Trong các cách tiếp cận trên, mặc dù mỗi cách tiếp cận đều cung cấp một giải pháp hiệu quả cho một lĩnh vực cụ thể hay một kiểu lập luận cụ thể, nhưng dường như không một cách nào cung cấp một giải pháp cho vấn đề chung, từ
việc thu thập dữ liệu của cảm biến để phân phát cho các ứng dụng với dữ liệu ngữ cảnh mức cao. Tương tự như vậy, không một cách nào trong số đó có thể thỏa mãn tất cả các yêu cầu của một kỹ thuật mô hình hóa ngữ cảnh đầy đủ.
Các mô hình không gian cung cấp các thủ tục hiệu quả để thực thi các truy vấn không gian điển hình; tuy nhiên, chúng không giải quyết tính không chắc chắn của việc đọc vị trí thực tế. Thêm vào đó, sự tương liên giữa các mô hình không gian khác nhau có thể đạt được dễ dàng khi thông tin vị trí được giới hạn về dữ liệu không gian đơn giản; nếu các lĩnh vực không gian phức tạp hơn được mô hình hóa, sự tương liên có thể đạt được chỉ bằng cách thông qua các ngôn ngữ biểu diễn (ví dụ sự kết cặp các mô hình khác nhau với ontology dùng chung về vị trí).
Với các mô hình dựa sự kiện, ngôn ngữ CML có thuận lợi trong việc hỗ trợ của nó cho các kỹ nghệ phần mềm và trong việc cân bằng tốt giữa năng lực biểu diễn và các thủ tục lập luận hiệu quả cho ngôn ngữ đó. Thật vậy, logic vị từ hỗ trợ bởi CML rất phù hợp để biểu diễn các tình huống động. Tuy nhiên để biểu diễn hiệu quả, ngôn ngữ đó biểu diễn kém hơn bản thể học như OWL-DL. Một thiếu sót đáng kể của CML với việc hạn chế biểu cảm ngôn ngữ là thiếu để hỗ trợ cho các miêu tả ngữ cảnh phân cấp. Thêm nữa, thậm chí nếu CML hỗ trợ các truy vấn trên thông tin không chắc chắn qua một logic 3 giá trị thì một hỗ trợ sâu hơn cho việc lập luận và mô hình hóa về tính không chắc chắn vẫn là điều ao ước.
Cuối cùng, các mô hình ontology có các thuận lợi rõ ràng về việc hỗ trợ cho: a) Khả năng tương tác
b) Tính không đồng nhất
c) Khả năng biểu diễn các mối quan hệ phức tạp và sự phụ thuộc giữa dữ liệu ngữ cảnh
Tuy nhiên, khi xem xét sự cân bằng giữa năng lực biểu cảm và sự phức tạp, lựa chọn các mô hình ontology có thể là không phải lúc nào cũng thỏa mãn. Các bản thể học không là phù hợp tốt để biểu diễn một vài dữ liệu ngữ cảnh động nhưng thích ứng các sở thích của người dùng. Thêm vào đó, thậm chí nếu một vài mở rộng của OWL-DL để biểu diễn và lập luận về tính mơ hồ và không chắc chắn thì ngôn ngữ ontology và các công cụ lập luận có liên quan là không hoàn toàn hỗ trợ tính không chắc chắn trong ngữ cảnh.
Các xem xét trên dường như gợi ý rằng các mô hình và các công cụ lập luận khác nhau cần được tích hợp với nhau. Trong lĩnh vực biểu diễn tri thức, một cách tiếp cận thay thế để sử dụng một hình thức đơn rất biểu cảm được xác định trong các hình thức biểu diễn tri thức lai; ví dụ như các hình thức được đưa
bởi các ngôn ngữ con khác nhau để biểu diễn các kiểu khác nhau của tri thức, và gần như được kết hợp với các thủ tục lập luận. Một trong những thuận lợi của các hình thức này là độ phức tạp của lập luận lai nhìn chung là không đáng lo so với độ phức tạp lập luận với các ngôn ngữ con đơn lẻ.