Construa uma biblioteca de casos e raciocine a partir dela

Acumule um conjunto diversificado de casos com resultados conhecidos e recupere os estruturalmente semelhantes ao enfrentar um novo problema.

Why it works

O raciocínio baseado em casos — um referencial formal de IA e ciência cognitiva — modela como especialistas pensam: eles acumulam uma grande biblioteca de casos com resultados conhecidos e recuperam o caso estruturalmente mais semelhante ao enfrentar um novo problema. A analogia é implícita: o caso recuperado é o domínio base. A construção deliberada de uma biblioteca de casos — anotando ativamente "este é um caso do tipo X com resultado Y" — cria a matéria-prima para uma recuperação analógica precisa, em vez de depender de quaisquer casos que aconteçam de estar salientes.

How to do it

1. Após qualquer decisão ou evento significativo, escreva uma breve nota de caso: "Este foi um caso de [estrutura relacional], produziu [resultado]."
2. Ao enfrentar um novo problema, pergunte: "Que casos na minha experiência têm esta mesma estrutura relacional?"
3. Pondere os casos pela similaridade da estrutura relacional, não pela familiaridade superficial ou recência.
4. Atualize os casos quando os resultados os desmentirem ou quando novas informações revisarem a lição.

Evidência

O raciocínio baseado em casos é um modelo cognitivo formal com suporte de pesquisa sobre desempenho especializado: tomadores de decisão especialistas em medicina, xadrez e combate a incêndios recuperam e adaptam casos conhecidos em vez de raciocinar a partir de primeiros princípios cada vez. (observational)

Bibliotecas de casos especializadas são construídas ao longo de anos; esta prática acelera a construção dessa biblioteca, mas requer anotação honesta de casos (incluindo fracassos) para ser útil em vez de autocomplacente.

Fontes

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

Erro comum

Registrar apenas casos bem-sucedidos e ignorar fracassos, o que produz uma biblioteca enviesada que superestima sistematicamente o quão bem suas abordagens típicas funcionam.