مدلسازی رفتارهای انسان امروزه نه تنها در علوم شناختی و هوش مصنوعی بلکه در علوم اجتماعی، روانشناسی و تربیتی کاربردهای زیادی پیدا کرده است. مدلهای شناختیِ محاسباتی به عنوان شاخه ای از هوش مصنوعی می توانند به درک و شناخت انسان از خود و حل بسیاری از مشکلات انسانی کمک کنند. از طرف دیگر محیط های پویا بواسطه خصوصیات غیر قابل پیش بینی و پیچیده شان کمتر توجه محققان را به خود جلب کرده اند. اما با پیشرفت تکنولوژی و توانایی های برنامه های شبیه ساز کامپیوتری، امکان اجرا و تحلیل اینگونه از محیط ها فراهم شده است. در این تحقیق مدلسازی تصمیم گیری انسان در محیط های پویا بررسی شده است. روش استفاده در مدلسازی، تصمیم گیریِ «نمونه محور»، بر اساس نظریه یادگیری نمونه محور (iblt) می باشد. طبق این نظریه با گذشت زمان و افزایش مهارت تصمیم گیرنده در تصمیم گیری، آنها به طور گسترده تری از دانش اندوخته ی خود استفاده می کنند و کم کم به جای استفاده از الگوریتم های حریصانه و محاسبه گرانه به بازیابی نمونه های اندوخته شده و تصمیم گیری بر اساس آنها می پردازند. این نظریه بر اساس نظریه های تصمیم گیری قبلی و آزمایشها و مشاهدات بسیاری از محققان می باشد. روش پیشنهادی تحقیق سعی بر بهبود و تصحیح نحوه بازیابی نمونه های ذخیره شده در حافظه هنگام تصمیم گیری را دارد. همچنین از معماری شناختی act-r به عنوان چارچوب مدلسازی استفاده شده است. نتایج و آزمایشهای ارائه شده در انتهای این تحقیق بیانگر بهبود عملکرد این روش نسبت به مدلهای قبلی می باشد.