تُعد خوارزمية البحث أ* (A* Search Algorithm) واحدة من أكثر الآليات الحسابية تأثيراً في تاريخ علوم الذكاء الاصطناعي وعلم النفس المعرفي، حيث تقف شاهداً على التقاطع الخصب بين النظم الصورية والآليات الذهنية الإنسانية في حل المشكلات. تُمثّل هذه الخوارزمية نموذجاً إرشادياً متقدماً يستكشف الفضاءات الاحتمالية للعثور على المسار الأمثل بأقل تكلفة حسابية ومعرفية ممكنة، متجاوزةً بذلك عشوائية البحث الأعمى ومحدودية الحدس غير المنضبط. يمتد ثقل هذا المفهوم إلى صميم النظرية النفسية، لكونه يوفّر إطاراً كمياً وتفسيرياً يُحاكي كيفية تمثيل العقل البشري للأهداف، وتجاوز العقبات، وتخصيص الموارد الذهنية المحدودة ضمن بيئات معقدة وديناميكية.
مقدمة وتعريف أكاديمي بالخوارزمية
تُعرّف خوارزمية البحث أ* في سياق النمذجة الحاسوبية والنفسية بأنها خوارزمية بحث في الرسم البياني تعتمد على الاستدلال الإرشادي (Heuristic Search)، صُممت لتحديد أقصر مسار بين عقدة بداية وعقدة هدف محددة مسبقاً. تمتاز الخوارزمية بالشمولية والمثالية، ما يعني أنها تضمن دائماً إيجاد الحل الأفضل متى ما كانت دالة التقدير الحدسي مقبولة ولا تفرط في تقدير التكلفة الحقيقية المتبقية. في إطار علم النفس الحسابي، لا يُنظر إلى هذه الخوارزمية كمجرد سطر برمجي، بل كصياغة دقيقة لآليات اتخاذ القرار الموجهة نحو الهدف، حيث يوازن الكائن الحي باستمرار بين الجهد المبذول وتوقعات النجاح المستقبلية.
تستند القوة المعرفية لهذه الخوارزمية إلى قدرتها على دمج المعرفة التراكمية المستندة إلى الخبرة الماضية مع التطلعات المستقبلية الموجهة بالغايات. في الأوساط الأكاديمية المعنية بدراسة الإدراك، تمثل الخوارزمية تجسيداً لما يُعرف بـ “التسوية بين الاستكشاف والاستغلال” (Exploration-Exploitation Trade-off)، وهي إحدى أقدم المعضلات التي واجهت الفكر السيكولوجي السلوكي والمعرفي على حد سواء. إن فهم الكيفية التي تجمع بها الخوارزمية بين قياس المسافة المقطوعة وتقدير المسافة المتبقية يمنح الباحثين أداة قياس دقيقة لمقارنة الأداء البشري الطبيعي بالأداء الخوارزمي المثالي في مهام التخطيط والملاحة المعقدة.
علاوة على ذلك، تنتمي الخوارزمية إلى فئة الخوارزميات الواعية بالمعلومات (Informed Search Algorithms)، وهو ما يجعلها نموذجاً استثنائياً لدراسة البنى المعرفية العليا كالتفكير الاستراتيجي والتجريد الذهني. بدلاً من استعراض جميع الاحتمالات في فضاء الحالة، وهو أمر مستحيل بيولوجياً وحسابياً نتيجة ما يُعرف بـ “الانفجار التوافقي” (Combinatorial Explosion)، تعمل خوارزمية أ* على تقليم شجرة الاحتمالات بذكاء، محاكيةً بذلك ممارسات التفكير البشري التي تركز الانتباه نحو المسارات الواعدة فقط، وتتجاهل المسارات الهامشية التي تستهلك الطاقة الإدراكية دون جدوى حقيقية.
السياق التاريخي والفكري: الجذور المعرفية والحسابية
نشأت خوارزمية البحث أ* عام 1968 في معهد ستانفورد للأبحاث على يد بيتر هارت ونيلز نيلسون وبيرترام رافاييل، في سياق مشروع تطوير الروبوت الشهير “شاكي” (Shakey the Robot)، الذي كان يهدف إلى محاكاة السلوك الإنساني الذاتي في بيئة فيزيائية حقيقية. كان الهدف الأساسي للمشروع يتجاوز الهندسة الميكانيكية البحتة إلى محاولة فهم الكيفية التي يمكن بها لنظام صناعي أن يحل مشكلات الملاحة وتجنب العوائق بنفس المرونة التي يُظهرها الكائن الحي. مثّل هذا الإنجاز ولادة جديدة للذكاء الاصطناعي الرمزي، وفتح الباب أمام حوار عميق ومستمر مع علماء النفس الإدراكيين حول ماهية الذكاء الاستدلالي.
تزامن ظهور هذه الخوارزمية مع الثورة المعرفية التي قادها رواد مثل ألين نيويل وهربرت سايمون، اللذين طرحا فرضية أن العقل البشري يعمل بوصفه نظام معالجة معلومات مادية ورمزية. في كتابهما التأسيسي “حل المشكلات الإنسانية” (Human Problem Solving) عام 1972، رسخ نيويل وسايمون مفهوم “فضاء المشكلة” (Problem Space)، وهو الفضاء الذي يتحرك فيه الفرد ذهنياً من الحالة الراهنة إلى الحالة المنشودة عبر تطبيق مجموعة من العمليات المنطقية. كانت خوارزمية أ* الرياضية الترجمة الحسابية الأدق لهذه الرؤية السيكولوجية، إذ أظهرت كيف يمكن تحويل المفهوم التجريدي لفضاء المشكلة إلى مسارات بيانية قابلة للقياس والتحليل الكمي الصارم.
تطورت الخوارزمية لاحقاً لتتجاوز جدران مختبرات الروبوتات، مستفيدة من التراكم المعرفي في سيكولوجيا التفكير والمنطق الصوري. لم يعد السؤال مقتصراً على كيفية إيصال روبوت من النقطة أ إلى النقطة ب، بل امتد إلى فحص الأسس المعرفية التي تجعل الكائنات الحية قادرة على اتخاذ قرارات سريعة ومثمرة تحت ضغط نقص المعلومات والوقت. شكّلت خوارزمية أ* حجر الزاوية في بناء المحاكيات الذهنية الحاسوبية، ما أتاح لعلماء النفس المعرفي مقارنة السجلات الزمنية لحل المشكلات لدى البشر بالمسارات التي تقترحها الخوارزمية، مما كشف عن الفروق الجوهرية بين الأمثلية الصورية والواقعية النفسية العصبية.
البنية المفاهيمية والرياضية: ميكانيكا التقييم الحدسي
تقوم البنية المفاهيمية لخوارزمية البحث أ* على دالة تقييم رياضية مركزية تُعبر عن التكلفة الإجمالية المقدرة للمسار المار عبر عقدة معينة، وتُصاغ بالمعادلة الكلاسيكية المعروفة: f(n) = g(n) + h(n). في هذا السياق، تمثل g(n) التكلفة الفعلية الدقيقة المتكبدة للانتقال من نقطة البداية إلى العقدة الحالية n، في حين تمثل h(n) الدالة الاستدلالية أو التقدير الحدسي للتكلفة المتبقية من العقدة n للوصول إلى الهدف النهائي. يُعتبر هذا الاندماج بين الواقع الموضوعي الملموس (المتمثل في g) والتوقع التقديري المستقبلي (المتمثل في h) هو جوهر كفاءة الخوارزمية الفائقة.
في التحليل المعرفي النفسي، يتطابق هذا المكون المزدوج مع الآليات التي يوظفها الدماغ البشري أثناء إدارة الجهد؛ فالجزء g(n) يعكس التكلفة الغارقة والجهد الفعلي المستنفد، وهو ما يخضع لمراقبة الذاكرة العاملة ومسارات الانتباه التنفيذي لضمان عدم استنزاف موارد الطاقة الإدراكية دون عائد. أما الجزء h(n)، فيمثل الحدس المعرفي القائم على الاستقراء والتمثيلات الذهنية المسبقة عن مدى قرب الشخص من هدفه. إذا كانت الدالة الحدسية h(n) متفائلة ولم تتجاوز التكلفة الفعلية أبداً (وهو الشرط المعروف أكاديمياً بقابلية القبول أو Admissibility)، فإن الخوارزمية تضمن الوصول إلى الحل الأمثل دون انحراف.
تُعد خاصية الاتساق أو الرتابة (Consistency or Monotonicity) امتداداً رياضياً حاسماً آخر يُشترط في دالة الاستدلال؛ وتعني أن التقدير الحدسي بين أي عقدتين لا يجب أن يتجاوز التكلفة الحقيقية للانتقال بينهما مضافاً إليها التقدير الحدسي من العقدة التالية إلى الهدف. في علم النفس، يُترجم هذا المفهوم الرياضي إلى استقرار النماذج المعرفية وعدم تناقض التوقعات الإدراكية أثناء تقدم الفرد نحو غايته؛ إذ إن حدوث قفزات مفاجئة وتناقضات حادة في تقديرات الفرد يقود إلى الارتباك المعرفي وإعادة هيكلة فاشلة لفضاء المشكلة، تماماً كما يؤدي فقدان الاتساق في الخوارزمية إلى تراجع كفاءتها واضطرارها إلى إعادة فحص العقد التي سَبَق تقييمها.
البحث الحسابي وعلم النفس المعرفي: حل المشكلات واتخاذ القرار
يمثل التفاعل بين خوارزميات البحث والنظريات المعرفية محوراً جوهرياً في دراسة بنية العقل البشري، حيث يتوازى عمل خوارزمية أ* مع النماذج النفسية التي وضعتها مدرسة معالجة المعلومات لشرح كيفية تجزيء المشكلات المعقدة. عندما يواجه الفرد مسألة شطرنج أو أحجية رياضية كأحجية برج هانوي أو مشكلة مكعبات الأرقام، فإنه يُنشئ في جهازه الإدراكي تمثيلاً بنيوياً شبيهاً بالرسم البياني للحالات. لا يستطيع الإنسان استيعاب جميع النقلات الممكنة دفعة واحدة، وهنا تبرز دالة التقدير h(n) بوصفها التعبير الرياضي عن “الاستدلال الاسترشادي الموجه” الذي يعتمده الفرد لتقييم الوضع الراهن بناءً على ملامحه السطحية والعميقة.
أوضحت أبحاث علم النفس المعرفي أن الإنسان لا يعمل كخوارزمية بحث أعمى كالبحث بالاتساع أو البحث بالعمق، بل يستخدم آليات استدلالية شبيهة بخوارزمية أ* تُعرف بـ “تحليل الوسائل والغايات” (Means-Ends Analysis). في هذا النمط، يقوم الفرد بمقارنة حالته الراهنة بالحالة الهدفية، ثم يحدد الفارق بينهما ويوظف المشغلات الذهنية لتقليص هذه الفجوة. وتبرز هنا خوارزمية أ* كمعيار مثالي يُستخدم لقياس كفاءة هذا التحليل الذهني، ومقارنة القرارات الإنسانية بالمسارات المثلى لمعرفة متى يقع التفكير البشري في فخ التحيزات المعرفية أو الالتفافات غير المجدية نتيجة التقدير الحدسي الخاطئ.
تتجلى هذه المقارنة بوضوح في دراسة أنماط أخطاء التفكير؛ فعندما يفرط الإنسان في تقدير كفاءة خيار معين بسبب توافره الذهني السريع (توافرية تفرسكي وكانمان الاستدلالية)، فإن دالة التقدير h(n) لديه تصبح غير مقبولة رياضياً، ما يدفعه إلى اتخاذ قرارات فرعية وغير مثالية تبتعد به عن أقصر الطرق لحل المشكلة. لذلك، يتيح التحليل المقارن بواسطة خوارزمية أ* لعلماء النفس رصد اللحظات الدقيقة التي يعجز فيها الجهاز المعرفي عن الحفاظ على تماسك دالة التكلفة، ويوضح الكيفية التي يؤثر بها التعب المعرفي أو تشتت الانتباه على الدقة التقديرية للأفراد في بيئات العمل الحساسة.
الملاحة المكانية والإدراك البيئي: تمثيلات الخريطة المعرفية
تعتبر الملاحة المكانية (Spatial Navigation) من أوضح الميادين التي يلتقي فيها التطبيق الخوارزمي لأ* بالآليات العصبية الإدراكية لدى الكائنات الحية. منذ أن صاغ إدوارد تولمان مفهوم الخريطة المعرفية (Cognitive Map) في أربعينيات القرن العشرين، أدرك علماء النفس أن الفئران والبشر على حد سواء لا يتحركون في بيئاتهم عبر استجابات حركية عمياء لمثيرات منعزلة، بل يبنون مخططات داخلية منظمة تعكس البنية المكانية للعالم الخارجي. في العصر الحديث، تُستخدم خوارزمية أ* كنموذج حسابي معياري لفهم كيفية استغلال هذه الخرائط المعرفية لرسم مسارات حركية فائقة الكفاءة عبر البيئات المادية المعقدة.
على الصعيد العصبي، ترتبط وظائف البحث وتحديد المسار ارتباطاً وثيقاً بقرين آمون (Hippocampus) والقشرة المخية الشمية الداخلية (Entorhinal Cortex)، حيث تقوم خلايا المكان (Place Cells) وخلايا الشبكة (Grid Cells) بترميز الإحداثيات والمسافات الهندسية. تشير الأبحاث الحسابية العصبية إلى أن هذه الشبكات العصبية تُجري عمليات “إعادة تنشيط متسارع مسبق” (Preplay)، حيث تُطلق الخلايا نبضات تمثل مسارات مستقبلية محتملة قبل أن يبدأ الكائن في الحركة الفعلية. تتطابق هذه الظاهرة البيولوجية بدقة مذهلة مع آلية فحص العقد المستقبلية وتحديث قائمة الانتظار في خوارزمية أ* لترجيح المسار الأقصر والأقل عوائقاً.
تسلط النماذج القائمة على خوارزمية أ* الضوء أيضاً على الكيفية التي يتعامل بها الإدراك البشري مع العقبات المكانية المستجدة، كإغلاق طريق رئيسي أو مواجهة خطر مباغت. تُظهر المحاكاة المعرفية أن الدماغ لا يقوم بإعادة بناء الخريطة المعرفية بالكامل من الصفر، بل يُجري تحديثاً موضعياً لتكلفة المسار، وهو المبدأ الذي بُنيت عليه النسخ المطورة من الخوارزمية مثل (Dynamic A* / D*) المستخدمة في الروبوتات والذكاء الملاحي المعاصر. تُفسر هذه الديناميكية الحسابية المرونة الإدراكية الفائقة التي يتمتع بها الإنسان والحيوان عند الاضطرار إلى إيجاد طرق بديلة فورية تضمن الوصول الآمن للهدف بأقل جهد جسدي ممكن.
الاستدلال الإرشادي والحدس البشري: العقلانية المحدودة في مواجهة التحسين الأمثل
تفتح خوارزمية أ* سجالاً ابستمولوجياً عميقاً حول طبيعة العقلانية؛ إذ تفترض الخوارزمية في حالتها المثالية وجود نظام يمتلك قدرات غير محدودة لتخزين العقد ومقارنتها عبر الذاكرة، وهو ما يصطدم بالواقع البيولوجي للإنسان. هنا يبرز مفهوم العقلانية المحدودة (Bounded Rationality) الذي صاغه هربرت سايمون، مشيراً إلى أن العقل البشري نادراً ما يبحث عن الحل “الأمثل رياضياً”، بل يكتفي بالحل “المُرضي والمقبول” (Satisficing) الذي يُلبي متطلبات البقاء ويحافظ على الموارد الذهنية الشحيحة.
تُظهر المقارنة التحليلية بين خوارزمية أ* والاستدلال البشري وجود تباين جوهري في معايير التقييم:
- استهلاك الذاكرة وتخصيص الموارد: تتطلب خوارزمية أ* الاحتفاظ بجميع العقد المفتوحة في قائمة انتظار مرتبة (Priority Queue)، وهو ما يمثل ضغطاً تخزينياً هائلاً يستحيل على الذاكرة العاملة البشرية تحمله؛ فالإنسان يلجأ بدلاً من ذلك إلى تقليص فضاء البحث جذرياً عن طريق تصفية معظم الخيارات البدائية وإسقاطها من الحساب.
- طبيعة الدالة الحدسية المستخدمة: بينما تعتمد أ* على دالة استدلالية متسقة رياضياً وخالية من المغالطات لضمان الوصول للحل الأمثل، يعتمد الحدس البشري على اختصارات معرفية تطورية سريعة (Fast and Frugal Heuristics) صُممت للتنفيذ تحت ضغط الوقت حتى لو تخلت عن شرط الأمثلية المطلقة.
- التعامل مع الغموض ونقص المعلومات: تعمل أ* بكفاءة مذهلة في الفضاءات المحددة جيداً ذات القواعد الثابتة، بينما يتميز الجهاز المعرفي البشري بقدرته على التنقل في بيئات غير معرفة بوضوح (Ill-defined Problems)، حيث تتغير التكاليف والأهداف ذاتها بشكل ديناميكي أثناء التقدم في المهمة.
هذا التباين لا يقلل من قيمة خوارزمية أ* في سياق العلوم المعرفية، بل على العكس؛ فهو يجعل منها المعيار المرجعي التوجيهي (Normative Benchmark) الذي يُقاس عليه انحراف السلوك الطبيعي. من خلال فهم الظروف التي يُفارق فيها الفكر الإنساني المسار الذي تقترحه خوارزمية أ*، يستطيع الباحثون في علم النفس التمييز بدقة بين الأخطاء الإدراكية الناجمة عن الفشل الوظيفي للدماغ، وتلك الناتجة عن تكيفات بيولوجية ذكية تستهدف الاقتصاد في الطاقة والمعالجة العصبية في عالم يعج بالمجاهيل.
التطبيقات في النماذج المعرفية والأنظمة الذكية
تُشكّل خوارزمية أ* والأساليب المشتقة منها العمود الفقري للعديد من الأطر المعمارية المعرفية الكبرى (Cognitive Architectures) التي صُممت لمحاكاة التفكير البشري، مثل نماذج ACT-R وSOAR. في هذه البنى الشاملة، تُستخدم آليات البحث الإرشادي لتمثيل مرحلة اتخاذ القرار في الذاكرة الإجرائية؛ حيث تتنافس قواعد الإنتاج (Production Rules) المتعددة للوصول إلى التطبيق، وتُحدد الخوارزمية القاعدة التي يجب تفعيلها بناءً على المنفعة المتوقعة ومقدار تقليص المسافة نحو الهدف، محاكيةً بذلك عملية الاستدلال المنطقي والتفكير القائم على الأهداف لدى الإنسان.
تمتد التطبيقات النفسية والحسابية إلى دراسات النمذجة السلوكية للوكلاء الأذكياء في بيئات المحاكاة الاجتماعية والاقتصادية. يُستخدم البحث وفق أ* لمحاكاة التفاعلات الإنسانية في حالات الإخلاء الطارئ، أو التنبؤ بمسارات الهجرة، أو تحليل كيفية تفاعل رواد الفضاء في بيئات معزولة. إن تزويد الوكلاء الاصطناعيين بدوال تكلفة نفسية تعكس متغيرات مثل الخوف، والإجهاد، والراحة، يتيح للباحثين استخدام أ* لرسم مسارات حركية ونفسية تحاكي الواقع الاجتماعي بدقة متناهية، وتكشف كيف يؤثر التوتر النفسي في تعديل وزن الدالة h(n) ويقود إلى سلوكيات تجميعية وتدافعية غير متوقعة.
إضافة إلى ذلك، تلعب الخوارزمية دوراً محورياً في مجال علم النفس السيبراني وتصميم التفاعل بين الإنسان والآلة (Human-Computer Interaction). في واجهات المستخدم وأنظمة التوصية، تُستغل النماذج القائمة على شجرة أ* للتنبؤ بنوايا المستخدم والمسار الذهني الذي يسلكه للوصول إلى معلومة معينة. من خلال محاذاة بنية النظام البرمجي مع المسار الذهني الإرشادي المتوقع للمستخدم، يمكن تصميم بيئات رقمية تُخفف العبء المعرفي (Cognitive Load)، وتقلل من فترات التردد والإحباط، وتخلق تجربة استخدام تتناغم مع الآليات المعرفية الطبيعية للعقل البشري.
الانتقادات والحدود الإدراكية: الفجوة بين الخوارزمية الصارمة والتعقيد البشري
على الرغم من النجاح الرياضي والعملي الفائق لخوارزمية البحث أ*، إلا أن توظيفها كنموذج أحادي وشامل للإدراك البشري يواجه تحديات نقدية عميقة من قبل علماء النفس المعرفي والظاهراتي (Phenomenological Psychology). ينبع النقد الأساسي من النظرة الحسابية الصارمة التي تختزل العقل في آلة لمعالجة الرموز وحساب التكاليف، متجاهلة التجربة الحية المعاشة، والجسدنة (Embodied Cognition)، والدور المحوري الذي تلعبه الانفعالات والمشاعر الوجدانية في توجيه التفكير الإنساني بصورة لا يمكن صياغتها كدوال تكلفة خطية بسيطة.
تتعثر المقاربة الخوارزمية لأ* بشكل خاص أمام المشكلات غير البنائية أو الغامضة (Ill-structured Problems)، وهي السمة الغالبة على معظم معضلات الحياة الإنسانية اليومية كالعلاقات الاجتماعية، والخيارات الأخلاقية، والإبداع الفني. في هذه السياقات، لا تكون “العقد” محددة سلفاً، ولا توجد “دالة هدف” رياضية واضحة المعالم يمكن قياس المسافة إليها. يُظهر الإنسان في مثل هذه المواقف قدرة فريدة على إعادة صياغة المشكلة كلياً من خلال الاستبصار (Insight)، وهي وثبة معرفية نوعية تُغير طبيعة فضاء المشكلة جذرياً، بدلاً من مجرد فحص مسارات متتالية ضمن فضاء محدد سلفاً كما تفعل الخوارزمية.
كما أن الاعتماد المفرط على افتراض العقلانية وتحسين التكلفة يتناقض مع ما كشفته أبحاث الاقتصاد السلوكي ونظرية الآفاق (Prospect Theory) لدانيال كانمان وعاموس تفرسكي. أثبتت هذه النظريات أن التقييم البشري للتكاليف والمكاسب غير متناظر ومتحيز بطبيعته؛ فالخسائر تلوح في الأفق الذهني البشري بوزن عاطفي أكبر بكثير من المكاسب المكافئة، مما يجعل دالة التكلفة النفسية الحقيقية معقدة وغير رتيبة ومليئة بالتشوهات المعتمدة على صياغة الموقف وتأطيره. بالتالي، فإن تطبيق خوارزمية أ* في دراسة السلوك البشري دون إدخال تعديلات جوهرية تأخذ هذه الانحيازات النفسية بالحسبان يؤدي غالباً إلى توقعات تنبؤية غير دقيقة عن المسار الفعلي الذي سيسلكه الفرد.
الخلاصة والآفاق المستقبلية
تظل خوارزمية البحث أ* علامة فارقة في المشهد الفكري الذي يربط بين الرياضيات الصارمة والعلوم الإدراكية، حيث قدمت إجابة حسابية رصينة عن كيفية التوفيق بين المعرفة التراكمية والتطلع الإرشادي لحل المشكلات. ورغم الفوارق الواضحة بين الأمثلية الخوارزمية والعقلانية البشرية المحدودة القائمة على الحدس السريع والتكيف التطوري، فإن الخوارزمية تمنح علم النفس المعرفي إطاراً مرجعياً صلباً لفهم حدود الإدراك وقياس كفاءة السلوك البشري في فضاءات اتخاذ القرار المعقدة. ومع تزايد التوجه نحو نماذج الإدراك الموزع والشبكات العصبية العميقة، يبدو أن مستقبل النمذجة المعرفية يتجه نحو توليف مرن يدمج كفاءة الاستدلال الهيكلي لخوارزمية أ* مع المرونة التكيفية للذكاء البيولوجي، فاتحاً آفاقاً جديدة لفهم طبيعة التفكير الموجه نحو الغايات في عالم شديد التغير والتعقيد.
المراجع
- Hart, P. E., Nilsson, N. J., & Raphael, B. (1968). A formal basis for the heuristic determination of minimum cost paths. IEEE Transactions on Systems Science and Cybernetics, 4(2), 100–107. https://doi.org/10.1109/TSSC.1968.300136
- Kahneman, D. (2011). Thinking, fast and slow. Farrar, Straus and Giroux.
- Newell, A., & Simon, H. A. (1972). Human problem solving. Prentice-Hall.
- Nilsson, N. J. (1980). Principles of artificial intelligence. Tioga Publishing Company.
- O’Keefe, J., & Nadel, L. (1978). The hippocampus as a cognitive map. Oxford University Press.
- Russell, S., & Norvig, P. (2020). Artificial intelligence: A modern approach (4th ed.). Pearson.
- Simon, H. A. (1957). Models of man, social and rational: Mathematical essays on rational human behavior in a social setting. John Wiley & Sons.
- Tolman, E. C. (1948). Cognitive maps in rats and men. Psychological Review, 55(4), 189–208. https://doi.org/10.1037/h0061626
- Tversky, A., & Kahneman, D. (1974). Judgment under uncertainty: Heuristics and biases. Science, 185(4157), 1124–1131. https://doi.org/10.1126/science.185.4157.1124