模範解答理論は、別の分類方法を提案するプロトタイプ理論としばしば対比される。 我々はカテゴリー判定を行う際に、模範解答とプロトタイプの両方の方法を用いており、最も正確な結論を出すために両者が連動していることが多い。 最近、プロトタイプと模範に基づく表現とカテゴリ分類の両方の採用が、DUAL PECCS (Dual Prototypes and Exemplars based Conceptual Categorization System) という認知に基づく人工システムに実装され、この統合により、古典カテゴリ分類モデルのカテゴリ分類能力が拡張された。 この2つの理論は、プロトタイプや模範に類似することによってのみ、新しい刺激がカテゴリーに分類されるという、カテゴリー化における類似性の重要性を強調している点で類似している。 また、新しい刺激を経験し、記憶の中の概念が呼び起こされ、類似性の判断を行い、カテゴリー化の結論を導くという一般的な認知過程も同じである。 しかし、この2つの理論の具体的な内容は異なっている。 プロトタイプ理論では、新しい刺激をカテゴリー内の1つのプロトタイプと比較するのに対し、模範理論では、新しい刺激をカテゴリー内の複数の既知の模範と比較することを提案している。 プロトタイプは、あるカテゴリのメンバーの抽象的な平均値であるのに対し、模範解答は、あるカテゴリの実際のメンバーであり、記憶から引き出されたものである。 プロトタイプは経済的であり、迅速な判断に適しているが、模範解答はそうでもない。 一方、プロトタイプは模範解答よりも柔軟性に欠ける。模範解答はプロトタイプのようにカテゴリーの特徴を平均化しないため、ペンギンが「鳥」のカテゴリーに含まれるといった非典型的なカテゴリーメンバーも容易に説明することができる。 これは、模範解答がプロトタイプのようにカテゴリの特性を平均化しないためです。模範解答は、「ゲーム」のようなあまり顕著でない特性を持つ可変カテゴリを理解することができ、メンバーシップを決定するために典型的な特性に依存するプロトタイプよりもはるかに効果的です。
犬がどの種類の動物であるかを識別するための分類プロセスは、模範理論の使用に関する例を提供するために使用することができる。 犬のすべての特徴を考慮し、個々人が以前に遭遇した他の動物と個別に比較することになる。 その結果、その動物は犬の例に関連するすべての特徴を備えているため、最終的に犬であると結論づけることになる。 しかし、その犬が3本足で、吠えない場合はどうだろうか。 この場合、プロトタイプ理論では、プロトタイプの特徴を持たないので、その動物を犬であると結論づけることはできないかもしれないが、模範解答理論では、吠えない犬や怪我をしていて四肢がない犬などの過去の例を考慮することができるだろう。 2584>
カテゴリー分類のための模範的理論の正確さについて、プロトタイプ理論と比較した場合、矛盾した記述がなされている。 例えば、アリゾナ州立大学のある研究では、模範理論は最小限のカテゴリー経験で最も正確であり、経験を積むにつれてプロトタイプ理論の方がより正確になると結論付けている。 しかし、別の研究では、カテゴリーに精通するほど、メンバーに関する知識が1つのプロトタイプで表現できる量よりも多くなるため、模範解答に基づくアプローチの方がより正確であるという証拠も示しています。 このように、模範解答に基づくアプローチが最も正確な場合と、そうでない場合があることは明らかです。 このように、脳は日常生活で自然に分類アプローチを組み合わせて使っていることがわかります。
オレゴン大学で行われた研究では、多くの具体例よりもプロトタイプの平均値の方が忘れられる可能性が高いということがわかりました。 プロトタイプだけに頼ると十分な考察ができない一方、例だけに頼ると非効率的である。 模範解答理論はプロトタイプ理論より柔軟性があるが経済性が低く、この2つの組み合わせで柔軟性と効率性のバランスをとる。 様々な例での経験が、常に変化し、より正確なプロトタイプになる。模範解答理論とプロトタイプ理論は互いに競合するものではなく、両者は協調して働くものなのだ
。