需要JoVE订阅才能观看此内容。 请登录或开始免费试用

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

111 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，该过程受到内在心理反馈与外部学业压力的共同影响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、动机和参与度的波动2。这些情绪反应在一个由认知评估、应对策略及适应性调节机制所支配的多维相空间中演化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。

从教育学和心理学的角度来看，本框架中使用的概念可以直观地理解。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。情绪激活反映了情绪状态的变化，如焦虑、挫败感、动机和投入程度，而调节能力则对应于帮助学生应对挑战的应对机制和自我调节机制。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、情绪或情绪健康测量工具来评估；调节能力则可通过心理韧性、应对方式或自我调节测量方法来估计。这些对应关系为未来的参数估计和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、恢复力和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，恢复力反映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）的突然转变。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清晰的概念桥梁，从而提高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。该图展示了源自学业要求的压力输入、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。这些组分之间动态地相互作用，在压力-情绪相空间中产生演化轨迹，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。

学生压力模型示意图；非线性动力学；反馈回路；情绪状态；分岔理论。
图1：高等教育系统中压力–情绪动态交互的概念示意图。 本图展示了学术环境中压力与情绪动态关系的概念结构。图中显示了源自学业要求的压力输入、表征心理状态演变的情绪响应变量，以及通过反馈回路调节系统行为的适应性调控机制。请点击此处查看该图的高清版本。

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正式稳定性分析来量化10。第三，现有模型缺乏能量景观表征，无法量化情绪调节系统中的韧性或吸引域几何结构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，以描述高等教育应激系统中的振荡行为、多稳态及相变现象。

研究局限性：动力学方程、稳定性分析、能量景观、应激建模。
图 2：现有应激建模文献中研究空白的概念框架示意图。 本图展示了当前应激建模方法中主要局限性的概念性概述。图中心指出，目前缺乏一个描述应激–情绪相互作用的机制性动力学框架。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表述中，整合了应激积累动力学、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，以刻画内部调节动力学、外部强迫效应以及由意外学术事件引发的随机扰动。这种建模方式使得应激—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变演化进行严格的分析。

压力-情绪耦合示意图，包含状态空间方程、稳定性分析、李雅普诺夫能量。
图3：提出的用于压力-情绪调节的非线性动力学建模架构。 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、情绪激活变量以及自适应调节反馈机制整合到统一的状态空间表达式中。请点击此处查看该图的放大版本。

本方法的总体目标是建立一种机理性的非线性建模框架，以将高等教育中的应激调节作为能够呈现多稳态、振荡行为及临界转变的动力系统进行分析。与传统的线性应激指数模型不同，该框架明确引入了累积应激能量、情绪激活与适应性调节能力之间存在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方法，其中采用类李雅普诺夫（Lyapunov-type）势函数来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期周期的周期性强迫项，以及捕捉意外学术事件或环境波动的随机扰动24,25,26。这些扩展使得该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换。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，这些领域中的反馈驱动过程会产生无法通过线性模型解释的涌现行为27,28,29。将类似的应激调控原理应用于高等教育，可弥合教育心理学与动力系统理论之间的鸿沟，从而在严格的数学框架下分析情绪调节过程。通过结合非线性动力学建模、稳定性理论以及能量景观分析，本文所述方法为研究学术环境中的应激动态、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工具。除了方法学上的贡献外，所提出的框架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积累、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，或在何种条件下易陷入倦怠，从而架起心理学理论与定量系统分析之间的桥梁。

访问受限。请登录或开始试用以查看此内容。

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。

访问受限。请登录或开始试用以查看此内容。

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，仅将单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，即确认该实验方案成功实施。

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）、外部强迫幅度（F）、调节增益（κ...

访问受限。请登录或开始试用以查看此内容。

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...

访问受限。请登录或开始试用以查看此内容。

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。

访问受限。请登录或开始试用以查看此内容。

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

访问受限。请登录或开始试用以查看此内容。

重印与许可

标签

状态空间模型非线性稳定性适应性调节倦怠风险韧性效应能量景观建模
联系我们
向图书馆推荐

隐私政策

使用条款

政策

版权所有 © 2026 MyJoVE Corporation。保留所有权利。