问题解决与概念
前置知识回顾
本章聚焦两个紧密耦合的认知能力：解决问题和形成概念。进入本章前，需要先建立三个基础：
认知科学里两个最古老的问题，本章合在一起讲：我们怎么解决问题，以及我们怎么把世界变成可以思考的概念。前者对应推理与行动的桥梁，后者对应感知与语言的桥梁。两者在认知系统里是同构的——都涉及表征、操作算子和搜索。
学完本章，你应该能够回答：什么是良定义问题与劣定义问题？Newell-Simon 的问题空间理论核心主张是什么？试错、爬山、手段目的分析这三种启发式各自什么时候会失败？功能固着和顿悟在大脑里发生了什么？基本层级为什么是人类最自然的概念化水平？原型理论和样例理论对「分类」给出怎样不同的预测？十年法则对培养专业能力意味着什么？
1972 年，Allen Newell 和 Herbert Simon 在《Human Problem Solving》一书中提出了问题空间理论（Problem Space Theory），成为后续半个世纪问题解决研究的理论基石。该理论把认知系统视为一个信息加工系统：问题解决 = 在问题空间中沿着操作算子，从初始状态搜索到目标状态的路径。
1.1 良定义问题 vs 劣定义问题
两类问题的形式化差异
| 维度 | 良定义（Well-defined） | 劣定义（Ill-defined） |
|---|---|---|
| 初始状态 | 明确给出 | 模糊，需要问题解决者自己构造 |
| 目标状态 | 明确给出 | 往往没有唯一目标，需要先建立评价标准 |
| 操作算子 | 已知且有限 | 需要发现或创造 |
| 路径 | 可计算、可搜索 | 通常不可枚举 |
| 典型例子 | 汉诺塔、迷宫、八皇后、逻辑推理题 | 写一篇好文章、设计一把椅子、解决社会问题 |
| 研究方法 | AI 搜索算法 + 认知建模 | 格式塔心理学 + 表征重构 |
良定义问题是 AI 和认知科学早期的宠儿，因为它的形式化干净：明确的状态、明确的操作、明确的成功标准。但现实世界中绝大多数问题——职业选择、人生规划、关系冲突——都是劣定义的。课程反复强调这一点：对良定义问题研究得再多，也不能直接迁移到劣定义问题。
1.2 问题空间理论
Newell 和 Simon 把人脑建模成一个有限的符号系统。在解题时，认知系统维护一个表征当前状态的工作记忆，并通过应用操作算子把当前状态推进到下一个状态。问题解决 = 走一条从初始状态到目标状态的路径。
问题空间的形式化定义
问题空间是一个四元组 $\langle S, s_0, S_g, O \rangle$：
- $S$：所有可能状态的集合
- $s_0 \in S$：初始状态
- $S_g \subseteq S$：目标状态集合
- $O$：操作算子集合，每个算子 $o: S \to S$ 把一个状态映射到下一个
问题解决 = 找到算子序列 $o_1, o_2, \ldots, o_n$ 使得 $o_n(\cdots o_2(o_1(s_0)) \cdots) \in S_g$。
以经典的河内塔（Tower of Hanoi）为例：3 根柱子、3 个不同大小的圆盘，初始时全部按大小顺序堆在一根柱子上，目标是把它们移到另一根柱子上，每次只能移动一个圆盘，且大盘不能压在小盘上。
即使是这个看似简单的玩具问题，搜索空间也会随盘子数指数增长。3 个盘子 7 步可解，4 个盘子 15 步，$n$ 个盘子需要 $2^n - 1$ 步。这意味着，对很多良定义问题，穷举搜索在计算上不可行，必须使用启发式（heuristic）——不一定最优但够用的策略。
1.3 启发式搜索策略
启发式不是保证正确的算法，而是经验法则。以下四种是最经典的：
flowchart TB
Start(["🎯 初始状态"]):::start
Goal(["🏁 目标状态"]):::goal
S1["中间状态 A"]
S2["中间状态 B"]
S3["中间状态 C"]
S4["中间状态 D"]
Start -->|"操作 1"| S1
Start -->|"操作 2"| S3
S1 -->|"操作 3"| S2
S3 -->|"操作 4"| S4
S2 --> Goal
S4 -->|"操作 5"| Goal
S1:::state
S2:::state
S3:::state
S4:::state
classDef start fill:#dbeafe,stroke:#3b82f6,stroke-width:2px,color:#1e3a8a
classDef goal fill:#dcfce7,stroke:#16a34a,stroke-width:2px,color:#14532d
classDef state fill:#fef3c7,stroke:#d97706,stroke-width:1px,color:#78350f
问题空间示意：搜索树中的每个节点是一个状态，每条边是一次操作。问题解决 = 从根到叶子的路径搜索。
启发式 1 · 试错法（Trial and Error）
定义：随机或半随机地尝试不同操作，直到偶然碰到目标。
来源：Thorndike（1898）的迷箱实验。把猫关在必须按特定顺序完成三个动作（踩踏板、拉绳、推杆）才能逃出的笼子里，猫最初表现出杂乱无章的尝试，随着尝试次数增加，解锁时间快速下降。
优点：实现简单，不需要任何关于问题的先验知识。
缺点：当搜索空间巨大时，纯粹随机试错近乎无效。后续学习中通过效果律（Law of Effect）淘汰失败动作，保留成功动作，从而把随机搜索变成有偏的搜索。
启发式 2 · 爬山法（Hill Climbing）
定义：定义一个从当前状态到目标状态的距离度量（如汉明距离、欧氏距离），每一步选择最接近目标的操作。
形式化地，在状态 $s$ 选择使 $d(o(s), S_g)$ 最小化的算子 $o$。
优点：直观、快速，对连续优化问题尤其有效。
致命弱点 · 局部最大：当所有可选操作的代价都比当前高时，算法卡在局部极大（local maximum）而错过了真正的全局目标。课程 PPT 用了煤矿的比喻：矿工在地图上每步朝海拔最低处走，可能困在一个盆地而错过更深的矿脉。
启发式 3 · 手段目的分析（Means-End Analysis, MEA）
核心思想：识别当前状态与目标之间的差距（difference），寻找能缩小差距的算子；如果找不到，设置子目标，递归求解子问题。
Newell 和 Simon 把 MEA 形式化为一个循环：
- 比较当前状态和目标，记录差距
- 寻找能减少差距的操作算子 $o$
- 如果 $o$ 不可直接应用，设置子目标 $g'$：应用 $o$ 的前提
- 递归地解决子目标 $g'$
- 应用 $o$，回到步骤 1
flowchart TD
G1["🏠 Goal 1: 粉刷房子"]:::g1
G2["🔧 Subgoal 2: 涂刷"]:::g2
G3["🛒 Subgoal 3: 买油漆和刷子"]:::g3
G4["🏪 Subgoal 4: 去五金店"]:::g4
G4b["✅ 完成：买了油漆和刷子"]:::done
G3b["✅ 完成：刷子就位"]:::done
G2b["✅ 完成：墙面粉刷完毕"]:::done
G1b["✅ Goal 1 完成"]:::done
G1 --> G2 --> G3 --> G4 --> G4b --> G3b --> G2b --> G1b
classDef g1 fill:#dbeafe,stroke:#3b82f6,stroke-width:2px
classDef g2 fill:#bfdbfe,stroke:#2563eb,stroke-width:1px
classDef g3 fill:#93c5fd,stroke:#1d4ed8,stroke-width:1px
classDef g4 fill:#60a5fa,stroke:#1e40af,stroke-width:1px
classDef done fill:#dcfce7,stroke:#16a34a,stroke-width:1px
手段目的分析的子目标链。子目标形成 LIFO 栈：后入先出。完成底层子目标后才返回上层。
MEA 解决了爬山法的「局部最大」问题——它愿意暂时背离目标，去解决一个铺垫性的子问题。这正是前额叶损伤患者难以做到的：他们被困在「直接对当前状态做最好操作」的局部最优里，无法生成「先绕一圈」的子目标。
案例 1：用 MEA 解河内塔
目标：把 $n$ 个盘子从 A 柱移到 C 柱。
- 差距：最大盘 $n$ 不在 C 柱。
- 需要的操作：把最大盘 $n$ 从 A 移到 C。
- 前提（子目标）：$n-1$ 个小盘不能挡在 A 柱，必须先放到 B 柱。
- 递归：把「$n-1$ 个盘子从 A 移到 B」当作一个新问题，结构完全相同。
这个递归分解自动产生最优解。新手会迷失在操作细节里，专家则直接看到 MEA 模板。
启发式 4 · 倒推法（Working Backward）
定义：从目标状态出发，逆向推理需要哪些前提，一步一步倒推到初始状态。
适用场景：问题有强约束且目标明确，如国际象棋残局、数学证明、计划任务。逆向思考可以避免在搜索空间中漫无目的的扩展。
认知限制：工作记忆容量限制了倒推的深度，这解释了为什么人在搜索任务上更多使用 MEA 而非纯倒推。
有了搜索策略和启发式，为什么人类还是经常解决不了一个明显「有解」的问题？本节讨论两类最经典的障碍——功能固着让人看不到可用工具，顿悟则让少数人突然看到出路。然后我们用「专家 vs 新手」的对比，把搜索策略、组块化和专业知识串成一个统一的解释。
2.1 功能固着：经验如何成为枷锁
功能固着（Functional Fixedness）
Maier（1931）和 Duncker（1945）提出的概念：当人们习惯于一个物体的常规功能后，就难以在新的问题情境中看到它的非常规用途。这是一种典型的心理定势（mental set），源自过去的经验。
案例 2：Maier 的双绳问题
场景：天花板上垂下两根绳子，相距太远，人抓住一根就够不到另一根。房间里有一把椅子、一根棍子。
常规思路：把椅子搬过去，踩上去拉短绳——但还是够不到长绳。
顿悟解法：把棍子系在长绳末端，让它像钟摆一样摆动；抓住短绳的同时，伸手接住摆过来的长绳。
实验结果：10 分钟内只有 39% 的被试能想到这个解法。失败者通常把棍子视为「刚性连接」，看不到它作为「摆锤」的可能性。
案例 3：Duncker 的蜡烛问题
场景：桌上有一根蜡烛、一盒图钉、一盒火柴。要求把蜡烛固定在门上，且蜡烛点燃后蜡油不能滴到地上。
常规思路：用图钉把蜡烛钉在门上。但图钉装在盒子里，把图钉倒出来，用空盒子当烛台——这就是答案。
为何失败：人们把盒子视为「图钉的容器」，看不到它作为「支撑物」的功能。功能固着导致搜索空间被错误地限制在「钉子/蜡烛」的组合里。
2.2 顿悟：突然看到问题
格式塔心理学家（Köhler, 1945）观察黑猩猩解决「叠箱子够香蕉」的问题时发现：动物并非通过试错逐步逼近，而是在反复尝试失败的间隙突然静止，然后以全新方式解决问题。这种「啊哈时刻」就是顿悟（insight）。
顿悟的认知特征
- 突然性：解答在意识中瞬间出现，没有逐步逼近的过程
- 表征重构：伴随问题表征的整体性重组——同样的信息被组织成完全不同的结构
- 主观确定性：顿悟时人会有「我早就该想到」的强烈感受
- 可转移性：一旦顿悟，答案通常被牢固记住
如何用实验区分顿悟问题和非顿悟问题？Metcalfe 和 Wiebe（1987）设计了一个巧妙的「温度感」实验。
案例 4：Metcalfe & Wiebe 的顿悟实验
非顿悟问题（代数）：分解因式 $16y^2 - 40yz + 25z^2$。
顿悟问题（非标准）：囚犯在塔里找到一根绳，长度只有安全落地所需的一半。他把绳子对半系在一起，然后安全逃出。如何做到？
答案：把绳子的两端对折而不是从中间剪开；然后在折点处把两段扭在一起。对折后绳子对半时实际变长了——这是一道「把已有结构折叠成新结构」的题。
实验设计：被试在解题过程中每 15 秒报告 1-7 的「温度感」（1=完全没思路，7=马上要解出）。
结果：
- 对非顿悟问题，温度感逐渐升高，越接近解出温度越高——预测最终能否解出。
- 对顿悟问题，温度感始终偏低，直到答案出现前一刻突然跳到 7——预测能力差。
- 结论：顿悟时没有渐进逼近，答案就是突然出现。
2.3 专家与新手：知识重组的力量
从「问题空间」和「搜索策略」的角度看，专家和新手用同一套启发式，但搜索效率差异巨大。原因在于专家的知识组织完全不同。
专家的核心特征（Chase & Simon, 1973; Ericsson, 1996）
- 组块化：把分散的信息单元打包成有意义的组块（chunk）。国际象棋大师能记住一盘真实对局中 20+ 步的棋谱，但对随机摆放的棋子记忆能力与新手无异——因为真实棋局构成了 5 万 + 模式库。
- 模式识别：看一眼局面就能识别关键模式，直接生成「好棋」候选。De Groot（1965）让特级大师和新手都「出声思考」：大师平均只考虑 30 步，看 6 步深——但这 30 步都是高质量的。
- 深层表征：专家对领域知识的组织反映深层因果结构，不只是表面特征。医学专家的诊断不是「症状→疾病」的表面匹配，而是基于病理生理的因果模型。
- 技能领域特化：专家的卓越不跨领域迁移。国际象棋大师在其他认知任务上不优于常人。
2.4 十年法则与刻意练习
十年法则（10-Year Rule）
Ericsson、Krampe 和 Tesch-Römer（1993）在研究柏林精英小提琴手时发现：
- 达到国际级水平通常需要约 10 年密集练习
- 精英级小提琴手累计练习 10,000 - 20,000 小时，约 20-25 小时/周
- 优秀组练习量显著高于普通组，差异与练习量呈强相关
刻意练习（Deliberate Practice）
不是「重复做」就够了。Ericsson 强调，刻意练习包含四个要素：
- 明确目标：每次练习针对特定弱点
- 高度专注：不分心、不走神
- 即时反馈：教练、录像或测试提供行为校准
- 走出舒适区：持续挑战当前能力的边界
简而言之：练习量 × 练习质量 = 专业水平。单纯的重复不构成刻意练习。
十年法则的核心推论是：专家不是天生的，是练出来的。Ericsson 甚至认为「天赋」这个概念没什么解释力——同等环境下投入同等刻意练习的人，水平差异主要由练习的时机、强度和反馈质量决定。这一观点存在争议，遗传因素的作用仍是开放问题。
如果说「问题解决」回答「我们如何行动」，那么「概念」回答「我们如何思考」。概念是认知系统的基本表征单元：没有概念，我们每次都要处理具体事物；有了概念，我们才能泛化、推断、交流。本节讨论三个核心问题：概念有什么用？概念是如何被组织成层次的？概念在心智中以什么形式表征？
3.1 概念的三重功能
概念的功能
| 功能 | 含义 | 例子 |
|---|---|---|
| 分类（Categorization） | 把无限的具体事物压缩到有限的概念标签 | 「狗」这个概念涵盖所有家犬，从吉娃娃到大丹犬 |
| 推断（Inference） | 从已知特征预测未知特征 | 知道是「鸟」，推断有羽毛、会下蛋、大多会飞（鸵鸟除外） |
| 交流（Communication） | 用共享标签高效传递信息 | 说「树」对方立即知道指的是什么，无需描述 |
Rosch（1978）把分类的认知效率称为认知经济（cognitive economy）：世界提供的信息远多于大脑能处理的，概念通过把世界分箱，把无限的具体压缩到有限的类别，从而大幅降低学习、感知、记忆和识别的负担。
3.2 概念化层次：超→基本→下
概念不是单一粒度的。Rosch 等人通过系统研究发现，人类自发地把概念组织成三个层次：
flowchart TD
A["🌍 动物（superordinate · 超层级）"]:::super
B["🐕 狗（basic level · 基本层级）"]:::basic
C["🐩 牧羊犬（subordinate · 下层级）"]:::sub
D["🚗 交通工具（superordinate）"]:::super
E["🚙 轿车（basic level）"]:::basic
F["🏎️ 跑车（subordinate）"]:::sub
A --> B --> C
D --> E --> F
classDef super fill:#dbeafe,stroke:#3b82f6,stroke-width:2px
classDef basic fill:#fef3c7,stroke:#d97706,stroke-width:2px
classDef sub fill:#fce7f3,stroke:#db2777,stroke-width:2px
概念的三层级结构。基本层级是认知的「默认档位」——既不过于抽象，也不过于具体。
基本层级（Basic Level）的四项优势
Rosch 通过跨文化实验证明，基本层级是人类最自然的概念化水平：
- 形状相似：基本层级是「类别内成员仍具有相似形状」的最抽象层级。椅子看起来都像椅子；家具就不再有共同形状；摇椅和椅子形状不同。
- 发展最早：儿童最先学会的词汇是基本层级（mommy、doggy、car），约在 2-3 岁；超层级和下层级稍后才发展。
- 命名最快：要求被试说出物体名字时，基本层级名称出现最快、使用最频繁。
- 分类最快：要求把物体归类时，被试默认在基本层级做判断。
基本层级处于预测力（能从类别推断的属性数）和区分性（类别内成员之间的差异）的最优折中点：超层级预测力高但区分性低（「动物」能预测的东西多，但老虎和章鱼差别巨大），下层级区分性高但预测力低（「牧羊犬」与「柯基」差别小但与其他犬种差别大）。
3.3 原型理论：概念是中央趋势
概念在心智中如何表征？三种主流理论给出不同答案，本节和后续两节分别讨论。
原型理论（Prototype Theory, Rosch 1973）
概念由原型（prototype）——即该类别成员的中央趋势或「最典型实例」——表征。判断一个新实例是否属于某类别，看它与原型的相似度。
原型可以用多维特征空间上的中心点表示。每个特征是一个维度，每个实例是空间中的一个点，原型是这些点的几何中心或特征均值。
典型性效应（Typicality Effect）
如果概念由原型定义，那么不同实例的「属于该类别」程度就应该是连续而非二元的。实验证据：
| 问题 | 典型实例（反应快） | 非典型实例（反应慢） |
|---|---|---|
| 是鸟吗？ | 知更鸟 🐦（是） | 鸵鸟、企鹅（也是，但更慢） |
| 是哺乳动物吗？ | 狗、鲸（鲸虽住海里但反应快） | 鸭嘴兽（反应慢） |
| 是水果吗？ | 苹果 🍎 | 榴莲、牛油果（植物学上是，但直觉上更慢） |
这种反应时间差异是原型理论的标志性预测：心智中表征的是「中心 + 距离」而非「是/否」规则。
Posner & Keele（1968）的经典实验进一步证明：被试能够识别一个从未见过但与所有见过的实例同属一类的新实例——说明他们学到的不是具体实例，而是中央趋势。
3.4 样例理论：概念是所有见过的实例
样例理论（Exemplar Theory, Medin & Schaffer 1978）
概念在心智中不抽象出原型，而是存储所有见过的实例。判断新实例是否属于某类别时，把它与所有存储的实例逐一比较，取最近邻的投票。
案例 5：披萨 vs 直尺的分类悖论
直觉上，披萨的典型宽度是 12 英寸，直尺的典型长度也是 12 英寸。现在给一个19 英寸宽的新物体，被试判断它是披萨还是直尺。
原型理论预测：19 英寸到披萨原型（12 英寸）和直尺原型（12 英寸）的距离相同，所以应该 50:50 随机判断。
实际数据：大多数被试判断 19 英寸是披萨。
样例理论的解释：心智中存储了大量披萨实例和少量直尺实例。披萨实例的宽度差异很大（2-30 英寸），直尺实例的宽度差异小（10-14 英寸）。19 英寸的物体在样本空间中与更多披萨实例重叠，所以被归为披萨。
3.5 图式理论：概念是有结构的知识
图式（Schema）
图式是组织化的知识结构，编码了某类情境的典型属性，省略了非典型属性。比起抽象的「特征-类别」对应，图式是带有槽位-填充值结构（slot-filler）的有组织知识包。
案例 6：办公室图式与错误记忆
办公室图式的槽位：
| 槽位（Slot） | 典型填充值（Filler） |
|---|---|
| Contains | 书、计算机、架子、桌子 |
| Function | 作为工作空间 |
| Shape | 矩形 |
| Size | 80-200 平方英尺 |
| Part of | 建筑 |
实验现象：向被试呈现研究生办公室图片。30% 的被试错误地记得图中有书——尽管原始图片里没有。图式自动补全了缺失信息，导致错误记忆。
事件图式（Script）：图式的特殊形式，描述事件的典型序列。餐厅图式包括：进入 → 找位 → 点餐 → 用餐 → 付账 → 离开。每一步都有默认行为，遇到偏离（如有人没付账就跑）会引起显著注意。
3.6 三种理论的对比与综合
| 维度 | 原型理论 | 样例理论 | 图式理论 |
|---|---|---|---|
| 核心主张 | 概念 = 抽象的中央趋势 | 概念 = 所有见过的实例 | 概念 = 槽位填充式知识结构 |
| 存储效率 | 高（只存一个中心） | 低（存所有实例） | 中（存结构 + 默认值） |
| 捕获变异性 | 差（信息被平均掉） | 好（每个实例独立） | 中（默认值 + 例外） |
| 适用层级 | 基本层级最佳 | 下层级最佳 | 超层级和事件序列 |
| 典型实验 | 典型性效应、Posner-Keele | 披萨/直尺、Storms 2000 | 办公室图式、餐厅脚本 |
| 认知经济性 | ★★★★ | ★★ | ★★★ |
| 预测准确性 | ★★★ | ★★★★ | ★★★ |
现代认知科学倾向于把这三者视为互补而非互斥的表征方式：在不同任务、不同层级、不同领域，心智可能调用不同的表征。Barsalou（1999）的感知符号理论（Perceptual Symbol Systems）进一步提出，概念还包含感知、运动和情绪的具身表征，使概念表征成为一个多模态的系统。
本章速查表
| 概念 | 一句话定义 | 典型案例/陷阱 |
|---|---|---|
| 良定义问题 | 初始/目标/操作算子都明确 | 汉诺塔、八皇后 |
| 劣定义问题 | 目标或路径不明确 | 写文章、设计产品 |
| 问题空间 | 四元组 ⟨S, s₀, S_g, O⟩，搜索路径 | 汉诺塔 2ⁿ−1 步 |
| 试错法 | 随机尝试，效果律淘汰失败动作 | Thorndike 迷箱 |
| 爬山法 | 每步选最接近目标的操作 | 局部最大；前额叶损伤 → perseveration |
| 手段目的分析 | 设子目标递归求解，缩小差距 | 河内塔递归分解 |
| 倒推法 | 从目标逆向推理前提 | 国际象棋残局 |
| 功能固着 | 把物体锁在常规功能上 | Duncker 蜡烛、Maier 双绳 |
| 顿悟 | 突然的问题表征重构 | Metcalfe 温度感实验、囚犯绳索 |
| 十年法则 | 国际级水平需 10 年刻意练习 | 10000-20000 小时 |
| 刻意练习 | 目标 + 专注 + 反馈 + 走出舒适区 | 与简单重复的本质区别 |
| 概念功能 | 分类 + 推断 + 交流 | 认知经济 |
| 基本层级 | 人类最自然的概念化水平 | 狗 ≫ 动物/牧羊犬 |
| 原型理论 | 概念 = 中央趋势，相似度判定 | 典型性效应、知更鸟 ≻ 鸵鸟 |
| 样例理论 | 概念 = 所有实例，相似度投票 | 19 英寸物体 → 披萨 |
| 图式理论 | 概念 = 槽位填充结构 | 办公室图式 → 错误记忆 |
参考来源
- 西安交通大学「计算认知科学与工程」课程 PPT：Problem Solving（马永强）
- 西安交通大学「计算认知科学与工程」课程 PPT：Concepts（马永强）
- Newell, A., & Simon, H. A. (1972). Human Problem Solving. Prentice-Hall.
- Thorndike, E. L. (1898). Animal intelligence: An experimental study of the associative processes in animals. Psychological Review Monograph Supplement, 2(8).
- Maier, N. R. F. (1931). Reasoning in humans: II. The solution of a problem and its appearance in consciousness. Journal of Comparative Psychology, 12(2), 181-194.
- Duncker, K. (1945). On problem-solving. Psychological Monographs, 58(5).
- Köhler, W. (1945). The mentality of apes (2nd ed.). Liveright.
- Metcalfe, J., & Wiebe, D. (1987). Intuition in insight and noninsight problem solving. Memory & Cognition, 15(3), 238-247.
- Chase, W. G., & Simon, H. A. (1973). The mind's eye in chess. In W. G. Chase (Ed.), Visual Information Processing (pp. 215-281). Academic Press.
- Ericsson, K. A., Krampe, R. T., & Tesch-Römer, C. (1993). The role of deliberate practice in the acquisition of expert performance. Psychological Review, 100(3), 363-406.
- Ericsson, K. A. (Ed.) (1996). The Road to Excellence: The Acquisition of Expert Performance in the Arts and Sciences, Sports, and Games. Erlbaum.
- Rosch, E. (1973). Natural categories. Cognitive Psychology, 4(3), 328-350.
- Rosch, E., Mervis, C. B., Gray, W. D., Johnson, D. M., & Boyes-Braem, P. (1976). Basic objects in natural categories. Cognitive Psychology, 8(3), 382-439.
- Posner, M. I., & Keele, S. W. (1968). On the genesis of abstract ideas. Journal of Experimental Psychology, 77(3), 353-363.
- Medin, D. L., & Schaffer, M. M. (1978). Context theory of classification learning. Psychological Review, 85(3), 207-238.
- Storms, G., De Boeck, P., & Ruts, W. (2000). Prototype and exemplar-based information in natural categories. Journal of Experimental Psychology: Learning, Memory, and Cognition, 26(2), 367-380.
- Barsalou, L. W. (1999). Perceptual symbol systems. Behavioral and Brain Sciences, 22(4), 577-660.
- Anderson, J. R. (2014). Cognitive Psychology and Its Implications (8th ed.). Worth Publishers.
- Stanford Encyclopedia of Philosophy · Concepts
- Wikipedia · Problem Solving