Het gaat zogezegd in dit hoofdstuk om meaning-based knowledge representations. Een belangrijk kenmerk van dit soort representaties is dat ze een gedeelte van de ervaringen wegnemen die eigenlijk leiden tot kennis. In het geval van propositionele representaties zijn de delen die worden weggenomen, die van de perceptuele details, dit heet ook wel
abstractions. Dit zijn een soort van waarneembare details. Dit filteren (deleten, weghalen) leidt tot conceptual knowledge. Zoals het indelen in categorieën, categorization genaamd. Bijvoorbeeld een object dat daar loopt op 2 benen, noemen wij een mens. Dit zorgt ervoor dat we kunnen voorspellen. Door het kunnen voorspellen, geven categorieën een grote besparing in representatie en communicatie.
Deze paragraaf beschrijft verder 2 theorieën die onderzoeken hoe categorisatie werkt, waarvan de eerste, genaamd Semantic Networks weer ongeveer hetzelfde werkt als bij network representations, dit kan je weer het beste zelf doornemen vanaf blz. 152, hier staat o.a. een experiment beschreven van Collins &Quillian (1969).
Schemas
De tweede theorie heet Schemas. Het belang van een categorie is dat het voorspelbare informatie opslaat over een geval/ deel van een categorie. Maar een semantisch netwerk kan alleen de ruwe eigenschappen van een concept opslaan, dus daarom moesten de wetenschappers iets bedenken om bijvoorbeeld de typische grootte van een huis op te slaan, daarom kwamen ze met schemas. Hoe schemas werken kun je het beste zelf lezen vanaf blz. 154. Op blz. 156 staat een interessant experiment van Brewer & Treyens (1981) over de beginwaarden die mensen hebben over een categorie.
