Eine symbolisch-connectionistische Theorie der relationalen Inferenz und Generalisierung.

Die Autoren präsentieren eine Theorie, wie relationale Inferenz und Generalisierung innerhalb einer kognitiven Architektur erreicht werden können, die psychologisch und neuronal realistisch ist. Ihr Vorschlag ist eine Form des symbolischen Connectionismus: ein connectionistisches System, das auf verteilten Repräsentationen von Bedeutungen von Konzepten basiert und temporale Synchronizität nutzt, um Füller und Rollen in relationale Strukturen zu binden. Die Autoren präsentieren eine spezifische Instanziierung ihrer Theorie in Form eines Computersimulationsmodells, Lernen und Inferenz mit Schemata und Analogien (LISA). Durch die Verwendung einer Art selbstüberwachtem Lernen kann LISA spezifische Inferenz ziehen und neue relationale Generalisierungen bilden und kann somit neue Schemata durch Induktion aus Beispielen erwerben. Die Autoren demonstrieren die Ausreichendheit des Modells, indem sie es verwenden, um eine Reihe empirischer Phänomene zur analogischen Inferenz und relationalen Generalisierung zu simulieren.