延迟反馈会破坏程序学习系统，但不会破坏感知类别学习中的假设测试系统。
基于规则的分类学习任务：可以通过一些显式的推理过程来学习分类结构的任务。通常，使准确性最大化的规则(即，最优规则)是很容易口头描述。
信息整合分类学习任务：只有在决策前的某个阶段整合来自两个或多个刺激因素(或维度)的信息，才能使准确性最大化的任务。
COVIS中，基于规则的任务的学习被一个明确的假设测试系统所主导，该系统使用工作记忆和执行注意力，通过一个有意识的假设检验的过程来学习。信息整合任务中的学习被认为是由一个隐式的、基于过程学习的系统所主导。
COVIS预测：在这两个系统中，学习的信息和反馈信号的处理应该是非常不同的。
在过程学习系统中，感知信号和反馈之间需要一个紧密的时间对应，但是，通过比较基于规则和信息集成的类别学习在即时和延迟反馈条件下的效果，在假设检验系统中却不是这样。
延迟反馈条件下的学习效果与基于规则类别的即时反馈条件下的学习效果相同，但在信息集成类别下，延迟反馈导致类别学习效果显著下降。
主要内容
在这篇文章中，报告了一个实验的结果，这个实验解决了两个合理的单一系统解释，一个是基于知觉相似性的差异，另一个是基于不同条件下相关维度数量的差异。Maddox等人（2003）对COVIS预测的测试，延迟反馈应该是对信息整合分类学习存在不良影响，但不影响基于规则的分类学习。在COVIS的支持下，根据Maddox等人的研究结果，延迟反馈对基于规则的分类学习没有影响，但导致信息集成分类学习的性能下降，其特征是延迟反馈条件下假设测试策略的使用增加。
实验
图1描述了实验中使用的基于规则和信息集成的分类结构，以及使准确性最大化的决策边界。分布参数如表1所示。
图1为基于规则的(A)和信息集成的类别结构(B)。每个空心圆表示a类Gabor图案的空间频率和空间方向。每个实心圆表示b类Gabor图案。每个空心方块表示c类Gabor图案。每个实心方块表示d类Gabor图案。
刺激：
在这个实验中，使用了Ashby和Gott(1988)引入的随机化技术。我们从四个二元正态分布中随机取样，从RB类别中产生80个刺激(每个类别20个)。通过围绕频率定向空间的中心顺时针旋转80个RB刺激物45°，然后将刺激物从空间的中心移开，从而产生II类刺激物。每组80个刺激以随机顺序排列在每4组试验中。
过程：
被试被告知有四个等可能的类别，完美的表现是可能的，他们应该尽可能的准确，不要担心反应的速度。一个典型试验的程序如下即时反馈条件:
即时反馈条件：显示刺激 - 被试反应 - 刺激消失-500ms掩模-750ms反馈-5s空白屏幕间隔
延迟反馈条件：显示刺激 - 被试反应 - 刺激消失-5-s掩模-750 ms反馈-500 ms空白屏幕间隔
掩模（MASK）是一个Gabor模式，大约11°的视角，是一个随机的频率和方向范围内的刺激值。
结果：
（1）方差分析：（基于准确性的分析）
图2A显示了所有被试的平均准确率，图2B显示了被试在即时和延迟反馈II条件下的平均准确率，图2C显示了在RB条件下的准确率。
随着经验的增加，性能有所提高。RB和II条件下的学习曲线表明，即时反馈性能在两种类型的记忆结构中是相等的。存在一种类别结构×反馈条件的交互作用。
（2）建模结果：（基于策略选择的分析）
COVIS提出假设：延迟反馈时，信息集成条件下的被试将被迫求助于假设检验策略。
作为对这一假设的检验，作者将一些不同的决策界模型分别按被试对来自信息集成条件的数据进行拟合。
两种不同类型的决策界模型适合于数据——一种类型假设被试使用显式假设检验策略，另一种类型则假设信息集成策略。
假设检验模型
应用三种连接模型。
连接（A）模型：假设被试在空间频率维度上设置一个标准，在空间方向上设置另一个标准，对每个维度上的刺激水平做出明确的决定，并整合该信息以生成分类响应。
连接（A）模型有三个自由参数：空间频率决策准则、方向决策准则和内部（感知和标准）噪声方差。
连接（B）模型：假设被试在将维度划分为低、中、高空间频率的空间频率维度上设置两个标准，在将维度划分为低、高方向的空间方向维度上设置一个标准。
连接（C）模型：假设被试在空间频率维度上设置一个将该维度划分为低频和高频的标准，并在空间方向维度上设置两个将该维度划分为低、中、高方向的标准。
这两个模型都有四个自由参数：三个决策准则和一个噪声方差。
信息集成模型
在一般的双线性分类器中，假设两个线性决策界将空间划分为四个响应区域。该模型有五个参数（线性界的斜率、截距、σ2）。
最优模型（general bilinear classifier）采用最优的斜率和截距。该模型只有一个自由参数（噪声方差）。
最小距离模型（minimum distance classifier）中，假设频率方向空间中有四个单元，每个单元对应一个类别。该模型包含六个自由参数（即五个确定单元的位置和一个噪声方差）。
模型拟合
拟合优度统计为AIC=2r-2lnL，r是自由参数的数目，L是给定数据的模型的可能性。
为了在给定的一组竞争对手中找到最佳模型，只需计算每个模型的AIC值并选择与最小AIC值相关联的模型。
图3中的堆积条形图分别显示了最适合假设检验或信息集成模型的数据集比例。此外，还显示了被归类为使用假设检验或信息集成策略的被试的正确率。
在延迟反馈条件下观察到的准确性缺陷是由于假设检验策略的使用增加、使用信息整合策略的被试获得的准确性降低。
延伸
Maddox等人的研究结果（2003）和当前的研究表明，延迟反馈对信息整合分类学习有不利影响，但对基于规则的分类学习没有影响。
另外还发现了相反方向的离解。例如，如果被试必须同时执行类别学习和数字Stroop任务，则基于规则的分类学习会受到阻碍，而信息集成类别学习则不会。数字Stroop任务利用工作记忆资源，从而影响基于规则的分类学习。
这两项工作（引入影响信息集成的操作和影响基于规则的类别学习的操作）为多系统方法和COVIS中提出的神经生物学基础提供了强有力的支持。