人类的通用智能有赖于高效的知识系统。知识的积累、组织、加工和利用，需要结构化知识网络的支持。人脑中的这种知识结构被称为图式(Piaget, 1923;Dimaggio, 1997)，然而传统的图式理论对信息的储存形式尚未做出具体的解释。已有研究表明，图式内部的信息依据相关性整合形成基本单元，进行结构化的分类存储，这种组织体现了图式的类别结构特征。基于图式这种信息聚类的特性，笔者构建了一种测量工具，为揭示图式多层次类别结构提供了新方法。
　　笔者将该方法命名为类别信息重现工具(ReproductionofCategoricalKnowledgeTool，简称ROCK工具)。该工具可以放大由于结构化编码而产生的记忆偏向(memory bias)，在此基础上利用聚类分析揭示记忆偏向所反映的心理图式结构。为了证明方法的有效性，在实验1a和1b中，以大五人格词和外倾型特质词为记忆材料，采用系列再生范式，被试仅记忆人物头像和相对应的特质词，并在随后的探测阶段选择该人物对应的特质词。选择出的人物-特质词组合成为下一个被试的记忆材料，从而通过迭代形成传播链。选取每一条链最后一名被试的数据，分析共同出现在同一人物身上的人格特质词，获得特质词在人格空间内的相对距离。根据表征特质词关联强度的相对距离进行聚类分析，可以揭示出人格特质词的图式结构。所获结果与大五人格理论高度吻合。实验2构建了一个马尔可夫链产生式模型，产生具有内在结构的词语作为记忆材料，用以评估本工具。实验采用2-back范式进行内隐学习，让被试习得刺激背后的结构，再使用ROCK工具揭示被试习得的图示结构。结果表明，在内隐学习过程中被试学习到的人工刺激结构可以有效通过ROCK工具揭示出来，其结果与设计的结构完全一致。
　　上述结果表明，ROCK工具能有效地揭示图式的多层类别结构。该工具以记忆实验为“包装”，使信息通过在人际间传播不断进行“编码-提取”的迭代，从而逐渐放大显示出人们内隐知识的分类特征，再采用层次聚类揭示其层级类别结构。在数据充分的情况下，该工具能为探索人类知识表征机制提供有力手段。