Co je důvody založené na modelu?

Modelové zdůvodnění je použití pracovního modelu a doprovodných pozorování v reálném světě k vyvodění závěrů. Hraje důležitou roli jak v umělých logických systémech, tak při zdůvodňování ve vědách. Vytvoření modelu je časově náročným aspektem tohoto přístupu, protože pro dosažení nejlepších výsledků je nutné učinit model co možná nejhlubší, nejsložitější a nejpodrobnější. Jakmile je funkční model vytvořen, může také vyžadovat pravidelné aktualizace.

V příkladu uvažování založeném na modelu by společnost mohla vyvinout funkční neurologický model lidského těla. Model by normálně obsahoval informace o síti spojení nalezených v centrálním a periferním nervovém systému. Do systému lze zabudovat data o příznacích neurologických problémů, pomocí pozorování vytvořit matici známých informací. Uživatel by mohl potenciálně interagovat s modelem zadáváním symptomů pacienta, jako je nezřetelná řeč a nerovnoměrně rozšířené zornice, a vrátí potenciální diagnózu, jako je mozková mrtvice.

Takové systémy mohou mít širokou škálu aplikací ve vědách. Umělé systémy mohou vědcům umožnit zkoumat a testovat hypotézy. Zdůvodnění založené na modelu může být také páteří monitorovacího systému, který zasílá upozornění na základě vstupů. Klimatické modelování například umožňuje počítačům pořizovat informace o aktuálních povětrnostních podmínkách a provádět jej prostřednictvím modelu, který poskytuje informace o nadějných tropických bouřích a dalších znepokojujících meteorologických událostech. Automatizace některých úkolů může vědcům umožnit soustředit se na jiná témata, která vyžadují složitější zdůvodnění.

Stejný koncept může být také základem některých forem vědeckého myšlení. Vědci udržují pracovní modely o vědeckých koncepcích, například o tom, jak fungují tektonické destičky, a provádějí pozorování, aby posílili model a vytvořili přehled podpůrných informací. To jim umožňuje vyvodit závěr o vědeckých událostech na základě toho, co vědí z modelu a pozorování, která učinili. Pokud například vědci sledují sopku, může jim modelové uvažování dovolit vydat varování o evakuaci, pokud je chování sopky v souladu s bezprostřední erupcí.

Vývoj modelů může vyžadovat čas, trpělivost a vstup z mnoha zdrojů. Čím více datových bodů, tím přesnější a podrobnější zdůvodnění modelu může být. To může modelářům pomoci vyhnout se potenciálně nákladným chybám, jako je například nepředvídání problému, který by byl patrný u více dat. Jak přicházejí pozorování, mohou být přidána do souboru znalostí, což může vést k posunům k modelu. Například pozorování může prokázat, že pravidlo založené na modelu je skutečně nesprávné nebo nezohledňuje konkrétní proměnnou.