من الشائع جدًا أن يكون من الصعب حل مشكلة معقدة من الصفر، لكنه يصبح أسهل بكثير إذا استطعنا الوصول إلى مشكلات مشابهة مسبقة الحلول — وهي منهجية تُعرف باسم الاستدلال القائم على الحالة (CBR). نقترح منهجية CBR عصبية-رمزية (CBR-KBQA) للإجابة على الأسئلة في مجموعات معرفية كبيرة. تتكوّن CBR-KBQA من ذاكرة غير معلمية تخزن الحالات (الأسئلة وأشكال منطقية)، ونموذج معلمي يمكنه إنشاء شكل منطقي لسؤال جديد من خلال استرجاع الحالات ذات الصلة به. حققت CBR-KBQA أداءً تنافسيًا على عدة مجموعات بيانات لـ KBQA التي تحتوي على أسئلة معقدة. على سبيل المثال، تفوقت CBR-KBQA على أحدث النماذج الحالية بنسبة 11% في الدقة على مجموعة بيانات ComplexWebQuestions. علاوةً على ذلك، نُظهر أن CBR-KBQA قادرة على استخدام حالات جديدة دون أي تدريب إضافي: من خلال دمج عدد قليل من الأمثلة المُعلَّمة يدويًا في الذاكرة الحالة، تتمكن CBR-KBQA من إنشاء أشكال منطقية ناجحة تتضمن كيانات وعلاقات من المعرفة لم تُرَ من قبل.