Il ragionamento basato sul modello è l’uso di un modello funzionante e le osservazioni del mondo reale che accompagnano per trarre conclusioni. Svolge un ruolo importante nei sistemi logici artificiali e nel ragionamento nelle scienze. La creazione del modello è l’aspetto che richiede tempo di questo approccio, poiché è necessario rendere il modello il più profondo, complesso e dettagliato possibile per ottenere i migliori risultati. Una volta stabilito un modello funzionante, può anche richiedere aggiornamenti periodici.
In un esempio di ragionamento basato su modelli, un’azienda potrebbe sviluppare un modello neurologico funzionante del corpo umano. Il modello normalmente includerebbe informazioni sulla rete di connessioni presenti nel sistema nervoso centrale e periferico. I dati sui sintomi dei problemi neurologici potrebbero essere integrati nel sistema, utilizzando le osservazioni per creare una matrice di informazioni note. Un utente potrebbe potenzialmente interagire con il modello inserendo i sintomi del paziente, come eloquio confuso e pupille dilatate in modo ineguale, e restituirebbe una potenziale diagnosi, come l’ictus.
Tali sistemi possono avere una vasta gamma di applicazioni nelle scienze. I sistemi artificiali possono consentire ai ricercatori di esplorare e testare ipotesi. Il ragionamento basato su modelli può anche essere la spina dorsale di un sistema di monitoraggio che invia avvisi in base agli input. La modellazione del clima, ad esempio, consente ai computer di acquisire informazioni sulle condizioni meteorologiche attuali e di eseguirle attraverso un modello per fornire informazioni sulle tempeste tropicali in erba e altri eventi meteorologici preoccupanti. L’automazione di alcune attività può consentire ai ricercatori di concentrarsi su altri argomenti che richiedono ragionamenti più complessi.
Lo stesso concetto può essere alla base anche di alcune forme di pensiero scientifico. I ricercatori mantengono modelli funzionanti su concetti scientifici, come il funzionamento delle placche tettoniche, e fanno osservazioni per rafforzare il modello e sviluppare un compendio di informazioni di supporto. Ciò consente loro di trarre conclusioni sugli eventi scientifici, in base a ciò che sanno dal modello e alle osservazioni che hanno fatto. Se, ad esempio, i ricercatori stanno monitorando un vulcano, il ragionamento basato sul modello può consentire loro di emettere un avviso di evacuazione se il comportamento del vulcano è coerente con un’imminente eruzione.
Lo sviluppo di modelli può richiedere tempo, pazienza e input da diverse fonti. Maggiore è il numero di punti di dati, più accurato e dettagliato può essere il ragionamento basato sul modello. Ciò può aiutare i modellatori a evitare errori potenzialmente costosi, come non riuscire ad anticipare un problema che sarebbe stato evidente con più dati. Man mano che le osservazioni arrivano, possono essere aggiunte al corpo della conoscenza, il che può comportare cambiamenti nel modello. Ad esempio, un’osservazione potrebbe dimostrare che una regola basata sul modello è effettivamente errata o non tiene conto di una particolare variabile.