
مقدمه
اختلال شخصیت مرزی (Borderline Personality Disorder) یکی از پیچیدهترین موضوعات روانپزشکی و رواندرمانی است، زیرا نشانههای آن در چندین سطح به یکدیگر پیوند میخورند: تجربه و تنظیم هیجان، رفتار تکانشی، روابط بینفردی، پردازش بازخورد، تصمیمگیری، خودپنداره و واکنش به زمینههای اجتماعی. ازاینرو، هر تلاش برای پیوند دادن این اختلال با مهندسی الکترونیک باید از ابتدا روشن کند که موضوع مدلسازی دقیقاً چیست.
این پرسش که «آیا میتوان رفتار مرتبط با اختلال شخصیت مرزی را با مدارهای الکترونیکی مدلسازی کرد؟» در صورت طرح کلی، پرسشی مبهم است. اگر مقصود بازسازی کل اختلال شخصیت مرزی باشد، پاسخ علمی نیازمند احتیاط جدی است؛ اما اگر مقصود ساخت یک مدل دینامیکی (Dynamical Model) از یک فرایند قابلاندازهگیری مرتبط با اختلال و سپس پیادهسازی فیزیکی آن مدل در یک مدار باشد، مسئله کاملاً متفاوت میشود.
این تمایز، نقطه آغاز یک رویکرد بینرشتهای معتبر است: مدار الکترونیکی نباید بدون واسطه بهعنوان «مدل اختلال» تلقی شود؛ بلکه میتواند تحقق فیزیکی یک مدل صوری از بخشی از یک فرایند روانشناختی باشد.
اختلال شخصیت مرزی و مسئله پویایی
در پژوهشهای معاصر، اختلال شخصیت مرزی فقط بهصورت مجموعهای ایستا از صفات بررسی نمیشود. یکی از موضوعات مهم، چگونگی تغییر هیجان و رفتار در طول زمان است. این تغییرپذیری را میتوان با مفهوم پویایی عاطفی (Affective Dynamics) بررسی کرد؛ یعنی مطالعه اینکه حالت عاطفی چگونه تغییر میکند، چه مقدار نوسان دارد، با چه سرعتی از یک حالت به حالت دیگر میرود و پس از یک رویداد برانگیزاننده با چه الگویی به وضعیت قبلی نزدیک میشود.
مطالعه Trull و همکاران در سال ۲۰۰۸ با استفاده از ارزیابی لحظهای بومشناختی (Ecological Momentary Assessment) نشان داد که بیثباتی عاطفی را میتوان بهصورت کمی و در محیط زندگی روزمره مطالعه کرد. اهمیت این کار برای بحث مهندسی در این است که «تغییر عاطفه در زمان» را از یک توصیف صرفاً کیفی به یک فرایند قابلاندازهگیری تبدیل میکند.
مدل نظری دیگری که توسط Kuppens و همکاران در ارتباط با BPD مطرح شده، بر ویژگیهایی مانند سطح پایه عاطفه، میزان تغییرپذیری و قدرت بازگشت به حالت پایه تأکید میکند. این مدل نشان میدهد که برخی جنبههای تجربه عاطفی را میتوان با زبان سامانههای دینامیکی توصیف کرد، هرچند خود پژوهشگران نیز بر نیاز به اعتبارسنجی تجربی چنین مدلهایی تأکید کردهاند.
بنابراین، نخستین نتیجه روششناختی این است که «پویایی عاطفی مرتبط با BPD» موضوعی مناسبتر برای مدلسازی کمی است تا عبارت کلی و چندلایهٔ «خودِ اختلال شخصیت مرزی».
مدلسازی علمی به چه معناست؟
مدل علمی (Scientific Model) الزاماً نسخه کوچکشده یا تصویر کامل پدیده واقعی نیست. مدل ممکن است تنها برخی روابط یا ویژگیهای سامانه هدف را برای هدفی مشخص بازنمایی کند. در فلسفه علم، دیدگاههای متفاوتی درباره ماهیت مدل و رابطه آن با سامانه هدف وجود دارد و هیچ قاعدهای وجود ندارد که همه مدلهای علمی را ملزم به تناظر یکبهیک ساختاری با واقعیت کند.
از این منظر، یک مدل دینامیکی از بیثباتی عاطفی میتواند بسیار سادهتر از فرایند زیستی و روانشناختی واقعی باشد و همچنان برای هدف مشخصی مفید واقع شود. شرط اصلی این است که مشخص شود مدل دقیقاً چه چیزی را بازنمایی میکند، چه دادهای باید آن را محدود کند، چه پیشبینیهایی تولید میکند و در چه دامنهای معتبر است.
این نکته برای ارتباط رواندرمانی و مهندسی الکترونیک بسیار مهم است. در مهندسی، یک مدل ممکن است برای تحلیل پایداری، پاسخ گذرا، نوسان یا رفتار تحت بازخورد طراحی شود؛ در روانشناسی نیز ممکن است مدل تنها بخشی از تغییرات هیجانی، تصمیمگیری یا یادگیری را هدف قرار دهد. شباهت در زبان ریاضی بهخودیخود به معنای یکسان بودن مکانیسمهای زیستی و الکتریکی نیست.
تفاوت مدل، شبیهسازی و پیادهسازی
مدلسازی (Modeling) فرایند تعیین متغیرها، روابط، مفروضات و ساختار یک بازنمایی از سامانه هدف است. شبیهسازی (Simulation) اجرای چنین مدل یا ساختاری برای بررسی رفتار آن تحت شرایط مشخص است. پیادهسازی فیزیکی (Physical Implementation) مرحله دیگری است که در آن یک مدل صوری با یک بستر مادی، مانند مدار الکترونیکی، تحقق پیدا میکند.
این سه مفهوم به هم مرتبطاند، اما مترادف نیستند. در علوم محاسباتی، شبیهسازی میتواند برای بررسی پیامدهای یک مدل مورد استفاده قرار گیرد؛ در مهندسی، یک مدل ریاضی میتواند به مدار آنالوگ، مدار دیجیتال یا سامانه نورومورفیک تبدیل شود. ادبیات فلسفه علم درباره شبیهسازی نیز نشان میدهد که شبیهسازی یک موضوع مستقل معرفتشناختی است و نسبت آن با مدل، نظریه و آزمایش باید جداگانه بررسی شود.
بنابراین، صورتبندی دقیقتر چنین زنجیرهای است: ابتدا یک پدیده یا فرایند بالینی تعریف میشود، سپس یک مدل صوری مناسب ساخته میشود، سپس مدل اعتبارسنجی میشود و در صورت وجود دلیل روششناختی، میتوان آن را در یک بستر الکترونیکی پیادهسازی کرد.
از روانپویایی تا سامانه دینامیکی
اگر یک فرایند عاطفی بهصورت دینامیکی مطالعه شود، مفاهیمی از مهندسی سیستمها میتوانند زبان توصیفی مناسبی فراهم کنند. بازخورد (Feedback)، بهره (Gain)، میرایی (Damping)، ثابت زمانی (Time Constant)، نوسان (Oscillation)، آستانه (Threshold)، اشباع (Saturation)، پایداری (Stability) و بازگشت به حالت پایه (Return to Baseline) همگی مفاهیمی هستند که در توصیف سامانههای دینامیکی کاربرد دارند.
اما استفاده از این واژگان باید با دقت انجام شود. اگر گفته شود «بیثباتی عاطفی مانند یک مدار ناپایدار است»، این جمله میتواند صرفاً یک استعاره باشد. اگر گفته شود «یک پارامتر مشخص در مدل دینامیکی با یک شاخص کمی از بیثباتی عاطفی نگاشت شده است»، ادعا از سطح استعاره فراتر رفته و به یک فرضیه مدلسازی تبدیل میشود.
این تفاوت بسیار مهم است. برای مثال، پژوهشهای BPD نشان دادهاند که میتوان ویژگیهایی مانند تغییرپذیری عاطفی و سرعت بازگشت به حالت پایه را کمیسازی کرد. در نتیجه، میتوان از نظر روششناختی پرسید آیا یک سامانه دینامیکی با پارامترهایی که بر نوسان و بازگشت به حالت پایه اثر میگذارند، میتواند الگوهای مشاهدهشده را بازنمایی کند. اما پاسخ این پرسش باید با داده آزموده شود؛ شباهت واژگان مهندسی و روانشناسی بهتنهایی شاهد تجربی نیست.
چرا مدلهای محاسباتی BPD برای این بحث اهمیت دارند؟
پژوهش در روانپزشکی محاسباتی (Computational Psychiatry) نشان داده است که برخی فرایندهای مرتبط با BPD را میتوان با مدلهای کمی مطالعه کرد. این مطالعات صرفاً به هیجان محدود نیستند و فرایندهایی مانند یادگیری، تصمیمگیری، پردازش بازخورد، ارزشگذاری اجتماعی و حساسیت به تغییرات محیطی را نیز دربرمیگیرند.
برای مثال، پژوهشهای محاسباتی در BPD از مدلهای یادگیری تقویتی (Reinforcement Learning) برای بررسی یادگیری از اطلاعات اجتماعی و غیر اجتماعی استفاده کردهاند. یک مطالعه نشان داد که افراد مبتلا به BPD در مقایسه با گروه کنترل، الگوهای متفاوتی در یادگیری اطلاعات اجتماعی و غیر اجتماعی و حساسیت به نوسان محیطی نشان میدهند.
در مطالعهای دیگر، مدلسازی کمی فرایند یادگیری اجتماعی نشان داد که افراد دارای BPD نشانههای اجتماعی را وزندهی بیشتری میکنند و الگوهای یادگیری آنان با وضعیت ثبات یا نوسان محیط ارتباط دارد.
همچنین پژوهشهای جدیدتر نشان دادهاند که حالت هیجانی میتواند با عملکرد یادگیری و تصمیمگیری در افراد دارای ویژگیهای BPD تعامل داشته باشد. در مطالعه Dixon-Gordon و همکاران، پس از القای هیجان منفی، کاهش عملکرد یادگیری از تنبیه در شرایط تعارض بالا در گروه BPD مشاهده شد.
این شواهد یک نکته مهم را روشن میکنند: پیش از آنکه بخواهیم مدار الکترونیکی طراحی کنیم، میتوانیم از مدلهای محاسباتی برای تعیین این مسئله استفاده کنیم که دقیقاً کدام متغیرها و روابط ارزش مدلسازی دارند.
از مدل محاسباتی به مدار الکترونیکی
مدار الکترونیکی زمانی وارد بحث میشود که مدل صوری از حد یک رابطه ریاضی یا الگوریتم فراتر رفته و به دنبال تحقق فیزیکی آن باشیم.
این ایده در مهندسی نورومورفیک (Neuromorphic Engineering) سابقه گستردهای دارد. برای مثال، مدل FitzHugh–Nagumo یک مدل کاهشیافته از دینامیک تحریکپذیری عصبی است و پژوهشگران توانستهاند آن را با مدارهای الکترونیکی پیادهسازی کنند. در اینجا مدار، «نورون زیستی واقعی» نیست؛ بلکه یک پیادهسازی فیزیکی از دینامیک مدل است.
این مثال برای بحث حاضر اهمیت بنیادی دارد. اگر یک مدل ریاضی بتواند دینامیک مشخصی را توصیف کند، میتوان آن دینامیک را گاهی در یک مدار الکترونیکی تحقق بخشید. بنابراین، یک مدار میتواند رفتاری مشابه رفتار پیشبینیشده توسط مدل تولید کند، بدون آنکه اجزای مدار معادل اجزای زیستی یا روانشناختی سامانه هدف باشند.
پژوهشهای جدیدتر حتی پیادهسازیهای دیجیتال و سختافزاری مدلهای FitzHugh–Nagumo را با هدف حفظ ویژگیهای دینامیکی مدل بررسی کردهاند.
این مسئله نشان میدهد که مفهوم «پیادهسازی» برای گفتوگوی روانشناسی و مهندسی از مفهوم «همانندی» مناسبتر است. مدار قرار نیست بیمار را بازسازی کند؛ قرار است یک مدل صوری مشخص را اجرا یا تحقق فیزیکی کند.
نگاشت متغیرهای بالینی به متغیرهای الکترونیکی
حساسترین بخش چنین پروژهای، نگاشت (Mapping) میان متغیرهای مدل و متغیرهای مدار است.
برای مثال، ممکن است در یک مدل انتزاعی، یک متغیر حالت نماینده شدت یا وضعیت یک فرایند عاطفی باشد. در مدار میتوان متغیری الکتریکی را به آن اختصاص داد. اما صرف اینکه هر دو متغیر «شدت» نامیده شوند، نگاشت علمی ایجاد نمیکند.
نگاشت باید عملیاتی (Operationalized) باشد؛ یعنی مشخص شود هر متغیر چگونه اندازهگیری میشود، چه دامنهای دارد، چگونه تغییر میکند و چه رابطهای میان آن و متغیر الکترونیکی برقرار است.
برای مثال، اگر فرض شود یک شاخص بالینی با تغییرپذیری عاطفی مرتبط است، میتوان بررسی کرد که آیا یک متغیر حالت در سامانه دینامیکی میتواند همان شاخص را با دقت قابلقبول بازنمایی کند. سپس میتوان بررسی کرد که آیا مدار فیزیکی قادر است همان پاسخ دینامیکی را در محدوده مورد نظر تولید کند.
در اینجا باید سه نوع اعتبار از یکدیگر جدا شوند: اعتبار مدل نسبت به دادههای بالینی، اعتبار شبیهسازی یا پیادهسازی نسبت به مدل، و در نهایت اعتبار استنباطی درباره پدیده واقعی. موفقیت در سطح دوم بهتنهایی موفقیت در سطح اول یا سوم را تضمین نمیکند.
این تفکیک یکی از مهمترین موانع در برابر استنتاجهای بیشازحد از مدارهای الکترونیکی است.
خطر تقلیلگرایی
یکی از خطرهای اصلی در چنین پروژهای تقلیلگرایی (Reductionism) است. اگر یک رفتار پیچیده انسانی با چند متغیر الکتریکی بازنمایی شود، ممکن است این تصور ایجاد شود که کل پدیده نیز از همان چند متغیر تشکیل شده است.
این استنتاج معتبر نیست.
یک مدل میتواند عمداً ساده باشد و فقط یک پرسش محدود را پاسخ دهد. برای مثال، ممکن است هدف یک مدل صرفاً توضیح دهد که چگونه تغییر در یک پارامتر میتواند نوسان، پایداری یا بازگشت به حالت پایه را تغییر دهد. چنین مدلی درباره سایر ابعاد BPD، از جمله زمینه اجتماعی، تاریخچه یادگیری، تجربه زیسته، فرایندهای بینفردی یا معنای شخصی رویدادها، لزوماً چیزی نمیگوید.
پژوهشهای مربوط به تنظیم هیجان در BPD نیز نشان میدهند که مسئله فقط یک متغیر ساده نیست. یک مرور نظاممند و فراتحلیل شامل ۹۳ مطالعه نشان داد که نشانههای BPD با الگوهای متفاوت استفاده از راهبردهای تنظیم هیجان، از جمله بازداری، نشخوار فکری، اجتناب، بازارزیابی شناختی، حل مسئله و پذیرش، ارتباط دارند.
بنابراین، یک مدار با چند پارامتر نمیتواند بهسادگی جایگزین مدل چندسطحی روانشناختی شود. ارزش آن، در صورت موفقیت، میتواند در مطالعه یک مکانیسم یا پویایی محدود باشد.
خطر قیاس کاذب
خطر دوم، قیاس کاذب (False Analogy) است. اینکه دو سامانه هر دو نوسان دارند، به این معنا نیست که علت نوسان در آنها یکسان است.
در مدار الکترونیکی، نوسان ممکن است ناشی از تعامل اجزای ذخیرهکننده انرژی، تقویت، تأخیر یا بازخورد باشد. در سامانه انسانی، تغییر هیجان میتواند تحت تأثیر ادراک، یادگیری، معنا، روابط، حافظه، وضعیت فیزیولوژیک و زمینه اجتماعی قرار گیرد.
پس اگر یک مدار بتواند شکلی از نوسان شبیه یک شاخص عاطفی ایجاد کند، نتیجه مجاز این است که «مدار، دینامیک انتخابشده در مدل را بازنمایی میکند»، نه اینکه «مکانیسم روانشناختی همان مدار است».
فلسفه علم نیز میان خود سامانه هدف و شیوه بازنمایی آن تمایز میگذارد. مدلها برای هدفهای مشخص و با انتخاب برخی شباهتهای مرتبط ساخته میشوند؛ بنابراین شباهت مدل و هدف باید همیشه نسبت به یک ویژگی، سطح توصیف و هدف معین فهمیده شود.
از استعاره به فرضیه آزمونپذیر
برای تبدیل یک ایده بینرشتهای به پژوهش علمی، باید از استعاره به فرضیه قابل آزمون حرکت کرد.
جملهای مانند «BPD شبیه یک مدار با بازخورد مثبت است» در بهترین حالت یک استعاره مفهومی است. اما میتوان آن را به شکل پژوهشی دقیقتری تبدیل کرد: آیا یک مدل دینامیکی با بازخورد تقویتکننده میتواند یک شاخص مشخص از تغییرات عاطفی را بهتر از مدلهای رقیب بازنمایی کند؟ آیا پارامترهای مدل با شاخصهای بالینی همبستگی دارند؟ آیا مدل میتواند دادههای خارج از مجموعه آموزش را پیشبینی کند؟
در این صورت، مدل دیگر صرفاً وسیلهای برای تشبیه نیست؛ بلکه به یک فرضیه کمی تبدیل میشود.
برای رواندرمانگر، این تغییر بسیار مهم است. هدف مدل قرار نیست جایگزین مفهوم بالینی شود، بلکه میتواند یک لایه کمی به آن اضافه کند. برای مهندس نیز مسئله روشن میشود: طراحی مدار باید از نیازهای مدل ناشی شود، نه اینکه ابتدا یک مدار جالب طراحی شود و سپس برای آن تفسیر روانشناختی ساخته شود.
جایگاه تصمیمگیری، پاداش و تنبیه
یکی از حوزههای مناسب برای پیوند میان روانپزشکی محاسباتی و مهندسی، مطالعه تصمیمگیری و یادگیری از پیامدهاست.
پژوهشها تفاوتهایی در پردازش پاداش و تنبیه و تصمیمگیری در BPD گزارش کردهاند، هرچند نتایج در همه مطالعات یکسان نیستند و نباید آنها را به یک مکانیسم واحد فروکاست. برای نمونه، یک فراتحلیل درباره تصمیمگیری در BPD از شواهدی برای تغییر در ارزشگذاری پیامدها حمایت کرد، اما همزمان نشان داد که همه انواع یادگیری، از جمله یادگیری معکوس، به یک شکل تغییر نمیکنند.
مطالعات دیگری نیز تفاوتهایی در حساسیت به پاداش و تنبیه گزارش کردهاند.
این حوزه برای مهندسی جالب است، زیرا میتوان متغیرهایی مانند ارزش مورد انتظار، خطای پیشبینی پاداش، نرخ یادگیری، حساسیت به تغییر محیط و انتخاب عمل را در مدلهای محاسباتی تعریف کرد. سپس، در سطحی جداگانه، میتوان پرسید آیا چنین مدلی قابلیت پیادهسازی سختافزاری دارد.
در این مسیر، مدار الکترونیکی میتواند بهعنوان یک بستر تجربی برای بررسی دینامیک مدل مورد استفاده قرار گیرد، نه بهعنوان اثبات مستقیم یک نظریه درباره BPD.
چه چیزی را میتوان واقعاً ادعا کرد؟
بر اساس این ملاحظات، چند سطح از ادعا باید از یکدیگر تفکیک شوند.
در سطح نخست، میتوان گفت برخی فرایندهای مرتبط با BPD، مانند بیثباتی عاطفی، یادگیری، تصمیمگیری و پردازش پاداش و تنبیه، بهصورت کمی مطالعه شدهاند. این گزاره پشتوانه تجربی دارد.
در سطح دوم، میتوان گفت برخی از این فرایندها را میتوان با مدلهای دینامیکی یا محاسباتی بازنمایی کرد. این نیز با ادبیات روانپزشکی محاسباتی سازگار است.
در سطح سوم، میتوان گفت یک مدل ریاضی یا دینامیکی، در صورت مناسب بودن ساختار آن، ممکن است در یک سامانه الکترونیکی پیادهسازی شود. تجربه مهندسی در پیادهسازی مدلهای دینامیکی عصبی، از جمله مدل FitzHugh–Nagumo، نشان میدهد که این اصل از نظر فنی امکانپذیر است.
اما در سطح چهارم، یعنی ادعای اینکه مدار الکترونیکی «خود اختلال شخصیت مرزی» را شبیهسازی کرده یا مکانیسم علّی آن را بازسازی کرده است، به شواهد بسیار بیشتری نیاز است و از شواهدی که اکنون برای مدلهای محدود وجود دارد، نمیتوان چنین نتیجهای گرفت.
نتیجهگیری
پرسش درباره امکان مدلسازی رفتار مرتبط با اختلال شخصیت مرزی با مدارهای الکترونیکی، در صورت طرح دقیق، پرسشی مشروع و بالقوه بارور در مرز رواندرمانی، روانپزشکی محاسباتی، نظریه سامانههای دینامیکی و مهندسی الکترونیک است.
اما واحد مناسب برای مدلسازی، «کل اختلال» نیست؛ بلکه یک فرایند یا مجموعهای محدود از فرایندهای قابل تعریف و اندازهگیری است. بیثباتی عاطفی، تغییرپذیری حالت، بازگشت به حالت پایه، یادگیری از بازخورد، ارزشگذاری پاداش و تنبیه و برخی فرایندهای تصمیمگیری نمونههایی هستند که میتوانند نقطه آغاز مدلسازی کمی باشند.
از دیدگاه روششناختی، مسیر معتبر چنین است: ابتدا پدیده بالینی و متغیر قابل اندازهگیری تعریف شود؛ سپس مدل صوری با دامنه اعتبار مشخص ساخته و با داده ارزیابی شود؛ پس از آن، در صورت ضرورت، مدل در محیط محاسباتی یا مدار الکترونیکی اجرا و اعتبارسنجی شود. موفقیت در پیادهسازی الکترونیکی نشان میدهد که مدار قادر به تحقق دینامیک مدل است؛ اما بهتنهایی ثابت نمیکند که مدل، علت واقعی پدیده بالینی را کشف کرده است.
ازاینرو، دقیقترین گزاره مفهومی این است:
«برخی پویاییهای عاطفی و رفتاری مرتبط با اختلال شخصیت مرزی را میتوان در سطحی انتزاعی با مدلهای دینامیکی و محاسباتی صورتبندی کرد و، در صورت تعریف و اعتبارسنجی دقیق نگاشت میان متغیرهای مدل و متغیرهای الکتریکی، این مدلها را با مدارهای الکترونیکی پیادهسازی یا شبیهسازی کرد؛ اما پیادهسازی الکترونیکی مدل، بهخودیخود به معنای بازسازی کامل یا تبیین علّی اختلال شخصیت مرزی نیست.»
این صورتبندی، هم امکان پژوهش بینرشتهای را حفظ میکند و هم مرز میان استعاره، مدل، شبیهسازی، پیادهسازی و تبیین علّی را روشن نگه میدارد. در چنین چارچوبی، مهندسی الکترونیک نه جایگزین رواندرمانی و روانشناسی بالینی است و نه صرفاً استعارهای برای توضیح رفتار؛ بلکه میتواند، در صورت تعریف دقیق مسئله، به ابزاری برای آزمون و مطالعه یک مدل مشخص از پویاییهای روانشناختی تبدیل شود.
منابع
Trull, T. J., Solhan, M. B., Tragesser, S. L., Jahng, S., Wood, P. K., Piasecki, T. M., & Watson, D. (2008). Affective Instability: Measuring a Core Feature of Borderline Personality Disorder With Ecological Momentary Assessment. Journal of Abnormal Psychology, 117(3), 647–661.
Kuppens, P., Allen, N. B., & Sheeber, L. B. (2010). Affective Instability in Borderline Personality Disorder: A Theoretical Model and Empirical Evidence. Psychological Bulletin / related theoretical literature on affective dynamics. در ادبیات مدلسازی پویایی عاطفی BPD، این چارچوب بر تغییرپذیری و بازگشت به حالت پایه تمرکز دارد.
Krause-Utz, A., et al. (2019). A Meta-analysis and Systematic Review of Emotion-Regulation Strategies in Borderline Personality Disorder. Harvard Review of Psychiatry, 27(4).
Fineberg, S. K., Stahl, D. S., & Corlett, P. R. (2017). Computational Psychiatry in Borderline Personality Disorder. Current Behavioral Neuroscience Reports, 4, 31–40.
Fineberg, S. K., et al. (2014). A Computational Account of Borderline Personality Disorder: Impaired Predictive Learning about Self and Others Through Bodily Simulation. Frontiers in Psychiatry, 5, 111.
Berenson, K. R., et al. (2021). Reward and Punishment Sensitivity in Borderline and Avoidant Personality Disorders. Journal of Personality Disorders.
Paret, C., et al. (2016). Associations of Emotional Arousal, Dissociation and Symptom Severity with Operant Conditioning in Borderline Personality Disorder. Psychiatry Research, 244, 194–201.
Dixon-Gordon, K. L., Tull, M. T., Hackel, L. M., & Gratz, K. L. (2018). The Influence of Emotional State on Learning From Reward and Punishment in Borderline Personality Disorder. Journal of Personality Disorders, 32(4), 433–446.
Eric Winsberg. (2010). Science in the Age of Computer Simulation. University of Chicago Press.
Ronald N. Giere. (1988). Explaining Science: A Cognitive Approach. University of Chicago Press. دیدگاه او درباره بازنمایی گزینشی مدلهای علمی در ادبیات فلسفه علم مورد بحث قرار گرفته است.
Stanford Encyclopedia of Philosophy. Scientific Representation؛ Models in Science. مدخلهای فلسفه علم درباره ماهیت مدلها و بازنمایی علمی.
Khanday, F. A., Kant, N. A., Dar, M. R., Zulkifli, T. Z. A., & Psychalinos, C. (2019). Low-Voltage Low-Power Integrable CMOS Circuit Implementation of Integer- and Fractional-Order FitzHugh-Nagumo Neuron Model. IEEE Transactions on Neural Networks and Learning Systems, 30(7), 2108–2122.
Andabili, N., et al. (2025). A Dynamic Examination of the Digital Circuit Implementing the FitzHugh-Nagumo Neuron Model with Emphasis on Low Power Consumption and High Precision.