Le modèle AGREL est un modèle connexionniste de catégorisation, reposant sur des observations comportementales et physiologiques qui indiquent que la création de catégories perceptives se fonde sur des phénomènes attentionnels et sur des critères d'erreur de prédiction de récompense. Ce modèle d'apprentissage par renforcement laisse ouverte la discussion sur l'origine du signal de récompense. Il impose également la supervision de la couche de sortie par la tâche de sélection de l'action. Le modèle que nous proposons étend ces travaux dans deux directions. D'une part, nous reposant sur des données biologiques, nous introduisons un réseau spécifique pour le calcul de l'erreur de prédiction, préfigurant l'action de l'amygdale. D'autre part, ce calcul dans un module séparé permet d'adapter le modèle AGREL spécifiquement pour la création des catégories nécessaires à la tâche, indépendemment de la sélection de l'action. Cette approche, dont la performance est évaluée par des tests classiques de discrimination, illustre la puissance de la structuration modulaire du cerveau, où la spécialisation de structures distinctes à des formes différentes d'apprentissage permet un plus grand pouvoir expressif et une grande flexibilité dans l'analyse et la représentation de l'information.