การโปรแกรมตรรกะเชิงอุปนัยหรือไอแอลพีเป็นวิธีการเรียนรู้ที่มีข้อดีที่สามารถนำความรู้ภูมิหลังมาใช้ในการเรียนรู้ได้และแนวคิดหรือกฎที่ได้จากการเรียนรู้ก็อยู่ในรูปแบบที่มนุษย์เข้าใจได้ง่าย อย่างไรก็ตามระบบไอแอลพีก็มีข้อจำกัดเนื่องจากไม่สามารถจำแนกตัวอย่างได้ในกรณีที่ตัวอย่างนั้นไม่ตรงกับกฎข้อใดเลยในเซตของกฎที่ได้จากการเรียนรู้วิทยานิพนธ์นี้จึงนำเสนอวิธีการแก้ปัญหาโดยการนำแนวคิดของระบบไอแอลพีรวมเข้ากับนิวรอลเน็ตเวิร์กได้เป็นระบบใหม่ที่มีความยืดหยุ่นมากขึ้น ระบบที่ได้มีชื่อว่า นิวรอลเน็ตเวิร์กตรรกะอันดับที่หนึ่ง (First-Order Logical Neural Network: FOLNN) ระบบนี้มีโครงสร้างพื้นฐานมาจากนิวรอลเน็ตเวิร์กแบบป้อนไปข้างหน้า ที่ประยุกต์ให้สามารถรับอินพุตที่เป็นตัวอย่างและความรู้ภูมิหลังที่อยู่ในรูปแบบของโปรแกรมตรรกะอันดับที่หนึ่งมาใช้ในการเรียนรู้ได้โดยตรง ในการทดลองได้ใช้ชุดข้อมูลที่เป็นตรรกะอันดับที่หนึ่งจำนวน 2 ชุด ผลการทดลองเปรียบเทียบระหว่างวิธีที่นำเสนอกับระบบ PROGOL ซึ่งเป็นระบบที่รู้จักอย่างแพร่หลายของระบบไอแอลพี ปรากฏว่าวิธีที่นำเสนอให้ค่าเปอร์เซ็นต์ความถูกต้องสูงกว่าระบบ PROGOLทั้ง 2 ชุดข้อมูล นอกจากนี้ยังได้ทดลองเพื่อแสดงให้เห็นถึงความทนทานต่อข้อมูลที่มีสัญญาณรบกวน ผลการทดลองปรากฏว่าค่าเปอร์เซ็นต์ความถูกต้องของวิธีที่ใช้ในงานวิจัยนี้ลดลงช้ากว่าค่าเปอร์เซ็นต์ความถูกต้องของระบบ PROGOL