Der Hierarchische Dirichlet Prozess (HDP), ein rationales Kategorisierungsverfahren, welches auch als Klassifikator für autonome Roboter vorgeschlagen wurde (Nakamura, Nagai & Iwahashi, 2011; Nakamura, Yoshiki, Takayuki & Masahide, 2015), wird anhand eines klassischen Phänomens der menschlichen Kategorisierungsleistung evaluiert und mit alternativen Modellen aus der psychologischen Forschung verglichen. Ziel des Vorhabens ist es sowohl zu einer Reduzierung des Evaluationsdefizits prominenter Kategorisierungsmodelle beizutragen, zu welchen der HDP gerechnet werden kann, als auch Verbesserungspotential des Modells zu ermitteln (Pothos & Wills, 2011; Wills & Pothos, 2012). Gegenstand der Evaluation ist die experimentell ermittelte Lernschwierigkeit von sechs unterschiedlichen Kategorisierungsregeln aus Nosofsky, Gluck, Palmeri, McKinley und Glauthier (1994b). Die Gegenüberstellung der vom HDP vorhergesagten Lernschwierigkeit mit der tatsächlichen Schwierigkeit zeigen ein klassisches Defizit des Modells, wie es häufig auch in älteren Modellen zu menschlichen Kategorisierung festgestellt wurde. Es werden mögliche Ursachen für die ungenügende Modellierungsleistung des HDP benannt.