Vanpaemel, W. (2016). Prototypes, exemplars and the response scaling parameter: A Bayes factor perspective.?Journal of Mathematical Psychology, 183-190.
原型理論的最初支持證據(jù): 不可見的原型實例有時比舊的實例更容易分類(Posner & Keele, 1968)溶耘，以及原型模型的預測比范例模型的預測更接近經(jīng)驗觀察數(shù)據(jù)(Reed, 1972)。
形式化建模（formal modeling）顯示范例理論也可以解釋原型效應(Medin & Schaffer服鹅，1978)凳兵，并且范例預測能更好地匹配數(shù)據(jù)(see, e.g., Nosofsky, 1992, for an overview)。
在一系列文章中企软，JD Smith和他的同事表明庐扫，在某些情況下，原型模型比范例模型對數(shù)據(jù)的擬合更好(Minda & Smith, 2001, 2002; Smith & Minda, 2000, 2002; Smith, Murray, & Minda, 1997)。
然而形庭，范例理論研究者指出原型理論研究者使用的范例模型是一個被范例研究長期拋棄的受限版本(e.g., Nosofsky & Johansen, 2000; Nosofsky & Zaki, 2002)铅辞。大多數(shù)范例研究者使用的最新版本包含一個額外的參數(shù)——響應比例參數(shù)（The response scaling parameter）。
范例模型的受限版本被原型研究采用的原因在于萨醒，該版本與原型模型具有相同數(shù)量的參數(shù)斟珊，因此相對容易進行模型比較。而采用范例模型的較新版本與原型模型進行比較無法判斷出較好的數(shù)據(jù)擬合是由于范例模型提供了與人們學習類別的更好的近似方式富纸，還是由于參數(shù)數(shù)量的差異囤踩。
因此，范例理論研究者不接受原型理論的結果晓褪，因為這些比較的結果通扯率基于范例模型的受限版本。原型理論研究者不接受范例理論的結果涣仿，因為他們認為這些結果通常是基于參數(shù)數(shù)量的差異勤庐。
問題在于雙方這樣做都是正確的。因此原型對范例的爭論陷入了僵局好港。
在文章中愉镰，作者證明了貝葉斯因子可以提供了范例模型的最新版本與原型模型的比較，而不用擔心參數(shù)數(shù)量差異的問題媚狰〉荷保基于此，類別學習建模者可以停止批評彼此的建模選擇崭孤，開始專注于促進或阻礙具象抽象的上下文和個體條件类嗤。
作者在貝葉斯因子證明中采用的兩個模型：
范例模型——Nosofsky’s(1986) Generalized Context Model (GCM)
原型模型——Multiplicative Prototype Model(MPM,Nosofsky,1987;Smith&Minda,2000).
采用貝葉斯因子的兩個好處：
1.提供了一種比較范例模型和原型模型的可能性，這種比較方式是雙方研究者都應該能接受的辨宠。
2.使用貝葉斯因子鼓勵了雙方研究者仔細思考模型的參數(shù)意味著什么遗锣，并在之前對這些參數(shù)的理論進行形式化。
