A konnekcionista modellek minden eddig tárgyalt megközelítéstől eltérő képet festenek a tudásról és a tanulásról. Egy konnekcionista modellben a tudás egy mesterséges neuronokból (csomópontokból, nódusokból) álló hálózatban van jelen, de nem az egyes csomópontok hordozzák, hanem a csomópontok közötti kapcsolatok ereje (súlya). A tanulás nem más, mint a hálózaton belüli kapcsolatok erősödése vagy gyengülése az input függvényében. A konnekcionizmus sokáig a Rumelhart és McClelland nevével fémjelzett párhuzamosan elosztott feldolgozás (parallel distributed processing, PDP) szinonimájának számított (Rumelhart et al. 1986). A PDP-modellek lényege, hogy a hálózatot alkotó nódusok egy adott pillanatban bizonyos aktivációs szinttel rendelkeznek (általában 0 és 1 között), és a kapcsolatokon keresztül képesek más nódusokat gerjeszteni, illetve gátolni (azaz aktivációs szintjüket emelni vagy csökkenteni). A nagyszámú kapcsolaton keresztül akár egyetlen nódus aktivációja is igen bonyolult módon terjedhet tovább a rendszerben. A rendszerrel ingereket úgy közölhetünk, hogy bizonyos nódusok aktivációs szintjét egy adott mintázat szerint beállítjuk. A hálózatban az információfeldolgozás nem más, mint az input aktivációs mintázatának továbbterjedése. A tanulás ennek a folyamatnak a mellékterméke: az egyes kapcsolatok súlya a nódusok aktivációs szintjének függvényében bizonyos tanulási algoritmus szerint folyamatosan módosul. A legegyszerűbb tanulási algoritmus az ún. Hebb-szabály, amely szerint két nódus közötti kapcsolat minden lépésben a nódusok egyidejű aktivációs szintjeinek szorzatával arányosan módosul.