ケースのライブラリを築き、そこから推論する

既知の結果を持つ多様なケースの集合を蓄積し、新しい問題に直面したときに構造的に似たケースを取り出す。

Why it works

ケースベース推論——形式的なAIと認知科学の枠組み——は、専門家がどう考えるかをモデル化します。彼らは既知の結果を持つ大規模なケースライブラリを蓄積し、新しい問題に直面したときに最も構造的に似たケースを取り出します。類推は暗黙のうちに働いています。取り出されたケースがベース領域なのです。意図的なケースライブラリの構築——「これはYという結果を持つXタイプのケースだ」と積極的に記録すること——は、その瞬間に顕著な何らかのケースに頼るのではなく、正確な類推的検索のための生の材料を作り出します。

How to do it

1. 重要な決断や出来事の後、簡単なケースノートを書く：「これは[関係構造]のケースであり、[結果]を生み出した。」
2. 新しい問題に直面したとき、問う：「自分の経験の中で、この同じ関係構造を持つケースは何か？」
3. 表面的な馴染みやすさや直近性ではなく、関係構造の類似性でケースを重み付ける。
4. 結果がそれを間違っていると証明したとき、または新しい情報が教訓を修正するときには、ケースを更新する。

エビデンス

ケースベース推論は、専門家パフォーマンス研究によって裏付けられた正式な認知モデルです。医療、チェス、消防における専門家の意思決定者は、毎回第一原理から推論するのではなく、既知のケースを取り出して適応させます。 (observational)

専門家のケースライブラリは長年かけて構築される。この実践はそのライブラリの構築を加速させるが、自己奉仕的なものではなく有用であるためには正直なケースの注釈（失敗も含む）が必要である。

出典

• Klein (1999), Sources of Power: How People Make Decisions — recognition-primed decision model in expert practitioners

よくある間違い

成功したケースだけを記録し、失敗を無視してしまうこと——それは自分の典型的なアプローチがどれほどうまく機能するかを体系的に過大評価する偏ったライブラリを生み出す。