warum es passiert ist. Wenn wir etwas erneut nicht tun, versuchen wir zu erklären, was schief gelaufen ist, und wollen es nicht noch einmal tun. Wenn wir hören, dass jemand etwas Unerwartetes tut, versuchen wir auch, die Situation zu erklären. Der Erklärungsprozess löst das Problem, einer Situation den Status von Vertrauen und Misstrauen zuzuordnen, je nachdem, was erklärt wird (Erfolg oder Misserfolg). Im Allgemeinen geht es bei der Aufklärung um die Feststellung, wer oder was für das Geschehene verantwortlich ist. Dies ist ein Problem, das der Bereich der künstlichen Intelligenz seit einiger Zeit zu lösen versucht.

Der fallbasierte Ansatz zur Erklärung einer Situation (Schank, 1986) besteht darin, dass man ein Phänomen erklären kann, indem man ähnliche Phänomene kennt, Erklärungen von diesen Phänomenen übernimmt und sie an das neue Phänomen anpasst. SWALE (Kass und Leake 1988) ist ein Programm, das genau das tut. Wenn beispielsweise ein Rennpferd stirbt, ruft das Programm ähnliche Präzedenzfälle in Erinnerung, die jeweils dabei helfen, eine Erklärung für die Todesursache zu finden. Wenn sich das Programm an den Präzedenzfall erinnert, bei dem Jim Fix nach einem Rennen an einem Herzinfarkt starb, wird berücksichtigt, ob das Pferd unmittelbar nach dem Rennen starb und ob es an einer Herzerkrankung litt, von der seine Besitzer nichts wussten. SWALE erinnert an den Präzedenzfall von Janis Joplin und diskutiert den möglichen Konsum illegaler Drogen. Einige auf diese Weise abgeleitete Erklärungen sind plausibler als andere, und einige erfordern mehr Anpassung als andere. Wenn wir zum Beispiel die Erklärung für den Drogenkonsum in Betracht ziehen, dann muss es eine Person geben, die möchte, dass das Pferd Drogen nimmt (schließlich hat Janis Joplin selbst Drogen genommen, und das Pferd ist dazu nicht in der Lage), und der Grund, warum dieser Jemand wollte, dass das Pferd Drogen nimmt. Es dauert ein wenig Mehr Informationen, als in der Erklärung, die sich aus dem Präzedenzfall von Jim Fix ergibt, der an einem Herzinfarkt starb.

Um eine Situation auf der Grundlage von Präzedenzfällen zu erklären, sind daher ein Suchmechanismus erforderlich, der ähnliche Präzedenzfälle finden kann, ein Anpassungsmechanismus, der sehr kreativ sein muss, und ein Prüfmechanismus, der entscheiden kann, ob die resultierende Erklärung irgendeinen Sinn ergibt.

1.2. Erklärende Argumentationsmethode anhand von Präzedenzfällen

Die erklärende Methode des Denkens aus Präzedenzfällen ist der Prozess der Beurteilung einer Situation oder ihrer Lösung im Kontext früherer Erfahrungen. Es stellt eine Situation oder Entscheidung als Eingabe dar und die Ausgabe enthält eine Klassifizierung der Situation, ein Argument, das die Klassifizierung oder Entscheidung unterstützt, und/oder Beweise für das Argument oder die Entscheidung. Diese Methode ist nützlich, um eine Situation zu klassifizieren, eine Entscheidung zu bewerten, zu argumentieren, eine Entscheidung zu rechtfertigen, zu interpretieren oder zu planen und die Konsequenzen einer Entscheidung oder eines Plans zu projizieren.

Richter Oberster Gerichtshof Verwenden Sie diese Methode, wenn Sie eine Entscheidung treffen. Sie interpretieren den neuen Präzedenzfall im Lichte früherer Ereignisse. Ist der neue Präzedenzfall dem alten ähnlich? Wie ähnlich sind die verglichenen Fälle? Wie unterschiedlich? Angenommen, wir interpretieren einen neuen Präzedenzfall auf irgendeine Weise und versuchen herauszufinden, welche Konsequenzen er hat. Rechtsanwälte nutzen die erläuternde Methode der Präzedenzfallbegründung, wenn es darum geht, Argumente zu begründen. Jeden Tag nutzen Menschen auf der Straße diese Methode. Zum Beispiel ein Kind, das seinen Eltern sagt: „Aber du erlaubst deiner Schwester, das zu tun“, um sein/ihr Argument zu rechtfertigen. Manager akzeptieren strategische Entscheidungen, basierend auf dem, was in der Vergangenheit wahr war. Daher wird erläuterndes, fallbasiertes Denken häufig verwendet, um die Vor- und Nachteile der Lösung eines Problems zu bewerten. Ein Schiedsrichter, der beispielsweise gerade ein Gehalt für einen Fußballspieler festgelegt hat, kann sich andere Fußballspieler mit ähnlichen Gehältern ansehen, um festzustellen, ob das neue Gehalt mit anderen Gehaltsentscheidungen vereinbar ist.

Die erklärende Methode des fallbasierten Denkens ist für die Bewertung am nützlichsten, wenn keine rechnerischen Methoden zur Bewertung einer Entscheidung oder Bedingung vorhanden sind. Normalerweise gibt es in solchen Situationen viele unbekannte Größen, und selbst wenn Berechnungsmethoden verfügbar wären, ist das für die Arbeit mit ihnen erforderliche Wissen normalerweise nicht verfügbar. Ein Entscheidungsträger, der Präzedenzfälle nutzt, um Entscheidungen oder Erklärungen zu bewerten und zu rechtfertigen, erklärt den Mangel an Wissen anmaßend mit dem Argument, dass die Welt grenzenlos sei und es unmöglich sei, alles zu wissen.

Als nächstes werden drei Probleme kurz besprochen, bei denen die erklärende Methode der Argumentation anhand von Präzedenzfällen zur Begründung, Interpretation und Projektion nützlich ist. Bei der Rechtfertigung weist man Gründe oder Beweise für die Komplexität eines Arguments, einer Bedingung oder einer Entscheidung nach. Bei der Interpretation versucht man, eine neue Situation im Kontext zu definieren. Projektion bedeutet, die Konsequenzen einer Entscheidung vorherzusagen. Alle diese Probleme haben einen gemeinsamen Gedankengang. Einige Präzedenzfälle unterstützen die Interpretation oder die prognostizierten Konsequenzen einer Entscheidung. Andere Anwendungsfälle unterstützen andere Prozesse. Und der Entscheidungsträger muss Präzedenzfälle vergleichen und gegenüberstellen, um eine Entscheidung zu treffen.

1.2.1. Argumentation und kontradiktorisches Denken

Beim kontradiktorischen Denken werden zwingende Argumente vorgebracht, um dem Gegner die Richtigkeit der eigenen Position zu beweisen. So beweisen beispielsweise Anwälte tagtäglich ihre Argumente. Andere Menschen tun dies auch und versuchen, jemanden davon zu überzeugen, dass sie mit der Lösung eines bestimmten Problems Recht haben. Eine Person kann sogar im Wettbewerb mit sich selbst argumentieren und versuchen, sich von der Qualität und Richtigkeit der Lösung zu überzeugen, die sie gerade für ein bestimmtes Problem gefunden hat. Um überzeugend zu argumentieren, ist es notwendig, eine Position zu formulieren und diese entweder mit unwiderlegbaren Fakten oder vernünftigen Schlussfolgerungen zu begründen. Meistens kann eine Position jedoch nur durch die Heranziehung relevanter früherer Erfahrungen oder Präzedenzfälle untermauert werden.

Das amerikanische Rechtssystem ist ein Präzedenzfallsystem. Es gibt viele Regeln in diesem System, und jede von ihnen hat ihre eigenen Ausdrücke, die genau definiert sind und von denen viele einander widersprechen. Am meisten auf effektive Weise Die Auslegung von Gesetzen ist eine auf Präzedenzfällen basierende Argumentation. Gesetze bieten daher ein gutes Untersuchungsgebiet für die Untersuchung kontradiktorischer Argumente und Argumentationen anhand von Präzedenzfällen (Rissland 1983, Bain 1986, Ashley 1987, 1988, Branting 1989).

Das HYPO-Programm (Ashley 1988, Rissland und Ashley 1987) ist das früheste und erfahrenste in der rechtlichen Argumentation aus Präzedenzfällen. Die Erstellung von Methoden zur Argumentation und Begründung einer Entscheidung besteht aus mehreren Schritten. Zunächst wird die neue Situation auf relevante Faktoren analysiert. Dank dieser Faktoren werden ähnliche Präzedenzfälle gewonnen. Sie sind nach der größten Übereinstimmung mit der neuen Situation geordnet. Einige unterstützen die Situation, andere tun das Gegenteil. Die meisten Präzedenzfälle, die die neue Situation unterstützen, werden als Argumente für die vorgeschlagene Lösung herangezogen. Zur Schaffung von Gegenargumenten sind andere Präzedenzfälle erforderlich, die die neue Situation nicht unterstützen. Den gebildeten Argumenten werden dann Gegenargumente gegenübergestellt. Das Ergebnis des Programms ist eine Reihe von dreistufigen Argumenten, die jeweils durch einen entsprechenden Präzedenzfall gerechtfertigt sind. Der Hauptnebeneffekt solcher Argumente besteht darin, dass potenzielle Problembereiche hervorgehoben werden.

Betrachten Sie zum Beispiel den von der HYPO angeführten, nicht offengelegten Präzedenzfall. John Smith hat das Programm entwickelt Strukturanalyse unter dem Namen „NIESA“ während seiner Tätigkeit bei der Structural Dynamics Research Corporation (SDRS). Er hat dieses Programm erfunden und war für dessen Entwicklung voll verantwortlich. Als er zu SDRS kam, unterzeichnete er eine Vereinbarung über vertrauliche Informationen für Mitarbeiter, in der er sich verpflichtete, keine vertraulichen Informationen offenzulegen oder zu verwenden. Und nachdem er SDRS verlassen hatte, arbeitete er als Vizepräsident für Softwareentwicklung am European Marketing Research Centre (EMRC). Elf Monate später begann EMRC mit dem Verkauf von Johns Programm (NIESA), das er unter Verwendung von Notizen aus der Entwicklung der alten Version des Programms in SDRS neu gestaltet hatte. SDRS-Mitarbeiter gaben Teile des NIESA-Softwarecodes an etwa fünfzig Kunden weiter. Und jetzt wird John Smith wegen Verstoßes gegen eine Geheimhaltungsvereinbarung verklagt.

Die HYPO brachte ihre Klage beim SDRS-Beklagten vor. Sie nutzte die in diesem Fall vorliegenden Faktoren, um eine Reihe von zu beantwortenden Fragen zu formulieren: Macht die Offenlegung des NIESA-Codes an fünfzig Kunden die NDA ungültig? Macht die Tatsache, dass John Smith der einzige Entwickler des Programms war, die NDA ungültig? Das Programm zog mehrere Präzedenzfälle heran und bildete eine Argumentation, in der es zu einem Rechtsstreit zwischen den Konzernen Midland-Ross und Sunbeam kam. Da der Kläger Informationen über seine Produkte an Außenstehende weitergegeben hatte, hätte der Beklagte die Klage wegen widerrechtlicher Aneignung von Geschäftsgeheimnissen gewinnen müssen . Aufgrund der Unterschiede zwischen der neuen und der alten Situation lässt sich jedoch ein Gegenargument bilden. In der Midland-Ross-Situation wurden die Informationen an mehr Außenstehende weitergegeben, und der Beklagte gewann etwas Wertvolles für den Vertragsabschluss. Dieser Standpunkt könnte durch einen anderen Präzedenzfall gestützt werden, in dem Data General Digital Computer verklagte und der Kläger gewann, obwohl die Informationen offengelegt wurden mehr Außenseiter als im Fall von Midland-Ross. Die Gegenargumentation wurde jedoch auf der Grundlage dieses Präzedenzfalls formuliert. In diesem Präzedenzfall gewann der Beklagte, weil die Offenlegung begrenzt war. Und in dieser Situation wurden die Informationen des einzigen Entwicklers des neuen Produkts preisgegeben.

Ähnliche Argumente und Rechtfertigungen gibt es jeden Tag. Beispielsweise wird von einem 13-jährigen Kind, dessen Eltern ihm gesagt haben, es solle sich um Mitternacht keine Horrorfilme ansehen, erwartet, dass es sich an alle Situationen erinnert, an die es sich erinnert, um seine Situation zu rechtfertigen. Wenn sein Freund, der ebenfalls 13 Jahre alt ist, es sehen darf, wird er dies zu seinem Vorteil anführen. Wenn seine Schwester Horrorfilme schauen dürfe, werde er sich auch darauf berufen. Und während seine Eltern ihre eigenen Argumente vorbringen, wird er andere dazu bringen, ihnen entgegenzutreten.

Im Allgemeinen sind Präzedenzfälle nützlich, um Argumente zu konstruieren und Positionen zu rechtfertigen, wenn es keine oder nur wenige spezifische Prinzipien gibt oder wenn Prinzipien inkonsistent sind oder ihre Bedeutung schlecht definiert ist.

1.2.2. Klassifizierung und Interpretation

Ist Schwertfisch die Fischart, die Anna zum Abendessen wählen würde oder nicht? Dies ist eine erklärende Frage, die im Beispiel am Anfang des Kapitels gestellt wird. Im Allgemeinen bedeutet Interpretation im Zusammenhang mit fallbasiertem Denken, zu entscheiden, ob ein Konzept in eine begrenzte oder implizit begrenzte Klassifizierung passt. Die Klassifizierung kann spontan festgelegt werden (z. B. die Fischart, die Anna bevorzugen wird) oder sie ist möglicherweise bekannt, aber nicht ausreichend in Bezug auf notwendige und ausreichende Bedingungen definiert. Viele vorgeschlagene Klassifikationen werden als Klassifikationen unbegrenzter Vielfalt definiert. Beispielsweise könnte man annehmen, dass es sich bei einem Fahrzeug um ein Gerät mit Rädern handelt, das dem Transport dient, aber wann? Verkehrszeichen Enthält die Information „Autos sind auf dem Parkgelände nicht erlaubt“, gilt dies wahrscheinlich nicht für Rollstühle oder Kinderwagen, die beide der primitiven Definition der vorgeschlagenen Klassifizierung entsprechen. Die Schaffung bestimmter Unterscheidungsmerkmale begleitet die Arbeit von Rechtsanwälten ständig. Wenn ein Arzt feststellen muss, ob ein Patient schizophren ist, oder ein HNO-Arzt feststellen muss, ob ein Patient eine bestimmte Hörstörung hat, ist der Erkennungsprozess ebenfalls mit Unklarheiten behaftet. Es gibt viele Erscheinungsformen der Schizophrenie, und die notwendigen und hinreichenden Bedingungen sagen uns nicht, wie wir mit Zwischenfällen umgehen sollen. Und aus dem Beispiel am Anfang des Kapitels ist ersichtlich, dass es häufig notwendig ist, erklärende Überlegungen anzustellen, da sie zu den alltäglichen Aufgaben des gesunden Menschenverstandes gehören.

Eine Möglichkeit, wie fallbasierte Klassifikatoren funktionieren, besteht darin, dass der Klassifikator bestimmt, ob ein neues Konzept genauso ausreichend ist wie ein anderes Konzept, das zuvor bekannt war und über eine Zielklassifizierung verfügt. Funktioniert der PROTOS-Klassifikator (Bareiss, 1989) auf diese Weise zur Diagnose von Hörstörungen? Anstatt neue Fälle anhand notwendiger und ausreichender Bedingungen zu klassifizieren, generiert PROTOS eine Klassifizierung, indem es versucht, in der Wissensdatenbank die beste Übereinstimmung mit der neuen Situation zu finden. Es klassifiziert die neue Situation anhand der Klassifizierung des gefundenen Präzedenzfalls. Zu diesem Zweck verfolgt PROTOS, wie primär Fälle sind und wie sie sich innerhalb einer bestimmten Klassifizierung voneinander unterscheiden. Basierend auf den Unterschieden zwischen Anwendungsfällen versucht PROTOS, diese abzugleichen, indem die nicht übereinstimmenden Parameter im alten Anwendungsfall auf Null gesetzt werden.

Wenn keiner der Präzedenzfälle gut genug passt, ist es manchmal notwendig, hypothetische Situationen zu berücksichtigen. Großer Teil Die Arbeiten zu dieser Art der Interpretation stammen aus dem Studium der juristischen Argumentation. Angenommen, ein Anwalt muss beispielsweise argumentieren, dass sein Mandant sich nicht der Verletzung einer Geheimhaltungsvereinbarung schuldig gemacht hat, weil die einzige Person, der er Informationen offengelegt hat, technisch nicht in der Lage war, die Informationen für seine eigenen Zwecke zu verwenden. Es gibt mehrere Präzedenzfälle, die dieses Argument rechtfertigen. Um dies zu testen, können Sie sich einen hypothetischen Anwendungsfall vorstellen, der über die tatsächlichen Anwendungsfälle innerhalb der Testgrenzen hinausgeht. Man könnte sich eine Situation vorstellen, in der die Person, die die Informationen offenlegt, technisch nicht kompetent ist, sondern der Präsident eines Unternehmens mit technischem Personal ist. Eine andere hypothetische Person wäre vielleicht auch nicht technisch kompetent, aber seine Frau, an die er die Informationen weitergab, schon. Eine auf hypothetischen Präzedenzfällen basierende Interpretation hilft dabei, die Argumentation für ein bestimmtes Konzept zu formulieren oder umgekehrt.

All dies wird durch das HYPO-Programm erreicht (Rissland 1986, Ashley 1987). Dieses Programm ist das früheste und komplexeste Programm zur Interpretation von Argumenten aus Präzedenzfällen. HYPO nutzt hypothetische Situationen für verschiedene Aufgaben, die für eine wirksame Interpretation notwendig sind: Überdenken alter Situationen im Hinblick auf neue Faktoren, Erstellen neuer Standardpräzedenzfälle, wenn notwendige nicht existieren, Erkunden und Testen der Grenzen der Gültigkeit eines Konzepts, Definieren eines Präzedenzfalls durch Eliminierung einiger Präzedenzfälle Probleme lösen, verborgene Annahmen erkennen und Fälle organisieren oder gruppieren. HYPO erstellt eine hypothetische Situation anhand einer „Instanz“ der aktuellen Situation. Eine hypothetische Situation kann entweder stärker oder schwächer sein als die reale Situation verschiedene Punkte Vision. Dieser Prozess regelt eine Reihe heuristischer Modifikationen, die geeignete Richtungen zur Schaffung einer hypothetischen Situation auf der Grundlage aktueller Argumentationsbedürfnisse vorschlagen. Die HYPO-Argumentationsstrategie leitet eine Reihe heuristischer Modifikationen. Um beispielsweise einem Gegenbeispiel entgegenzuwirken, können Sie eine Variation einer neuen Situation vorschlagen, die die Situation dem Gegenbeispiel ähnelt.

Wenn ein Konzept spontan generiert wird, erfordert die Interpretation einen zusätzlichen Schritt: das Ableiten einer Reihe definierender Eigenschaften für eine bestimmte Kategorie. Um beispielsweise festzustellen, ob Anna einen Schwertfisch bevorzugen würde, muss man zunächst versuchen, die Eigenschaften des Fisches zu charakterisieren, die Anna für akzeptabel halten würde. Andernfalls lässt sich nicht mit Sicherheit sagen, welche Art von Fisch sie möchte. Der Fisch, den sie im Restaurant aß, war in etwa ähnlich Aussehen und Geschmack für Fleisch. Die Forelle, die sie nicht wollte, sah aus wie ein Fisch. Dies sind die Aspekte, die bei der Entscheidung berücksichtigt werden müssen, ob ein Schwertfisch eine geeignete Option ist. Für einen Menschen ist es ziemlich einfach, diese Aspekte zu bestimmen, aber einen Computer dazu zu bringen, dies automatisch zu tun, ist ein Problem, das dem Problem entspricht, die Verantwortung für das Endergebnis zu bestimmen.

1.2.3. Voraussichtliche Konsequenzen

Unter Projektion versteht man den Prozess der Vorhersage der Folgen einer Entscheidung oder eines Plans und ist ein wichtiger Bestandteil der Bewertungskomponente jedes Planungs- oder Entscheidungsunterstützungssystems. Wenn alles über eine Situation bekannt ist, ist Projektion einfach der Prozess, bei dem die bekannten logischen Schlussfolgerungen einer Entscheidung durchgespielt werden, um zu sehen, wohin diese Entscheidung führen wird. In den meisten Fällen ist jedoch bei Problemen in der realen Welt nicht alles bekannt, und die Konsequenzen können nicht auf der Grundlage einfacher Inferenzregeln genau vorhergesagt werden.

Stellen Sie sich zum Beispiel die Situation eines Kommandanten auf dem Schlachtfeld vor, der eine Strategie für die bevorstehende Schlacht entwickeln muss. Die Doktrin ist ein Regelwerk für den Kampf, und anhand dieser Regeln kann ein erster grober Schlachtplan erstellt werden. Aber die Doktrin gibt Regeln für die Situation als Ganzes vor, nicht für bestimmte Situationen, in denen die Truppen müde sind, die Strategie des feindlichen Befehlshabers bekannt ist, es eine Woche lang geregnet hat oder die Berge so liegen, dass sie Platz bieten für eine Falle. Bei der Planung machen die kleinen Faktoren der Situation wie in vielen anderen Situationen einen großen Unterschied. Es gibt viele Details, auf die man achten könnte, aber nur wenige davon sind wirklich wichtig. Und wie in anderen Konfliktsituationen ist es unmöglich, alles über den Gegner zu wissen, seine Strategie vorherzusagen oder alle seine Reaktionen oder Gegenpläne vorherzusagen. Sie müssen jedoch erstellen guter Plan und bewerten Sie es anhand der vorhergesagten Konsequenzen.

Präzedenzfälle bieten eine Möglichkeit, Konsequenzen auf der Grundlage dessen, was in der Vergangenheit wahr war, zu projizieren. Präzedenzfälle ähnlicher Pläne, die gescheitert sind, können auf mögliche Probleme mit dem aktuellen Plan hinweisen. Wenn ein früherer Plan, ähnlich dem aktuellen, aufgrund der Ermüdung der Truppen scheiterte, wird der Kommandant dies wissen und wissen, ob seine Truppen ermüdet sind, und wenn ja, wird er dies berücksichtigen. Er kann seinen Plan so ändern, dass die Truppenermüdung kein Faktor für das Ergebnis der Planung ist, und den Truppen erlauben, sich während der Schlacht auszuruhen oder neue Truppen aufzunehmen. Präzedenzfälle mit ähnlich erfolgreichen Plänen geben Glaubwürdigkeit derzeitiger Plan. Wenn Planschritte außerdem bewertet werden sollen, können Präzedenzfälle dabei helfen, etwas zu bewerten. Die Folgen der Verwendung eines bestimmten Fallentyps können beispielsweise beurteilt werden, indem man sich an einen früheren Präzedenzfall erinnert, bei dem eine ähnliche Falle bereits verwendet wurde.

Die automatisierte Verwendung von Fällen zur Projektierung von Planungskonsequenzen war nicht der Zweck der fallbasierten Argumentationsstudie, sondern stellt eine Hilfe für den Menschen bei der Planung dar. CSIs BATTLE PLANNER (Goodman, 1989) ist ein Fallfindungssystem, dessen Benutzeroberfläche es einer Person ermöglichen soll, anhand von Fällen die Konsequenzen der Planung vorherzusagen. BATTLE PLANNER ruft die besten Fälle ab, die einen ähnlichen Plan verwenden, und kategorisiert sie in erfolgreiche und erfolglose Fälle. Eine Person kann sich Präzedenzfälle ansehen, sie nutzen, um ihren Plan zu korrigieren, und dann versuchen, eine ähnliche Bewertung des überarbeiteten Plans vorzunehmen. Sie können auch verwenden dieses System Sensitivitätsanalyse durchzuführen. Durch die Manipulation der Details der Situation und die Beobachtung von Veränderungen in der Anzahl der Siege und Niederlagen (im Grunde durch das Stellen von „Was-wäre-wenn“-Fragen) ist es möglich zu bestimmen, welche Faktoren der aktuellen Situation für eine Verbesserung der Situation entscheidend sind.

Die Projektion ist heute eines der größten Hindernisse für die Planungsgemeinschaft. In der realen Welt muss eine Person, die einen Prozess plant, in der Lage sein, die Konsequenzen der Phasen des Plans zu projizieren, um Aufgaben richtig zu verzahnen, späte Phasen vor der Ausführung früherer Phasen zu planen und Eventualitäten zu bewältigen. Fallbasiertes Denken hat einen großen Beitrag zur Lösung dieses Problems geleistet, doch bisher wurden die meisten Anstrengungen darauf verwendet, Unterstützung bei der Verwendung von Fällen zur Projektion von Konsequenzen bereitzustellen, und wenig Aufwand wurde in die Automatisierung des Projektionsprozesses gesteckt.

1.2.4. Erklärendes fallbasiertes Denken und Problemlösen

Viele Interpretationsarbeiten konzentrierten sich auf die Rechtsprechung und dienten der Bestätigung von Argumenten für oder gegen eine bestimmte Rechtsauslegung. Aber denken Sie nicht, dass die fallbasierte Interpretation nur für Interpretationsprobleme gedacht ist. Vielmehr ist es auch als bewertende oder entscheidende Komponente bei der Lösung eines Problems oder der Entscheidungsfindung nützlich, wenn stabile Ursache-Wirkungs-Modelle fehlen. Obwohl in diesem Bereich noch nicht viel Arbeit geleistet wurde, haben die Prozesse, die beim erklärenden fallbasierten Denken zum Einsatz kommen, das Potenzial, mehrere wichtige Rollen bei der Problemlösung zu spielen. Wenn zunächst die Struktur der Lösung bekannt ist oder die Hauptbeschränkungen bekannt sind, ist es möglich, Präzedenzfälle auszuwählen, die eine Lösung darstellen definitive Entscheidung Probleme. Zweitens führt die Bildung eines Arguments und einer Begründung dazu, dass man weiß, auf welche Merkmale man sich konzentrieren sollte. Drittens können HYPO-Methoden angeben, welche Eigenschaften, sofern vorhanden, zu einer besseren Lösung beitragen würden. Dies wird erreicht, indem kritische Aspekte verfolgt und hypothetische Präzedenzfälle geschaffen werden. Bei der Lösung eines Problems können diese Informationen für Anpassungsprozesse nützlich sein. Schließlich können interpretative Methoden verwendet werden, um die Eignung, Qualität und das Ergebnis einer Lösung vorherzusagen.

2. CBR und Training

Fallbasiertes Denken ist eine Methodik zum Denken und Lernen. Die fallbasierte Argumentationsmaschine wird auf zwei Arten trainiert. Erstens erhöht es seine Wirksamkeit, indem es sich an alte Situationen erinnert und neue Situationen anpasst, anstatt jedes Mal Antworten abzurufen. Wenn ein Anwendungsfall neu angepasst, mit einer neuen Methode gelöst oder durch Kombination der Lösungen mehrerer Fälle gelöst wurde und dann zur Lösung der nächsten neuen Situation aufgerufen wird, werden die zur Lösung notwendigen Schritte nicht wiederholt wieder. Zweitens wird ein aus Präzedenzfällen abgeleitetes Argument mit der Zeit kompetenter und führt zu besseren Entscheidungen, als es mit weniger Erfahrung möglich gewesen wäre. Eine der Stärken diese Methode ist die Fähigkeit, in der Vergangenheit gemachte Fehler vorherzusehen und dadurch zu vermeiden. Dies ist möglich, weil problematische Situationen im Speicher gespeichert und durch die Funktionen indiziert werden, die alte Fehler vorhersagen.

Wenn wir innerhalb der künstlichen Intelligenz über Lernen sprechen, meinen wir normalerweise das Erlernen allgemeiner Regeln durch induktive oder erklärende Methoden. Während die Argumentationsmaschine Ähnlichkeiten zwischen Fällen erkennt und daher erkennen kann, wann allgemeine Regeln gebildet werden sollten, ist die induktive Bildung allgemeiner Regeln nur für das Unterrichten der Maschine verantwortlich. Das Training des fallbasierten Argumentationsmechanismus ist auf zwei Arten möglich: durch die Akkumulation neuer Fälle und durch die Zuweisung von Indizes. Neue Präzedenzfälle bieten vertrautere Kontexte für die Lösung von Problemen oder die Bewertung von Situationen. Je größer die Präzedenzfallbasis ist, desto effizienter ist der Argumentationsmechanismus. Gleichzeitig sollen sowohl erfolgreiche als auch erfolglose Situationen im Gedächtnis gespeichert werden. Mit neuen Indizes können Sie den Abruf von Präzedenzfällen aus dem Speicher zu jedem geeigneten Zeitpunkt konfigurieren.

Daher kann nicht gesagt werden, dass Verallgemeinerungen unwichtig seien. Tatsächlich können Präzedenzfälle die richtige Richtung für die Bildung einer für die Lösung eines Problems nützlichen Verallgemeinerung vorgeben. Wie funktioniert es? Wenn mehrere Fälle auf die gleiche Weise indiziert werden und ungefähr die gleiche Lösung vorhersagen oder auf die gleiche Weise klassifiziert werden können, können diese Fälle verallgemeinert werden. Darüber hinaus bietet die Kombination von Indizes und vorhergesagten Lösungen oder Klassifizierungen eine Orientierungshilfe bei der Wahl des Abstraktionsniveaus der generierten Generalisierung. Manchmal können unterschiedliche Präzedenzfälle zur Lösung eines Problems verwendet werden, und manchmal sind möglicherweise Kombinationen aus Präzedenzfällen und allgemeinen Fällen erforderlich. Auch wenn keine allgemeinen Anwendungsfälle erforderlich sind, helfen sie dabei, Anwendungsfälle korrekt im Speicher zu organisieren. Der Prozess der Generalisierung kann als eine Möglichkeit interpretiert werden, nützliche Regeln zu bilden, die später zur Lösung von Problemen verwendet werden könnten. Diese Regeln können verwendet werden, wenn sie weitgehend mit Präzedenzfällen übereinstimmen, und einzelne Präzedenzfälle können verwendet werden, wenn es keine geeignete Regel gibt oder diese in einer bestimmten Situation nicht anwendbar ist.

3. Prozesse und Ergebnisse

Die traditionelle Sichtweise des Denkens sowohl in der künstlichen Intelligenz als auch in der kognitiven Psychologie besteht darin, dass einer Denkmaschine ein Problem zugewiesen wird, das sie mithilfe einiger abstrakter Operatoren lösen kann, die sie selbst entwickelt und zusammengestellt hat. Doch wie die Beispiele gezeigt haben, verfolgt die Methode der Präzedenzfallbegründung einen anderen Ansatz. Anstatt das Denken als einen Konstruktionsprozess zu betrachten, wird der Prozess des Denkens als das Erinnern an einen oder mehrere spezifische Präzedenzfälle oder Entscheidungen auf der Grundlage eines Vergleichs einer neuen Situation mit einer alten Instanz betrachtet.

Wie wir bereits festgestellt haben, werden Fälle beim Denken auf zwei sehr unterschiedliche Arten verwendet. Präzedenzfälle liefern Näherungslösungen, die an eine neue Situation angepasst sind und konkrete Beweise für eine Lösung liefern oder umgekehrt. Die resultierende Lösung setzt den Prozess der Kritik oder Bewertung in Gang. Somit bietet die Methode des Präzedenzfall-Denkens den Prozess „sich an einen Präzedenzfall zu erinnern und seine Lösung anzupassen“ und „sich an einen Präzedenzfall zu erinnern und eine neue Situation auf der Grundlage ihres Ergebnisses zu bewerten“.

Bei der Verwendung von Präzedenzfällen haben sich zwei Arten von Argumentationsmethoden herauskristallisiert. Bei der Lösung eines Problems sind Präzedenzfälle erforderlich, um Lösungen vorzuschlagen. Beim Dolmetschen helfen Präzedenzfälle dabei, eine Situation (z. B. ein Gesetz) zu bewerten und zu rechtfertigen. Aber wie Beispiele gezeigt haben, überschneiden sich diese beiden Stile nicht vollständig. Zur Bewertung und Begründung der Entscheidung werden interpretative Methoden eingesetzt. Und vielleicht müssen Sie, um die Situation zu interpretieren, die Frage beantworten (d. h. das Problem lösen).

Die Hauptprozesse, die beim fallbasierten Denken verwendet werden, sind der Fallabruf und die Fallspeicherung (Speicheraktualisierung). Um sicherzustellen, dass schlechte Lösungen für ein Problem nicht zusammen mit guten Lösungen wiederholt werden, muss die Case Reasoning Engine auch ihre Lösungen bewerten.

Jede Art der fallbasierten Argumentationsmethode erfordert, dass ein Argumentationsprozess erst beginnt, nachdem der entsprechende Fall aus dem Gedächtnis abgerufen wurde. Bei der Problemlösung wird eine ungefähre Lösung für ein neues Problem vorgeschlagen, indem die Lösung aus einem rekonstruierten Präzedenzfall extrahiert wird. Begleitet wird dieser Prozess von der Anpassung, Korrektur der alten Lösung an die neue Situation, Kritik und Bewertung der neuen Lösung vor deren Anwendung. Bei der Interpretation eines Problems wird ein ungefähres oder gewünschtes Ergebnis vorgeschlagen, manchmal basierend auf abgerufenen Präzedenzfällen, manchmal basierend auf der Auferlegung von Präzedenzfällen von außen (z. B. wenn der Mandant eines Anwalts ein bestimmtes Ergebnis verlangt). Als nächstes kommt die Rechtfertigung, die Bildung eines Arguments für eine vorgeschlagene Lösung, die durch Vergleich und Gegenüberstellung der neuen Situation mit früheren Präzedenzfällen und Kritik erreicht wird, und der Prozess der Rechtfertigung des Arguments, der durch die Schaffung hypothetischer Situationen und den Versuch, für diese zu argumentieren, erreicht wird.

Diese Schritte sind gewissermaßen rekursiv. Kritik und Anpassung beispielsweise erfordern oft die Gewinnung neuer Präzedenzfälle. In diesem Prozess gibt es auch mehrere Schleifen. Kritik und Bewertung können zu weiterer Anpassung führen. Wenn die Argumentation bei Verwendung eines Präzedenzfalls nicht erfolgreich ist, muss der gesamte Prozess neu gestartet werden und es ist eine weitere Arbeit mit dem neu ausgewählten Präzedenzfall erforderlich. Abbildung 1 fasst die Wechselwirkungen der CBR-Stufen zusammen.

Abbildung 1 – CBR-Zyklus.

Wie in den obigen Beispielen gezeigt, ist die Schlussfolgerung aus Präzedenzfällen eine natürliche Schlussfolgerung eines jeden Menschen, die viele der Schwierigkeiten lindern kann, die die Entwicklung künstlicher Intelligenz behindern. Um fallbasierte Argumentationssysteme zu entwickeln, müssen jedoch mehrere Fragen beantwortet werden. Viele dieser Fragen erfordern eine Erklärung des menschlichen Denkprozesses. In den folgenden Abschnitten finden Sie Informationen dazu Kurze Review Jede Phase und eine Diskussion der Probleme, die gelöst werden müssen, um den Mechanismus der Argumentation anhand von Präzedenzfällen zu erklären und zu automatisieren.

3.1. Präzedenzfälle extrahieren

Der Prozess zum Abrufen eines Präzedenzfalls oder einer Reihe von Präzedenzfällen aus dem Gedächtnis besteht aus zwei Phasen:

Wiederherstellung früherer Präzedenzfälle. Das Ziel dieser Phase besteht darin, „gute“ Präzedenzfälle zu erhalten, die die Argumentation in nachfolgenden Phasen unterstützen können. „Gute“ Präzedenzfälle können eine neue Situation vorhersagen. Die Recherche erfolgt über Indizes, die verschiedene Eigenschaften von Präzedenzfällen beschreiben. Fälle, die den für die Entscheidungsfindung notwendigen Indizes entsprechen, werden aus dem Gedächtnis abgerufen.

Auswahl der besten Präzedenzfälle. In dieser Phase werden die vielversprechendsten Präzedenzfälle ausgewählt, die in der ersten Phase generiert wurden. Der Zweck der Auswahl besteht darin, aussichtslose Präzedenzfälle auszusortieren und Kandidaten hervorzubringen, die einer intensiven Prüfung würdig sind. Manchmal ist es ratsam, einen Präzedenzfall auszuwählen, manchmal mehrere Präzedenzfälle.

Eines der Probleme beim Extraktionsprozess besteht darin, dass manchmal zwei Fälle ähnlich bewertet werden müssen, obwohl sie nur wenige ähnliche Merkmale aufweisen. Beispielsweise haben Fußball- und Schachstrategien viele Gemeinsamkeiten, obwohl ihre spezifischen Spieleigenschaften unterschiedlich sind. Ein Spiel wird auf einem Brett gespielt, ein anderes auf einem Feld, ein Spiel verwendet Figuren, ein anderes Spieler, ein Spiel hat zwei Gegner, ein anderes zwei Teams. Die allgemeinen Eigenschaften dieser Spiele sind abstrakter und charakteristisch für Wettbewerbsspiele. Es gibt zwei Gegner, jeder möchte gewinnen und jeder möchte, dass der Gegner verliert. Beide Strategien des Spiels beinhalten Planung und Gegenplanung, Positionen auf dem Spielfeld, obwohl das Spielfeld beim Fußball das eigentliche Feld mit den Spielern ist und beim Schach ist es ein Tischbrett mit Figuren. Es gibt jedoch das sogenannte Wirtschaftsschach – ein Mannschaftsschachspiel, und es gibt einen Experten, der weiß, wie man die Aufteilung der Spieler plant. Eine Möglichkeit, dieses Problem zu lösen, besteht darin, mehr zu verwenden detaillierte Eigenschaften(Indizes) von Anwendungsfällen, die auch auf abstrakteren Darstellungsebenen abgebildet werden müssen. Dies erfordert die Entscheidung, welche abstrakten Darstellungsweisen von Fällen geeignet sind, damit sie verglichen werden können (Birnbaum und Collins 1988, Collins 1987).

Ein weiteres Problem besteht darin, dass die neue Situation und der Präzedenzfall möglicherweise einige extern abgeleitete gemeinsame Merkmale aufweisen, ohne dass es gemeinsame individuelle Merkmale gibt. Bei der Vorhersage, wer einen Kampf gewinnen wird, ist beispielsweise die Stärke des Angreifers und des Verteidigers die wichtigste Vorhersage, aber weder die Stärke des Angreifers noch die Stärke des Verteidigers können einzeln den Ausgang des Kampfes vorhersagen. Fälle sollten ebenfalls auf der Grundlage ihrer Beziehungen (abgeleitete Merkmale) und nicht auf der Grundlage einzelner Eigenschaften bewertet werden ( äußere Merkmale). Eine ähnliche Situation ergibt sich in der Diagnostik. Um die aktuelle Situation zu verstehen und den notwendigen Präzedenzfall zu ermitteln, ist es notwendig, abgeleitete Merkmale (hypothetische Störungen und Zustände) und nicht äußere Merkmale (bestimmte Symptome, die sich bei Patienten manifestieren) zu vergleichen. Das Problem ist, dass es notwendig ist, sich zu entwickeln effektive Methode Generierung abgeleiteter Merkmale. Dies erfordert Anleitungen zur Generierung abgeleiteter Merkmale, da dies oft teuer ist und selbst wenn es billig wäre, ist es eindeutig teuer, alle möglichen abgeleiteten Merkmale zu generieren.

Und natürlich ist es notwendig, einen Algorithmus für die schnelle Suche in großen Beständen an Präzedenzfällen abzuleiten (Kolodner 1984, 1988b).

Die oben genannten Probleme können zum sogenannten Indexierungsproblem zusammengefasst werden. Im weitesten Sinne ist das Indexierungsproblem das Problem, relevante Fälle zum richtigen Zeitpunkt abzurufen (ungeachtet aller oben beschriebenen Probleme). Im Allgemeinen ist es problematisch, Anwendungsfällen Labels (Indizes) zuzuweisen, die angeben, in welchen Fällen jeder Anwendungsfall verwendet werden kann. Diese Etiketten wurden genauso behandelt wie Register in Büchern. Alle Fälle in der Wissensdatenbank werden indiziert, und die neue Situation wird als Schlüssel zu einem bestimmten Index verwendet, über den der entsprechende Fall abgerufen wird. Forscher arbeiten daran, herauszufinden, welche Indizes am nützlichsten sind, indem sie Indexwörterbücher veröffentlichen, Heuristiken und Algorithmen zur Automatisierung der Indexauswahl erstellen, Fälle anhand von Indizes organisieren, mithilfe von Indizes nach Fällen suchen und den besten Anwendungsfall auswählen. Indizes müssen nützlich sein und eine genaue Suche ermöglichen, ohne die Suche übermäßig zu beeinflussen, was eines der wichtigsten Probleme beim fallbasierten Denken ist.

3.2. Bereitstellung einer ungefähren Lösung

In diesem Stadium bilden die relevanten Teile der während des Extraktionsprozesses ausgewählten Fälle eine Näherungslösung für den neuen Fall. Bei der Lösung eines Problems umfasst diese Phase in der Regel die Auswahl einer Lösung für das alte Problem oder einen Teil davon. Die gefundene Lösung oder der ausgewählte Teil der Lösung ist eine Näherungslösung für das neue Problem. Der Interpretationsprozess umfasst die Aufschlüsselung der abgerufenen Fälle nach den von ihnen vorhergesagten Interpretationen und Lösungen und die Zuweisung einer ersten Interpretation zu einem neuen Problem. Alternativ kann es sein, dass die erste Auslegung bereits erfolgt ist (z. B. wenn ein Anwalt für einen Mandanten erscheinen muss). In dieser Situation ist dieser Schritt nicht erforderlich.

Wenn Sie beispielsweise planen, das Abendessen zu kochen, können Sie sich auf den Kochplan in einer vergangenen Situation, also einem erlernten Präzedenzfall, konzentrieren und diesen Plan als ungefähre Lösung verwenden. Wenn nicht der gesamte Plan, sondern ein Teil davon zur Vorbereitung benötigt wird, ist der entsprechende Teil des extrahierten Plans eine Näherungslösung. Wenn sich das JULIA-Programm, das versucht, ein Rezept für ein preiswertes und einfach zuzubereitendes Abendessen für 20 Personen zu erstellen, an den Präzedenzfall erinnert, bei dem eine traditionelle italienische Vorspeise, Lasagne, Brokkoli und ein Dessert aus Eis und Nüssen serviert wurden zum Abendessen, dann wird dieser Präzedenzfall eine ungefähre Lösung für relevante neue Situationen sein. Das ungefähre Hauptgericht wird auf die gleiche Weise ausgewählt, zum Beispiel Lasagne, die in der vorherigen Situation das Hauptgericht war.

An dieser Stelle entscheidet das Interpretationsprogramm, welche der Näherungsinterpretationen für die weitere Argumentation am besten geeignet sind. PROTOS verwendet beispielsweise eine ziemlich grobe Bewertungsfunktion, um zu bestimmen, welche Fälle für eine neue Situation am besten geeignet sind. HYPO, das selbst ein Schulungsprogramm für Jurastudenten ist, bietet eine Reihe ausgewählter Alternativen, um den Fall vor dem Richter oder der Jury zu vertreten. Somit startet das Programm erst im nächsten Schritt tatsächlich.

Bei der Generierung einer Näherungslösung können mehrere Probleme auftreten. Zunächst stellt sich die Frage, wie die relevanten Teile des extrahierten Falles für die weitere Begründung ausgewählt werden. Der alte Präzedenzfall kann ziemlich groß sein, und es ist sehr wichtig, dass die Teile, die nicht auf die neue Situation zutreffen, ihn nicht beeinträchtigen. Andererseits ist es möglich, dass scheinbar nicht zusammenhängende Teile alter Präzedenzfälle als Orientierungshilfe dienen können. Die Antwort auf diese Frage besteht aus zwei Teilen: Erstens bestimmen die Ziele, die sich der Entscheidungsträger selbst setzt, worauf er sich im alten Präzedenzfall konzentrieren muss. Der fallbasierte Argumentationsmechanismus konzentriert seine Aufmerksamkeit auf den Teil des alten Präzedenzfalls, der für die Erreichung des entsprechenden Ziels in der Vergangenheit relevant ist. Wenn also ein Problem gelöst werden muss, gilt die gesamte Konzentration der vorherigen entsprechenden Lösung. Wenn es notwendig ist, einen bestimmten Teil der Lösung zu extrahieren, dann liegt der Fokus auf dem entsprechenden Teil der Lösung des vorherigen Präzedenzfalls. Ist die Interpretation einer Situation erforderlich, so liegt der Fokus auf der Einordnung dieser Situation in den extrahierten Präzedenzfall. Zweitens die interne Struktur des extrahierten Präzedenzfalls und vor allem die Abhängigkeiten zwischen verschiedene Teile Präzedenzfälle tragen dazu bei, den Konzentrationsbereich in entsprechende Richtungen zu erweitern. Wenn sich das fallbasierte Denken also auf die Lösung eines Problems oder die Interpretation einer Situation in einem alten Präzedenzfall konzentriert, rücken auch die Merkmale der neuen Situation in den Fokus, die zur Wahl dieser bestimmten Lösung oder Interpretation geführt haben.

Ein weiteres Problem, das bei der Bildung einer Näherungslösung auftritt, besteht darin, dass es manchmal ziemlich lange dauert, bis zur nächsten Stufe der Anpassung oder Begründung überzugehen. Oft gibt es relativ einfache und, wie manche sie nennen, intelligente Anpassungen, die möglicherweise in einer früheren Lösung eines Problems vorgenommen wurden, bevor sie in schwierigeren Anpassungsprozessen untersucht wurden. Bei der Arbeitsvermittlung sind beispielsweise Anpassungen der Löhne und anderer Leistungen auf der Grundlage der Lebenshaltungskosten eine erwartete Anpassung. Ähnliche Anpassungen können an älteren Interpretationen vorgenommen werden, bevor es notwendig wird, Argumente dafür zu formulieren. Bei der Interpretation sind sie besonders nützlich, um eine Näherungslösung zu finden, bevor mit komplexeren Überlegungen und Argumenten begonnen wird. Das Argument basiert somit auf einer realistischeren Interpretation.

Das dritte Problem, das bei der Bildung einer Näherungslösung auftritt, hängt mit der Wahl der Interpretation zusammen. In Programmen, die bis heute entwickelt wurden, werden Interpretationen entweder bewusst oder durch eine grobe Bewertung aller vorhandenen Alternativen gewählt. Wenn es einen Weg gibt, unabhängig von der Ausgangssituation zur „richtigen“ Antwort zu gelangen, dann ist die Wahl der ersten Alternative nur eine Frage der Effizienz. Wenn jedoch nicht alle Alternativen in irgendeiner Weise zusammenhängen, kann die anfängliche Wahl der Alternative die Genauigkeit der Argumentation beeinträchtigen. Daher ist die anfängliche Wahl der Alternative ein echtes Problem.

3.3. Anpassung

Im Problemlösungsprozess werden alte Präzedenzfälle als Inspiration für die Lösung neuer Probleme genutzt. Da neue Situationen selten mit alten zusammenfallen, müssen alte Situationen dennoch entsprechend den neuen Situationen korrigiert werden. Beim Adaptionsprozess passt sich eine Näherungslösung an eine neue Situation an. Die Anpassung besteht aus zwei Phasen: Herausfinden, was angepasst werden muss, und Erstellen der Anpassung.

In beiden Phasen entstehen Anpassungsprobleme. Schauen wir uns zunächst die Adaption selbst an. Für einen bestimmten Bereich oder eine bestimmte Aufgabe können verschiedene Anpassungs- oder heuristische Strategien entwickelt werden. Dann können Sie sie umsetzen und erstellen funktionierendes System. Dies ist jedoch nicht in allen Fällen möglich. Die Frage, die beantwortet werden muss, ist, ob es einen allgemeinen Satz von Anpassungsstrategien gibt, der auf jeden Bereich angewendet werden kann und der Leitlinien für die Identifizierung spezialisierter Anpassungsstrategien bietet. Beispielsweise ist die Eliminierung von Fleisch aus einem Rezept, das vegetarisch zubereitet werden soll, eine Strategie zur Anpassung eines bestimmten Rezepts, aber auch eine Spezialisierung einer grundlegenderen Strategie, die als Eliminierung einer sekundären Komponente aus dem Rezept bezeichnet werden kann. Diese Strategie besagt, dass eine sekundäre Komponente entfernt werden kann, wenn sie die erforderliche Funktion nicht erfüllt. Für jede Art von Anpassungsstrategie ist es auch erforderlich, die für ihre Anwendung erforderlichen Kenntnisse zu ermitteln.

Darüber hinaus spielen Methoden zur Erkennung von Inkonsistenzen zwischen alten und neuen Präzedenzfällen und zur Auswahl dessen, was angepasst werden soll, eine wichtige Rolle bei der Anpassung. Einige der in anderen Bereichen der künstlichen Intelligenz entwickelten Buchhaltungstechniken sind in ihrer Anwendung recht nützlich, werden jedoch häufig für andere Zwecke als die ursprünglichen verwendet.

3.4. Begründung und Kritik

Bei diesen Prozessen wird eine Entscheidung oder Interpretation validiert, bevor sie in der realen Welt erlebt wird. Wenn alles bekannt ist, was zur Bewertung der resultierenden Lösung oder Interpretation erforderlich ist, kann diese Phase als Test betrachtet werden. In vielen Situationen gibt es jedoch zu viele Unbekannte, um die Lösung zu testen. Allerdings kann man die resultierende Lösung mit allen interpretativen Argumentationsmethoden, die auf Präzedenzfällen basieren, kritisieren. Eine Möglichkeit besteht darin, die vorgeschlagene Lösung mit anderen ähnlichen Lösungen zu vergleichen und gegenüberzustellen. Dies erfordert einen rekursiven Aufruf von Speicherprozessen, um Präzedenzfälle mit ähnlichen Lösungen abzurufen. Wenn beispielsweise bereits ein Fall einer ähnlichen unglücklichen Situation bekannt ist, muss festgestellt werden, ob die neue Situation mit denselben Problemen behaftet ist. Wenn alternativ ein bekanntes Beispiel für eine ähnliche Situation vorliegt, die zu lösenden Probleme jedoch recht unterschiedlich sind, muss festgestellt werden, ob mit der neuen Situation fair umgegangen wurde. Beispielsweise kann der Vermittler bei einer Vertragsverhandlung einen Gehaltsvorschlag formulieren und, bevor er ihn anbietet, das von ihm vorgeschlagene Gehalt mit den Gehältern anderer Mitarbeiter vergleichen und feststellen, ob das vorgeschlagene Gehalt mit aktuellen Präzedenzfällen übereinstimmt.

Um die Zuverlässigkeit der Lösung zu testen, können Sie auch hypothetische Situationen vorschlagen. Eine andere Möglichkeit, die vorgeschlagene Lösung zu kritisieren, besteht darin, eine Situation zu simulieren (mit hoher bzw niedriges Niveau Genauigkeit) und Überprüfung der Ergebnisse.

Kritik kann dazu führen, dass zusätzliche Präzedenzfälle extrahiert werden müssen, und kann auch zu einer zusätzlichen Anpassung führen, die nun eine Korrektur der vorherigen Anpassung darstellt.

Zu den Schlüsselthemen gehören Strategien zur Bewertung verwendeter Präzedenzfälle, Strategien zur Wiederherstellung von Präzedenzfällen zur weiteren Verwendung bei der Interpretation, Bewertung und Rechtfertigung; Generierung geeigneter hypothetischer Situationen und Strategien zu deren Nutzung; Außerdem wird den Präzedenzfällen in der Wissensdatenbank der Status „Vertrauen“ und „Misstrauen“ zugewiesen.

3.5. Grad

In dieser Phase werden die Ergebnisse der Argumentation in der realen Welt getestet. Rückmeldungen zu realen Präzedenzfällen, die während oder als Folge der Umsetzung der resultierenden Entscheidung aufgetreten sind, werden eingeholt und analysiert. Wenn die Ergebnisse bestätigt werden, ist keine weitere Analyse erforderlich. Wenn die erwarteten und tatsächlichen Ergebnisse jedoch unterschiedlich sind, ist eine Erläuterung der erzielten Ergebnisse erforderlich. Dazu müssen Sie herausfinden, was die Anomalie verursacht hat und was getan werden muss, um eine solche Situation zu verhindern. Manchmal kann man den Grund herausfinden, indem man sich auf Präzedenzfälle stützt.

Diese Phase ist die wichtigste für die Schlussfolgerung aus Präzedenzfällen. Durch die Bewertung der in der Praxis erzielten Lösungen wird Feedback generiert, das es Ihnen ermöglicht, aus Ihren Fehlern zu lernen. Feedback ermöglicht es Ihnen auch, die Konsequenzen Ihrer Argumentation zu erkennen. Dies wiederum macht es einfacher, Argumente zu analysieren und Dinge zu erklären, die nicht wie geplant verlaufen. Diese Analyse ermöglicht es Ihnen, Fehler zu antizipieren und zu vermeiden, die erklärt werden können, und zuvor unvorhergesehene Chancen zu erkennen, die später genutzt werden können.

Unter Evaluation versteht man den Prozess der Beurteilung der Güte einer vorgeschlagenen Lösung. Manchmal wird die Bewertung im Kontext früherer Präzedenzfälle durchgeführt, manchmal basiert sie auf Rückmeldungen von Außenumgebung, manchmal basierend auf mentalen oder realen Simulationen. Bei der Bewertung geht es darum, Unterschiede zu erklären (z. B. zwischen dem, was erwartet wurde und dem, was tatsächlich passiert ist), Unterschiede zu rechtfertigen (z. B. zwischen einer vorgeschlagenen Lösung und einer, die in der Vergangenheit verwendet wurde), Ergebnisse zu prognostizieren sowie alternative Möglichkeiten zu vergleichen und einzustufen. Das Ergebnis der Bewertung kann eine weitere Anpassung oder Korrektur der vorgeschlagenen Lösung sein.

3.6. Speicheraktualisierung

Zu diesem Zeitpunkt wird der neue Anwendungsfall für die zukünftige Verwendung ordnungsgemäß in die Wissensdatenbank eingegeben. Ein Anwendungsfall besteht aus einem Problem, einer Lösung für dieses Problem, einigen grundlegenden Beweisen dafür, dass das System weiß, wie der Anwendungsfall zu verwenden ist, und den Ergebnissen der Argumentation. Der wichtigste Prozess in dieser Phase ist die Auswahl, wie der neue Anwendungsfall im Speicher „indiziert“ werden soll. Indizes sollten so gewählt werden, dass es möglich ist, einen neuen Fall während der späteren Argumentation zu einem Zeitpunkt abzurufen, an dem er besonders nützlich sein kann. Anwendungsfälle sollten nicht übermäßig indiziert werden, da Sie nicht möchten, dass Fälle zufällig abgerufen werden. Das bedeutet, dass eine fallbasierte Argumentationsmaschine in der Lage sein muss, die Bedeutung eines Falles für die spätere Argumentation vorherzusagen. In dieser Phase wird auch die Struktur der Speicherorganisation und Indizierung angepasst.

Um das Indexierungsproblem zu lösen, müssen Sie die passenden Indizes für den neuen Anwendungsfall unter Verwendung der richtigen Terminologie auswählen und gleichzeitig sicherstellen, dass alle anderen Elemente weiterhin zugänglich bleiben, da der neue Anwendungsfall zur Wissensdatenbank hinzugefügt wurde.

4. Anwendbarkeit der Argumentationsmethode anhand von Präzedenzfällen

4.1. Umfang und Eignung in der realen Welt

Lassen Sie uns zunächst darüber nachdenken, warum ein Arzt oder jemand anderes, der in der Praxis der logischen Entscheidungsfindung geschult ist, Schlussfolgerungen aus Präzedenzfällen ziehen würde. Schließlich ist der Arzt darin geschult, Fakten und Wissen zu nutzen, und Argumente aus Präzedenzfällen können als Argumente interpretiert werden, die auf Hörensagen basieren. Die Antwort ist einfach. Der Arzt ist darin geschult, Störungen im Körper und häufige Kombinationen von Störungen getrennt zu erkennen. Er kennt auch die Ätiologie der Störungen, d.h. wie sie Fortschritte machen. Es ist jedoch unmöglich zu lehren, alle vorhandenen Störungskombinationen zu erkennen, und die Anwendung des vorhandenen Wissens erfordert viel Zeit, um eine plausible Diagnose zu erstellen. Wenn er sein Wissen einmal zur Lösung eines schwierigen Problems eingesetzt hat, dann ist es sinnvoll, diese Lösung so zu speichern, dass sie erneut verwendet werden kann. Sobald er also gelernt hat, eine neue Kombination von Störungen zu erkennen und sich an diese Erfahrung erinnert, wird er sie wieder erkennen können, jedoch ohne große Anstrengung, anders als beim ersten Mal. Eine weitere logische medizinische Beurteilung muss feststellen, ob der Patient tatsächlich an den vorgeschlagenen Krankheiten leidet.

Ebenso kann man nicht erwarten, dass ein Computerprogramm mit allen möglichen Kombinationen von Problemen ausgestattet ist, auf die es stoßen könnte. Und Sie sollten nicht erwarten, dass das Programm über effiziente Algorithmen verfügt, die jedes Mal von Grund auf plausible Lösungen erstellen können. Ein Modell-Fehlerbehebungssystem ist beispielsweise recht effizient, was jedoch nicht bedeutet, dass es problemlos eine Lösung für ein Problem generieren kann, insbesondere wenn ein Fehler jederzeit möglich ist. Auch wenn ein Ursache-Wirkungs-Modell bei der Validierung eines Projekts nützlich sein kann, liefert es möglicherweise nicht genügend Informationen, um unter bestimmten Einschränkungen Entwürfe zu entwickeln. So wie das Schließen von Fallbeispielen Menschen dabei hilft, leicht Lösungen für bestimmte Probleme zu finden, bietet es einem Computerprogramm auch die Möglichkeit, effizient eine Lösung für ein Problem vorzuschlagen, wenn eine solche Situation zuvor noch nicht aufgetreten ist. Dies bedeutet jedoch nicht, dass Ursache-Wirkungs-Argumentation keinen Wert hat. Vielmehr muss es in dem Moment vorliegen, in dem der Arzt beispielsweise den erhaltenen Bescheid analysiert. Das Ursache-Wirkungs-Modellsystem muss neben dem fallbasierten Argumentationssystem funktionieren, um Änderungen zu identifizieren, die am extrahierten Fall vorgenommen werden müssen, um fundierte Anpassungen zu ermöglichen und vorgeschlagene Lösungen für ein Problem zu testen. Tatsächlich arbeiten CASEY (Koton 1988) und KRITIK (Goel und Chandrasekaran 1989) auf ähnliche Weise, CASEY für die Diagnose von Herzinsuffizienz und KRITIK für den Entwurf elementarer Maschinenobjekte. Daher ist die Schlussfolgerung aus Präzedenzfällen sowohl für Menschen als auch für automatisierte Systeme nützlich, die in einem bestimmten Bereich über viel Wissen verfügen, da sie die Möglichkeit bietet, in der Vergangenheit gebildete Schlussfolgerungen wiederzuverwenden. Es ist jedoch auch für diejenigen nützlich, die über nur sehr geringe Kenntnisse zu einem Thema oder Bereich verfügen.

Stellen Sie sich zum Beispiel eine Person vor, die noch nie eine Dinnerparty für Gäste geplant hat. Seine eigene Erfahrung wird ihm nicht helfen. Aber wenn er schon einmal bei einem Bankett war, hat er die Möglichkeit, mit der Planung zu beginnen. Wenn er sich an die Gerichte erinnern würde, die unter ähnlichen Bedingungen serviert wurden, die er erfüllen muss, könnte er diese Informationen für seine eigenen Zwecke nutzen. Wenn er beispielsweise eine Liste der Bankette erstellte, an denen er teilnahm, konnte er für jedes Bankett die Komplexität der Zubereitung und die Kosten der Zutaten ermitteln und die erhaltenen Informationen an seine Situation anpassen.

Präzedenzfallbegründungen können auch dann nützlich sein, wenn das Wissen unvollständig ist und die Beweise nicht ausreichen. Logische Systeme haben Schwierigkeiten, mit all diesen Situationen umzugehen, weil sie es vorziehen, ihre Antworten auf das zu stützen, was bekannt und normal ist. Traditionellere Systeme der künstlichen Intelligenz nutzen bestimmte Faktoren und andere ungenaue Argumentationstechniken, um diese Probleme zu bekämpfen, deren Lösungen einen erheblichen Computeraufwand erfordern und nicht viel Vertrauen erwecken. Eine weitere Möglichkeit, mit unvollständigem Wissen umzugehen, ist die Schlussfolgerung aus Präzedenzfällen. Der fallbasierte Argumentationsmechanismus geht von Annahmen aus, um unvollständiges oder fehlendes Wissen auf der Grundlage dessen, was ihm seine eigene Erfahrung liefert, zu ergänzen. Die so generierten Lösungen werden nicht immer optimal oder gar richtig sein, aber wenn man die Auswertung der vorgeschlagenen Antworten berücksichtigt, ist es möglich, leicht Antworten auf die relevanten Fragen zu generieren.

Zusätzlich zu den oben genannten Vorteilen ist die Argumentation anhand von Präzedenzfällen auch dann nützlich, wenn die Lösung eines bestimmten Problems in der Vergangenheit nicht dem neuen Problem entspricht. Für die Entwicklung einer solchen Situation gibt es zwei Perspektiven. Die Eigenschaften, die aus dem extrahierten Anwendungsfall ausgeschlossen werden sollten, können als unerwünschte Eigenschaften zu seiner Beschreibung hinzugefügt werden, und dann sollte ein neuer Anwendungsfall erneut extrahiert werden. Auch der extrahierte Präzedenzfall kann dienen Startpunkt bei der Schaffung einer neuen Lösung. Wenn es erhebliche Wechselwirkungen zwischen bestimmten Teilen der Lösung gibt und Lösungen viele Male an die neue Situation angepasst werden müssen, ist dies immer noch besser, als die Lösung von Grund auf neu zu erstellen. Schließlich liefert ein Präzedenzfall etwas Konkretes für die Argumentation. Viele Menschen finden diesen Argumentationsstil vorzuziehen.

4.2. VorteileCBR

Die Argumentation auf Präzedenzfällen bietet dem Entscheidungsträger verschiedene Vorteile:

Mit der fallbasierten Argumentationsmethode können Sie schnell Lösungen formulieren und so die Zeit sparen, die erforderlich ist, um diese Lösungen von Grund auf neu zu finden. Dieser Vorteil Besonders nützlich für einen Arzt, der sich an eine frühere Diagnose oder Behandlung erinnert. Durch die Bewertung der resultierenden Lösung, wie dies bei jedem Argumentationsmechanismus oder jeder argumentierenden Person der Fall ist, erhält der fallbasierte Argumentationsmechanismus einen Vorteil, weil Dank Einschätzungen ist er in der Lage, ein Problem leicht zu lösen. Dieser Vorteil macht zeitraubende Berechnungen und Schlussfolgerungen überflüssig und ist für praktisch alle Probleme nützlich, die Problemlösung, Planung, Erklärung und Diagnose betreffen. Tatsächlich wurde in einer Auswertung des CASEY-Programms (Koton 1988) festgestellt, dass der Leistungsfaktor um zwei Größenordnungen steigt, wenn ein bestimmtes Problem bereits in der Vergangenheit bemerkt wurde.

Die Methode des Präzedenzfalldenkens ermöglicht es Ihnen, Lösungen für Probleme nicht nur in den Bereichen zu formulieren, die gut untersucht sind. Viele Bereiche können nicht vollständig verstanden werden, da die Umstände häufig von unvorhersehbarem menschlichem Verhalten abhängen, beispielsweise in der Wirtschaft. Manche verstehen beispielsweise immer noch nicht, wie verschiedene Krankheiten verlaufen und wie bestimmte Medikamente auf den Körper wirken. Oft muss eine Entscheidung ohne ausreichende Kenntnisse und Erfahrung getroffen werden. Fallbasiertes Denken ermöglicht es uns, Annahmen und Vorhersagen auf der Grundlage vergangener Erfahrungen abzuleiten, ohne dass wir über ein besonderes Verständnis des Problems verfügen müssen.

Die fallbasierte Argumentationsmethode bietet die Möglichkeit, Lösungen zu bewerten, wenn algorithmische Bewertungsmethoden nicht verfügbar sind. Die Verwendung von Fällen zur Unterstützung der Bewertung ist besonders nützlich, wenn nicht alles über das Problem bekannt ist und keine andere Bewertungsmethode verfügbar oder zu komplex ist. Lösungen können im Kontext früherer ähnlicher Situationen neu bewertet werden.

Fälle sind besonders nützlich bei der Interpretation nicht schlüssiger oder schlecht definierter Konzepte. Wie oben erwähnt, verwenden Anwälte Dolmetschen. Aber es gilt auch in alltäglichen Situationen. Das ursprüngliche Beispiel verwendete Präzedenzfälle, um zu definieren, was das Konzept „Anna möchte keinen Fisch zum Abendessen“ beinhaltet. Die Leistung des PROTOS-Programms (Bareiss 1989), das Hörbehinderungen bei unzureichenden Informationen klassifiziert, zeigt, dass fallbasiertes Denken bei der Interpretation genauer sein kann als eine auf Verallgemeinerung basierende Methode, wenn die Klassifizierungen schlecht definiert sind. PROTOS ist effizienter und genauer als Klassifizierungssysteme, die auf traditionelleren Klassifizierungsmethoden basieren.

Das Erinnern an frühere Erfahrungen ist besonders nützlich, um Sie auf mögliche Probleme aufmerksam zu machen, die in der Vergangenheit aufgetreten sind. Dies bietet die Möglichkeit, Maßnahmen zu ergreifen, um die Wiederholung vergangener Fehler zu vermeiden. Aber wie funktioniert es? Vergangene Situationen können sowohl erfolgreich als auch erfolglos sein, d.h. jene Situationen, in denen das Ergebnis nicht geplant war. Betrachten Sie noch einmal das Beispiel der Planung, ein Abendessen für Gäste vorzubereiten. Es wäre viel einfacher, die Zubereitung von Gerichten zu planen, wenn Sie im Voraus wüssten, welche Gerichte einfach zuzubereiten und kostengünstig sind, welche Zutaten in Industrieprodukten nur schwer zu kaufen sind, als jedes Mal von vorne mit der Planung zu beginnen. Die Person, die das Abendessen zubereiten möchte, wird nun dank früherer Präzedenzfälle gewarnt, das Hinzufügen bestimmter Zutaten zu vermeiden oder sicherzustellen, dass sie verfügbar sind.

Fälle helfen dabei, die Aufmerksamkeit auf die wichtigen Aspekte eines Problems zu lenken, indem sie angeben, welche Merkmale des Problems am wichtigsten sind. Was in früheren Situationen wichtig war, wird in neuen Situationen normalerweise wichtig sein. Wenn also in einem früheren Anwendungsfall eine bestimmte Reihe von Merkmalen mit einem fehlgeschlagenen Ergebnis in Zusammenhang stand, sollte man sich auf diese Merkmale konzentrieren, um sicherzustellen, dass der Fehler nicht erneut auftritt. Wenn bestimmte Eigenschaften mit Glück verbunden sind, sollten Sie ebenfalls darauf achten Besondere Aufmerksamkeit. Dieser Vorteil steht sowohl bei der Lösung eines Problems als auch bei der Interpretation einer Situation zur Verfügung. Bei der interpretativen Methode des Präzedenzdenkens werden Begründung und Kritik auf der Grundlage derjenigen Merkmale gebildet, die nachweislich für Erfolge und Misserfolge in der Vergangenheit verantwortlich sind. Ein Anwalt achtet beispielsweise besonders auf die Aspekte einer neuen Situation, die in früheren Situationen relevant waren. Beim Lösen eines Problems ist es möglich, die Lösung so anzupassen, dass sie mehr Eigenschaften enthält, die für ein erfolgreiches Ergebnis verantwortlich sind, und weniger Eigenschaften, die zum Scheitern führen können.

4.3. Schwierigkeiten

Natürlich gibt es gewisse Schwierigkeiten bei der Anwendung der Argumentationsmethode aus Präzedenzfällen. Es besteht die Möglichkeit, den vorherigen Präzedenzfall blind zu nutzen, d. h. Verlassen Sie sich auf frühere Erfahrungen, ohne deren Auswirkungen auf eine neue Situation zu prüfen. Manchmal können Präzedenzfälle einen zu großen Einfluss auf den Lösungsprozess eines neuen Problems haben. Und dies geschieht häufig bei Neulingen, die nicht wissen, welche Präzedenzfälle in einer bestimmten Situation am besten anzuwenden sind (Holyoak 1985, Gentner 1989). Allerdings akzeptieren die Menschen die Argumentation aus Präzedenzfällen als eine natürliche Art des Denkens. Der Versuch, die mit der Technologie des Denkens verbundenen Prozesse anhand von Präzedenzfällen zu erklären, kann dabei helfen, zu erklären, wie man Menschen beibringen kann, anhand von Präzedenzfällen besser zu argumentieren. Darüber hinaus kann die Fallgedächtnistechnologie ein Entscheidungsunterstützungssystem bereitstellen, das das menschliche Gedächtnis verbessert, indem es relevante Präzedenzfälle bereitstellt und es einer Person gleichzeitig ermöglicht, auf natürliche und gewohnheitsmäßige Weise zu argumentieren.

5. Kognitives Modell oder Methodik zum Aufbau von Expertensystemen?

Ist das auf Präzedenzfällen basierende Denken eine Simulation des menschlichen Denkens oder eine Methodik zum Aufbau intelligenter Systeme? Um diese Frage zu beantworten, wurden in diesem Bereich tätige Personen befragt und Programme untersucht, die Use-Case-Argumentation verwenden. Untersuchungen haben gezeigt, dass fallbasiertes Denken sowohl eine Möglichkeit für Menschen ist, ihre Probleme zu lösen, als auch eine Argumentationsmethode, die automatisiert werden kann.

5.1. Argumentation anhand von Präzedenzfällen und Personen

Es gibt zahlreiche Belege dafür, dass Menschen in ihrem alltäglichen Denken tatsächlich Argumentationen aus Fällen verwenden. Einige der Beweise basieren auf Gerüchten – wir beobachten sie selbst. Andere Beweise sind experimentell. Der Forscher Ross (1986, Ross 1989) hat beispielsweise gezeigt, dass Menschen, die neue Fähigkeiten erlernen, oft auf frühere Probleme zurückgreifen, um ihre Erinnerungen daran aufzufrischen, wie sie das Problem damals gelöst haben. In unserem Labor durchgeführte Untersuchungen zeigen, dass sowohl unerfahrene als auch erfahrene Automechaniker ihre eigenen Erfahrungen nutzen, um eine Hypothese darüber aufzustellen, was ein Problem verursacht hat, das Problem zu erkennen (z. B. eine kaputte Maschine zu überprüfen) und sie daran zu erinnern, wie man verschiedene Probleme erkennt (Lancaster und Kolodner 1988, Redmond 1989). Andere Studien zeigen, dass Ärzte Präzedenzfälle nutzen, um Hypothesen über die Diagnose eines Patienten aufzustellen, Testergebnisse zu interpretieren und Behandlungen auszuwählen, wenn einige nicht vollständig verstanden sind (Kolodner, unveröffentlicht). Ebenso greifen Architekten und Hoteliers auf frühere Designpläne zurück, verbinden sie und passen sie an, um neue zu erstellen.

Die von uns entwickelten Programme sind ein Versuch, die Prozesse zu verstehen, die beim Argumentieren anhand von Fällen ablaufen. Es gibt mehrere wichtige potenzielle Anwendungen für das Verständnis, wie Menschen ihre Probleme auf natürliche Weise lösen. Erstens können wir ein Entscheidungsunterstützungssystem erstellen, das ihnen hilft, die besten Fälle zu extrahieren. Psychologen haben herausgefunden, dass Menschen sich bei Entscheidungen zwar gerne auf Präzedenzfälle stützen, sich aber nicht immer nur an nützliche Situationen erinnern. Der Computer kann als Abrufwerkzeug verwendet werden, um das Gedächtnis von Menschen zu verbessern. Zweitens können wir Strategien zum Lernen und Schaffen entwickeln Lehrmittel Wer wird basierend darauf unterrichten? gute Beispiele. Wenn Menschen sich bei der Lösung von Problemen mit Beispielen wohlfühlen und wissen, wie sie ein Problem am besten lösen können, dann liegt es in unserer Verantwortung als Lehrer, ihnen die richtigen Dinge beizubringen. Drittens: Wenn wir verstehen, welche Schritte des Argumentationsprozesses schwierig gut durchzuführen sind, können wir den Menschen beibringen, wie sie anhand von Fällen bessere Schlussfolgerungen ziehen können. Ein Kritikpunkt ist beispielsweise, dass Menschen dazu neigen, eine Antwort aus einem früheren Fall als notwendigerweise richtig anzunehmen, ohne dies in der neuen Situation zu begründen. Dies zeigt uns, dass wir den Menschen beibringen müssen, wie sie ihre Entscheidungen begründen können, und ihnen klar machen müssen, dass Begründung und Bewertung entscheidend sind, um die richtige Entscheidung zu treffen. Wenn wir die Probleme, die Menschen anhand von Präzedenzfällen lösen, isolieren können, können wir ihnen auch beibringen, Probleme effektiver zu lösen.

5.2. Entwicklung eines Argumentationsmechanismus basierend auf Präzedenzfällen

Als Methode zum Aufbau intelligenter Systeme ist die Methode des Präzedenzfallschlusses besonders attraktiv, weil scheint relativ einfach und natürlich. Es ist ziemlich schwierig, Experten zu finden, die Ihnen alles sagen, was sie über die Lösung von Problemen wissen. Tatsächlich haben einige Leute, die fallbasierte Argumentationssysteme für Experten entwickeln, herausgefunden, dass diese viel einfacher zu entwickeln sind als herkömmliche Systeme (Barletta und Hennessy 1989, Goodman 1989). Ein erhebliches Problem beim Denken in Expertendomänen ist der hohe Grad an Unsicherheit und unvollständigem Wissen. Fallbasiertes Denken berücksichtigt ähnliche Probleme anhand der Kenntnis vergangener Situationen. Präzedenzfallsysteme bieten zudem eine hohe Effizienz. Während andere Problemlösungssysteme jedes Mal sehr viel Zeit damit verbringen, von Grund auf nach einer Lösung zu suchen, Präzedenzfallsysteme Es wurde festgestellt, dass sie schneller wirken (Koton 1988).

Es können verschiedene Arten fallbasierter Argumentationssysteme entwickelt werden. Dies sind vollautomatische und Suchmaschinen. Völlig automatisierte Systeme Lösen Sie Probleme selbst und verfügen Sie über die Möglichkeit, mit der Außenwelt zu interagieren, um Feedback zu erhalten. Suchmaschinen arbeiten interaktiv mit dem Benutzer zusammen, um ein Problem zu lösen. Sie sollen das Gedächtnis einer Person verbessern und Präzedenzfälle liefern, um zu berücksichtigen, dass eine Person nicht alles wissen kann, sondern eine Entscheidung treffen muss und dafür verantwortlich ist. Darüber hinaus gibt es eine Reihe von Zwischensystemen, die teils mehr, teils weniger menschliche Aufmerksamkeit erfordern.

Fallbasierte Argumentationssysteme dienen auch mehreren Zwecken, darunter der Aufrechterhaltung. Das Servicesystem bietet die Möglichkeit, Probleme zu lösen, spezifische Antworten auf problematische Fragen anzubieten, die richtige Antwort vorzuschlagen, ohne sie auszusprechen (d. h. abstrakte Ratschläge zu geben) oder einfach als Wissensdatenbank zu fungieren, die sich überschneidende Fälle abrufen kann. So wie Datenbankverwaltungssysteme funktionieren, können Fallbeurteilungssysteme auch mit einem Menschen oder einem anderen Programm interagieren. Bei der Interaktion mit Menschen können Programme eine strategische Planung für einen Prozess erstellen und dabei Präzedenzfälle nutzen, um eine Lösung abzuleiten oder zu bewerten. Der CSI Battle Planner (Goodman 1989) bietet beispielsweise die Planung für eine bestimmte Schlacht. Oder man könnte sich ein Lehrsystem vorstellen, das Zugriff auf eine Bibliothek mit Beispielen hat, die im Unterricht verwendet werden können.

Die einfachsten fallbasierten Argumentationssysteme erfordern eine Fallbibliothek, die die vielen Probleme abdeckt, die in einem bestimmten Bereich auftreten. Diese Bibliothek sollte sowohl erfolgreiche als auch erfolglose Anwendungsfälle umfassen. Sie sollten auch entsprechend indexiert werden. Die Präzedenzfallbibliothek sorgt zusammen mit einer günstigen und praktischen Benutzeroberfläche für eine Steigerung des menschlichen Gedächtnisses. Und darüber hinaus können nach und nach automatisierte Prozesse geschaffen werden.

Präzedenzfallmethode

(Englisch) Fallstudie)- Klinische Psychologie.

Großes psychologisches Wörterbuch. - M.: Prime-EVROZNAK. Ed. B.G. Meshcheryakova, acad. V.P. Zinchenko. 2003 .

Sehen Sie in anderen Wörterbüchern nach, was die „PRÄZEDENTMETHODE“ ist:

Maschinelles Lernen- (dt. Maschinelles Lernen) ist ein umfangreicher Teilbereich der künstlichen Intelligenz, der Methoden zur Konstruktion lernfähiger Algorithmen untersucht. Es gibt zwei Arten der Ausbildung. Lernen durch Präzedenzfälle oder induktives Lernen basiert auf der Identifizierung... ... Wikipedia

Anwendungsfalldiagramm- Anwendungsfalldiagramm für ein vereinfachtes Restaurantbetriebsmodell. Anwendungsfalldiagramm (Englisch... Wikipedia

Geschichtsmethodik- (aus dem Griechischen metodos, der Weg der Forschung, des Wissens und der Logos-Lehre) Theorie des historischen Wissens. M. und. entwickelt Prinzipien und Mittel zur Gewinnung von Erkenntnissen über die Vergangenheit, zur Systematisierung und Interpretation der gewonnenen Daten, um das Wesen der Geschichte zu klären... ... Sowjetische historische Enzyklopädie

Maschinenschulung

Fallbasiertes Lernen- Maschinelles Lernen ist ein breiter Teilbereich der künstlichen Intelligenz, der Methoden zur Konstruktion lernfähiger Algorithmen untersucht. Es gibt zwei Arten der Ausbildung. Lernen durch Präzedenzfälle oder induktives Lernen basiert auf ... ... Wikipedia

Anwendungsfall (UML)- Dieser Begriff hat andere Bedeutungen, siehe Präzedenzfall (Bedeutungen). Hauptartikel: Use-Case-Szenario, auch: Anwendungsfall, Anwendungsfall, Spezifikation von Handlungsabfolgen... ... Wikipedia

US-Bundesgericht- (US-Bundesgerichtsbarkeit) Das US-Bundesgericht ist ein von der Regierung geschaffenes US-Bundesgerichtsorgan, das Streitigkeiten auf Bundesebene beilegen soll. US-Bundesgericht: das US-Bundesgerichtssystem, durch das Richter ernannt werden... ... Investoren-Enzyklopädie

MYTHOLOGIE- (von der griechischen Mythos-Legende, Legende und Logos-Wort, Konzept, Lehre) eine Art, die Welt in den frühen Stadien zu verstehen Geschichte der Menschheit, fantastische Geschichten über seine Entstehung, über die Taten von Göttern und Helden. In M. erscheint der Raum als ein Ganzes,... ... Philosophische Enzyklopädie

PATRISTIK- (lat. Patres Väter) Richtung des philosophischen und theologischen Denkens des 2. – 8. Jahrhunderts, verbunden mit den Aktivitäten der frühchristlichen Autoren der Kirchenväter. Semantisch-axiologische Quellen des Designs von P. antike Philosophie (allgemeine rationale Methode und spezifische ... ... Geschichte der Philosophie: Enzyklopädie

Fallbasierte Urteilssysteme verwenden unterschiedliche Schemata, um Fälle zu extrahieren und sie an neue Probleme anzupassen.

Programme wie CHEF gleichen Fallbeschreibungen mit der resultierenden Zielspezifikation ab und nutzen dabei das Semantic Web als primäres Mittel für den Abgleich (siehe Kapitel 6). In dem im vorherigen Abschnitt besprochenen Beispiel wissen die Extraktions- und Modifikationsmodule, dass sowohl Brokkoli als auch grüne Erbsen frisches Gemüse sind. Das Extraktionsmodul verwendet diese Informationen, um einen Ähnlichkeitswert zwischen dem Anwendungsfall und der Zielspezifikation zu berechnen, und das Modifikationsmodul verwendet dieselben Informationen, um in einem Rezept eine Zutat durch eine andere zu ersetzen. Dieses Hintergrundwissen spielt bei der Lösung beider Probleme eine sehr wichtige Rolle.

Die Schwierigkeit, eine Lösung zu finden und Unterschiede zwischen Anwendungsfällen zu identifizieren, hängt weitgehend von den verwendeten Indexierungsbegriffen ab. Im Wesentlichen konkurrieren Fälle in einer Fallbasis darum, die Aufmerksamkeit des Extraktors zu „erlangen“, genauso wie übergeordnete Regeln um den Zugriff auf den Interpreter konkurrieren. In beiden Fällen muss eine Art Konfliktlösungsstrategie angewendet werden. Unter diesem Gesichtspunkt müssen Präzedenzfälle einige Eigenschaften aufweisen, die einerseits den Präzedenzfall mit bestimmten Problemklassen verbinden und es andererseits ermöglichen, einen bestimmten Präzedenzfall von seinen „Konkurrenten“ zu unterscheiden. Beispielsweise werden im CHEF-Programm Präzedenzfälle anhand von Attributen wie der Hauptzutat des Gerichts, der Beilage, der Kochmethode usw. indiziert, die in der Bestellung angegeben werden.

Der Matching-Mechanismus muss sehr effizient sein, da eine umfassende Suche nur bei der Arbeit mit Falldatenbanken relativ kleiner Größe möglich ist. Eine beliebte Methode zur effizienten Indizierung ist die Verwendung eines Shared-Property-Netzwerks ( Shared-Feature-Netzwerk). In diesem Fall werden Präzedenzfälle mit denselben Eigenschaften in einem Cluster zusammengefasst, was zur Bildung einer Taxonomie von Präzedenzfalltypen führt. Der Abgleich in einem solchen Shared-Property-Netzwerk erfolgt mithilfe eines Breitensuchalgorithmus ohne Backtracking. Daher wird die Suchzeit über eine logarithmische Beziehung zum Raumvolumen in Beziehung gesetzt. Der individuelle Abgleich erfolgt typischerweise wie folgt.

Jeder Eigenschaft (oder Dimension) wird ein bestimmtes Gewicht zugewiesen, das dem Grad der „Wichtigkeit“ dieser Eigenschaft entspricht. Wenn die Anwendungsfälle beispielsweise Benutzerkonten umfassen, ist der Benutzername bei der Suche nach einer Gruppe von Anwendungsfällen mit ähnlichen Konten wahrscheinlich nicht relevant. Daher kann die Namenseigenschaft eine Gewichtung von 0 haben. Der Kontostand (in Dollar) ist jedoch sehr wichtig und sollte eine Gewichtung von 1,0 erhalten. Am häufigsten sind die Werte der Gewichte reelle Zahlen im Intervall.

Aus all diesen Überlegungen ergibt sich ein einfacher Algorithmus zum Vergleich von Präzedenzfällen, der im Folgenden vorgestellt wird.

Setze MATCH = 0,0; Für jede Eigenschaft in der Originalspezifikation ( 2. Finden Sie die entsprechende Eigenschaft in den gespeicherten Präzedenzfällen. 3. Vergleichen Sie die beiden Werte und berechnen Sie den Ähnlichkeitsgrad t. 4. Multiplizieren Sie diese Schätzung mit dem Gewicht der Eigenschaft c. 5. Weisen Sie MATCH = MATCH + cm zu. ) Geben Sie MATCH zurück.

Das grundlegende Verfahren wird als Nearest-Neighbor-Matching bezeichnet ( Nearest-Neighbor-Matching), da Präzedenzfälle mit ähnlichen Eigenschaftswerten konzeptionell näher beieinander liegen. Dies kann sich auch in der Struktur des Netzwerks widerspiegeln, wo der Grad der Nähe von Präzedenzfällen der Nähe ihrer Eigenschaften entspricht.

Der von diesem Algorithmus berechnete MATCH-Wert wird normalerweise als aggregierter Match-Score bezeichnet ( aggregierte Spielpunktzahl). Selbstverständlich wird aus der Datenbank der Präzedenzfälle derjenige ausgewählt, der die höchste Bewertung „verdient“. Wenn der Algorithmus des Systems auch die Untersuchung alternativer Präzedenzfälle umfasst, sollten die übrigen anhand der erhaltenen Schätzungen geordnet werden. Die meisten auf dem Markt erhältlichen Programme, die mit Präzedenzdatenbanken arbeiten, verwenden diesen einfachen Algorithmus.

Die in Schritt (2) verwendete Methode zur Berechnung des Nähegrades hängt von der Art der Daten im jeweiligen Einzelfall ab. Beim qualitativen Vergleich von Eigenschaften reicht es aus, binäre Schätzungen zu verwenden oder Entfernungen in einer abstrakten Hierarchie zu berechnen. Also in der abstrakten Hierarchie der Zutaten kulinarische Rezepte„Brokkoli“ ähnelt eher „Erbsen“ als „Hühnern“, und der berechnete Wert sollte diese unbestreitbare Tatsache widerspiegeln. Der quantitative Vergleich umfasst auch die Skalierung.

Um den gefundenen Präzedenzfall an die aktuellen Zieldaten anzupassen, verwenden Programme auch verschiedene Methoden. In den meisten Fällen können Sie auskommen, indem Sie einige Komponenten in der vorhandenen Lösung ersetzen oder die Reihenfolge der Vorgänge im Plan ändern. Es gibt aber auch andere Ansätze, die im Folgenden aufgeführt sind.

• Variablen in einem bestehenden Anwendungsfall erneut instanziieren und ihnen neue Werte zuweisen. Beispielsweise wird die Variable „Gemüse“ dem Wert „Brokkoli“ statt dem vorherigen Wert „Erbsen“ zugeordnet.
• Klärung der Parameter. Einige Anwendungsfälle können enthalten numerische Werte, zum Beispiel die Zeit, die benötigt wird, um eine beliebige Phase des Plans abzuschließen. Dieser Wert muss aktualisiert werden, damit er mit dem neuen Wert der anderen Eigenschaft übereinstimmt. Wenn ein Rezept beispielsweise das Ersetzen einer Zutat durch eine andere erfordert, muss die Verarbeitungszeit wahrscheinlich entsprechend angepasst werden.
• Speichersuche. Manchmal müssen Sie einen Weg finden, eine Schwierigkeit zu überwinden, die als Nebeneffekt des Ersetzens einiger Komponenten der Lösung durch andere entstanden ist. Ein Beispiel ist der bereits erwähnte Effekt einer unerwünschten Veränderung der Eigenschaften von Brokkoli, wenn er zusammen mit Lammstücken gebraten wird. Diese Methode kann in derselben Präzedenzfalldatenbank oder in gefunden werden spezielle Datenbank Wissen.

Die meisten der aufgeführten Methoden hängen eng mit der Methode zur Darstellung der Abstraktionshierarchie zusammen, die in einem bestimmten Programm verwendet wird. Dies kann ein Rahmensystem oder ein semantisches Netzwerk sein, und bei jeder dieser Optionen muss die Substitution einiger Konzepte durch andere auf ihre eigene Weise organisiert werden.

Im nächsten Abschnitt betrachten wir ein System, das eine ziemlich spezifische Art der Wissensdarstellung verwendet, um eine Problemdomäne zu modellieren. Um die Basis der Präzedenzfälle in diesem System zu organisieren, wird nicht ein gemeinsames Netzwerk von Eigenschaften verwendet, sondern Faktoren einer höheren Abstraktionsebene, die mit den Besonderheiten des Fachgebiets verbunden sind. Diese Darstellung erfordert einen komplexeren Fallindizierungs- und Abrufmechanismus als der im Programmextraktionsmodul verwendete KOCH.