Mantener la coherencia lógica en explicaciones estructuradas es fundamental para comprender y solucionar el razonamiento detrás de las decisiones de un sistema. Sin embargo, los métodos existentes para la generación de árboles de implicación a menudo tienen dificultades con la coherencia lógica, lo que resulta en conclusiones intermedias erróneas y reduce la precisión general de las explicaciones. Para abordar este problema, proponemos la deducción basada en casos, un enfoque novedoso que recupera casos con estructuras lógicas similares de una base de casos y los utiliza como demostraciones para la deducción lógica. Este método guía al modelo hacia conclusiones lógicamente sólidas sin necesidad de construir manualmente bases de reglas lógicas. Al aprovechar una red prototípica para la recuperación de casos y reordenarlos utilizando la entropía de la información, se introduce diversidad para mejorar el aprendizaje contextual. Nuestros resultados experimentales en el conjunto de datos EntailmentBank muestran que mejora significativamente la generación de árboles de implicación, logrando mejoras de rendimiento del 1,7% en la Tarea 1, 0,6% en la Tarea 2 y 0,8% en la Tarea 3 bajo la métrica Overall AllCorrect más estricta. Estos hallazgos confirman que mejora la coherencia lógica y la precisión general de los sistemas de IA en tareas de explicación estructurada.