方法文章

高等教育中压力调节与情绪行为的非线性动态系统建模

36 次观看

⸱

DOI：

10.3791/71462

⸱

2026年8月18日

1School of Humanities, Zhuhai College of Science and Technology

本文内容

摘要

本方案提出了一种受物理学启发的非线性状态空间框架，用于建模高等教育中的压力-情绪动态，使用户能够利用微分方程、稳定性分析和随机模拟来分析倦怠阈值、振荡性压力周期、心理韧性及适应性调节机制。

摘要

高等教育中的压力调节与情绪行为通常采用描述性统计模型进行研究，但这些模型缺乏机制性的动态结构。然而，学业压力表现出非线性行为，包括阈值效应、倦怠以及适应性反应，这些特征无法被线性模型充分捕捉。本研究采用非线性动力系统视角，对高等教育中的压力调节与情绪行为进行建模。本研究的主要目标是建立一种受物理学启发的非线性状态空间框架，以严格描述高等教育中压力与情绪的耦合关系及适应性调节机制。该方案构建了一个描述压力、情绪激活和调节能力的非线性状态空间模型。用户可通过该方案模拟系统动态，并在不同学业条件下评估系统的稳定性。该框架结合非线性稳定性分析与随机模拟，用于研究韧性、失稳及与倦怠相关的状态转变。模拟结果揭示了非线性稳定性、韧性效应以及状态跃迁现象，而这些是传统线性模型无法捕捉的。结果表明，高等教育中的压力调节表现为一种非线性动力系统行为。通过整合非线性动力学、能量景观建模与适应性调节理论，本研究提供了一个统一的预测框架，用以解释学术环境中韧性、失稳与恢复过程。该框架为未来关于学生福祉与倦怠风险的研究奠定了基础，适用于关注学生心理健康与压力调节的研究人员与实践者。

引言

高等教育中的压力调节与情绪行为可被理解为一个随时间演变的复杂动力学过程，该过程受到内部心理反馈与外部学业压力共同作用的影响1。课程作业、考试、机构期望以及社会评价持续扰动学生的情绪状态，导致焦虑、动机和参与度出现波动2。这些情绪反应发生在一个由认知评估、应对策略及适应性调节机制所支配的多维相空间中3。教育心理学中的经典应激反应模型通常假设应激刺激与情绪反应之间存在比例关系，常依赖回归分析或描述性统计指标来刻画这些关系4。然而，实证观察一致表明存在阈值效应、饱和、滞后现象以及包括倦怠和情绪崩溃在内的突变等非线性特征5。在稳定条件下，较小的压力源可能仅引起微不足道的情绪变化；但在接近临界阈值时，却可能触发不成比例的情绪反应6。此类行为类似于远离平衡态的物理系统中观察到的非线性振荡和分岔现象7。在此视角下，学生可被视为开放的耗散系统，通过调节与适应相关的反馈过程，持续与其学术环境交换与压力相关的“能量”8。

从教育学与心理学的角度来看，本框架中所使用的概念具有直观的可解释性。压力累积代表由学业要求和环境压力所产生的渐进性负担；情绪激活反映情绪状态的变化，如焦虑、挫败感、动机和投入程度；而调节能力则对应个体应对挑战的应对机制与自我调节能力。在未来实证研究的应用中，压力累积可通过感知压力量表来表征；情绪激活可通过经过验证的焦虑、情绪或情绪幸福感测量工具进行评估；调节能力则可通过心理韧性、应对方式或自我调节测量工具进行估计。这些对应关系为未来参数估计与模型校准提供了实践基础。在此背景下，非线性概念如稳定性、恢复力与临界转变，可被理解为心理适应的不同模式。稳定状态代表情绪功能的平衡状态，恢复力反映个体从干扰中恢复的能力，而临界转变则对应向适应不良结果（如慢性压力或职业倦怠）的急剧转变。这些解释在教育心理学与非线性动力系统理论之间建立了更为清晰的概念桥梁，从而提升了该框架对跨学科受众的可及性。

为了对这些相互作用提供一个概念性概述，图1 描述了高等教育系统中动态压力-情绪相互作用的结构。该图展示了源自学术要求的压力输入、表征心理状态演变的情绪反应变量，以及通过反馈回路调节系统的适应性调控机制。这些组分动态地相互作用，在压力-情绪相空间中产生轨迹，这些轨迹可能收敛于稳定的情绪状态，也可能偏离至适应不良的状态。尽管这一概念性表征突出了情绪调节的动态特性，但现有的心理学模型很少将这些关系转化为描述时间演化的明确数学结构。

figure-introduction-1
图1：高等教育系统中动态压力-情绪相互作用的概念图。 该图展示了学术环境中压力-情绪动态的概念结构。图中显示了源自学术要求的压力输入、表征心理状态演变的情绪反应变量，以及通过反馈回路调节系统功能的适应性调控机制。请点击此处查看此图的放大版本。

当前建模方法的局限性在图2中得到进一步说明，该图展示了一个概念性框架，用以识别现有应激建模文献中的主要研究空白。该图中心问题是缺乏描述应激–情绪相互作用的机制性动力学框架。围绕这一核心问题，存在若干相互关联的研究空白，共同刻画了当前研究的不足。首先，许多研究依赖基于相关性的应激指标，但缺乏描述时间演化和反馈动力学的控制方程9。其次，职业倦怠与情绪不稳定通常仅作定性描述，而非通过雅可比矩阵或基于特征值判据的形式化稳定性分析来研究10。第三，现有模型缺乏能够量化心理韧性或情绪调节系统中吸引域几何结构的能量景观表征11。最后，应激与情绪反应常被视为独立变量，而非由非线性反馈过程所支配的动态耦合状态变量12。这些空白共同凸显了建立一个严格的动力学建模框架的必要性，该框架应能描述高等教育应激系统中的振荡行为、多稳态以及相变现象。

figure-introduction-2
图 2：现有应激建模研究文献中研究空白的概念框架示意图。 该图展示了当前应激建模方法中存在的主要局限性的概念性概述。图示中心是缺乏一个描述应激–情绪相互作用的机制性动态框架。请点击此处查看此图的放大版本。

为解决这些局限性，图3展示了本研究提出的非线性动力学建模架构。该框架在一个统一的非线性状态空间模型中，整合了应激累积动力学、情绪激活变量以及适应性调节反馈机制。在此框架下，系统演化可通过非线性微分方程进行描述，以捕捉内部调节动力学、外部强迫效应以及由意外学术事件引起的随机扰动。该建模方式使得应激–情绪相互作用能够借助非线性动力系统理论的工具进行分析，包括平衡点分析、分岔分析、李雅普诺夫稳定性理论以及随机稳定性方法13,14,15,16。通过引入明确的控制方程，该模型能够对情绪状态在持续环境强迫和内部反馈过程作用下的时间演化进行严格的分析。

figure-introduction-3
图3：压力-情绪调节的非线性动力学建模架构示意图。 本图展示了本研究开发的用于建模高等教育系统中压力-情绪相互作用的非线性动力学框架。该架构将压力累积动力学、情绪激活变量以及适应性调节反馈机制整合到统一的状态空间表达形式中。请点击此处查看该图的放大版本。

本研究提出的方法的总体目标是建立一个机理性的非线性建模框架，以将高等教育中的压力调节作为一个能够表现出多稳态、振荡行为和临界转变的动力系统进行分析。与传统的线性压力指数模型不同，该框架明确地纳入了累积压力能量、情绪激活和适应性调节能力之间的非线性反馈相互作用17,18,19,20。这些非线性相互作用使得能够识别平衡状态、刻画稳定性边界，并检测与倦怠转变相关的临界点。此外，该框架引入了一种情绪调节的能量景观解释，其中李雅普诺夫型势函数用于描述情绪状态的稳定性结构21,22,23。在此表征下，心理韧性可通过吸引子盆地的深度进行量化，而不稳定阈值则对应于稳定吸引子消失的分岔点。

为了增强模型的真实性，该模型引入了代表学年学期周期的周期性驱动项，以及捕捉意外学术事件或环境波动的随机扰动项24,25,26。这些扩展使框架能够模拟真实的学术压力动态，包括考试期间的压力振荡周期以及由噪声驱动的情绪状态转变。此类建模能力相较于纯统计方法具有优势，可实现对失稳阈值和恢复力机制的预测性分析。

非线性动力学方法此前已应用于生物调控、神经科学以及复杂社会系统等领域，其中由反馈驱动的过程会产生无法通过线性模型解释的涌现行为27,28,29。将类似的压力调节原理应用于高等教育，可连接教育心理学与动力系统理论，从而在数学上严谨的框架内分析情绪调节过程。通过结合非线性动力学建模、稳定性理论和能量景观分析，本文所述方法为研究学术环境中的压力动态、韧性机制及情绪稳定性提供了一个统一的平台30。

最终，该框架使研究人员能够分析压力如何累积、情绪反应如何演变，以及适应性调节机制如何影响系统的长期稳定性。因此，该方法为研究高等教育系统中的韧性、倦怠转变及恢复过程提供了一种强有力的系统性方法工具。除了方法论上的贡献外，所提出的框架还旨在成为教育心理学与非线性动力系统科学之间的跨学科桥梁。通过将压力累积、情绪激活、韧性及适应性调节等心理过程转化为数学上可处理的状态变量，该框架为利用严谨的动力学工具研究复杂的教育现象提供了统一的分析语言。这种整合增强了概念的清晰性，有助于利用行为与心理测量数据进行未来的实证校准，并支持构建用于学术环境中压力调节的预测性与解释性模型31。简而言之，该框架考察了学业压力如何累积、情绪反应如何随时间变化，以及应对机制如何影响恢复与韧性。该模型旨在识别学生在何种条件下能够维持情绪稳定，或在何种条件下易受倦怠影响，从而架起心理学理论与定量系统分析之间的桥梁。

方案

本方案不涉及人体或动物实验。该研究完全基于对高等教育系统中压力-情绪动态的数学建模与计算模拟。用于实现本方案所述非线性动力学建模框架所需的计算工具、软件环境及数值资源均列于材料表中。

1. 模型初始化与计算环境设置

  1. 打开计算环境，为模拟研究创建一个新的项目目录。完整的软件详细信息见补充文件1。
  2. 创建一个名为 StressEmotionModel.m 的主脚本文件，用于实现非线性压力–情绪–调节框架。
  3. 定义表示动力系统的三个状态变量。
    1. 将 S(t) 定义为累积的学业压力，将 E(t) 定义为情绪激活。
    2. 将 R(t) 定义为适应性调节能力。
  4. 创建一个参数初始化文件，并为所有基准模型参数赋值。
  5. 按如下方式定义基准参数集。
    1. 将外部驱动参数 F 设为 2.0，将压力耗散参数 β 设为 0.30。
    2. 将压力–情绪耦合参数 γ 设为 0.50，将调节增益参数 κ 设为 0.40。
    3. 将情绪敏感性参数 α 设为 0.80，将情绪松弛参数 δ 设为 0.50。
    4. 将非线性饱和参数 µ 设为 0.10，将调节介导的相互作用参数 η 设为 0.20，将调节衰减参数 λ 设为 0.25。
  6. 定义初始状态向量。
    1. 设 S(0) = 1.0。
    2. 设 E(0) = 0.5。
    3. 设 R(0) = 0.8。
      注意：除非进行敏感性分析，否则所有基准模拟中应使用相同的参数值。

2. 非线性动力学模型的实现

  1. 创建一个函数文件，包含描述压力、情绪与调节动态的耦合微分方程。相关控制方程见于补充文件1（第S1.2节），相应的 MATLAB 实现见于补充文件1（第S1.8节）。
    注： 基准模型参数、初始条件、数值求解器配置以及控制非线性常微分方程均在补充文件1（第S1.2–S1.6节）中提供。除非另有说明，所有数值模拟均一致使用这些参数。
  2. 根据补充文件1（第S1.2节）中描述的非线性动力系统，实现用于累积压力状态变量 S(t) 的压力演化方程。该方程的相应计算实现在补充文件1（第S1.8节）中提供（函数1：模型方程）。
  3. 实现补充文件1（第S1.2节）中描述的情绪激活方程。情绪激活方程的 MATLAB 实现在补充文件1（第S1.8节）中提供（函数1：模型方程）。
  4. 根据补充文件1（第S1.2节）中描述的非线性模型，实现控制调节能力状态变量 R(t) 的自适应调节方程。相应的 MATLAB 实现在补充文件1（第S1.8节）中提供（函数1：模型方程）。
  5. 通过向每个状态变量引入独立的高斯噪声项，启用可选的随机扰动，以模拟随机的学术干扰和环境变异性。
  6. 使用不同的随机噪声序列进行 30 次独立的随机实现（n = 30），同时保持相同的基准模型参数和初始条件。
  7. 计算平均轨迹及相应的变异性估计值，结果部分中报告的误差条表示这些独立实现之间的统计变异。
  8. 在模拟区间 0 ≤ t ≤ 500 内，使用 ODE45 数值求解器对非线性动力系统进行积分，相对容差设为 1 × 10⁻6，绝对容差设为 1 × 10⁻8，初始积分步长为 0.001，最大步长为 0.05。
  9. 在补充文件1（第S1.6–S1.11节）中提供详细的计算实现、求解器配置和模拟工作流程。
  10. 按如下方式定义随机扰动幅度：
    1. 设 σS = 0.05。
    2. 设 σE = 0.05。
    3. 设 σR = 0.03。
  11. 在数值积分过程中约束所有状态变量保持非负。
  12. 在后处理过程中将负的数值替换为零。

3. 数值模拟

  1. 配置数值求解器。
    1. 对于确定性模拟，选择 ODE45。
    2. 进行随机模拟时，选择相应的随机积分程序。
    3. 使用 MATLAB 的 fsolve 函数，以初始状态估计值 [1, 1, 1] 数值求解平衡状态。当求解器在指定的数值容差下满足其默认的非线性收敛准则时，认为迭代解已收敛。
      ​注意：完整实现详见 补充文件 1，第 S1.8 节（平衡求解器）。
  2. 定义数值求解器设置。
    1. 将相对容差设为 10⁻6，绝对容差设为 10⁻8。
    2. 将最大步长设为 0.05，初始步长设为 0.001。
  3. 定义模拟时间区间为 t = 0 到 t = 500。
  4. 以 Δt = 0.1 的时间间隔对输出轨迹进行采样。
  5. 执行数值积分。
  6. 存储 S(t)、E(t) 和 R(t) 的模拟轨迹。
  7. 以逗号分隔值（CSV）格式导出模拟输出结果，用于后续分析。
    暂停点：在此阶段，所有模拟轨迹和数值输出均已生成并导出。可通过重新加载归档的参数文件和模拟输出结果，暂停并稍后恢复工作流程，再继续进行平衡分析、稳定性分析、可视化及敏感性分析。

4. 平衡与稳定性分析

  1. 通过将所有状态导数设为零来计算平衡解。使用数值求根算法求解由此得到的非线性代数方程。
    注意：当连续两次状态向量之间的绝对差值满足指定的收敛准则时，认为已达到稳态解。详细的收敛准则见补充文件1，第S1.7节。
  2. 在每个平衡点处计算雅可比矩阵，并计算该矩阵的特征值。
  3. 根据最大实部特征值的符号对平衡状态进行分类。当所有特征值的实部均为负时，将该平衡点标记为稳定。
  4. 生成稳定性图，显示稳定与不稳定运行区域的分布情况。

5. 相空间与时间域可视化

  1. 生成 S(t)、E(t) 和 R(t) 的时域图。绘制 S–E 平面的二维相图。
  2. 绘制 E–R 平面的二维相图。生成 S–E–R 状态空间中的三维轨迹。
  3. 在适用的情况下，将矢量场和流线图叠加到相图上。将所有图像以高分辨率图像格式保存，用于记录和发表。

6. 敏感性分析

  1. 创建敏感性分析脚本。每次仅改变一个参数，同时保持其余所有参数处于其基线值。对压力-情绪耦合参数进行敏感性分析。
  2. 对压力耗散参数进行敏感性分析。对调节增益参数进行敏感性分析。对外部强迫参数进行敏感性分析。
  3. 对非线性情绪饱和参数进行敏感性分析。针对每个参数值执行模拟。
  4. 每次模拟后计算稳态情绪平衡值。将所有平衡值存储于结果数据库中。
  5. 通过独立改变主要模型参数，在 补充文件1 的 第S1.10节 所列的预定义范围内进行单参数敏感性分析。具体而言，将 γ 从 0.1 到 2.0 以 0.1 为步长变化，β 从 0.1 到 1.0 以 0.05 为步长变化，κ 从 0.1 到 2.0 以 0.1 为步长变化，F 从 0.5 到 5.0 以 0.25 为步长变化，µ 从 0.01 到 1.0 以 0.05 为步长变化。
    注意： 对于每个参数值，均需进行数值积分，计算稳态解，存储所得的状态变量，并生成相应的敏感性曲线和对比图。
  6. 生成敏感性曲线。生成对比散点图。
  7. 生成对比柱状图。生成参数响应热图。

7. 结果生成与验证

  1. 验证所有模拟的收敛性。确认状态轨迹在整个模拟区间内保持有界。
  2. 在进行后续分析之前，验证数值解已达到稳态。
    注意：当所有状态变量的连续变化满足补充文件1中第S1.7节（收敛准则）所述的预定义收敛准则时，即认为已实现收敛。仅使用收敛后的解进行平衡、稳定性及敏感性分析。
  3. 确认平衡解满足收敛准则。导出所有模拟输出结果、稳定性图谱、相图、敏感性图谱以及数值数据集。
    注意：除非另有说明，所有模拟均采用补充文件1中提供的基准参数集，且所有数值分析均遵循补充文件1中第S1.9节总结的计算流程。用于重现所报告模拟结果所需的完整MATLAB源代码、参数文件、求解器配置及可视化程序均包含在补充文件1中。
  4. 归档所有脚本、参数文件和输出文件，以确保可重复性及未来验证研究的开展。
    注意：应将所有MATLAB源代码、参数文件、绘图程序及模拟工作流程作为补充材料提供，以支持研究结果的独立复现。

结果

为了验证所提出的非线性动力学框架并展示其相较于传统线性模型的优势，开展了一项全面的数值模拟研究（补充文件 2）。除非另有说明，所有随机模拟结果均以 30 次独立实现（n = 30）所得的均值 ± 标准差（SD）表示。不同模拟情景之间的统计比较采用适当的统计检验方法，显著性水平设为 p < 0.05。在进行统计比较的位置，均报告了确切的 p 值。模拟研究评估了非线性应激–情绪–调节模型在参数系统性变化下的行为表现，并将其结构响应与传统线性应激模型进行了比较。对控制微分方程的数值积分在足够长的时间范围内进行，以确保收敛至稳态或渐近状态。在每次实验中，两个模型均采用相同的基线条件，仅将一个参数在预设范围内进行变化。记录并可视化由此产生的稳态情绪状态、瞬态动力学行为及稳定性特征，以突出系统行为的结构差异。当非线性系统在基线参数条件下收敛至有界稳态解、在相空间中表现出稳定的吸引子结构，并且雅可比矩阵的主导特征值为负时，即确认该方案成功实施。

比较分析聚焦于多个关键动力学参数，包括应激-情绪耦合强度（γ）、应激耗散率（β）、外部强迫振幅（F）、调节增益（κ）以及情绪非线性系数（µ）。这些参数直接影响所建模学术环境中的反馈强度、稳定性裕度以及能量再分配。模拟结果揭示了系统响应是遵循线性模型所预测的比例缩放行为，还是表现出非线性现象，例如饱和、弹性缓冲以及多稳态，即由所提出的非线性模型所预测的现象。

情绪平衡对压力-情绪耦合强度的敏感性如图4所示。当耦合参数γ增大时，线性模型产生几乎恒定的情绪反应，表明耦合强度在结构上不影响平衡结果。相比之下，非线性模型显示，随着γ的增加，稳态情绪激活水平下降，反映出非线性相互作用项对压力-情绪反馈的动态调节作用。

figure-results-1
图4：在应激–情绪耦合强度（γ）下的比较敏感性分析。 随着应激–情绪耦合强度 γ 的增加，对稳态情绪反应的分组柱状图比较。蓝色柱代表线性模型，橙色柱代表非线性模型。横轴表示耦合强度 γ，纵轴表示稳态情绪平衡。柱状图表示通过多次模拟运行获得的平均稳态情绪值，误差线表示均值周围的±标准差（SD）。结果表明，随着耦合强度的增加，非线性模型表现出饱和行为和有界的情绪响应，而线性模型对应激强度变化相对不敏感。柱状图表示来自30次独立模拟运行（n = 30）的平均稳态情绪平衡值，误差线表示±标准差。请点击此处查看本图的放大版本。

压力消散率 β 对情绪平衡的影响如图5所示。线性模型预测，随着消散率的增加，情绪激活水平急剧下降，表现出较强的参数敏感性。相比之下，由于内在的调节阻尼和非线性反馈机制，非线性模型在同一参数范围内保持相对稳定。

figure-results-2
图5：在不同应力耗散率（β）下的面积比较分析。 随着应力耗散率 β 的变化，对稳态情绪平衡进行基于面积的比较。蓝色阴影区域代表线性模型，橙色阴影区域代表非线性模型。横轴表示 β，纵轴表示稳态情绪平衡。请点击此处查看该图的放大版本。

情感激活与外部学术压力之间的关系如图6所示。在线性模型中，随着压力幅度的增加，情感激活呈比例增长。而非线性模型则表现出饱和响应，即情感激活初始上升，但由于非线性阻尼和自适应调节效应而逐渐趋于稳定。在次优参数条件下，例如过强的应激-情绪耦合或调节增益不足时，系统表现出不稳定轨迹、振荡幅度增大或平衡稳定性的丧失，表明系统稳定性降低，可能对应于心理负荷升高以及更易发生类似倦怠状态转变的条件。

figure-results-3
图6：在外加作用力（F）下情绪平衡的比较响应。 稳态情绪响应随外加作用力幅度 F 的变化关系。红色虚线代表线性模型，蓝色实线代表非线性模型。横轴表示作用力幅度 F，纵轴表示稳态情绪平衡。请点击此处查看该图的放大版本。

在随机扰动下非线性系统的鲁棒性如图7所示，该图展示了在随机干扰下情绪激活和应激能量的时间演化过程。尽管持续引入噪声，这两个变量仍在有限范围内波动，表明非线性反馈机制能够在环境变化条件下维持系统稳定性。

figure-results-4
图7：噪声诱导扰动下的随机应激-情绪动力学。在随机扰动下，情绪激活 E(t)（蓝色曲线）和应激能量 S(t)（橙色曲线）随时间的演化。横轴表示模拟的时间步长。尽管持续受到噪声驱动的干扰，两个变量均保持有界状态。请点击此处查看该图的放大版本。

能量景观分析为系统稳定性提供了进一步的见解。图8展示了基于Lyapunov能量函数在情绪-调节相平面中的等高线表示，其中系统轨迹收敛至一个稳定的吸引域。该能量结构的三维表示如图9所示，显示出多个势阱，提示可能存在多种稳定的情绪-调节状态。

figure-results-5
图 8：情绪-调节相平面中的能量景观等高线图及动力学轨迹。 基于Lyapunov函数的能量景观在情绪激活（E）和调节能力（R）相平面中的等高线表示。黑色轨迹表示系统向一个稳定的吸引域演化。 请点击此处查看该图的放大版本。

figure-results-6
图9：三维非线性能量景观图，展示不同情绪调节状态的可能性。情绪-调节（E-R）相空间中李雅普诺夫能量景观的三维表示。多个势阱的存在表明在不同系统条件下可能存在多种稳定的情绪调节状态。该能量景观定性地展示了系统的稳定性结构；然而，对多稳态的直接验证还需要额外的动力学证据，例如轨迹切换或分岔分析。请点击此处查看该图的放大版本。

采用基于特征值的方法进一步分析了非线性系统的稳定性特性。图10展示了雅可比矩阵的最大实部特征值在不同应激—情绪耦合强度（γ）和调节增益（κ）取值下的热图。调节强度的增加会产生更负的特征值，表明渐近稳定性增强；而过强的耦合若无足够调节来平衡，则可能降低系统稳定性。最大实部特征值为负的区域对应于稳定的运行条件，而接近或超过零的区域则表明存在不稳定性阈值和潜在的状态转变。

figure-results-7
图10：基于最大实特征值的非线性应激-情绪系统稳定性热图。 该热图显示了在不同应激-情绪耦合强度 γ 和调节增益 κ 下，雅可比矩阵特征值的最大实部。负值越大表示渐近稳定性越强，而接近零的值则表示稳定性降低，失稳的可能性更高。请点击此处查看该图的放大版本。

相空间动力学在图11中可视化，展示了应力–情绪系统在S–E相平面上的矢量场和流线。轨迹收敛至一个稳定的平衡区域，表现出吸引子行为。这种收敛行为证实了该方案的成功实施，并表明在指定的模拟条件下，该非线性框架能够一致地重现稳定的应力–情绪调节动力学。系统的全局稳定性结构进一步在图12中展示，其中来自多个初始条件的轨迹在应力–情绪平面上收敛至一个共同的吸引子。

figure-results-8
图11：应激-情绪动力学的相平面矢量场与流线图。 非线性应激-情绪系统在应激能量（S）与情绪激活（E）相平面上的矢量场及流线表示。流线收敛于一个稳定的平衡区域，表明存在吸引子行为。请点击此处查看该图的放大版本。

figure-results-9
图12：在多种初始条件下应力–情绪平面上的密集相图。 由S–E相平面中多种初始条件生成的相图。轨迹收敛于一个共同的吸引子，表明在不同初始状态下具有稳健的稳定性。 请点击此处查看该图的放大版本。

非线性系统的三维吸引子结构如图13所示，其中轨迹在综合的压力–情绪–调节状态空间中演化，并趋近于一个稳定的吸引子。图14展示了耦合变量的时间域动态，其中情绪激活和压力能量在收敛至稳态平衡值之前表现出短暂的调整过程。

figure-results-10
图13：应激-情绪-调节状态空间中的三维非线性吸引子。 在由应激（S）、情绪激活（E）和调节能力（R）定义的状态空间中，非线性系统的三维轨迹。该轨迹收敛于一个稳定的吸引子，代表系统的长期平衡状态。 请点击此处查看该图的放大版本。

figure-results-11
图14：非线性调控下耦合的应激与情绪状态的时间域演化。情绪激活 E(t)（左侧坐标轴）和应激能量 S(t)（右侧坐标轴）的时间演化过程。两个变量均表现出短暂的调整阶段，随后收敛至稳态平衡。 请点击此处查看该图的放大版本。

自适应调节强度对情绪平衡的影响如图15所示。随着调节增益κ的增加，线性模型预测情绪激活显著降低，而非线性模型由于自适应饱和机制的作用，保持了接近恒定的平衡值。

figure-results-12
图15：调节增益（κ）变化下的双轴对比分析。在不同调节增益κ条件下稳态情绪平衡的比较。蓝色曲线代表线性模型，红色虚线代表非线性模型。横轴表示调节增益κ。请点击此处查看该图的放大版本。

最后，图16展示了随着情绪非线性系数（µ）变化而呈现的基于散点的敏感性比较。在线性框架下，情绪平衡保持不变，因为不存在非线性项。相比之下，非线性模型随着 µ 的增加表现出情绪平衡的下降，表明三次饱和对情绪动力学具有稳定作用。

figure-results-13
图16：在情绪非线性参数（µ）下的基于散点的灵敏度比较。 当情绪非线性系数 µ 变化时，稳态情绪平衡的散点比较。红色标记表示线性模型，蓝色标记表示非线性模型。请点击此处查看此图的放大版本。

除了其计算意义之外，所观察到的动力学行为在教育和心理学背景下也具有重要的解释意义。在随机扰动下所观察到的有界响应表明，适应性调节机制能够缓冲意外学业压力因素的影响，从而支持心理韧性与情绪稳定。类似地，稳定吸引子的存在可被解释为一种心理平衡状态，即学生能够成功调节学业压力；而不稳定区域及分岔阈值则可能对应于应对资源变得不足的条件，从而增加出现倦怠、情绪耗竭或适应不良应激反应的风险。敏感性分析进一步表明，增强调节能力可以扩大稳定区域并降低对破坏性转变的易感性，这突显了在提升应对技能、情绪调节能力以及学生整体福祉的干预措施中的潜在应用价值。这些基于模拟的研究结果提示，所提出的框架可为未来研究压力发展轨迹、韧性机制及潜在干预策略提供一个有用的概念基础。然而，在实现实际应用之前，仍需通过实证的学生数据加以验证。

综上所述，这些结果表明，所提出的非线性框架能够捕捉到传统线性应激模型所缺乏的多种结构性特性，包括饱和行为、在扰动下的稳定性缓冲、多稳态能量景观以及通过适应性调节实现的恢复力。在测试的参数范围内，非线性模型始终维持有限的情绪激活水平和稳定的吸引子行为，而线性模型则表现出对参数变化显著更高的敏感性以及更小的稳定裕度。这些特性为复杂学术环境中的应激–情绪动态提供了更为真实的表征。

补充文件 1：MATLAB 源代码、控制方程、数值实现方法及可重复性文档。 本补充文件包含用于重现论文中所有模拟结果、稳定性分析、相空间轨迹、敏感性分析、特征值热图和李雅普诺夫能量景观所必需的控制非线性微分方程、基准模型参数、初始条件、数值求解器配置、收敛判据、MATLAB 源代码、平衡态求解器、敏感性分析流程、可视化程序、软件规格、参数范围以及计算工作流程。请点击此处下载该文件。

补充文件 2：模拟工作流程文档、心理变量映射及实证验证框架。 本补充材料包含完整的模拟工作流程；数学状态变量与模型参数到可测量心理构念的映射关系；推荐的心理评估工具；参数估计指导；基于学生数据进行未来实证验证与校准的建议框架；以及用于纵向验证和教育应用的潜在实施策略。请点击此处下载该文件。

讨论

本文介绍的计算方案展示了如何通过数值积分、稳定性分析和敏感性分析，利用非线性动力学框架模拟压力与情绪之间的相互作用。实施该方法的关键步骤是对控制微分方程在足够长的时间区间内进行准确的数值积分，以确保系统收敛至稳态或吸引子动力学行为。敏感性分析表明，与传统的线性模型相比，非线性模型对参数变化的响应方式存在差异。具体而言，耦合强度（γ）直接影响非线性系统中的情绪平衡，而压力耗散率（β）主要在线性模型中引发过度响应。类似地，增加外部驱动力在线性模型中会导致无界放大，而在非线性框架中则表现为有界饱和。这些观察结果强调了在应用该方案时，谨慎配置参数以维持系统动力学真实性的必要性31。

该方案可进行调整，以模拟多种环境条件和行为情景。例如，可将代表意外学术事件或社会应激源的随机扰动纳入模拟框架中，以考察系统对随机干扰的鲁棒性。在此类条件下，非线性系统表现出有界的波动而非失控的发散，表明其对噪声驱动的扰动具有韧性。此外，能量景观分析为系统稳定性提供了几何层面的洞察。所得的能量结构可揭示系统轨迹如何收敛至稳定的吸引域，以及多个势阱如何表征不同的情绪调节状态。这些分析工具为诊断不稳定模拟、识别支持稳定调节动力学的参数区间提供了重要指导。模拟不稳定常见的原因包括耦合参数过大、调节增益不足或数值积分设置不当。这些问题通常可通过参数重新校准以及验证数值求解器的稳定性加以解决。

还可以通过基于特征值的分析和相空间可视化技术来考察非线性系统的稳定性特性。这些分析揭示了应激-情绪耦合与调节增益之间的相互作用如何决定系统的整体稳定性。通常，增强调节强度可提高渐近稳定性，而当调节不足时，过强的耦合可能会导致系统失稳。相空间表征进一步表明，源自不同初始条件的轨迹倾向于收敛到一个共同的吸引子，表明该非线性框架内具有较强的稳定性。应激、情绪激活和调节能力的协调演化，说明了适应性反馈机制如何引导系统趋向平衡状态32。

时域分析可进一步揭示系统的瞬态行为及平衡态的形成过程。情绪激活和累积压力通常都表现出初始的瞬态波动，随后逐渐收敛至稳态平衡水平。对自适应调节参数的敏感性分析表明，在线性模型中，增强的调节强度能显著抑制情绪激活；而在非线性模型中，由于饱和效应和反馈缓冲机制，其影响则较为温和。同样，引入非线性情绪饱和项可减少过度放大效应，并稳定情绪响应。综上所述，这些结果表明，非线性框架能够捕捉到传统线性压力模型所无法表征的调节动力学及稳定化机制。与传统的线性模型或基于相关性的压力模型相比，所提出的框架能够分析稳定性边界、吸引子动力学以及非线性转变过程，而这些特征难以通过描述性统计方法直接获取。

未来的研究应将所提出的框架与既有的方法进行基准比较，包括应激交互模型、基于网络的心理学模型、纵向潜变量增长模型以及机器学习预测框架。此类比较将更严格地评估非线性动力学建模在解释力和预测能力方面的优势。除了方法学上的贡献外，该框架对教育心理学和高等教育实践还具有若干更广泛的意义。从咨询的角度来看，识别稳定性区域、心理韧性机制以及失稳阈值，有助于理解学生如何应对长期的学业压力，以及为何某些个体能够有效从压力中恢复，而另一些人则经历不断加剧的情绪困扰。该模型表明，心理韧性并非仅仅是一种静态的个体特质，而可能是由应激暴露、情绪反应与适应性调节过程之间的动态交互作用所涌现的结果33。

该框架还可为未来的学生支持系统和心理健康监测举措提供理论基础。例如，识别与稳定性降低相关的参数区间，有助于开发针对较高倦怠风险的早期预警指标；而分析调控反馈机制则可为增强应对技能和情绪自我调节的干预措施提供依据。在机构层面，该框架提供了一种面向系统的视角，有助于评估学业负担、考核安排和支持资源如何共同影响学生心理健康。所提出的这一方法旨在补充而非取代现有的压力与调节心理学理论。包括压力的交互理论、基于应对的框架、情绪调节理论以及韧性模型在内的传统模型，对认知、行为和情绪适应过程提供了有价值的解释。非线性动力学框架通过引入对这些过程随时间相互作用的定量表征，拓展了上述视角，可能产生稳定状态、振荡行为、韧性，或向不良结果的 abrupt 转变。这种整合有助于将该框架置于学生压力与心理适应研究的更广泛文献背景之中，同时凸显其作为教育心理学与动力系统科学之间桥梁的潜在价值。

还应考虑基于模拟的框架在更广泛教育层面的价值。尽管本研究聚焦于非线性应激—情绪动态，但其底层建模方法可能通过使学生、教育工作者和支持专业人员能够在模拟的学术环境中探索不同应激调节路径的后果，从而支持反思性学习和适应性决策。此类模拟可使原本抽象的心理过程变得更加直观易懂，进而促进对应对策略、情绪反应及韧性发展的更深入自我觉察与反思。

这一观点与近期关于基于模拟的学习体验教育效益的研究结果一致。例如，Shi et al. (2025)34 的研究表明，旨在模拟轻度视觉障碍者所面临挑战的公共交通模拟体验，能够促进同理心的培养、反思性思维的发展以及设计决策能力的提升。类似的原则可能也适用于高等教育中的压力调节：通过模拟压力累积、情绪适应和心理韧性动态的过程，可以帮助学生更好地理解自身的行为反应，同时支持教育工作者和心理咨询师设计更有效的干预措施。因此，所提出的框架不仅可作为研究压力动态的分析工具，还可为未来促进学术环境中同理心、自我反思和适应性决策能力的教育模拟提供基础。

尽管具有上述优势，该方案仍存在若干局限性。该模型使用一组描述压力、情绪激活和调节能力的简化动力学变量来表征情绪调节过程。而现实世界中的情绪动态依赖于更广泛的因素，包括认知评估过程、社会互动以及个体应对策略。因此，当前框架应主要被视为一种概念性和计算建模工具，而非用于预测个体心理行为的模型。尽管如此，该方法为探究学业压力系统中的韧性动态、稳定性条件以及非线性反馈机制提供了一个有价值的方法学平台。未来的研究可通过引入实证数据集、个性化参数估计以及数据驱动的校准方法来扩展此框架，从而提升其预测能力和实际应用价值。未来的验证研究可通过使用经过验证的心理测量工具（如“知觉压力量表”（Perceived Stress Scale, PSS）、“马斯拉奇职业倦怠量表—学生版”（Maslach Burnout Inventory–Student Survey, MBI-SS）、“康纳-戴维森韧性量表”（Connor–Davidson Resilience Scale, CD-RISC）以及情绪幸福感测量工具）收集学生的纵向数据来开展。在一个学期内获得的时间序列观测数据可用于估计模型参数，并将预测轨迹与实际观察到的压力和情绪结果进行比较。此类验证将能够在真实教育环境中对模型的准确性及预测性能进行定量评估35。

另一个局限性在于缺乏基于真实学生数据的实证验证。本研究主要致力于建立理论与计算框架，因此主要依赖数学分析和数值模拟。尽管模拟研究对于探索系统行为和识别潜在机制具有重要价值，但其本身无法证实所建模型的动力学过程能够准确反映真实教育环境中的应激调节机制。此外，模型参数的估计是一个重大挑战，因为应激累积、情绪激活和调节能力等变量无法直接观测，且可能因个体、机构和文化背景的不同而存在差异。同时，当前框架假设学生群体具有普遍性，未明确考虑可能影响应激调节动力学的人口学、文化、制度或学科差异。未来的研究应在多样化的教育环境中评估模型的表现。

未来研究的一个重要方向是将所提出的非线性压力—情绪—调节框架与新兴的沉浸式教育及心理健康技术相整合。近期关于虚拟治疗环境的研究表明，通过精心设计的恢复性体验，沉浸式数字环境能够降低焦虑水平，改善情绪健康，并支持大学生的心理康复。这些发现提示，基于模拟的环境可能为将压力调节的理论模型转化为以干预为导向的应用提供实用平台。在此背景下，本框架所识别的稳定性区域、恢复力阈值、适应性恢复机制以及随机响应模式，有望为设计能够监测、模拟并支持学生福祉的心理响应型学习环境提供依据36。

因此，未来的研究应着重于对所提出的框架进行实证校准和验证。一种有前景的方法是利用经过验证的心理学测量工具，收集纵向数据，以评估感知压力、情绪健康、应对有效性、心理韧性、职业倦怠症状以及学业投入程度。此类数据集可用于估计模型参数、评估预测性能、识别个体在动态行为上的差异，并检验所提出的稳定性与韧性机制在多大程度上与观察到的学生实际结果相符。此外，未来的研究还可将该框架与既有的心理学方法、统计学方法以及基于机器学习的方法进行比较，以确定其相对的解释力和预测价值。这些进展将为将当前的理论框架转化为一种经实证验证的工具提供关键一步，从而更好地理解并支持高等教育中学生的身心健康37。

披露

作者声明不存在任何竞争性财务或非财务利益，亦无利益冲突。在稿件准备过程中，ChatGPT（OpenAI，GPT-5.5）仅用于语言润色、语法校正以及提升文稿的可读性。所有科学内容、数学公式、方法学、分析过程、解释及结论均由作者构思、开发、验证并最终确认。作者对文稿的准确性、原创性和完整性承担全部责任。

致谢

作者感谢中国广东省珠海市科学技术学院人文学院在本研究开展过程中提供的宝贵学术支持与鼓励。该机构的支持以及富有建设性的研究环境极大地促进了本研究的完成。

材料

本文使用的材料清单
姓名公司目录编号评论
微分方程求解器（ODE45）MathWorksMATLAB R2024a用于积分耦合非线性微分方程组的数值求解器。相对容差 = 1×10-6；绝对容差 = 1×10-8.
MATLAB 软件MathWorks，美国马萨诸塞州纳蒂克RRID: SCR_001622用于模型实现、稳定性分析、敏感性分析、相空间可视化、Lyapunov能量景观生成及图像制作的主要数值计算软件。
方法学文档包补充文件 S2N/A包含理论框架文档、参数解释、验证策略、局限性以及计算工作流程描述。
数值数组处理库（NumPy）NumPy 开发人员NumPy 2.0用于 Python 实现中的矩阵运算、数值计算、参数扫描和数据处理的库。
数值模拟环境MATLAB R2024a 环境N/A用于执行非线性应力计算的计算环境–情绪–调控框架、参数扫描、平衡分析和随机模拟。
优化工具箱MathWorksMATLAB 优化工具箱用于通过非线性求根方法（fsolve）计算平衡态。
Python 编程环境Python 软件基金会Python 3.12用于验证数值结果以及复现所选模拟和可视化结果的替代计算平台。
科学计算库（SciPy）SciPy 社区SciPy 1.14用于 Python 实现中的数值计算、非线性方程求解和微分方程分析的库。
源代码包补充文件 S1N/A包含实现完全可重复性所需的 MATLAB 脚本、求解器配置、参数文件、敏感性分析程序、稳定性分析代码以及可视化工作流程。
电子表格软件微软公司Microsoft Excel 365用于仿真输出结果及补充数据集的存储、整理、导出与检查。
可视化工具（Matplotlib）Matplotlib 开发团队Matplotlib 3.9用于生成敏感性图、稳定性图、相空间轨迹、热图及出版级图表的科学绘图库。

参考文献

  1. Ahmad R, et al. Social exchange theory: Systematic review and future directions. Front Psychol. 2023;13:1015921.
  2. Alkhatib OJ, et al. Advances in nonlinear differential equations and their applications in engineering systems. TPM Test Psychom Methodol Appl Psychol. 2025;32(S8):715-724.
  3. Baysarowich R, et al. Socioeconomic status and brain development: Insights and theoretical perspectives on deficit, adaptation, and resilience. Curr Opin Behav Sci. 2025;63:101502.
  4. Briganti G, et al. Network analysis: An overview for mental health research. Int J Methods Psychiatr Res. 2024;33(4):e70012.
  5. Cao Y, et al. Dynamic modeling and experimental verification of clamp-pipeline system with soft nonlinearity. Nonlinear Dyn. 2023;111(19):17725-17748.
  6. Coluccia A, et al. Nonlinear static and dynamic modeling of energy absorption lattice structures behavior. Mech Adv Mater Struct. 2023;30(14):2838-2849.
  7. He L, et al. Academic stress and online learning engagement in medical students: The parallel mediating roles of sleep quality and positive academic emotions. BMC Med Educ. 2026;26(1):54.
  8. Heit DR, et al. Generalized nonlinearity in animal ecology: Research, review, and recommendations. Ecol Evol. 2024;14(7):e70045.
  9. Hong L, Zhang L. Nonlinear dynamical model and analysis of emotional propagation based on Caputo derivative. Mathematics. 2025;13(4):567.
  10. Islam MS, Rabbi MF. Exploring the sources of academic stress and adopted coping mechanisms among university students. Int J Stud Educ. 2024;6(2):45-62.
  11. Kalra A, Lee NY, Dugan R. Exploring antecedents and outcomes of salesperson change agility: A social exchange theory perspective. J Mark Theory Pract. 2024;32(3):290-310.
  12. Kyriazos T, Poga M. Application of machine learning models in social sciences: Managing nonlinear relationships. Encyclopedia. 2024;4(2):890-912.
  13. Large EW, et al. Dynamic models for musical rhythm perception and coordination. Front Comput Neurosci. 2023;17:1151895.
  14. Lavelle JJ, Rupp DE, Herda DN, Lee J. Customer injustice and service employees' customer-oriented citizenship behavior: A social exchange perspective. J Organ Behav. 2023;44(3):421-440.
  15. Lawrance EL, et al. Psychological responses, mental health, and sense of agency for the dual challenges of climate change and the COVID-19 pandemic in young people in the UK: An online survey study. Lancet Planet Health. 2022;6(9):e700-e712.
  16. Li L, Ibrahim RL, Alomair A. Educating for a green future: Strategic human capital and the non-linear path to sustainability in low- and middle-income countries. Int J Educ Dev. 2026;121:103498.
  17. Lyu R, Qu Y, Divaris K, Wu D. Methodological considerations in longitudinal analyses of microbiome data: A comprehensive review. Genes. 2023;14(9):1689.
  18. Mongin D, Uribe A, Cullati S, Courvoisier DS. A tutorial on ordinary differential equations in behavioral science: What does physics teach us? Psychol Methods. 2024;29(5):980-1000.
  19. Muldoon J, Gould AM, Joullié JE. Past is prologue: From human relations to social exchange theory. Qual Res Organ Manag. 2024;19(3):182-202.
  20. Murakami K, Panuncio-Pinto MP, Santos JLF, de Almeida Troncon LE. Academic and non-academic life stressors and perceived levels of stress in Brazilian undergraduate health professions students. BMC Med Educ. 2025;25(1):1164.
  21. Qi Y, et al. Students' coping strategies in response to academic stress: A study of psychological mechanisms and their effects on adaptation. Futurity Soc Sci. 2025;3(3):24-45.
  22. Rega G. Nonlinear dynamics in mechanics: State of the art and expected future developments. J Comput Nonlinear Dyn. 2022;17(8):080802.
  23. Restrepo JE, et al. Academic stress and adaptation to university life: Mediation of cognitive-emotional regulation and social support. An Psicol. 2023;39(1):62-72.
  24. Rodrigues H, et al. Unravelling student learning: Exploring nonlinear dynamics in science education. Int J Psychol Neurosci. 2023;9:118-137.
  25. Romeo-Aznar V, et al. Fine-scale heterogeneity in population density predicts wave dynamics in dengue epidemics. Nat Commun. 2022;13(1):996.
  26. Saglam MS, Yilanci V, Kongkuah M. Decoupling economic growth and carbon emissions: A time-varying analysis of the environmental Kuznets curve hypothesis in France (1890-2019). Environ Dev Sustain. 2025;27(3):4567-4590.
  27. Sangeeta S, Roderick M. Integrating emotion-specific factors into the dynamics of biosocial and ecological systems: Mathematical modeling approaches accounting for psychological effects. Math Comput Appl. 2025;30(6):136.
  28. Sun Y, et al. Physiological and affective responses to green space virtual reality among pregnant women. Environ Res. 2023;216:114499.
  29. Vengatesh T, et al. A dynamical systems approach to psychology: Fusing differential equations and recurrent neural networks for process modeling. TPM Test Psychom Methodol Appl Psychol. 2025;32(S8):725-740.
  30. Wang H, Fan X. Academic stress and sleep quality among Chinese adolescents: Chain mediating effects of anxiety and school burnout. Int J Environ Res Public Health. 2023;20(3):2219.
  31. Lee E-H, et al. Repeated treatment with short-term mild stress reverses aging- and stress-induced emotional and social behavioral deficits. Experimental & Molecular Medicine. 2026;58(2):519-32. https://doi.org/10.1038/s12276-026-01641-2
  32. Orem TR, et al. Amygdala and prefrontal cortex activity varies with individual differences in the emotional response to psychosocial stress. Behav Neurosci. 2019;133(2):203-211. https://doi.org/10.1037/bne0000305
  33. Wheelock MD, et al. Psychosocial stress reactivity is associated with decreased whole-brain network efficiency and increased amygdala centrality. Behav Neurosci. 2018;132(6):561-572. https://doi.org/10.1037/bne0000276
  34. Shi W, et al. Cultivating empathy and upgrading design decisions of students: The impact of simulating public transit experiences of individuals with mild visual impairments. Int J Technol Des Educ. 2024;35(4):1571-1595. https://doi.org/10.1007/s10798-024-09948-9
  35. Cui YT, et al. Virtual therapeutic landscape: An immersive intervention for anxiety in university students. Australas J Educ Technol. 2026. https://doi.org/10.14742/ajet.10308
  36. Reinelt J, et al. Acute psychosocial stress alters thalamic network centrality. Neuroimage. 2019;199:680-690. https://doi.org/10.1016/j.neuroimage.2019.06.005
  37. Kühnel A, et al. Psychosocial stress reactivity habituates following acute physiological stress. Hum Brain Mapp. 2020;41(14):4010-4023. https://doi.org/10.1002/hbm.25106

重印与许可

申请许可以重复使用本 JoVE 文章的文本或图表

申请许可

标签

EngineeringNonlinear dynamical systemsStress emotion couplingHigher education resilienceBifurcation analysisLyapunov stabilityEnergy landscape modelingAdaptive regulation dynamics

相关文章