古典制約

想像下圖：家陣有一隻狗，佢見到嘢食（US）會流口水（UR），但聽到鐘響（CS）唔會，打後次次有嘢食都俾佢聽鐘響，冇幾耐佢就學識一聽到鐘響就流口水。

古典制約嘅過程喺大多數動物物種甚至某啲植物嘅身上都觀察得到，古典制約嘅過程令到生物能夠學識邊啲刺激傾向一齊出現，令到生物有能力預測周圍環境嘅變化。例如係有心理學實驗就顯示，人類喺撞到之前未遇到過嘅刺激嗰陣會留意呢啲刺激傾向同邊啲已知嘅刺激一齊出現，並且按呢個訊息對嗰啲新嘅刺激做判斷－例如有個人 A 君，佢啱啱識咗個新朋友 B 君，如果 A 君每次撞到 B 君嗰陣都有啲令佢唔舒服嘅事發生嘅話（例如佢次次見親 B 君兩個人都嗌交），A 君好快會學識將 B 君同啲令佢唔舒服嘅事聯想埋一齊，學曉應該要避開 B 君。

R-W 模型（Rescorla–Wagner model）係用以下呢條方程式模擬古典制約嘅^{:85 - 89}：

${\displaystyle \Delta V=\alpha \beta (\lambda -\Sigma V)}$ ，

當中 ${\displaystyle V}$  係指隻動物心目中 US 同 CS 之間嘅關聯有幾強，${\displaystyle \Delta V}$  指 ${\displaystyle V}$  嘅轉變。每當隻動物經驗到 US 同 CS，佢都會係噉咦改變佢心目中嘅 ${\displaystyle V}$ ，而喺是但一次經驗當中，${\displaystyle \Delta V}$  嘅數值由以下因素話事：${\displaystyle \lambda }$ ，即係嗰個 US 嘅 ${\displaystyle V}$  嘅最大可能值；${\displaystyle \Sigma V}$  指喺個經驗入面其他刺激嘅 ${\displaystyle V}$  加埋嗮一齊嘅值；而 ${\displaystyle \alpha }$  同 ${\displaystyle \beta }$  係一啲常數，代表咗 CS 嘅顯著性（salience）或者隻動物嘅學習率（learning rate）等嘅因素。呢條式顯示咗，當個 US 同 CS 以外嘅刺激之間嘅關聯愈係弱，每一次經驗 US 同 CS 同時出現嗰時 ${\displaystyle V}$  嘅變化幅度就會愈大。

• 操作制約
• 海伯理論