長期記憶：貯蔵（情報処理理論）

Introduction

本節では、長期記憶（LTM）における情報ストレージについて説明します。脳内を覗き込む窓がないため、LTMに関する知識は限られていますが、研究によってストレージプロセスの一貫性のある全体像が描かれてきました。

このレッスンでのLTMの特徴付けは、知識がネットワーク内の場所またはノードとして表現され、ネットワークが相互に接続（関連付け）されている構造を含みます。これらの認知ネットワークと、コースの以前で議論されたニューラルネットワークとの類似性に注意してください。ネットワークについて議論する場合、主に宣言的知識と手続き的知識を扱います。条件付き知識は、認知処理を監視および指示するメタ認知活動とともに、コースのセクション7で取り上げられます。ほとんどの知識はLTMに言語コードで保存されていると想定されていますが、このレッスンの最後にイメージの役割についても取り上げます。

命題

命題の性質

命題とは、真偽を判断できる最小の情報単位のことです。命題は、長期記憶（LTM）における知識と意味の基本的な単位です（Anderson, 1990; Kosslyn, 1984; Norman & Rumelhart, 1975）。以下のそれぞれが命題です。

独立宣言は1776年に署名された。
。
フリーダおばさんはカブが嫌いだ。
私は数学が得意だ。
主な登場人物は物語の早い段階で紹介される。

これらの命題のサンプルは、真偽を判断できます。ただし、人々はその判断に同意しない場合があることに注意してください。カルロスは自分が数学が苦手だと思っているかもしれませんが、彼の先生は彼が非常に得意だと思っているかもしれません。

命題の正確な性質はよく理解されていません。命題は文として考えることができますが、文の意味である可能性が高いです（Anderson, 1990）。研究は、情報を完全な文としてではなく、命題として記憶に保存するという点を支持しています。Kintsch（1974）は、参加者に同じ長さだが、含まれる命題の数が異なる文を読ませました。文に含まれる命題が多いほど、参加者がそれを理解するのに時間がかかりました。これは、学生が「独立宣言は1776年に署名された」という文を生成できても、記憶に保存されているのは、おそらく本質的な情報のみを含む命題（独立宣言：署名—1776）であることを意味します。特定の例外（詩の暗記など）を除いて、人々は通常、正確な言葉遣いではなく意味を保存するようです。

命題は、個々のノードまたは場所で構成されるネットワークを形成します。ノードは個々の単語として考えることができますが、その正確な性質は不明ですが、おそらく抽象的です。たとえば、歴史の授業を受けている学生は、おそらく「本」、「先生」、「場所」、「左隣に座っている学生の名前」などのノードを含む「歴史の授業」ネットワークを持っているでしょう。

命題ネットワーク

命題は、一連のルールに従って形成されます。研究者は、どのルールがそのセットを構成するかについては意見が一致しませんが、一般的に、ルールがノードを組み合わせて命題にし、次に命題をより高次の構造またはネットワーク（相互に関連する命題のセット）にすると考えています。

AndersonのACT理論（Anderson, 1990, 1993, 1996, 2000; Anderson et al., 2004; Anderson, Reder, & Lebiere, 1996）は、命題構造を持つLTMのACT-R（Adaptive Control of Thought-Rational）ネットワークモデルを提案しています。ACT-Rは、心のすべてのコンポーネントがどのように連携して一貫性のある認知を生み出すかを説明しようとする認知アーキテクチャのモデルです（Anderson et al., 2004）。命題は、主語と述語のリンク、つまり関連付けによって2つのノードを組み合わせることによって形成されます。1つのノードが主語を構成し、別のノードが述語を構成します。例は、「フレッド（は）金持ちだ」や「買い物（は）時間がかかる」です。2番目のタイプの関連付けは、関係と引数のリンクです。ここで、関係は（意味的には）動詞であり、引数は関係の受取人、または関係の影響を受けるものです。例は、「ケーキを食べる」や「パズルを解く」です。関係の引数は、複雑な命題を形成するための主語または述語として機能できます。例は、「フレッドはケーキを食べる」や「パズルを解く（のには）時間がかかる」です。

命題は、共通の要素を共有するときに相互に関連付けられます。共通の要素により、人々は問題を解決し、環境の要求に対処し、類似点を引き出すことができます。共通の要素がなければ、転移は起こりません。すべての知識は個別に保存され、情報処理は遅くなります。あるドメインに関連する知識が他のドメインにも関連することに気付かないでしょう。

図「命題ネットワークの例」は、命題ネットワークの例を示しています。共通の要素は「猫」です。なぜなら、「猫が正面の芝生を横切って歩いた」と「猫がネズミを捕まえた」という命題の一部だからです。前者の命題は自分の家に関する他の命題とリンクされ、後者の命題はネズミに関する命題とリンクされていると想像できます。

証拠は、命題が階層構造で組織化されていることを示唆しています。CollinsとQuillian（1969）は、人々が情報を最も一般的なレベルで保存することを示しました。たとえば、「動物」のLTMネットワークは、「動く」や「食べる」などの事実を最上位レベルに保存します。このカテゴリには、「鳥」や「魚」などの種が含まれます。「鳥」の下には、「翼がある」、「飛ぶことができる」、「羽がある」が保存されます（ただし、例外があります—鶏は鳥ですが、飛びません）。鳥が食べたり動いたりするという事実は、「鳥」のレベルには保存されていません。なぜなら、その情報は動物というより高いレベルに保存されているからです。CollinsとQuillianは、概念が記憶に保存されるほど、検索時間が長くなることを発見しました。

階層的な組織のアイデアは、情報が常に階層的ではないことを示す研究によって修正されました。したがって、「コリー」は動物階層では「動物」よりも「哺乳類」に近いですが、人々はコリーが哺乳類であることに同意するよりも、コリーが動物であることに同意する方が迅速です（Rips, Shoben, & Smith, 1973）。

さらに、なじみのある情報は、その概念とその最も一般的なレベルの両方に保存される場合があります（Anderson, 1990）。バードフィーダーを持っていて、鳥が食べているのをよく見ている場合は、「食べる」を「鳥」と「動物」の両方に保存している可能性があります。この発見は、命題が組織化され、相互接続されているという中心的なアイデアを損なうものではありません。一部の知識は階層的に組織化されている可能性がありますが、多くの情報は、命題ネットワークでより体系的でない方法で組織化されている可能性があります。

知識の貯蔵

宣言的知識

宣言的知識（何かが事実であることを知ること）には、事実、信念、意見、一般化、理論、仮説、および自己、他者、および世界の出来事に関する態度が含まれます（Gupta＆Cohen、2002; Paris et al。、1983）。これは、通常、関連する命題ネットワークで、新しい命題がLTMに格納されるときに取得されます（Anderson、1990）。ACT理論は、宣言的知識が基本的な情報と関連するカテゴリを含むチャンクで表されると仮定しています（Anderson、1996; Anderson、Reder、＆Lebiere、1996）。

ストレージプロセスは、次のように動作します。まず、学習者は、教師がステートメントを作成したり、学習者が文を読んだりするなど、新しい情報を受け取ります。次に、新しい情報は、学習者のWMで1つ以上の命題に変換されます。同時に、LTM内の関連する命題が合図されます。新しい命題は、拡散アクティベーションのプロセスを通じて、WM内の関連する命題に関連付けられています（次のセクションで説明します）。この時点で、学習者は追加の命題を生成する可能性があります。最後に、すべての新しい命題（受信したものと学習者が生成したもの）は、LTMにまとめて保存されます（Hayes-Roth＆Thorndyke、1979）。

図「宣言的知識の貯蔵」は、このプロセスを示しています。教師が米国憲法のユニットを発表しており、クラスに「米国副大統領は上院議長を務めますが、引き分けがない限り投票しません」と言っていると仮定します。この声明は、副大統領（たとえば、大統領と一緒に選出され、大統領が死亡または辞任した場合に大統領になり、反逆罪で弾劾される可能性がある）および上院（たとえば、100人のメンバー、各州から2人が選出され、6年間の任期）に関連する学生の記憶に保存されている他の命題的知識を合図する可能性があります。これらの命題をまとめると、学生は50人の上院議員が法案に賛成票を投じ、50人が反対票を投じた場合、副大統領が投票すると推測する必要があります。

学生が新しい情報をリンクする既存の命題を持っていない場合、ストレージの問題が発生する可能性があります。米国憲法について聞いたことがなく、憲法が何であるかを知らない学生は、初めてその言葉を聞いたときに戸惑うでしょう。概念的に意味のない情報をLTMに保存できますが、新しい情報が知っていることに関連付けられている場合、学生はよりよく学習します。学生に米国憲法のファクシミリを見せたり、彼らが研究したもの（たとえば、独立宣言）に関連付けたりすると、新しい情報とリンクする参照が表示されます。

学生が関連資料を研究した場合でも、自動的に新しい情報とリンクしない場合があります。多くの場合、リンクを明示的にする必要があります。上院における副大統領の機能について議論するとき、教師は学生に米国上院の構成と副大統領の他の役割を思い出させることができます。共通の要素を共有する命題は、WMで同時にアクティブな場合にのみLTMでリンクされます。この点は、教師にはリンクが明確であっても、学生が新しい資料が古い資料にどのように関連しているかを見ることができない理由を説明するのに役立ちます。学習者の心に命題ネットワークを最もよく確立する命令には、レビュー、資料の整理、および現在考えていないことを思い出させることが組み込まれています。

多くの記憶プロセスと同様に、有意味性、組織化、および精緻化は、情報を記憶に保存することを促進します。有意味性は、有意味な情報を記憶内の既存の情報と簡単に関連付けることができるため重要です。その結果、リハーサルはあまり必要なく、WMの情報スペースと時間を節約できます。オープニングシナリオで議論されている学生は、代数を有意味にすることができず、教師はコンテンツを有意味な方法で教えないことに不満を表明しています。

BransfordとJohnson（1972）による研究は、ストレージと理解における有意味性の役割を劇的に示しています。次の文章を検討してください:

手順は実際には非常に簡単です。まず、物をさまざまなグループに配置します。もちろん、やるべきことがどれだけあるかに応じて、1つの山で十分な場合があります。施設が不足しているために別の場所に行かなければならない場合は、次のステップです。そうでない場合は、かなり準備ができています。物事をやりすぎないことが重要です。つまり、一度に多すぎることをするよりも、少なすぎることをする方が良いです。短期的にはこれは重要ではないように思えるかもしれませんが、合併症は簡単に発生する可能性があります。間違いも高くつく可能性があります。最初は、手順全体が複雑に見えます。しかし、すぐに、それは人生のもう1つの側面になります。近い将来、このタスクの必要性が終わることは予測できませんが、そうなることはわかりません。手順が完了したら、材料を再び異なるグループに配置します。次に、それらを適切な場所に置くことができます。最終的には、それらはもう一度使用され、サイクル全体を繰り返す必要があります。しかし、それは人生の一部です。（p.722）

事前の知識がない場合、記憶内の既存の知識に関連付けることが難しいため、この文章を理解して記憶に保存することは困難です。ただし、それが「洗濯物」についてであることを知っていると、思い出しやすくなり、理解しやすくなります。BransfordとJohnsonは、トピックを知っていた学生は、トピックを知らなかった学生の約2倍の量を思い出したことを発見しました。学習における有意味性の重要性は、他の多くの研究で実証されています（Anderson、1990; Chiesi、Spilich、＆Voss、1979; Spilich、Vesonder、Chiesi、＆Voss、1979）。

組織化は、整理された資料は、整理されていない資料よりも既存の記憶ネットワークに関連付けやすいため、ストレージを容易にします（Anderson、1990）。資料が階層的な配置に編成できる範囲で、LTMに受け入れられる準備ができている構造が提供されます。既存のLTMネットワークがない場合、整理されていない情報よりも、整理された情報の方が新しいLTMネットワークを作成するのが簡単です。

精緻化、つまり学習する資料に情報を追加するプロセスは、情報を精緻化することで、学習者はそれを知っていることに関連付けることができるため、ストレージを改善します。拡散アクティベーションを通じて、精緻化された資料は、記憶内の情報とすばやくリンクされる可能性があります。たとえば、教師はエトナ山の火山について議論しているかもしれません。火山に関する個人的な知識（たとえば、セントヘレンズ山）に関連付けることで知識を精緻化できる学生は、記憶内の新しい情報と古い情報を関連付け、新しい資料をよりよく保持できます。

拡散アクティベーション

拡散アクティベーションは、新しい情報がLTMの知識にどのようにリンクされるかを説明するのに役立ちます（Anderson、1983、1984、1990、2000; Collins＆Loftus、1975）。基本的な基本原則は次のとおりです（Anderson、1984）:

人間の知識は、ノードのネットワークとして表すことができます。ここで、ノードは概念に対応し、リンクはこれらの概念間の関連付けに対応します。
このネットワーク内のノードは、アクティベーションのレベルに対応するさまざまな状態になる可能性があります。よりアクティブなノードは「より良く」処理されます。
アクティベーションは、ノードが隣接するノードをアクティブにできるメカニズムによって、これらのネットワークパスに沿って拡散できます。（p.61）

アンダーソン（1990）は、犬という言葉が提示された個人の例を引用しています。この言葉は、骨、猫、肉など、個人のLTMの他の概念と関連付けられています。次に、これらの各概念は他の概念にリンクされています。LTMでの犬のアクティベーションは、犬を超えてリンクされた概念に広がり、犬から遠い概念になるほど広がりが小さくなります。

拡散アクティベーションの存在に関する実験的サポートは、MeyerとSchvaneveldt（1971）によって得られました。これらの研究者は、参加者に2つの文字の文字列を提示し、両方が単語かどうかを判断するように依頼する反応時間タスクを使用しました。連想的にリンクされた単語（パン、バター）は、リンクされていない単語（看護師、バター）よりも速く認識されました。

拡散アクティベーションにより、WMのコンテンツとすぐに関連付けられている知識よりも、LTMのより大きな部分がアクティブ化されます。アクティブ化された情報は、意図的にアクセスされない限りLTMに残りますが、この情報はWMに簡単にアクセスできます。拡散アクティベーションは、知識をさまざまなドメインに転送することも容易にします。転送は、LTMの命題ネットワークが同じキューによってアクティブ化されるかどうかに依存するため、学生は知識がドメインで適用可能であることを認識します。

スキーマ

命題ネットワークは、小さな知識を表しています。スキーマ（またはスキーマタ）は、オブジェクト、人、およびイベントの構造を表す大規模なネットワークです（Anderson、1990）。構造は一連の「スロット」で表され、それぞれが属性に対応します。家のスキーマまたはスロットでは、いくつかの属性（およびそれらの値）は次のようになる可能性があります。材料（木材、レンガ）、内容（部屋）、および機能（人間の住居）。スキーマは階層的です。それらは上位のアイデア（建物）と下位のアイデア（屋根）に結合されます。

Brewer and Treyens（1981）は、スキーマの根底にある性質の研究サポートを見つけました。個人は、短い間オフィスで待つように依頼されました。その後、オフィスについて思い出せることをすべて書き留めた部屋に連れて行かれました。リコールは、オフィスのスキーマの強い影響力を受けました。彼らは、オフィスに机と椅子（典型的な属性）があることを正しく思い出ししたが、オフィスに頭蓋骨（非典型的な属性）が含まれていることは思い出しませんでした。本はオフィスの典型的な属性です。オフィスに広告の本はありませんでしたが、多くの人が誤って本を思い出しました。

スキーマは、教育中および転送にとって重要です（Matlin、2009）。学生がスキーマを学習すると、教師はスキーマが適用可能なコンテンツを教えるときにこの知識をアクティブにできます。インストラクターが地理的な形成（たとえば、山、火山、氷河、川）を記述するための一般的なスキーマを教えることを想定します。スキーマには、高さ、材料、活動などの属性が含まれている場合があります。学生がスキーマを学習すると、それを使用して、研究する新しい形成を分類できます。そうすることで、さまざまな形成のために新しいスキーマを作成します。

手続き的知識

手続き的知識、または認知活動を実行する方法に関する知識（Anderson、1990; Gupta＆Cohen、2002; Hunt、1989; Paris et al。、1983）は、学校の学習の多くに不可欠です。数学の問題を解決したり、情報を要約したり、文章を斜めに読んだり、実験室のテクニックを実行したりするために、手続き的知識を使用します。

手続き的知識は、宣言的知識が保存されるのとほぼ同じように、言語コードと画像として保存される場合があります。ACT理論は、手続き的知識がプロダクションシステムとして保存されると仮定しています（Anderson、1996; Anderson、Reder、＆Lebiere、1996）。プロダクションシステム（またはプロダクション）は、条件–アクションシーケンス（ルール）のネットワークであり、条件はシステムをアクティブにする一連の状況であり、アクションは発生する一連のアクティビティです（Anderson、1990; Andre、1986;次のセクションを参照）。プロダクションシステムは、概念的にはニューラルネットワークに似ています。

生成システムとコネクショニストモデル

生成システムとコネクショニストモデルは、認知学習過程の働きを検証するためのパラダイムを提供する（Anderson, 1996, 2000; Smith, 1996）。コネクショニストモデルは、認知学習に関する比較的新しい視点を提供する。今日まで、教育に関連するコネクショニストモデルの研究はほとんどない。追加の資料は、コネクショニストモデルに関するさらなる情報を提供する（Bourne, 1992; Farnham-Diggory, 1992; Matlin, 2009; Siegler, 1989）。

生成システム

ACT—活性化理論—は、生成システム（または生成）が条件–行動の連鎖（規則）のネットワークであり、条件はシステムを活性化させる一連の状況であり、行動は発生する一連の活動であると規定する（Anderson, 1990, 1996, 2000; Anderson, Reder, & Lebiere, 1996; Andre, 1986）。生成はif–then文で構成される。If文（条件）には、目標とテスト文が含まれ、then文は行動である。例として:

もし私が2つの数字を見て、それらを足さなければならない場合、
次に、どちらが大きいかを判断し、その数字から始めて次の数字まで数え上げる。（Farnham-Diggory, 1992, p. 113）

生成は、条件（条件知識）を付加できる手続き的知識の形式であるが、宣言的知識も含まれている。

スキルを実行するための手続きの学習は、しばしばゆっくりと起こる（J. Anderson, 1982）。まず、学習者は一連の行動を宣言的知識の観点から表現する。シーケンスの各ステップは命題として表現される。学習者は徐々に個々の手がかりを落とし、個別のステップを連続した一連の行動に統合する。たとえば、数字の列を加算することを学習する子供は、最初は各ステップをゆっくりと実行し、おそらく声に出して言葉にする。彼らがより熟練するにつれて、加算は自動的でスムーズなシーケンスの一部になり、迅速かつ意図的な意識を伴わずに発生する。自動性は、多くの認知プロセスの中心的な特徴である（例：注意、検索）（Moors & De Houwer, 2006）。プロセスが自動化されると、処理システムはタスクの複雑な部分に専念できる。

スキル学習の主な制約は、WMのサイズ制限である（Baddeley, 2001）。WMがすべての宣言的知識の命題を同時に保持できれば、手続きはより迅速に学習されるだろう。それができないため、学生は命題をゆっくりと結合し、定期的に停止して考える必要がある（例：「次に何をすべきか？」）。WMには、学習の初期段階で大きな手続きを作成するのに十分なスペースがない。命題が小さな手続きに結合されると、後者は他の命題と同時にWMに格納される。このようにして、より大きな生成が徐々に構築される。

これらのアイデアは、学生が前提条件となるスキルを実行できる場合（つまり、それらが自動的になる場合）、スキル学習がより速く進む理由を説明する。後者が十分に確立された生成として存在する場合、それらは統合される新しい命題と同時にWMでアクティブになる。長除算の問題を解決することを学習する際に、乗算の方法を知っている学生は、必要に応じて手順を思い出すだけでよい。長除算の他のステップとともに学習する必要はない。これは冒頭のシナリオの問題ではないようだが、基本的なスキルが不足している学生（例：加算、乗算）にとって代数学を学習することは難しい。なぜなら、単純な代数の問題でさえ正しく答えるのが難しくなるからである。読字障害のある子供たちは、情報を効果的に処理し、同時に保存する能力が欠けているように見える（de Jong, 1998）。

場合によっては、ステップを詳細に指定することが難しい。たとえば、創造的に考えることは、学生ごとに同じシーケンスに従わない場合がある。教師は、創造的思考をモデル化して、「他に可能性はないか？」などの自己質問を含めることができる。ステップを指定できる場合は常に、教師による手順のステップのデモンストレーションに続いて、学生の練習が効果的である（Rosenthal & Zimmerman, 1978）。

手続きの学習における1つの問題は、学生がそれらを適切であるかどうかにかかわらず、従うべきロックステップシーケンスと見なす可能性があることである。ゲシュタルト心理学者は、機能的固定、つまり問題への非弾力的なアプローチが、問題解決を妨げる方法を示した（Duncker, 1945）。学習中にシーケンスを断固として守ることは、その習得を支援するかもしれないが、学習者は他の方法がより効率的である状況も理解する必要がある。

場合によっては、学生は代替の、より簡単な手順を使用することを避けるほど、スキル手順を過剰に学習する。同時に、学生が学習する手順の多くには、代替手段がほとんどない（例：単語の解読、数字の加算、主語–動詞の一致の決定）。これらのスキルを自動生成のポイントまで過剰に学習することは、学生にとって資産となり、これらの基本的なスキルの習得を必要とする新しいスキル（例：推論の引き出し、学期論文の作成）を学習しやすくする。

基本的な数学的事実と解読スキルが不足している学生に問題解決や推論スキルを教えることは、ほとんど意味がないと主張する人もいるかもしれない。基本的な数値的事実の把握が不十分であることは、複雑な算術タスクでのパフォーマンスが低いことに関連しており（Romberg & Carpenter, 1986）、遅い解読は理解力が低いことに関連している（Calfee & Drum, 1986; Perfetti & Lesgold, 1979）。スキル学習が影響を受けるだけでなく、自己効力感も損なわれる。

練習は、基本的な手続き的知識を確立するために不可欠である（Lesgold, 1984）。学習の初期段階では、学生は手順のどの部分を正しく実装し、どの部分を修正する必要があるかを強調する修正フィードバックを必要とする。多くの場合、学生は手順の一部を学習するが、他の部分は学習しない。学生がスキルを習得するにつれて、教師は問題をより迅速またはより正確に解決する上での進歩を指摘できる。

手続き的知識の転移は、知識がLTM内の異なるコンテンツとリンクされている場合に発生する。転移は、学生が手順を異なるコンテンツに適用し、必要に応じて手順を変更することで支援される。一般的な問題解決戦略は、さまざまな学術コンテンツに適用できる。学生は、それらを異なる科目（例：読書、数学）に適用することで、それらの一般性について学習する。

生成は認知学習に関連するが、いくつかの問題に対処する必要がある。ACT理論は、多様な現象を説明するために、単一の認知プロセスセットを前提としている（Matlin, 2009）。この見解は、学習の種類に応じて異なるプロセスを区別する他の認知的視点と矛盾する（Shuell, 1986）。RumelhartとNorman（1978）は、3種類の学習を特定した。付加は、既存のスキーマの観点から新しい情報をエンコードすることを含む。再構築（スキーマの作成）は、新しいスキーマを形成するプロセスである。そして、チューニング（スキーマの進化）は、さまざまなコンテキストで使用するときに発生するスキーマのゆっくりとした修正と洗練を指す。これらには、異なる量の練習が含まれる。チューニングには多く、付加と再構築には少ない。

ACTは、基本的に学習を首尾一貫した方法でシミュレートするように設計されたコンピュータープログラムである。そのため、人間の学習に関与するさまざまな要因に対処しない可能性がある。1つの問題は、人々が特定の状況でどの生成を使用するかをどのように知るかである。特に、状況が異なる生成の使用に適している場合。生成は尤度の観点から順序付けられる場合があるが、状況に応じてどの生成が最適かを判断するための手段が利用可能でなければならない。また、生成がどのように変更されるかという問題も懸念される。たとえば、生成が効果的に機能しない場合、学習者はそれを破棄するか、修正するか、または保持するが、より多くの証拠を求めるか？生成がいつどのように変更されるかを決定するメカニズムは何ですか？

もう1つの懸念は、Anderson（1983、1990）が、生成は宣言的知識として始まると主張していることに関連している。この仮定は、このシーケンスが常に従うとは限らないという証拠を考えると、強すぎるように思われる（Hunt, 1989）。スキル手順を宣言的知識の断片として表現することは、本質的に習得への道のりにおける中継地点であるため、学生が個々のステップを学習する必要があるかどうか疑問に思うかもしれない。個々のステップは最終的には使用されなくなるため、学生がそれらを練習できるように時間を費やす方が良いかもしれない。徐々に手順を開発するにつれて、参照できるステップのリストを学生に提供することで、学習が促進され、自己効力感が高まる（Schunk, 1995）。

最後に、一般的に説明されているように、生成システムは、精巧な刺激応答（S-R）の関連付けにすぎないのではないかと疑問に思うかもしれない（Mayer, 1992）。命題（手続き的知識のビット）は記憶内でリンクされ、1つのピースが手がかりになると、他のピースもアクティブになる。Anderson（1983）は、生成の連合主義的な性質を認めたが、目標を組み込んでいるため、単純なS-Rの関連付けよりも高度であると考えている。この点を支持するために、ACTの関連付けはニューラルネットワーク接続に類似している。おそらく、行動主義理論の場合と同様に、ACTは学習を説明するよりもパフォーマンスをうまく説明できる。これらの質問やその他の質問（例：動機付けの役割）は、研究によって対処し、学術スキルの学習に関連付けて、教育における生成の有用性をより適切に確立する必要がある。

コネクショニストモデル

複雑な認知プロセスに関する最近の理論化の1つは、コネクショニストモデル（またはコネクショニズム。ただし、コースの前半で説明したThorndikeのコネクショニズムと混同しないように; Baddeley, 1998; Farnham-Diggory, 1992; Smith, 1996）である。生成と同様に、コネクショニストモデルは学習プロセスのコンピューターシミュレーションを表す。これらのモデルは、学習を神経系処理にリンクさせ、そこでインパルスがシナプスを横切って発火し、接続を形成する。前提は、高次の認知プロセスは、ニューロンなどの多数の基本要素を接続することによって形成されるということである（Anderson, 1990, 2000; Anderson, Reder, & Lebiere, 1996; Bourne, 1992）。コネクショニストモデルには、知識の分散表現（つまり、広いネットワーク全体に分散）、並列処理（多くの操作が同時に発生）、および多数の単純な処理ユニット間の相互作用が含まれる（Siegler, 1989）。接続は、さまざまな段階のアクティブ化（Smith, 1996）にある場合があり、システムへの入力、出力、または1つ以上の中間層にリンクされている。

RumelhartとMcClelland（1986）は、並列分散処理（PDP）のシステムについて説明した。このモデルは、記憶内の情報に関するカテゴリー判断を行うのに役立つ。これらの著者は、2つのギャングと、年齢、教育、婚姻状況、職業など、ギャングのメンバーに関する情報を含む例を提供した。記憶では、各個人の同様の特性がリンクされている。たとえば、メンバー2と5がほぼ同じ年齢で、結婚していて、同様のギャング活動に従事している場合、それらはリンクされる。メンバー2に関する情報を取得するために、人の名前でメモリユニットをアクティブ化することができ、それが他のメモリユニットをアクティブ化する。このアクティブ化の広がりを通して作成されたパターンは、個人に対するメモリ表現に対応する。BorowskyとBesner（2006）は、語彙判断を行うためのPDPモデル（例：刺激が単語であるかどうかを判断する）について説明した。

コネクショニストユニットは、メモリのアクティブ化とリンクされたアイデアの両方を含むという点で、生成といくつかの類似点がある。同時に、違いも存在する。コネクショニストモデルでは、すべてのユニットが同様であるが、生成には条件と行動が含まれている。ユニットは、パターンとアクティブ化の程度に関して区別される。もう1つの違いは規則に関するものである。生成は規則によって支配される。コネクショニズムには、設定された規則がない。ニューロンはパターンをアクティブ化する方法を「知っている」。事後的に、シーケンスのラベルとして規則を提供する場合がある（例：アクティブ化されたパターンの命名規則; Farnham-Diggory, 1992）。

コネクショニストアプローチの1つの問題は、システムがメモリ内の多くのユニットのうち、どれをアクティブ化するか、およびこれらの複数のアクティブ化がどのように統合されたシーケンスにリンクされるかをシステムがどのように知っているかを説明することである。このプロセスは、十分に確立されたパターン、たとえば、ニューロンが鳴っている電話、冷たい風、および教師が「みんな注意を払ってください！」と発表することにどのように反応するかを知っている場合には、簡単に見える。確立されていないパターンでは、アクティブ化が問題になる可能性がある。また、ニューロンが最初にどのように自己アクティブ化されるかを問うこともできる。この質問は、学習と記憶における接続の役割を説明するのに役立つため、重要である。接続の概念は妥当であり、神経学的機能に関する私たちが知っていることに基づいているように思われるが、今日まで、このモデルは学習と問題解決というよりも、知覚を説明する上でより役立っている（Mayer, 1992）。後者のアプリケーションには、かなりの研究が必要である。