Le travail d`Anderson a servi de base au développement des ITS, qui sont maintenant utilisés à la fois dans l`éducation formelle et dans les contextes professionnels. Un exemple remarquable de son impact est le Pittsburgh Science of Learning Center (PSLC), un programme conjoint de Carnegie Mellon et de l`Université de Pittsburgh. Le Centre utilise un logiciel de tutorat pour développer de nouvelles méthodes d`enseignement efficaces et recueillir des informations précieuses sur le processus d`apprentissage des élèves dans les salles de classe réelles plutôt que dans les environnements de laboratoire. La recherche d`Anderson a utilisé l`imagerie cérébrale fMRI pour étudier comment les élèves apprennent avec des systèmes de tutorat intelligents. la plupart de ses études ont examiné les processus neuronaux des élèves alors qu`ils résolvent des équations ou des épreuves algébriques. Dans une autre étude, Anderson et ses collègues ont utilisé une tâche de jeu vidéo pour tester l`hypothèse de décomposition, ou l`idée qu`une tâche cognitive complexe peut être divisée en un ensemble de composants de traitement de l`information. La combinaison de ces composants reste la même sur différentes tâches. L`étude a utilisé un modèle cognitif qui prédit des schémas comportementaux et d`activation pour des régions spécifiques dans le cerveau. De toute évidence, le message sans surveillance a été traité pour signification et le modèle de filtre de Broadbent, où le filtre extrait sur la base des caractéristiques physiques seulement, ne pouvait pas expliquer ces constatations. Les éléments de preuve suggèrent que le modèle de filtre de Broadbent n`est pas adéquat, il ne permet pas de prendre en compte le sens. ACT-R est décrit comme un moyen de spécifier comment le cerveau lui-même est organisé d`une manière qui permet aux modules de traitement individuels de produire la cognition.

En utilisant le modèle ACT-R, les études d`Anderson ont examiné les processus neuronaux des gens alors qu`ils résolvent des problèmes complexes tels que des équations algébriques. Lui et ses collègues ont généré un modèle cognitif qui prédisait que pendant que les étudiants résolvent des équations algébriques, les neuroimages montreraient une activation accrue dans un certain nombre de régions prédéfinies. Ils ont également prédit et confirmé que cette augmentation de l`activation diminuerait à mesure que les élèves acquéraient la compétence pour résoudre ces problèmes. Il a également été un leader précoce dans la recherche sur les systèmes de tutorat intelligents, tels que les tuteurs cognitifs, et de nombreux anciens étudiants d`Anderson, comme Kenneth Koedinger et Neil Heffernan, sont devenus des leaders dans ce domaine. ACT-R a été inspiré par le travail d`Allen Newell, et surtout par sa vie à défendre l`idée de théories unifiées comme la seule façon de vraiment découvrir les fondements de la cognition. En fait, John Anderson attribue généralement à Allen Newell la principale source d`influence sur sa propre théorie [1]. Enfin, alors que le laboratoire d`Anderson à CMU maintient et libère le code officiel ACT-R, d`autres implémentations alternatives de la théorie ont été rendues disponibles. Ces implémentations alternatives incluent jACT-R [4] (écrit en Java par Anthony M. Harrison au Naval Research Laboratory) et Python ACT-R (écrit en Python par Terrence C. Stewart et Robert L. West à l`Université Carleton, Canada). Anderson et ses collègues ont généré un modèle cognitif qui prédit que tandis que les étudiants apprenaient une preuve d`algèbre, les neuroimages montraient une diminution de l`activation dans une région préfrontale inférieure latérale et une région fusiforme prédéfinie.

Cette diminution de l`activité a montré une aisance accrue dans la récupération des informations déclaratives, car les étudiants ont exigé moins d`activité dans ces régions pour résoudre les problèmes. Dans une étude de 2012, Anderson et Fincham (un collègue de l`Université Carnegie Mellon) ont mené une étude qui a examiné les étapes cognitives des participants impliqués dans la résolution de problèmes mathématiques [11]. Ces étapes comprenaient l`encodage, la planification, la résolution et la réponse.