量子認知心理學：跨學科視角下的認知模型與決策理論創新

摘 要 量子認知心理學通過引入量子力學中的疊加、干涉和糾纏等核心概念，重新審視傳統認知科學的基本機制，尤其在決策、感知覺、語言和記憶等領域展現出獨特的應用潛力。量子決策模型利用量子概率與量子測量過程，能夠解釋人類在面對復雜、不確定情境下的選擇偏好，彌補了經典決策理論的局限。此外，量子認知模型在處理多重選擇、模糊性和信息干擾等認知現象中提供了新的視角。盡管如此，量子認知心理學在理論深化與實驗驗證層面仍然面臨諸多挑戰，特別是如何將量子力學的抽象理念與具體的認知實驗巧妙融合。隨著量子計算、神經科學以及人工智能領域的飛速發展，量子認知心理學有望為認知研究與技術革新開辟更多路徑，進一步推動跨學科的深度融合與協同發展。

關鍵詞 量子認知；量子認知心理學；跨學科視角；認知模型；量子決策理論

分類號 B842.1；C934

DOI：10.16842/j.cnki.issn2095-5588.2025.03.005

1 引言

傳統認知心理學在解釋人類思維和決策等高級認知過程時，常常面臨經典概率和邏輯模型的局限性。這些模型難以充分揭示諸如認知悖論、選擇盲點等復雜現象，尤其是在處理不確定性或者多重選擇的情境中顯得乏力（Newen， 2017）。近年來，量子力學領域的疊加、糾纏和測不準原理為理解認知過程的復雜性和不確定性提供了靈活而強大的支持，從而為克服這些瓶頸提供了新的理論工具（劉燊， 2024a）。例如，量子概率理論可以處理多種可能性和狀態疊加，能夠更好地解釋人類決策中的不確定性和模糊性（Klein， 2020）；量子糾纏原理則揭示了不同認知過程之間的相互依賴性，對于描述跨領域的認知行為具有重要意義（Khrennikovet al.， 2018）。在此背景下，量子認知（Quantum Cognition）作為一門新興的跨學科領域逐漸受到關注。它借助量子力學的數學工具，致力于建立新的認知模型，以解釋傳統認知科學難以描述的心理現象，尤其是在決策、意識和心智領域（劉燊， 2024a）。2009年，《數學心理學雜志》（Journal of Mathematical Psychology）發布的“Quantum Cognition”特刊標志著這一領域的正式興起，展現出其在心理學研究中的創新意義。

隨著量子計算與信息科學的發展，量子理論在心理學中的應用潛力進一步擴大。與此同時，現代實驗技術和計算工具的進步為量子認知心理學的研究提供了堅實支持。量子認知心理學（Quantum Cognitive Psychology）利用量子概率理論和量子態描述，旨在解釋和模擬人類認知中的不確定性和復雜性，并且解決傳統心理學模型難以應對的現象，如決策中的悖論和非線性關聯等，是當代心理學發展的新分支之一（劉燊等， 2025）。

需要強調的是，盡管量子認知心理學引入了量子力學的概念，但其核心在于借用量子概率理論（Quantum Probability Theory）以及相關數學工具來解釋人類認知中的不確定性，而非直接探討量子物理學現象在認知系統中的實際表現。另外，盡管與量子計算有一定關聯，但量子認知心理學的重點在于認知建模，而非量子計算技術在大腦或者人工智能系統中的應用。量子認知心理學的跨學科特性為心理學、物理學和計算機科學的交叉研究提供了廣闊的機會，推動了新的研究方法和技術的發展。尤其是，量子認知模型可以通過模擬認知過程中的不確定性來提升機器學習算法的性能，使得人工智能系統在復雜決策情境中表現更優（Pothos amp; Busemeyer， 2022）。

為此，本文將全面探討量子認知心理學的理論基礎和應用，展示該領域的整體發展狀況，并且深入分析當前研究面臨的挑戰與爭議。此外，本文希望推動學科間的合作，為人工智能和決策支持系統的未來應用提供新的啟示。

2 量子認知心理學的理論基礎

量子認知心理學是物理學科的量子力學與心理學科的認知心理學交融的產物，不僅引入了量子力學的基本概念，同時也從認知心理學中汲取了經典理論，從而發展出一系列獨特的理論和模型。

2.1 量子概率理論

在1932年出版的《量子力學的數學基礎》（Mathematical Foundations of Quantum Mechanics）一書中，約翰·馮·諾依曼（John von Neumann）首次提出了量子概率理論。而經典概率理論在1933年才由安德雷·柯爾莫哥洛夫（Andrey Kolmogorov）系統提出（Rédei amp; Summers， 2007）。這意味著，量子概率理論與經典概率理論是獨立發展的。

相較于經典概率理論，量子概率理論在認知建模中展現出更強的解釋力。它強調事件發生的概率由量子態的概率幅的模的平方決定，能夠綜合考慮系統狀態、測量方式、時間以及不確定性原理，尤其擅長捕捉模糊或者不確定信息下的復雜認知現象，如框架效應（Framing Effect）、合取謬誤（Conjunction Fallacy）以及違反預期效用理論的決策等。而這些現象在經典概率理論中難以得到充分解釋（劉燊， 2024a; Hemmo amp; Pitowsky， 2007; Rédei amp; Summers， 2007; Tversky amp; Kahneman， 1981; Vasudevan， 2018）。主要體現為框架效應方面，經典概率理論難以解釋為什幺相同的選項，由于描述方式的不同，會導致人們做出不同的選擇（Tversky amp; Kahneman， 1981）；而量子概率模型可以通過疊加態來表示個體在面對不同描述方式時的不確定性心理狀態，并且通過干涉效應來解釋不同描述方式對于選擇概率的影響。合取謬誤方面，經典概率理論難以解釋為什么人們更傾向于選擇看似更具體的事件，即使其概率低于更一般的事件。但對于經典概論理論中的Linda問題，在量子概率理論看來，人們并非單純地犯邏輯錯誤，而是其認知狀態處于多個可能的解釋的疊加態，而這些解釋的干涉效應導致了共存偏差的產生（劉燊， 2024a）。違反預期效用理論的決策方面，經典的Allais悖論（Karmarkar， 1979）和Ellsberg悖論（Chow amp; Sarin， 2001）違反了預期效用理論，但量子概率理論中的非線性特性能夠更好地捕捉到人們在面對風險和不確定性時的決策偏好。

量子概率理論在認知決策建模中的另一關鍵特性是處理多路徑干涉效應，優于經典理論的線性簡化。它允許多種選擇共存并且相互干涉，為解釋決策中的不確定性和模糊性提供了新的視角（Chow amp; Sarin， 2001; Karmarkar， 1979）。在事件描述和計算上，量子概率理論能夠捕捉量子態關系，尤其是多路徑干涉現象，為認知科學提供了新工具，展現出重要的應用潛力，能夠詮釋傳統模型難以厘清的現象（劉燊， 2024a; Yukalov amp; Sornette， 2016）。

2.2 量子決策理論

量子決策理論已經應用于金融、經濟決策以及行為預測，神經科學實驗證實其操作性（Long， 2021），觀察到決策路徑的干涉與坍縮，顯示其在解釋復雜決策中的優勢。同時，量子糾纏效應也有助于闡釋復雜決策中的相互依賴。

量子決策理論（Quantum Decision Theory）通過引入量子力學中的疊加態和糾纏態，為復雜和不確定的決策過程提供了新的解釋框架。經典決策理論基于線性推理過程，假設個體會根據信息的充分性選擇單一最優選項，排除其他可能性（Pataki， 1996）。然而，量子決策模型以疊加態允許多選擇并行，解釋個體在面對復雜、不確定信息時的猶豫和模糊選擇，揭示了決策多樣性，而非經典理論中單一決策路徑的排他性（Yukalov amp; Sornette， 2008）。心理學領域常見的“多屬性決策實驗”顯示疊加態對于復雜決策的影響，通過操縱屬性值（如價格、性能、外觀）呈現方式（如同時呈現或者順序呈現）觀察選擇偏好變化。

此外，量子決策理論引入糾纏概念，解釋決策依賴難題。譬如，量子力學的糾纏被類比為多個決策選項相互影響（Horodecki et al.， 2009），即某一選擇的結果可能影響其他相關選擇的狀態。需要明確的是，量子糾纏效應和量子干涉效應是兩種性質不同的現象，不能夠混為一談。量子糾纏關注多個選擇之間的相互依存性，而量子干涉則描述同一決策路徑中不同選擇如何相互干擾。換言之，在量子干涉效應中，個體在考慮多種可能的決策路徑時，這些路徑之間的相互干擾會影響最終的選擇結果（Wang amp; Busemeyer， 2016）。量子干涉效應類似于雙縫實驗中的干涉現象，不同路徑的干擾會導致不同的觀測結果。因此，在討論量子決策模型時，必須區分量子糾纏和量子干涉的不同作用。

2.3 量子認知模型

量子認知模型（Quantum Cognition Model）結合量子力學與認知科學，在處理概率的方式上與傳統的貝葉斯推理存在根本性差異。貝葉斯推理使用概率表示信念強度，并且隨新證據更新；而量子認知模型則采用概率幅，不僅反映信念強度，還能夠描述認知狀態的動態變化和多種假設狀態間的相互干涉效應，這一過程比貝葉斯推理更為復雜和動態（劉燊， 2024a；劉洋， 殷杰， 2022）。

在認知心理學中，“測量”被更準確地表述為“外界信息輸入或者感知過程”，通過感知新信息改變信念狀態和推理過程。量子認知模型的狀態更新通過概率幅變化反映動態認知，觀測結果由概率幅的模的平方決定，有助于解釋復雜認知悖論和模糊性，為行為經濟學和神經科學提供新工具。其目標并非證明認知系統中存在量子效應，而是利用量子力學中的數學工具（如量子概率論）解決傳統認知模型難以解釋的復雜心理現象，擴展認知科學的理論解釋力，為復雜決策系統的開發提供理論支持（劉燊， 汪瀾， 2023a）。

3 量子認知心理學的應用

盡管目前仍然處于理論探索和實驗驗證的初期階段，但是量子認知心理學創新性地引入了量子力學概念，探索了認知和決策新模型，應用于感知、注意、語言、記憶等領域，展現出其獨特的應用潛力（劉燊， 汪瀾， 2023b）。量子認知心理學的實驗設計應當著力解決傳統模型難以處理的不確定性、多任務處理和模糊感知問題，如模擬多重狀態疊加，觀察決策過程（Khrennikov， 2016）。并且結合腦電圖和磁共振成像，進一步驗證狀態疊加和坍縮效應（Busemeyer amp; Wang， 2015），從而增強理論模型的可驗證性，為認知神經科學和人工智能等領域的交叉研究提供重要支持。

3.1 感知覺與注意

量子認知心理學為感知覺和注意領域提供了新的理論框架?；诹孔盈B加態和坍縮機制，量子認知模型將感知覺過程視為多重可能性的疊加，直至外界刺激或者內部認知加工導致這些可能性坍縮為具體感知體驗，這一觀點有助于解釋復雜感知現象，如模糊性和多義性（Kyriazos amp; Poga， 2024）。同時，量子認知心理學引入量子系統中的資源分配概念，將注意資源視為可在不同任務或者認知對象間疊加和分配的“量子態”，為理解注意分配提供了獨特視角，尤其是處理多任務或者復雜感知環境時（Carlotti et al.， 2016）。

3.2 語言與記憶

量子認知心理學在語言與記憶研究中引入量子疊加、測量和干涉效應等概念，為重新審視這些認知過程的基本機制提供了新視角。傳統理論在處理模糊性、創造性和歧義解析等現象時存在局限，而量子認知模型能夠解釋詞語多重含義在特定語境下的坍縮效應，以及記憶的動態特性，包括記憶的多樣性、模糊性和回憶中的歧義，還有不同記憶間的相互干擾和沖突（Atkins et al.， 2011; Surov et al.， 2021）。

3.3 決策

量子決策模型通過引入量子概率和量子測量等概念，為傳統決策理論提供了新的解釋框架，能夠更好地解釋經典概率模型難以捕捉的現象，如復雜、不確定情境下的選擇偏好（Khrennikov， 2020）。

然而，量子決策模型作為新興領域仍然處于初步探索階段，許多理論假設和模型有待進一步實證驗證和完善，如引入復雜的數學和物理概念導致解釋和推廣難度增加（Meghdadi et al.， 2022），以及處理大量數據的需求要求開發更有效的數據分析工具（辛瀟洋等， 2018）。

4 量子認知心理學面臨的爭議與挑戰

4.1 理論的爭議與挑戰

量子認知心理學的核心概念如量子疊加、糾纏、波函數等較為抽象且高度數學化，使得理論的具體操作化定義和實證驗證面臨較大難度。當前研究的重點和難點之一在于如何將這些量子概念有效應用于解釋和預測實際的認知現象，以及如何將量子認知心理學與傳統認知模型結合，以增強其解釋力和預測力（劉燊， 2024a）。同時，量子效應在生物系統中的真實性仍受質疑，其在高級認知過程中的作用尚且需要進一步證實（Salari et al.， 2017）。

此外，量子理論如何應對心靈哲學中的“難問題”仍然缺乏深入的理論探討和實驗支持，許多哲學家和科學家對此持懷疑態度。因此，未來研究需要更加細致地探討這些問題，并且提出相應的解決方案（劉燊， 汪瀾， 2023a）。

4.2 實驗驗證的難度

量子認知心理學中的核心概念在認知實驗中的具體實現面臨挑戰，因為量子效應通常需要在高度受控的物理條件下觀測，而認知心理學實驗無法在如此極端條件下進行。因此，量子效應在認知過程中的表現和檢測難度極高，需要創新的實驗設計和方法來捕捉量子效應。

同時，實驗驗證對實驗設計、技術和設備要求極高，成本高昂并且難以推廣，而且量子效應易被噪聲或者外部干擾掩蓋，實驗設計需要非常精細（劉燊， 2024a; Fleming et al.， 2011; Jiang et al.， 2020）。

4.3 跨學科整合的挑戰

心理學與物理學在研究范式、思維模式、語言概念上存在顯著差異，心理學注重經驗主義，強調觀察、實驗和統計分析，關注復雜的交互作用和個體差異；而物理學則偏向理性主義，強調理論推導、數學建模和邏輯演繹。這種差異導致雙方缺乏對方領域知識，跨學科交流困難，整合難度陡增（劉燊， 汪瀾， 2023b）。量子認知心理學要求將量子力學的理論與認知心理學的經典理論有效結合，這不僅需要理論創新，還需要數學模型和實驗設計的深度整合，當前研究尚缺乏實驗驗證理論的能力（劉燊， 2024a）。

5 未來研究方向

5.1 深入探索量子力學領域相關效應在人類高級認知過程中的作用

注重量子效應在決策過程中的應用與探索。在認知過程中，量子疊加和干涉效應能夠解釋多重選擇狀態如何影響決策，揭示信息相互干擾和協調的機制（Li et al.， 2020）。未來研究可以探討這些量子效應在復雜決策過程中的應用，以及量子糾纏在跨模塊認知任務中促進信息高效整合的方式（劉燊， 2024b）。同時，利用量子計算建模和優化認知系統的復雜性，揭示認知模式中的非線性和復雜性（Pothos amp; Busemeyer， 2022），并且探索量子計算在處理與分析大規模認知數據中的作用。

拓展量子認知心理學模型的構建與驗證。未來研究應當致力于構建和驗證量子認知心理學模型，結合量子力學的數學形式與認知科學的實證發現。通過設計創新的實驗進行驗證，檢驗模型對于認知現象的解釋能力和適用性，推動心理學、神經科學、物理學和計算科學等領域的跨學科合作，解決量子認知心理學面臨的理論和實證挑戰。

5.2 推動量子認知心理學和認知神經科學與人工智能深度整合

結合量子認知心理學模型與認知神經科學的理論知識，開發新的計算模型和理論框架，將量子信息技術與大腦神經網絡的復雜活動相結合。未來研究可以探討量子信息理論在解釋神經元活動復雜模式中的作用，以及如何利用量子認知模型揭示大腦利用量子效應進行信息處理和認知功能模擬的機制。同時，關注量子效應在大腦功能中的實際作用，揭示大腦認知功能和信息處理的新機制（Beer et al.， 2020; Georgiev， 2020）。

利用量子計算開發優化算法，以提升神經網絡在認知任務中的表現和效率，推動人工智能技術的進步。同時，推動量子認知心理學、認知神經科學和人工智能領域的合作，整合量子計算技術和腦成像技術，解決跨學科研究中的方法學、理論和技術難題。此外，還需要關注量子認知理論和技術在人工智能發展中的倫理和社會問題，促進科技合理發展，催生新的應用方向（Voelkner amp; Zanotti， 2022）。

5.3 進一步推動學科交融和跨學科研究

構建學科間的“翻譯橋梁”與混合研究方法。為促進不同學科間的理解和合作，應當構建“翻譯橋梁”，將物理學概念翻譯成心理學可以理解的語言，反之亦然，建立起學科概念體系之間的映射關系，詳細解釋其內在邏輯的共通之處。例如，將量子力學的“疊加態”與心理學中的“認知沖突”等概念建立聯系，用具體的數學模型和實驗范式作出闡述。同時，發展混合研究方法，結合定量（行為實驗和神經影像數據采集）和定性研究，融合實驗研究和理論建模，提升研究的嚴謹性和說服力。

增強量子模型的可解釋性與建立跨學科研究平臺。針對原有量子模型在解釋認知現象時參數含義不明確的問題，應當嘗試開發更易于解釋的量子模型，用具體案例進行說明，增強其可解釋性和可驗證性（劉燊， 2024c）。此外，建立一個整合性質的或者跨文化的跨學科研究平臺，促進不同學科背景研究者之間的交流與合作，包括組織跨學科研討會、建立網絡論壇以及共享研究資源等，以推動量子認知心理學等領域的發展。

綜上所述，量子認知心理學為認知科學與人工智能領域的發展開辟了嶄新的視角，并且提供了創新性的解決方案。通過深入探索量子力學與認知心理學的融合，我們不僅進一步深化了對于認知過程本質的理解，還極大地促進了技術層面的革新與進步。然而，在享受技術進步帶來的諸多益處的同時，我們也必須保持警醒，密切關注伴隨而來的倫理與社會挑戰，確保技術的發展軌跡始終與社會福祉以及人類的長遠利益保持高度一致。

參考文獻

劉燊（2024a）. 量子認知的研究回溯、核心應用領域與未來展望. 自然辯證法通訊， 46（4）， 41-48.

劉燊（2024b）. 量子智能與互聯意識： 意識邊界的重塑和倫理框架的構建. 上海師范大學學報（哲學社會科學版）， 53（6）， 95-103.

劉燊（2024c）. 量子人工智能中的意識、自由意志與倫理挑戰. 山東科技大學學報（社會科學版）， 26（6）， 1-10.

劉燊， 汪瀾（2023a）. 量子認知對意識的“難問題”的突破及其展望. 自然辯證法研究， 39（9）， 54-58.

劉燊， 汪瀾（2023b）. 量子形態的元宇宙心理學探微. 心理技術與應用， 11（7）， 386-398.

劉燊， 汪瀾， 韓逸雪， 周穎（2025）. 國際量子認知的研究回溯、熱點發掘與整合展望. 自然辯證法通訊， 47（1）， 105-116.

劉洋， 殷杰（2022）. 認知建模的量子力學路徑——以概念建模為視角. 科學技術哲學研究， 39（2）， 41-47.

施郁（2021）. 揭開“量子”的神秘面紗. 人民論壇·學術前沿， 10（7）， 14-20.

辛瀟洋， 徐晨虹， 陳宏玉， 李瑛（2018）. 一種新決策模型——量子決策模型. 心理科學進展， 26（8）， 1365-1373.

Atkins， A. S.， Berman， M. G.， Reuter-Lorenz， P. A.， Lewis， R. L.， amp; Jonides， J. （2011）. Resolving semantic and proactive interference in memory over the short-term. Memory amp; Cognition， 39， 806-817.

Beer， K.， Bondarenko， D.， Farrelly， T.， Osborne， T. J.， Salzmann， R.， Scheiermann， D.， amp; Wolf， R. （2020）. Training deep quantum neural networks. Nature Communications， 11， 808.

Busemeyer， J. R.， amp; Wang， Z. （2015）. What is quantum cognition， and how is it applied to psychology？ Current Directions in Psychological Science， 24（3）， 163-169.

Carlotti， M.， Kovalchuk， A.， W?chter， T.， Qiu， X.， Zharnikov， M.， amp; Chiechi， R. C. （2016）. Conformation-driven quantum interference effects mediated by through-space conjugation in self-assembled monolayers. Nature Communications， 7， 13904.

Chow， C. C.， amp; Sarin， R. K. （2001）. Comparative ignorance and the Ellsberg paradox. Journal of risk and Uncertainty， 22， 129-139.

Fleming， G. R.， Scholes， G. D.， amp; Cheng， Y. C. （2011）. Quantum effects in biology. Procedia Chemistry， 3（1）， 38-57.

Georgiev， D. D. （2020）. Quantum information theoretic approach to the mind-brain problem. Progress in Biophysics and Molecular Biology， 158， 16-32.

Hemmo， M.， amp; Pitowsky， I. （2007）. Quantum probability and many worlds. Studies in History and Philosophy of Science Part B， 38（2）， 333-350.

Horodecki， R.， Horodecki， P.， Horodecki， M.， amp; Horodecki， K. （2009）. Quantum entanglement. Reviews of Modern Physics， 81（2）， 865-942.

Jiang， X.， Wang， K.， Qian， K.， Chen， Z.， Chen， Z.， Lu， L.， ... amp; Ma， X. （2020）. Towards the standardization of quantum state verification using optimal strategies. npj Quantum Information， 6， 90.

Karmarkar， U. S. （1979）. Subjectively weighted utility and the Allais paradox. Organizational Behavior and Human Performance， 24（1）， 67-72.

Khrennikov， A. （2016）. Quantum Bayesianism as the basis of general theory of decision-making. Philosophical Transactions of the Royal Society A， 374（2068）， 20150245.

Khrennikov， A. （2020）. Quantum-like modeling： Cognition， decision making， and rationality. Mind amp; Society， 19， 307-310.

Khrennikov， A.， Basieva， I.， Pothos， E. M.， amp; Yamato， I. （2018）. Quantum probability in decision making from quantum information representation of neuronal states. Scientific Reports， 8， 16225.

Klein， U. （2020）. From probabilistic mechanics to quantum theory. Quantum Studies： Mathematics and Foundations， 7， 77-98.

Kyriazos， T.， amp; Poga， M. （2024）. Quantum concepts in psychology： Exploring the interplay of physics and the human psyche. Biosystems， 235， 105070.

Li， J. A.， Dong， D.， Wei， Z.， Liu， Y.， Pan， Y.， Nori， F.， amp; Zhang， X. C. （2020）. Quantum reinforcement learning during human decision-making. Nature Human Behaviour， 4， 294-307.

Long， G. L. （2021）. Collapse-in and collapse-out in partial measurement in quantum mechanics and its wise interpretation. Science China Physics， Mechanics amp; Astronomy， 64， 280321.

Meghdadi， A.， Akbarzadeh-T， M. R.， amp; Javidan， K. （2022）. A quantum-like cognitive approach to modeling human biased selection behavior. Scientific Reports， 12， 22545.

Newen， A. （2017）. What are cognitive processes？ An example-based approach. Synthese， 194， 4251-4268.

Pataki， B. （1996）. A critique of some classical theories of decisions under uncertainty. Periodica Polytechnica Social and Management Sciences， 4（1）， 79-92.

Pothos， E. M.， amp; Busemeyer， J. R. （2022）. Quantum cognition. Annual Review of Psychology， 73， 749-778.

Rédei， M.， amp; Summers， S. J. （2007）. Quantum probability theory. Studies in History and Philosophy of Science Part B， 38（2）， 390-417.

Salari， V.， Naeij， H.， amp; Shafiee， A. （2017）. Quantum interf-erence and selectivity through biological ion channels. Scientific Reports， 7， 41625.

Surov， I. A.， Semenenko， E.， Platonov， A. V.， Bessmertny， I. A.， Galofaro， F.， Toffano， Z.， ... amp; Alodjants， A. P. （2021）. Quantum semantics of text perception. Scientific Reports， 11， 4193.

Tversky， A.， amp; Kahneman， D. （1981）. The framing of decis-ions and the psychology of choice. Science， 211（4481）， 453-458.

Vasudevan， A. （2018）. Chance， determinism and the classical theory of probability. Studies in History and Philosophy of Science Part A， 67， 32-43.

Voelkner， N.， amp; Zanotti， L. （2022）. Ethics in a quantum world. Global Studies Quarterly， 2（3）， ksac044.

Wang， Z.， amp; Busemeyer， J. R. （2016）. Interference effects of categorization on decision making. Cognition， 150， 133-149.

Yukalov， V. I.， amp; Sornette， D. （2008）. Quantum decision theory as quantum theory of measurement. Physics Letters A， 372（46）， 6867-6871.

Yukalov， V. I.， amp; Sornette， D. （2016）. Quantum probability and quantum decision-making. Philosophical Transa-ctions of the Royal Society A， 374（2058）， 20150100.