MYCIN は、かなりシンプルな推論エンジンと約600のルールの知識ベースを使って動作しました。 プログラムを実行している医師に、簡単な「はい/いいえ」またはテキスト形式の質問を長く続けて問い合わせることになります。 最後に、各診断の確率、各診断の確率に対する信頼度、各診断の背後にある理由（つまり、MYCINは診断を特定の方法でランク付けするように導いた質問とルールもリストアップする）、および推奨される薬物治療のコースに基づいて、高い方から低い方へランク付けした原因菌のリストを提供する。 開発者は、MYCINの性能が個々のルールに関連する不確実性メトリックの摂動によってほとんど影響を受けないことを示す研究を行い、システムの力がその数値不確実性モデルの詳細よりもその知識表現と推論スキームに関連していたことを示唆した。 一部のオブザーバーは、古典的なベイズ統計学を使用することが可能であったはずだと感じている。 MYCINの開発者は、これには確率的独立性の非現実的な仮定が必要になるか、あるいは専門家が実現不可能なほど多数の条件付き確率の推定値を提供する必要があると主張した

その後の研究で、確実性因子モデルは確かに確率的な意味で解釈できることがわかり、そうしたモデルの仮定が持つ問題点が強調された。 1199>

Evidence combinationEdit

MYCINでは、2つ以上の規則が異なる証拠の重みでパラメータに関する結論を導き出すことが可能であった。 たとえば、あるルールが問題の生物を0.8の確度で大腸菌と結論づける一方、別のルールが0.5または-0.8の確度で大腸菌と結論づける場合があります。 確信度が0より低い場合、その仮説に反する証拠となります。 MYCINは、確からしさを計算するために、以下の式でこれらの重みを組み合わせて、一つの確からしさを算出します。

C F ( x , y ) = { X + Y – X Y if X , Y > 0 X + Y + X Y if X , Y < 0 X + Y 1 – min ( | X | , | Y | ) otherwise {displaystyle CF(x., y) {displaystyle CF(x.) { dd,y)={\begin{cases}X+Y-XY&{\text{if }}X,Y>0\\X+Y+XY&{\text{if }}X,Y<0\\{\frac {X+Y}{1-\min(|X|,|Y|)}}&{\text{otherwise}}\end{cases}}}