Vanpaemel, W. (2016). Prototypes, exemplars and the response scaling parameter: A Bayes factor perspective. Journal of Mathematical Psychology, 183-190.
原型理论的最初支持证据: 不可见的原型实例有时比旧的实例更容易分类(Posner & Keele, 1968)，以及原型模型的预测比范例模型的预测更接近经验观察数据(Reed, 1972)。
形式化建模（formal modeling）显示范例理论也可以解释原型效应(Medin & Schaffer，1978)，并且范例预测能更好地匹配数据(see, e.g., Nosofsky, 1992, for an overview)。
在一系列文章中，JD Smith和他的同事表明，在某些情况下，原型模型比范例模型对数据的拟合更好(Minda & Smith, 2001, 2002; Smith & Minda, 2000, 2002; Smith, Murray, & Minda, 1997)。
然而，范例理论研究者指出原型理论研究者使用的范例模型是一个被范例研究长期抛弃的受限版本(e.g., Nosofsky & Johansen, 2000; Nosofsky & Zaki, 2002)。大多数范例研究者使用的最新版本包含一个额外的参数——响应比例参数（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，该版本与原型模型具有相同数量的参数，因此相对容易进行模型比较。而采用范例模型的较新版本与原型模型进行比较无法判断出较好的数据拟合是由于范例模型提供了与人们学习类别的更好的近似方式，还是由于参数数量的差异。
因此，范例理论研究者不接受原型理论的结果，因为这些比较的结果通常基于范例模型的受限版本。原型理论研究者不接受范例理论的结果，因为他们认为这些结果通常是基于参数数量的差异。
问题在于双方这样做都是正确的。因此原型对范例的争论陷入了僵局。
在文章中，作者证明了贝叶斯因子可以提供了范例模型的最新版本与原型模型的比较，而不用担心参数数量差异的问题。基于此，类别学习建模者可以停止批评彼此的建模选择，开始专注于促进或阻碍具象抽象的上下文和个体条件。
作者在贝叶斯因子证明中采用的两个模型：
范例模型——Nosofsky’s(1986) Generalized Context Model (GCM)
原型模型——Multiplicative Prototype Model(MPM,Nosofsky,1987;Smith&Minda,2000).
采用贝叶斯因子的两个好处：
1.提供了一种比较范例模型和原型模型的可能性，这种比较方式是双方研究者都应该能接受的。
2.使用贝叶斯因子鼓励了双方研究者仔细思考模型的参数意味着什么，并在之前对这些参数的理论进行形式化。
