El razonamiento basado en modelos es el uso de un modelo de trabajo y observaciones del mundo real que lo acompañan para sacar conclusiones. Desempeña un papel importante en los sistemas lógicos artificiales, así como en el razonamiento en las ciencias. La creación del modelo es el aspecto que requiere mucho tiempo de este enfoque, ya que es necesario hacer que el modelo sea lo más profundo, complejo y detallado posible para lograr los mejores resultados. Una vez que se ha establecido un modelo de trabajo, también puede requerir actualizaciones periódicas.
En un ejemplo de razonamiento basado en modelos, una empresa podría desarrollar un modelo neurológico funcional del cuerpo humano. El modelo normalmente incluiría información sobre la red de conexiones que se encuentran en los sistemas nerviosos central y periférico. Los datos sobre síntomas de problemas neurológicos podrían incorporarse al sistema, utilizando observaciones para crear una matriz de información conocida. Un usuario podría interactuar potencialmente con el modelo ingresando los síntomas del paciente, como dificultad para hablar y pupilas dilatadas de manera desigual, y devolvería un diagnóstico potencial, como un accidente cerebrovascular.
Estos sistemas pueden tener una amplia gama de aplicaciones en las ciencias. Los sistemas artificiales pueden permitir a los investigadores explorar y probar hipótesis. El razonamiento basado en modelos también puede ser la columna vertebral de un sistema de monitoreo que envía alertas basadas en entradas. El modelado climático, por ejemplo, permite a las computadoras tomar información sobre las condiciones climáticas actuales y ejecutarla a través de un modelo para proporcionar información sobre las tormentas tropicales en ciernes y otros eventos meteorológicos de interés. La automatización de algunas tareas puede permitir a los investigadores centrarse en otros temas que requieren un razonamiento más complejo.
El mismo concepto también puede subyacer a algunas formas de pensamiento científico. Los investigadores mantienen modelos de trabajo sobre conceptos científicos, como el funcionamiento de las placas tectónicas, y realizan observaciones para fortalecer el modelo y desarrollar un compendio de información de apoyo. Esto les permite sacar conclusiones sobre eventos científicos, basándose en lo que saben del modelo y las observaciones que han realizado. Si, por ejemplo, los investigadores están monitoreando un volcán, el razonamiento basado en el modelo puede permitirles emitir una advertencia de evacuación si el comportamiento del volcán es consistente con una erupción inminente.
El desarrollo de modelos puede requerir tiempo, paciencia y aportes de varias fuentes. Cuantos más puntos de datos, más preciso y detallado puede ser el razonamiento basado en modelos. Esto puede ayudar a los modeladores a evitar errores potencialmente costosos, como no anticipar un problema que habría sido evidente con más datos. A medida que ingresan las observaciones, se pueden agregar al cuerpo de conocimiento, lo que puede resultar en cambios en el modelo. Por ejemplo, una observación podría probar que una regla basada en el modelo es realmente incorrecta o no tiene en cuenta una variable en particular.