Waarom is dit belangrijk?
Computers kunnen zo kennis opbouwen uit voorbeelden zonder vooraf gegeven categorie en de indeling bijstellen als er nieuwe gegevens bijkomen. In de wetenschap ordenen onderzoekers met Cobweb grote tekstverzamelingen van brede onderwerpen naar specifieke documenten. Voor onderzoekers en studenten levert dat volgbare zoekresultaten op, maar de uitkomst hangt af van de volgorde van de voorbeelden en van de aanname dat kenmerken los van elkaar staan.
Zo werkt het in de praktijk
Onderzoekers pasten Cobweb toe op gegevens over sojaziekten en schildklieraandoeningen. Het systeem groepeerde de gevallen en trok daaruit conclusies over de diagnose. Douglas Fisher beschrijft die tests in een artikel voor de conferentie AAAI.
Aan het Georgia Institute of Technology vergelijken onderzoekers Cobweb met hoe mensen categorieën leren. Zij toetsen het model aan klassieke proeven van Medin en Schaffer en van Shepard en collega’s. Zo kijken zij of het model zowel op een gemiddeld beeld als op losse voorbeelden leunt.
Voor getallen in plaats van losse categorieën bestaat de uitbreiding Classit, van Gennari, Langley en Fisher. Die bewaart per kenmerk een gemiddelde en een spreiding. Voor gegevens met zowel categorieën als getallen beschrijft Wikipedia de variant Cobweb/3.




