Razonamiento basado en casos

¿Cuántas veces tus mayores te han dado consejos basados en algo que ellos han vivido? "Bueno, cuando yo tenía tu edad...", "En mis tiempos, lo hacíamos así...". Puede parecer una manía paterna molesta, pero no está tan lejos del enfoque que utilizan los científicos, los educadores e incluso los algoritmos informáticos para resolver problemas.

El razonamiento basado en casos es cualquier tipo de enfoque de resolución de problemas que utiliza soluciones pasadas para resolver problemas similares. Parte de la base de que el conocimiento se adquiere a través de experiencias pasadas y puede servir para advertirte de los caminos que te llevarán al fracaso o para ayudarte a pensar en soluciones pasadas exitosas que podrían adaptarse al problema que tienes entre manos.

El razonamiento basado en casos está a nuestro alrededor. Por ejemplo, Google Maps utiliza el razonamiento basado en casos para decirte cuánto tiempo durará tu viaje examinando los patrones de usuarios anteriores para ver cuánto tardaron en llegar del punto A al punto B. Incluso si tu ruta es desde dos puntos ligeramente diferentes, hace inferencias sobre cuánto durará tu viaje.

El razonamiento basado en casos puede abarcar desde tareas más sencillas hasta complejos algoritmos informáticos. Por un lado, puede utilizarse para averiguar algo tan sencillo como una receta de galletas. Si eres fan de Friends, recordarás el episodio en el que Mónica intenta recrear la receta de galletas de chocolate de la abuela de Phoebe. Utiliza los fallos de las tandas anteriores para encontrar una nueva solución al problema, similar a un sistema de ensayo y error.

En el lado más complejo de las cosas, los ordenadores utilizan un método similar al de Mónica. Clasifican los problemas pasados y sus soluciones en "casos" y luego calculan la similitud de esos casos con el problema actual para llegar a una solución. Este algoritmo es habitual para examinar patrones, diagnosticar, resolver pr^oblemas y planificar.1

Razonamiento analógico: forma de abordar un problema que parte de la base de que, como dos (o más) cosas son similares en algunos aspectos, también lo son en otros.3 El razoⁿamiento analógico es la base del razonamiento basado en casos, ya que se basa en la comparación entre problemas similares para poder adaptarse a experiencias pasadas.

El problema de la indexación: tener que encontrar en la memoria una experiencia lo más parecida posible a una experiencia nueva. Para ello, tenemos que indexar adecuadamente las experiencias en nuestra mente para poder recordarlas cuando sea necesario.2

Estilo de razonamiento basado en casos: un estilo de razonamiento en el que las viejas soluciones a viejos problemas se convierten en la guía para re^solver nuevos problemas.2

Estilo interpretativo de razonamiento basado en casos: estilo de razonamiento en el que las situaciones nuevas se evalúan en el contexto de situaciones antiguas. Estas situaciones antigu^as ayudan a justificar una nueva solución.2

Enseñanza basada en casos: mientras que el razonamiento basado en casos pide a un individuo que utilice experiencias pasadas para idear nuevas soluciones, la enseñanza basada en casos pide a los instructores que utilicen entidades o experiencias pasadas para proporcionar a sus a^lumnos conocimientos que les ayuden a abordar nuevas soluciones.4

De manera informal, es muy probable que el razonamiento basado en casos haya existido desde que existe el ser humano. Aunque hoy en día tenemos acceso a herramientas y tecnología avanzadas, no es necesario para utilizar el razonamiento basado en casos; sólo se necesitan experiencias pasadas. Formalmente, las raíces del razonamiento basado en casos están vinculadas a la teoría de la memoria dinámica del teórico estadounidense de la inteligencia artificial Roger Schank.

Roger Schank escribió en 1982 un libro que formalizaba la teoría del razonamiento basado en casos, titulado Dynamic Memory: A Theory of Reminding and Learning in Computers and People. Schank propuso un modelo de memoria que sugería que los humanos aprenden basándose en la retención de la experiencia, no en la retención de la lógica. Dijo que "los humanos no están idealmente preparados para entender la lógica; es^tán idealmente preparados para entender historias". 4 Schank utilizó su teoría de la memoria dinámica para explicar cómo los ordenadores y otras formas de inteligencia artificial entienden el lenguaje. Según Schank, los algoritmos se basan en la comprensión conceptual de las palabras para entender su significado, lo que él llamó la teoría de la dependencia conceptual. Así es como los ordenadores son capaces de asignar un significado a dos palabras o frases, en lugar de codificarlas como ^términos completamente separados. Por ejemplo, los ordenadores dan el mismo significado a "dar" y "transferir a".5

Siguiendo la teoría de la memoria dinámica de Schank y la teoría de la dependencia conceptual, otros empezaron a desarrollar modelos de razonamiento basados en casos para el aprendizaje automático. Cada experiencia, al igual que cada palabra, se convierte en un concepto más general, que permite establecer similitudes con futuras experiencias similares, pero no idénticas. Se crean así sistemas en los que las máquinas pueden aprender adquiriendo nuevos casos de conocimiento. El primer sistema de razonamiento basado en casos fue desarrollado entonces por la científica cognitiva y del aprendizaje estadounidense Janet Kolodner y se llamó CYRUS: Sistema Informatizado de Recuperación y Actualización de Yale.

Kolodner propuso el siguiente sistema de razonamiento basado en casos:

Kolodner pretendía que el sistema representara tanto el aprendizaje automático como un sistema humano de recuperación de información. Al igual que en la teoría de Schank, Kolodner estaba de acuerdo en que había que abandonar las palabras clave para organizar la memoria y basarse en categorías conceptuales. Su teoría también se basaba en gran medida en la indexación: una indexación adecuada es necesaria para la recuperación, que es el primer paso del proceso de razonamiento basado en casos. CYRUS se construyó especialmente para ⁱncorporar información y acontecimientos políticos que utilizarían los Secretarios de Estado de EE.UU.2 Kolodner también di^stinguió entre dos tipos de razonamiento basado en casos: un estilo de resolución de problemas y un estilo interpretativo.2

A medida que crecía la popularidad del razonamiento basado en casos a través de la lente del aprendizaje automático, otros campos empezaron a adoptarlo como una forma de razonamiento que podía ir más allá del pensamiento informático y aplicarse al pensamiento humano.

El razonamiento basado en casos puede ayudar a resolver problemas con más eficacia. Por ejemplo, si te cuesta resolver un problema, los demás suelen aconsejarte que te tomes un descanso y lo afrontes con nuevos ojos más tarde. En esencia, el razonamiento basado en casos consiste en analizar problemas pasados y sus soluciones con nuevos ojos y tratar de aplicarlos a una nueva situación.

El razonamiento basado en casos reconoce que, por lo general, la segunda vez que abordamos una tarea se nos da mejor. Tenemos cierta experiencia, recordamos nuestros errores y aciertos y procedemos en consecuencia. Hay varios factores que pueden influir en la eficacia del razonamiento basado en casos:

1. Experiencias: Es probable que cuantas más experiencias tengas, mejor se te dé el razonamiento basado en casos. Si sólo has cocinado pasta una vez e intentas preparar fettuccine alfredo, sólo tienes una experiencia previa para utilizar como herramienta de resolución de problemas. Si has cocinado pasta 100 veces, tienes 100 pruebas con las que trabajar.
2. Creatividad e innovación: El razonamiento basado en casos sólo va a ser eficaz si tienes la capacidad de considerar formas creativas de adaptar soluciones pasadas a problemas nuevos. Aunque hayas tenido 100 experiencias, abordar un problema nuevo de la misma manera que has abordado uno antiguo perjudica tus posibilidades de éxito. Ser innovador te permite ajustar ligeramente viejas tácticas y considerar nuevas formas de resolver problemas.
3. La capacidad de percibir situaciones nuevas a la luz de experiencias antiguas: En un nivel básico, el razonamiento basado en casos requiere que uno sea capaz de recordar experiencias pasadas, por lo que una memoria decente es una condición para este enfoque de resolución de problemas. Para que el razonamiento basado en casos funcione, hay que encontrar comparaciones entre los problemas nuevos y los antiguos. Establecer vínculos entre ambos -ya sean similitudes o diferencias- ayudará a identificar qué tácticas van a ser útiles y cuáles no se aplican a la nueva situación. Es importante indexar las experiencias de manera que sea fácil recordarlas.
4. Capacidad de evaluación: Ser racional y lógico a la hora de razonar casos también es importante. Debes ser capaz de evaluar adecuadamente el éxito o el fracaso de proyectos anteriores para saber qué vías merece la pena seguir.2

El razonamiento basado en casos contrasta con otras teorías populares sobre el funcionamiento de la inteligencia artificial. El razonamiento basado en el conocimiento, por ejemplo, sugiere que los ordenadores y las personas llegan a las soluciones teniendo un conocimiento general de un problema o dominio y estableciendo vínculos entre ideas generales y problemas concretos. En cambio, el razonamiento basado en casos sugiere que recordamos casos concretos y los utilizamos para percibir el nuevo problema.

Como el razonamiento basado en casos se basa en experiencias pasadas anecdóticas, es muy personal y se aparta de los hechos y los conocimientos consensuados. Por eso no es el mejor método para trabajar en equipo. También es susceptible de sesgos personales y de memoria, ya que alguien puede pensar que una solución pasada funcionó muy bien pero en realidad sólo fue una buena solución para él, o puede haber recordado el pasado de forma inexacta. Además, el uso de pruebas anecdóticas dificulta la evaluación del éxito del enfoque.

El razonamiento basado en casos consta de cuatro pasos (Recuperar, Reutilizar, Revisar y Retener), y en cada uno de ellos existe la p^osibilidad de cometer errores.6 El razonamiento basado en casos también requiere que las personas recuerden adecuadamente bastantes experiencias pasadas con altos niveles de precisión: es un poco como intentar memorizar un libro de texto científico entero en lugar de intentar comprender varios procesos para poder aplicarlos al razonamiento futuro, que es lo que emplea el razonamiento basado en el conocimiento.

Razonamiento basado en casos y arquitectura

Al igual que la moda se recicla a lo largo de los años, los arquitectos podrían utilizar diseños existentes para resolver problemas de diseño actuales. Sin embargo, los problemas que surgen en el diseño suelen estar mal definidos o documentados, lo que dificulta a los futuros arquitectos identificar lo que salió mal o generalizar el diseño para adaptarlo a situaciones futuras. En parte, la razón de que no existan muchas bases de datos de arquitectura es que los arquitectos son reacios a compartir sus diseños y a aprender de otras personas utilizando el razonamiento basado en casos. Por eso, aunque los diseños existentes podrían ser herramientas útiles para concebir nuevos diseños, no se suelen poner en práctica. Al igual que la indexación es importante para la memoria general, la indexación es necesaria para poder hacer uso de diseños arquitectónicos pasados.

Intrigada por la falta de diseños arquitectónicos debidamente indexados, Katharina Ritcher, investigadora biomédica, estudió un proyecto docente en Alemania que utilizaba el razonamiento basado en casos como herramienta educativa para estudiantes de arquitectura.4 Los diseños pasados se categorizaron y etiquetaron claramente con diversos criterios para permitir a los estudiantes ver cuáles serían útiles para su proyecto actual. Se creó una base de datos que permitió a los participantes ampliar sus conocimientos a través de una lente histórica del diseño y a los profesores utilizar la base de datos como guía de referencia para iluminar y ofrecer ejemplos de su enseñanza.

El proyecto didáctico obligó a los alumnos a utilizar un estilo interpretativo de razonamiento basado en casos, ya que se les indicó que sólo debían inspirarse en diseños anteriores que pudieran identificar como poseedores de dos soluciones innovadoras. De este modo, los alumnos tenían que analizar soluciones pasadas y no podían limitarse a aplicarlas a soluciones nuevas. Dado que los diseños pasados son entidades completas, pero tampoco están etiquetados con información sobre si tuvieron éxito, (no son experiencias completas) cor^respondía al estudiante determinar y evaluar si el diseño era viable.4

Ritcher descubrió que, puesto que los estudiantes tenían que utilizar un estilo interpretativo de razonamiento basado en casos, les capacitaba para ser buenos pensadores analíticos. Sin embargo, también conllevaba una serie de problemas. Los estudiantes no siempre sabían lo que buscaban cuando examinaban un diseño anterior, y no siempre les resultaba fácil darse cuenta de cuál había sido el problema de diseño, y mucho menos de si la solución había tenido éxito. Aun así, Ritcher llegó a la conclusión de que una base de datos podía ser una herr^amienta útil para la enseñanza basada en casos, aunque tuviera menos éxito para el razonamiento basado en casos.4

¿Por qué es tan eficaz el método de investigación retrospectiva?

Cuando los investigadores utilizan estudios para comprender el comportamiento de la vida real, están empleando esencialmente el razonamiento basado en casos: los datos se utilizan para comprender el mundo real. Sin embargo, los resultados que se observan en un experimento suelen ser difíciles de reproducir y no reflejan con exactitud el comportamiento humano. En este artículo, Uptal Dholakia señala los inconvenientes del razonamiento aplicado y destaca un enfoque diferente: el método hacia atrás. El método hacia atrás pide a los investigadores que dediquen tiempo al principio de su investigación, antes de que comience el experimento, a averiguar cómo se van a utilizar esos datos, lo que les permite diseñar experimentos que tienen más probabilidades de satisfacer las necesidades de su propósito.

Analogía

Si le interesa conocer entre bastidores cómo funciona el razonamiento basado en casos, debería consultar nuestra guía de referencia Analogía. Esta guía explica cómo la comparación de dos cosas nos ayuda a comprender fenómenos complejos. Las analogías pueden ser herramientas argumentativas útiles porque, aunque alguien tenga pocos conocimientos sobre un asunto concreto, puedes compararlo con algo que sí entienda, como utilizar analogías deportivas para explicar investigaciones científicas más complejas.

1. Definición de razonamiento basado en casos (RBC). (sin fecha). Glosario de tecnologías de la información de Gartner. Obtenido el 27 de agosto de 2021, del sitio Web: https://www.gartner.com/en/information-technology/glossary/cbr-case-based-reasoning.
2. Kolodner, J. L. (1992). An Introduction to Case-Based Reasoning (Introducción al razonamiento basado en casos). Artificial Intelligence Review, 6, 43-3. http://alumni.media.mit.edu/~jorkin/generals/papers/Kolodner_case_based_reasoning.pdf
3. Küpers W. (2012). Razonamiento analógico. Enciclopedia de las Ciencias del Aprendizaje. Springer, Boston. https://doi.org/10.1007/978-1-4419-1428-6_788
4. Richter, K., & Donath, D. (2006). Towards a Better Understanding of the Case-Based Reasoning Paradigm in Architectural Education and Design. eCAADe 24 - session 5, 222-227. http://papers.cumincad.org/data/works/att/2006_222.content.pdf
5. La IA y los juegos. (2017, 28 de mayo). Razonamiento basado en casos - AI 101 [Vídeo]. YouTube. https://www.youtube.com/watch?v=8p7dzVSr4XU
6. Bernstein, C. (2019, 16 de agosto). Qué es el razonamiento basado en casos (RBC)? Buscar en Enterprise AI. https://searchenterpriseai.techtarget.com/definition/case-based-reasoning-CBR