Het onderzoek heeft zich gericht op de ontwikkeling van een Semantisch Connectionistisch Redeneersysteem (SCORE). SCORE kan de basis vormen voor een volwaardig expertsysteem. De, voor een expertsysteem van elementair belang zijnde, fundamentele inferentie principes, kennisacquisitie principes en kennisrepresentatievormen hebben in SCORE de meeste aandacht gehad. Binnen SCORE vindt de probleembeschrijving op een dieper niveau plaats dan de traditionele expertsystemen. Dit wordt het subsymbolisch niveau genoemd, en is geïnspireerd op de theorie van Neurale Netwerken. Op het subsymbolische niveau wordt in termen van een groot aantal, 'zwakke' regels het probleem gedefinieerd. Deze regels zijn, in tegenstelling tot de regels binnen het traditionele AI-Paradigma, ‘overrulebaar’: de regels worden geïnterpreteerd als adviezen en niet als autoritaire uitspraken. Het doel van Connectionistisch inferentiemechanisme is, na een waarneming, dié oplossing te vinden waarbij zoveel mogelijk adviezen worden gehonoreerd. In het geval van inconsistenties, onvolledigheden en onzekerheden wordt dus, zonder extra aanpassingen, óok automatisch gezocht naar een zo goed mogelijke oplossing. Na een waarneming wordt het inferentieproces automatisch aangevangen doordat de subsymbolen hierdoor uit evenwicht worden gebracht. Alle subsymbolen gaan nu actief op zoek naar hun aandeel in de oplossing. Een stabiele situatie representeert voor ieder subsymbool (dus het expertsymbool), een waarde die zo goed mogelijk bij de waarneming aansluit. Deze set van waarden wordt beschouwd als de (of een) oplossing van het probleem. SCORE is zó opgezet dat stabiele situaties zo goed mogelijk overeenkomen met legale patronen (in dit rapport legale afleidingen genoemd), d.w.z. symboolcombinaties zoals de expert die aan het netwerk heeft geleerd. Logische, door de expert gedefinieerde, bij elkaar behorende expertsymbolen (bijvoorbeeld de symbolen kleur[groen]; kleur[rood]; kleur[geel]) worden units genoemd en staan onder de hoede van sequentiële unitbesturingen. De unit is in SCORE het kleinst ondeelbare element en kan in het geval van een parallelle implementatie nog worden toegekend aan een processor. Voordat inferentie kan plaatsvinden moet de expert, zoveel mogelijk rekening houdend met duidelijk gedefinieerde semantische eisen, een kennisstructuur, d.w.z. een structuur tussen de verschillende units, definiëren. De structuur heeft invloed op de performance van het systeem, maar is niet van cruciaal belang. Het is bedoeld om het aantal relaties tussen de subsymbolen in te perken. Vervolgens moet het netwerk worden getraind met voorbeelden. Deze voorbeelden worden de legale afleidingen. Aan de hand van deze voorbeelden bepaalt SCORE of er semantische eisen worden geschonden. Indien dat het geval is, worden er automatisch (voor de gebruiker onzichtbaar) dan wel extra units, dan wel extra subsymbolen geïntroduceerd. SCORE zorgt er automatisch voor dat de kennis voortdurend consistent blijft. Om de betekenis van de relaties tussen de subsymbolen niet te verliezen is de kanstheorie zover als mogelijk in SCORE verwerkt. Het inferentiemechanisme is gericht op het, uitgaande van de waarneming, vinden van een bijbehorend trainingsvoorbeeld. Als er meerdere voldoen, of als er geen enkele voldoet, dan moet een zo goed mogelijke worden gevonden. Om met dat zoekproces niet in lokale optima terecht te komen, is 'Simulated Annealing', een afgeleide van de tweede hoofdwet van de thermodynamica, toegepast. Aan het geheel is een kennisacquisitiemodule gekoppeld waarmee inferentieresultaten in de verbindingen van het netwerk kunnen worden verwerkt. Hiermee kan het op de praktijk worden afgestemd.