次等方法所具有的明显而有关联的优点，涉及到所谓监督学习算法在心理学上的可取性。有一些步骤用来训练这样一些联结论网络，它们依赖于错误信息的反向传播，因而依赖于一台教导机(通常是常规计算机)，它注视着系统的输出，并告诉系统这输出应该是怎样的。(稍详细一点的内容见第5节中对NET讲话的讨论。)这种安排常常在心理上显得很不合实际。例如，在学习语言时，我们只能根据给出的正面例子来学习(像乔姆斯基论者热衷于指出的那样)。那么，教导机和错误信息又是从何而来的呢？
次等模型开辟了一种可能性，这就是由一个单独的系统存储一组输入输出配对(例如一组观察到的印刷符-音位配对)，并用它们来训练联结论网络。因此负面的例子是由大脑本身，而不是其他执行者生成和确定的。T·塞诺斯基最近也表示支持这种说法，并引用白顶雀的例子加以说明。白顶雀听到父鸟唱歌以后，要等到明年才会唱。他的假设是，这只鸟以某种方式把歌存储起来，但是必须训练一个使它再现的网络—这一过程解释了呈现与再现之间的一大段空白。回到我们的主题，次等方法显然为联结论学习的反向传播法在心理学上受到尊重提供了最大的希望。
在最极端的情况下，次等模型有可能使人类的在线加工与严格的语言能力模型相分离，而使经典语言能力恢复为完整，恰当的备用系统描述。要注意，经典语言能力理论在次等模型上所处的地位，与它在牛顿式模型上的地位显然不同。对建立次等模型的人来说，经典语言能力理论恰当地描述了一个虽然不是固定地在线的、但却是重要的加工系统类别。事实上我觉得，这些经典资源的重要性，即使是在那些口头上承认了它们存在的地方，也还没有被完全领会。所以斯莫伦斯基(Smolensky
12 联结论、语言能力和解释方式
317