Der Hierarchische Dirichlet Prozess (HDP), ein rationales Kategorisierungsverfahren, welches auch als Klassifikator für autonome Roboter vorgeschlagen wurde (Nakamura, Nagai & Iwahashi, 2011), wird anhand eines klassischen Phänomens der menschlichen Kategorisierungsleistung evaluiert und mit alternativen Modellen verglichen. Ziel des Vorhabens ist es zu einer Reduzierung des Evaluationsdefizits prominenter Kategorisierungsmodelle beizutragen, zu welchen der HDP gerechnet werden kann (Pothos & Wills, 2011; Wills & Pothos, 2012). Gegenstand der Evaluation dieses Artikels sind die charakteristischen Lernkurven der regel-basierten Kategorisierungsaufgaben von Nosofsky, Gluck, Palmeri, McKinley und Glauthier (1994), welche im Rahmen einer Teilreplikation und Erweiterung der Experiments von Shepard, Hovland und Jenkins (1961) ermittelt wurden. Die Gegenüberstellung der vom HDP vorhergesagten mit den von Nosofsky et al. (1994) experimentell ermittelten Kurven zeigen ein Defizit des Modells bei der Lernkurve 2, welche fälschlicherweise als vergleichbar mit der Lernkurve 3, 4 und 5 prognostiziert wird. Gleichzeitig ist die Summe der Fehlerquadrate nicht annähernd so niedrig wie bei ALCOVE oder RULEX (Kruschke, 1992; Nosofsky, Palmeri & McKinley, 1994a). Es werden mögliche Ursachen für die ungenügende Modellierungsleistung benannt.