Modelado de un sistema dinámico no lineal de la regulación del estrés y el comportamiento emocional en la educación superior

Resumen

Este protocolo presenta un marco no lineal inspirado en la física, basado en el espacio de estados, para modelar la dinámica del estrés y las emociones en la educación superior, lo que permite a los usuarios analizar umbrales de agotamiento, ciclos oscilatorios de estrés, resiliencia y regulación adaptativa mediante ecuaciones diferenciales, análisis de estabilidad y simulaciones estocásticas.

Resumen

La regulación del estrés y el comportamiento emocional en la educación superior se examinan comúnmente mediante modelos estadísticos descriptivos que carecen de una estructura dinámica mecanicista. Sin embargo, el estrés académico presenta comportamientos no lineales, incluidos efectos umbral, agotamiento y respuestas adaptativas, que no son adecuadamente capturados por modelos lineales. Este estudio adopta una perspectiva de sistemas dinámicos no lineales para modelar la regulación del estrés y el comportamiento emocional en la educación superior. El objetivo principal de esta investigación es desarrollar un marco físico inspirado en la física, basado en espacios de estado no lineales, que modele rigurosamente el acoplamiento entre estrés y emoción, así como la regulación adaptativa en la educación superior. El protocolo establece un modelo de espacio de estado no lineal que describe el estrés, la activación emocional y la capacidad regulatoria. Los usuarios pueden implementar el protocolo para simular la dinámica del sistema y evaluar su estabilidad bajo distintas condiciones académicas. El marco incorpora análisis de estabilidad no lineal y simulaciones estocásticas para investigar la resiliencia, la inestabilidad y las transiciones relacionadas con el agotamiento. Los resultados de las simulaciones demuestran estabilidad no lineal, efectos de resiliencia y transiciones de régimen que no son capturadas por modelos lineales convencionales. Los resultados indican que la regulación del estrés en la educación superior se comporta como un sistema dinámico no lineal. Al integrar dinámicas no lineales, modelado del paisaje energético y teoría de regulación adaptativa, este trabajo proporciona un marco predictivo unificado que explica los procesos de resiliencia, inestabilidad y recuperación en entornos académicos. El marco sienta las bases para futuros estudios sobre el bienestar estudiantil y el riesgo de agotamiento. El marco es relevante para investigadores y profesionales interesados en el bienestar estudiantil y la regulación del estrés.

Introducción

La regulación del estrés y el comportamiento emocional en la educación superior pueden interpretarse como un proceso dinámico complejo que evoluciona en el tiempo bajo la influencia combinada de retroalimentación psicológica interna y presiones académicas externas¹. Las tareas académicas, exámenes, expectativas institucionales y evaluaciones sociales perturban continuamente los estados emocionales de los estudiantes, produciendo fluctuaciones en la ansiedad, la motivación y el compromiso². Estas respuestas emocionales evolucionan dentro de un espacio de fases multidimensional regido por la evaluación cognitiva, las estrategias de afrontamiento y los mecanismos de regulación adaptativa³. Los modelos clásicos de respuesta al estrés en psicología educativa suelen asumir relaciones proporcionales entre los estímulos de estrés y las reacciones emocionales, basándose a menudo en análisis de regresión o índices estadísticos descriptivos para caracterizar estas relaciones⁴. Sin embargo, las observaciones empíricas demuestran consistentemente características no lineales, como efectos umbral, saturación, histéresis y transiciones bruscas, incluyendo el agotamiento emocional y el colapso psicológico⁵. Pequeños estresores pueden producir cambios emocionales insignificantes en condiciones estables; sin embargo, cerca de umbrales críticos, pueden desencadenar respuestas emocionales desproporcionadas⁶. Este comportamiento se asemeja a oscilaciones no lineales y fenómenos de bifurcación observados en sistemas físicos mantenidos lejos del equilibrio⁷. Desde esta perspectiva, los estudiantes pueden conceptualizarse como sistemas abiertos disipativos que intercambian continuamente «energía» relacionada con el estrés con su entorno académico mediante procesos de retroalimentación que regulan la adaptación⁸.

Desde una perspectiva educativa y psicológica, los conceptos utilizados en el presente marco pueden interpretarse de manera intuitiva. La acumulación de estrés representa la carga progresiva generada por las exigencias académicas y las presiones ambientales. La activación emocional refleja los cambios en los estados afectivos, como la ansiedad, la frustración, la motivación y la implicación, mientras que la capacidad reguladora corresponde a los mecanismos de afrontamiento y autorregulación que ayudan a los estudiantes a adaptarse a los desafíos. Para futuras implementaciones empíricas, la acumulación de estrés puede representarse mediante escalas de estrés percibido; la activación emocional puede evaluarse mediante instrumentos validados de ansiedad, estado de ánimo o bienestar emocional; y la capacidad reguladora puede estimarse mediante medidas de resiliencia, afrontamiento o autorregulación. Estas correspondencias proporcionan una base práctica para la estimación futura de parámetros y la calibración del modelo. En este contexto, conceptos no lineales como estabilidad, resiliencia y transiciones críticas pueden entenderse como patrones distintos de adaptación psicológica. Los estados estables representan un funcionamiento emocional equilibrado, la resiliencia refleja la capacidad de recuperarse de las perturbaciones, y las transiciones críticas corresponden a cambios bruscos hacia resultados maladaptativos, como el estrés crónico o el agotamiento. Estas interpretaciones establecen un puente conceptual más claro entre la psicología educativa y la teoría de sistemas dinámicos no lineales, mejorando así la accesibilidad del marco propuesto para audiencias interdisciplinarias.

Para ofrecer una visión conceptual de estas interacciones, Figura 1 ilustra la estructura de las interacciones dinámicas entre estrés y emoción en los sistemas de educación superior. El diagrama muestra entradas de estrés derivadas de las exigencias académicas, variables de respuesta emocional que representan la evolución del estado psicológico y mecanismos reguladores adaptativos que modulan el sistema mediante bucles de retroalimentación. Estos componentes interactúan dinámicamente, generando trayectorias dentro de un espacio de fases estrés-emoción que pueden converger hacia estados emocionales estables o divergir hacia regímenes no adaptativos. Aunque esta representación conceptual destaca la naturaleza dinámica de la regulación emocional, los modelos psicológicos existentes rara vez traducen estas relaciones en estructuras matemáticas explícitas que describan la evolución temporal.

Figura 1: Diagrama conceptual de la interacción dinámica entre estrés y emoción en los sistemas de educación superior. Esta figura ilustra la estructura conceptual de la dinámica entre estrés y emoción en entornos académicos. El diagrama muestra entradas de estrés provenientes de las exigencias académicas, variables de respuesta emocional que representan la evolución de los estados psicológicos, y mecanismos reguladores adaptativos que modulan el sistema mediante bucles de retroalimentación. Haga clic aquí para ver una versión más grande de esta figura.

Las limitaciones de los enfoques actuales de modelado se ilustran aún más en la Figura 2, que presenta un marco conceptual que identifica las principales brechas de investigación en la literatura existente sobre modelado del estrés. En el centro del diagrama se encuentra la ausencia de un marco dinámico mecanicista para la interacción entre estrés y emoción. Alrededor de esta limitación hay varias brechas interconectadas que caracterizan la investigación actual. En primer lugar, muchos estudios se basan en índices de estrés basados en correlaciones que carecen de ecuaciones que describan la evolución temporal y la dinámica de retroalimentación⁹. En segundo lugar, el agotamiento y la inestabilidad emocional se describen frecuentemente de forma cualitativa, en lugar de mediante un análisis formal de estabilidad que utilice matrices jacobianas o criterios basados en valores propios¹⁰. En tercer lugar, los modelos existentes carecen de representaciones del paisaje energético capaces de cuantificar la resiliencia o la geometría de las cuencas de atracción dentro de los sistemas de regulación emocional¹¹. Por último, el estrés y las respuestas emocionales a menudo se tratan como variables independientes, en lugar de como variables de estado acopladas dinámicamente y regidas por procesos no lineales de retroalimentación¹². En conjunto, estas brechas destacan la necesidad de un marco riguroso de modelado dinámico capaz de describir el comportamiento oscilatorio, la multiestabilidad y las transiciones de fase en los sistemas de estrés en la educación superior.

Figura 2: Marco conceptual que ilustra las lagunas de investigación en la literatura existente sobre modelado del estrés. Esta figura presenta una visión conceptual de las principales limitaciones en los enfoques actuales de modelado del estrés. En el centro del diagrama se encuentra la ausencia de un marco dinámico mecanicista que describa la interacción entre estrés y emoción. Haga clic aquí para ver una versión más grande de esta figura.

Para abordar estas limitaciones, Figura 3 presenta la arquitectura de modelado dinámico no lineal propuesta desarrollada en este estudio. El marco integra dinámicas de acumulación de estrés, variables de activación emocional y mecanismos de retroalimentación reguladora adaptativa dentro de una formulación unificada de espacio de estados no lineal. Dentro de este marco, la evolución del sistema puede describirse mediante ecuaciones diferenciales no lineales que capturan las dinámicas de regulación interna, los efectos de forzamiento externo y las perturbaciones estocásticas derivadas de eventos académicos inesperados. Dicha formulación permite analizar las interacciones entre estrés y emociones utilizando herramientas de la teoría de sistemas dinámicos no lineales, incluyendo análisis de equilibrio, análisis de bifurcación, teoría de estabilidad de Lyapunov y métodos de estabilidad estocástica^13,14,15,16. Al introducir ecuaciones gobernantes explícitas, el modelo permite un análisis riguroso de cómo los estados emocionales evolucionan en el tiempo bajo procesos de forzamiento ambiental continuo y retroalimentación interna.

Figura 3: Arquitectura propuesta de modelado dinámico no lineal para la regulación del estrés y las emociones. Esta figura ilustra el marco dinámico no lineal desarrollado en este estudio para modelar las interacciones entre el estrés y las emociones en los sistemas de educación superior. La arquitectura integra dinámicas de acumulación de estrés, variables de activación emocional y mecanismos de retroalimentación reguladora adaptativa en una formulación unificada de espacio de estados. Haga clic aquí para ver una versión más grande de esta figura.

El objetivo general del método presentado en este trabajo es establecer un marco de modelado no lineal mecanicista que permita analizar la regulación del estrés en la educación superior como un sistema dinámico capaz de exhibir multiestabilidad, regímenes oscilatorios y transiciones críticas. A diferencia de los modelos lineales convencionales de índice de estrés, el marco propuesto incorpora explícitamente interacciones no lineales de retroalimentación entre la energía acumulada de estrés, la activación emocional y la capacidad de regulación adaptativa^17,18,19,20. Estas interacciones no lineales permiten identificar estados de equilibrio, caracterizar los márgenes de estabilidad y detectar puntos de inflexión asociados con transiciones hacia el agotamiento. Además, el marco introduce una interpretación del paisaje energético de la regulación emocional, en la cual funciones de potencial tipo Lyapunov describen la estructura de estabilidad de los estados emocionales^21,22,23. Dentro de esta representación, la resiliencia puede cuantificarse mediante la profundidad de la cuenca de atracción, mientras que los umbrales de inestabilidad corresponden a puntos de bifurcación en los que desaparecen los atractores estables.

Para mejorar el realismo, el modelo incorpora términos de forzamiento periódico que representan los ciclos académicos semestrales, así como perturbaciones estocásticas que capturan eventos académicos inesperados o fluctuaciones ambientales^24,25,26. Estas extensiones permiten que el marco simule dinámicas realistas de estrés académico, incluyendo ciclos oscilatorios de estrés durante los períodos de exámenes y transiciones impulsadas por ruido entre estados emocionales. Tales capacidades de modelado ofrecen ventajas frente a enfoques puramente estadísticos, al permitir análisis predictivos de umbrales de inestabilidad y mecanismos de resiliencia.

En el pasado, se han aplicado enfoques dinámicos no lineales en campos como la regulación biológica, la neurociencia y los sistemas sociales complejos, donde los procesos impulsados por retroalimentación producen comportamientos emergentes que no pueden explicarse mediante modelos lineales^27,28,29. La aplicación de principios similares de regulación del estrés en la educación superior conecta la psicología educativa con la teoría de sistemas dinámicos, permitiendo el análisis de los procesos de regulación emocional dentro de un marco matemáticamente riguroso. Al combinar modelado dinámico no lineal, teoría de estabilidad y análisis del paisaje energético, el método descrito aquí proporciona una plataforma unificada para investigar la dinámica del estrés, los mecanismos de resiliencia y la estabilidad emocional en entornos académicos³⁰.

En última instancia, este marco permite a los investigadores analizar cómo se acumula el estrés, cómo evolucionan las respuestas emocionales y cómo los mecanismos reguladores adaptativos influyen en la estabilidad a largo plazo del sistema. Por lo tanto, el enfoque ofrece una herramienta metodológica poderosa para estudiar la resiliencia, las transiciones hacia el agotamiento y los procesos de recuperación en los sistemas de educación superior. Más allá de su contribución metodológica, el marco propuesto pretende servir como un puente interdisciplinario entre la psicología educativa y la ciencia de los sistemas dinámicos no lineales. Al traducir procesos psicológicos como la acumulación de estrés, la activación emocional, la resiliencia y la regulación adaptativa en variables de estado matemáticamente tratables, el marco proporciona un lenguaje analítico común para investigar fenómenos educativos complejos mediante herramientas dinámicas rigurosas. Esta integración mejora la claridad conceptual, facilita la calibración empírica futura mediante mediciones conductuales y psicológicas, y apoya el desarrollo de modelos predictivos y explicativos para la regulación del estrés en entornos académicos³¹. En términos sencillos, el marco propuesto examina cómo se acumula el estrés académico, cómo cambian las respuestas emocionales con el tiempo y cómo los mecanismos de afrontamiento influyen en la recuperación y la resiliencia. El modelo busca identificar las condiciones bajo las cuales los estudiantes mantienen la estabilidad emocional o se vuelven vulnerables al agotamiento, estableciendo así un puente entre la teoría psicológica y el análisis cuantitativo de sistemas.

Protocolo

Este protocolo no implica experimentación con seres humanos ni con animales. El estudio se basa exclusivamente en modelado matemático y simulación computacional de la dinámica estrés-emoción en sistemas de educación superior. Las herramientas computacionales, entornos de software y recursos numéricos necesarios para implementar el marco de modelado dinámico no lineal descrito en el protocolo se enumeran en la Tabla de Materiales.

1. Inicialización del modelo y configuración del entorno computacional

1. Abra el entorno computacional y cree un directorio nuevo para el estudio de simulación. Los detalles completos del software se proporcionan en el Archivo Suplementario 1.
2. Cree un archivo de script principal llamado StressEmotionModel.m para implementar el marco no lineal de estrés–emoción–regulación.
3. Defina las tres variables de estado que representan el sistema dinámico.
   1. Defina S(t) como el estrés académico acumulado. Defina E(t) como la activación emocional.
   2. Defina R(t) como la capacidad reguladora adaptativa.
4. Cree un archivo para la inicialización de parámetros y asigne valores a todos los parámetros básicos del modelo.
5. Defina el conjunto de parámetros básicos de la siguiente manera.
   1. Establezca el parámetro de forzamiento externo F en 2,0. Establezca el parámetro de disipación del estrés β en 0,30.
   2. Establezca el parámetro de acoplamiento entre estrés y emoción γ en 0,50. Establezca el parámetro de ganancia de regulación κ en 0,40.
   3. Establezca el parámetro de sensibilidad emocional α en 0,80. Establezca el parámetro de relajación emocional δ en 0,50.
   4. Establezca el parámetro de saturación no lineal µ en 0,10. Establezca el parámetro de interacción mediada por regulación η en 0,20. Establezca el parámetro de decaimiento de la regulación λ en 0,25.
6. Defina el vector de estado inicial.
   1. Establezca S(0) = 1,0.
   2. Establezca E(0) = 0,5.
   3. Establezca R(0) = 0,8.
      NOTA: Utilice valores idénticos de parámetros en todas las simulaciones básicas, a menos que esté realizando un análisis de sensibilidad.

2. Implementación del modelo dinámico no lineal

1. Cree un archivo de función que contenga las ecuaciones diferenciales acopladas que rigen la dinámica del estrés, la emoción y la regulación. Las ecuaciones que rigen el sistema se proporcionan en el Archivo Suplementario 1 (Sección S1.2), mientras que la implementación correspondiente en MATLAB se presenta en el Archivo Suplementario 1 (Sección S1.8).
   NOTA: Los parámetros del modelo base, las condiciones iniciales, la configuración del solucionador numérico y las ecuaciones diferenciales ordinarias no lineales que rigen el sistema se proporcionan en el Archivo Suplementario 1 (Secciones S1.2–S1.6). Estos parámetros se utilizan de forma consistente en todas las simulaciones numéricas, salvo que se indique lo contrario.
2. Implemente la ecuación de evolución del estrés para la variable de estado del estrés acumulado S(t) según el sistema dinámico no lineal descrito en el Archivo Suplementario 1, Sección S1.2. La implementación computacional correspondiente de esta ecuación se proporciona en el Archivo Suplementario 1, Sección S1.8 (Función 1: Ecuaciones del modelo).
3. Implemente la ecuación de activación emocional descrita en el Archivo Suplementario 1, Sección S1.2. La implementación en MATLAB de la ecuación de activación emocional está disponible en el Archivo Suplementario 1, Sección S1.8 (Función 1: Ecuaciones del modelo).
4. Implemente la ecuación de regulación adaptativa que rige la variable de estado de capacidad reguladora R(t) según el modelo no lineal descrito en el Archivo Suplementario 1, Sección S1.2. La implementación en MATLAB correspondiente se proporciona en el Archivo Suplementario 1, Sección S1.8 (Función 1: Ecuaciones del modelo).
5. Habilite perturbaciones estocásticas opcionales introduciendo términos de ruido gaussiano independientes en cada variable de estado para simular perturbaciones académicas aleatorias y variabilidad ambiental.
6. Realice 30 realizaciones estocásticas independientes (n = 30) utilizando diferentes secuencias de ruido aleatorio, manteniendo idénticos los parámetros base del modelo y las condiciones iniciales.
7. Calcule las trayectorias medias y las estimaciones correspondientes de variabilidad, donde las barras de error mostradas en la sección de Resultados representan la variación estadística entre estas realizaciones independientes.
8. Integre el sistema dinámico no lineal utilizando el solucionador numérico ODE45 con una tolerancia relativa de 1 × 10⁻⁶, una tolerancia absoluta de 1 × 10⁻⁸, un paso inicial de integración de 0,001 y un tamaño máximo de paso de 0,05 en el intervalo de simulación 0 ≤ t ≤ 500.
9. Proporcione la implementación computacional detallada, la configuración del solucionador y el flujo de trabajo de la simulación en el Archivo Suplementario 1, Secciones S1.6–S1.11.
10. Defina las amplitudes estocásticas como sigue.
    1. Establezca σS = 0,05.
    2. Establezca σE = 0,05.
    3. Establezca σR = 0,03.
11. Restrinja todas las variables de estado para que permanezcan no negativas durante la integración numérica.
12. Sustituya los valores numéricos negativos por cero durante el postprocesamiento.

3. Simulación numérica

1. Configure el solucionador numérico.
   1. Seleccione ODE45 para simulaciones deterministas.
   2. Seleccione una rutina equivalente de integración estocástica cuando se realicen simulaciones estocásticas.
   3. Determine numéricamente el estado de equilibrio utilizando la función fsolve de MATLAB con una estimación inicial del estado de [1, 1, 1]. Se considera que la solución iterativa ha convergido cuando el solucionador satisface sus criterios predeterminados de convergencia no lineal bajo las tolerancias numéricas especificadas.
      ​Nota: La implementación completa se proporciona en Archivo Suplementario 1, Sección S1.8 (Solucionador de Equilibrio).
2. Defina la configuración del solucionador numérico.
   1. Establezca la tolerancia relativa en 10⁻⁶. Establezca la tolerancia absoluta en 10⁻⁸.
   2. Establezca el tamaño de paso máximo en 0,05. Establezca el tamaño de paso inicial en 0,001.
3. Defina el intervalo de simulación desde t = 0 hasta t = 500.
4. Muestree las trayectorias de salida a intervalos de Δt = 0,1.
5. Realice la integración numérica.
6. Guarde las trayectorias simuladas de S(t), E(t) y R(t).
7. Exporte las salidas de la simulación en formato de valores separados por comas (CSV) para su posterior análisis.
   PUNTO DE PAUSA: En esta etapa, todas las trayectorias de simulación y salidas numéricas han sido generadas y exportadas. El flujo de trabajo puede pausarse y reanudarse más tarde recargando los archivos de parámetros archivados y las salidas de simulación antes de proceder al análisis de equilibrio, análisis de estabilidad, visualización y análisis de sensibilidad.

4. Análisis de equilibrio y estabilidad

1. Calcule las soluciones de equilibrio igualando todas las derivadas de estado a cero. Resuelva las ecuaciones algebraicas no lineales resultantes utilizando un algoritmo numérico de búsqueda de raíces.
   NOTA: Se considera que se ha alcanzado una solución en estado estacionario cuando la diferencia absoluta entre dos vectores de estado sucesivos satisface el criterio de convergencia especificado. El criterio detallado de convergencia se proporciona en el Archivo Suplementario 1, Sección S1.7.
2. Calcule la matriz jacobiana en cada punto de equilibrio. Determine los valores propios de la matriz jacobiana.
3. Clasifique los estados de equilibrio según el signo del valor propio con la parte real máxima. Etiquete los equilibrios como estables cuando todos los valores propios tengan componentes reales negativos.
4. Genere mapas de estabilidad que muestren la distribución de regiones operativas estables e inestables.

5. Visualización en el espacio de fases y en el dominio temporal

1. Genere gráficos en el dominio del tiempo de S(t), E(t) y R(t). Cree retratos de fase bidimensionales para el plano S–E.
2. Cree retratos de fase bidimensionales para el plano E–R. Genere trayectorias tridimensionales en el espacio de estados S–E–R.
3. Superponga campos vectoriales y gráficos de líneas de corriente sobre los retratos de fase, cuando sea aplicable. Guarde todas las figuras en un formato de imagen de alta resolución para documentación y publicación.

6. Análisis de sensibilidad

1. Cree un script de análisis de sensibilidad. Varíe un parámetro a la vez mientras mantiene todos los demás parámetros en sus valores de referencia. Realice el análisis de sensibilidad para el parámetro de acoplamiento estrés–emoción.
2. Realice el análisis de sensibilidad para el parámetro de disipación del estrés. Realice el análisis de sensibilidad para el parámetro de ganancia de regulación. Realice el análisis de sensibilidad para el parámetro de forzamiento externo.
3. Realice el análisis de sensibilidad para el parámetro de saturación emocional no lineal. Ejecute la simulación para cada valor del parámetro.
4. Calcule el equilibrio emocional en estado estacionario tras cada simulación. Almacene todos los valores de equilibrio en una base de datos de resultados.
5. Realice análisis de sensibilidad de un solo parámetro variando de forma independiente los parámetros principales del modelo dentro de los rangos predefinidos que se indican en el Archivo Suplementario 1, Sección S1.10. En concreto, varíe γ desde 0,1 hasta 2,0 en incrementos de 0,1, β desde 0,1 hasta 1,0 en incrementos de 0,05, κ desde 0,1 hasta 2,0 en incrementos de 0,1, F desde 0,5 hasta 5,0 en incrementos de 0,25, y µ desde 0,01 hasta 1,0 en incrementos de 0,05.
   NOTA: Para cada valor del parámetro, realice la integración numérica, calcule la solución en estado estacionario, almacene las variables de estado resultantes y genere las curvas de sensibilidad y gráficos comparativos correspondientes.
6. Genere curvas de sensibilidad. Genere gráficos de dispersión comparativos.
7. Genere gráficos de barras comparativos. Genere mapas de calor de respuesta a parámetros.

7. Generación y verificación de resultados

1. Verifique la convergencia de todas las simulaciones. Confirme que las trayectorias de los estados permanezcan acotadas durante todo el intervalo de simulación.
2. Verifique que la solución numérica haya alcanzado un estado estacionario antes de continuar con los análisis posteriores.
   NOTA: Se asume convergencia cuando los cambios sucesivos en todas las variables de estado satisfacen el criterio de convergencia predefinido descrito en Archivo Suplementario 1, Sección S1.7 (Criterios de Convergencia). Solo se utilizan posteriormente las soluciones convergentes para los análisis de equilibrio, estabilidad y sensibilidad.
3. Confirme que las soluciones de equilibrio satisfagan el criterio de convergencia. Exporte todas las salidas de simulación, mapas de estabilidad, retratos de fase, gráficos de sensibilidad y conjuntos de datos numéricos.
   NOTA: A menos que se indique lo contrario, todas las simulaciones emplean el conjunto de parámetros base presentado en Archivo Suplementario 1, y todos los análisis numéricos siguen el flujo de trabajo computacional resumido en Archivo Suplementario 1, Sección S1.9. El código fuente completo de MATLAB, archivos de parámetros, configuraciones del solucionador y rutinas de visualización necesarias para reproducir las simulaciones reportadas se proporcionan en Archivo Suplementario 1.
4. Guarde en archivo todos los scripts, archivos de parámetros y archivos de salida para garantizar la reproducibilidad y futuros estudios de validación.
   NOTA: Proporcione todo el código fuente de MATLAB, archivos de parámetros, rutinas de graficación y flujos de trabajo de simulación como materiales suplementarios para permitir la reproducción independiente de los resultados reportados.

Resultados

Para validar el marco dinámico no lineal propuesto y demostrar sus ventajas frente a las formulaciones lineales convencionales, se realizó un estudio exhaustivo de simulación numérica (Archivo Suplementario 2). A menos que se indique lo contrario, todos los resultados de las simulaciones estocásticas se presentan como la media ± desviación estándar (DE) obtenida de 30 realizaciones independientes (n = 30). Las comparaciones estadísticas entre los escenarios de simulación se realizaron utilizando una prueba estadística adecuada con un nivel de significancia de p < 0,05. Se reportan los valores exactos de p cuando se llevaron a cabo comparaciones estadísticas. Las simulaciones evaluaron cómo se comporta el modelo no lineal de estrés–emoción–regulación bajo variaciones sistemáticas de los parámetros, y compararon sus respuestas estructurales con las del modelo lineal tradicional de estrés. La integración numérica de las ecuaciones diferenciales que rigen el sistema se realizó durante horizontes temporales suficientemente largos para garantizar la convergencia hacia regímenes estacionarios o asintóticos. En cada experimento, se aplicaron condiciones iniciales idénticas a ambos modelos, mientras que un único parámetro se varió dentro de un rango predeterminado. Se registraron y visualizaron los estados emocionales estacionarios resultantes, la dinámica transitoria y las características de estabilidad para resaltar las diferencias estructurales en el comportamiento del sistema. Se confirmó la implementación exitosa del protocolo cuando el sistema no lineal convergió a soluciones acotadas en estado estacionario, exhibió estructuras de atracción estables en el espacio de fases y mantuvo valores propios dominantes del jacobiano negativos bajo condiciones iniciales de referencia.

El análisis comparativo se centró en varios parámetros dinámicos clave, incluyendo la intensidad del acoplamiento estrés-emoción (γ), la tasa de disipación del estrés (β), la amplitud de la fuerza externa (F), la ganancia de regulación (κ) y el coeficiente de no linealidad emocional (µ). Estos parámetros influyen directamente en la intensidad de la retroalimentación, los márgenes de estabilidad y la redistribución de energía dentro del entorno académico modelado. Las simulaciones revelan si las respuestas del sistema siguen un comportamiento de escalamiento proporcional, como predice el modelo lineal, o si presentan fenómenos no lineales tales como saturación, amortiguamiento de resiliencia y multiestabilidad, como predice la formulación no lineal propuesta.

La sensibilidad del equilibrio emocional a la intensidad del acoplamiento entre estrés y emoción se muestra en la Figura 4. Cuando el parámetro de acoplamiento γ aumenta, el modelo lineal produce respuestas emocionales casi constantes, lo que indica que la intensidad del acoplamiento no afecta estructuralmente los resultados de equilibrio. En contraste, la formulación no lineal muestra una disminución en la activación emocional estacionaria a medida que γ aumenta, reflejando la influencia de los términos de interacción no lineales que regulan dinámicamente la retroalimentación entre estrés y emoción.

Figura 4: Análisis comparativo de sensibilidad bajo la intensidad del acoplamiento estrés-emoción (γ). Comparación de barras agrupadas de la respuesta emocional en estado estacionario a medida que aumenta la intensidad del acoplamiento estrés-emoción γ. Las barras azules representan el modelo lineal y las barras naranjas representan el modelo no lineal. El eje horizontal muestra la intensidad de acoplamiento γ, y el eje vertical muestra el equilibrio emocional en estado estacionario. Las barras representan los valores medios de la emoción en estado estacionario obtenidos de múltiples ejecuciones de simulación, mientras que las barras de error indican ± desviación estándar (DE) alrededor de la media. Los resultados demuestran que el modelo no lineal exhibe un comportamiento de saturación y respuestas emocionales acotadas a medida que aumenta la intensidad de acoplamiento, mientras que el modelo lineal permanece relativamente insensible a los cambios en la intensidad del acoplamiento. Las barras representan los valores medios del equilibrio emocional en estado estacionario obtenidos de 30 ejecuciones independientes de simulación (n = 30), y las barras de error indican ± desviación estándar. Haga clic aquí para ver una versión más grande de esta figura.

El efecto de la tasa de disipación del estrés β sobre el equilibrio emocional se ilustra en la Figura 5. El modelo lineal predice una disminución pronunciada en la activación emocional a medida que aumenta la disipación, lo que demuestra una alta sensibilidad del parámetro. En contraste, el modelo no lineal permanece relativamente estable en el mismo rango de parámetros debido a la amortiguación reguladora intrínseca y a mecanismos de retroalimentación no lineales.

Figura 5: Análisis comparativo del área bajo la tasa de disipación del estrés (β). Comparación basada en el área del equilibrio emocional en estado estacionario a medida que varía la tasa de disipación del estrés β. La región sombreada en azul representa el modelo lineal, y la región sombreada en naranja representa el modelo no lineal. El eje horizontal muestra β, y el eje vertical muestra el equilibrio emocional estacionario. Haga clic aquí para ver una versión ampliada de esta figura.

La relación entre la activación emocional y la fuerza académica externa se presenta en la Figura 6. La formulación lineal muestra un crecimiento proporcional en la activación emocional a medida que aumenta la amplitud de la fuerza. El modelo no lineal, en cambio, muestra una respuesta de saturación, en la que la activación emocional inicialmente aumenta pero gradualmente se estabiliza debido a efectos de amortiguamiento no lineal y regulación adaptativa. Bajo condiciones paramétricas subóptimas, como un acoplamiento excesivo entre estrés y emoción o una ganancia reguladora insuficiente, el sistema exhibió trayectorias inestables, oscilaciones ampliadas o pérdida de estabilidad de equilibrio, lo que indica una estabilidad del sistema reducida y potencialmente representa condiciones asociadas con una carga psicológica elevada y una mayor susceptibilidad a transiciones similares al agotamiento.

Figura 6: Respuesta comparativa del equilibrio emocional bajo una fuerza externa (F). Respuesta emocional en estado estacionario en función de la amplitud de la fuerza externa F. La curva roja punteada representa el modelo lineal, mientras que la curva azul continua representa el modelo no lineal. El eje horizontal muestra la amplitud de la fuerza F, y el eje vertical muestra el equilibrio emocional estacionario. Haga clic aquí para ver una versión ampliada de esta figura.

La robustez del sistema no lineal frente a perturbaciones estocásticas se demuestra en la Figura 7, que muestra la evolución temporal de la activación emocional y la energía de estrés bajo perturbaciones aleatorias. Ambas variables fluctúan dentro de rangos acotados a pesar de la inyección continua de ruido, lo que indica que los mecanismos de retroalimentación no lineales mantienen la estabilidad ante la variabilidad ambiental.

Figura 7: Dinámica estocástica de estrés–emoción bajo perturbaciones inducidas por ruido. Evolución temporal de la activación emocional E(t) (curva azul) y la energía de estrés S(t) (curva naranja) bajo perturbaciones estocásticas. El eje horizontal representa los pasos de tiempo de la simulación. Ambas variables permanecen acotadas a pesar de las perturbaciones continuas inducidas por el ruido. Haga clic aquí para ver una versión ampliada de esta figura.

El análisis del paisaje energético proporciona una visión adicional sobre la estabilidad del sistema. Figura 8 ilustra la representación de contorno de la función energética basada en Lyapunov en el plano de fase emoción–regulación, donde la trayectoria del sistema converge hacia una cuenca estable de atracción. La representación tridimensional de esta estructura energética se muestra en la Figura 9, revelando varios pozos de potencial que sugieren la posibilidad de estados emocionales y regulatorios alternativos y estables.

Figura 8: Mapa de contorno del paisaje energético con trayectoria dinámica en el plano de fase emoción–regulación. Representación por contornos del paisaje energético basado en Lyapunov en el plano de fase de activación emocional (E) y capacidad reguladora (R). La trayectoria negra ilustra la evolución del sistema hacia una cuenca de atracción estable. Haga clic aquí para ver una versión más grande de esta figura.

Figura 9: Paisaje energético tridimensional no lineal que ilustra el potencial de estados emocionales y regulatorios alternativos. Representación tridimensional del paisaje energético de Lyapunov en el espacio de fases emoción-regulación (E-R). La presencia de múltiples pozos de potencial sugiere la posibilidad de estados emocionales y regulatorios estables alternativos bajo diferentes condiciones del sistema. El paisaje energético proporciona una visualización cualitativa de la estructura de estabilidad del sistema; sin embargo, la confirmación directa de la multiestabilidad requiere evidencia dinámica adicional, como el cambio de trayectorias o el análisis de bifurcación. Haga clic aquí para ver una versión más grande de esta figura.

Las propiedades de estabilidad del sistema no lineal se analizaron más a fondo utilizando métodos basados en valores propios. Figura 10 presenta un mapa de calor del valor propio real máximo de la matriz jacobiana a través de diferentes valores de la intensidad de acoplamiento entre estrés y emoción (γ) y la ganancia de regulación (κ). Un aumento en la intensidad reguladora produce valores propios más negativos, lo que indica una estabilidad asintótica más fuerte, mientras que un acoplamiento excesivo puede reducir la estabilidad si no está equilibrado con una regulación suficiente. Las regiones caracterizadas por valores propios reales máximos negativos corresponden a condiciones de operación estables, mientras que las regiones que se acercan o superan cero indican umbrales de inestabilidad y posibles transiciones de régimen.

Figura 10: Mapa de calor de estabilidad del sistema no lineal de estrés–emoción basado en el valor propio real máximo. Mapa de calor que muestra la parte real máxima de los valores propios de la matriz jacobiana a través de la intensidad de acoplamiento estrés–emoción γ y la ganancia de regulación κ. Valores más negativos indican una estabilidad asintótica más fuerte, mientras que valores cercanos a cero indican una estabilidad reducida y una mayor probabilidad de inestabilidad. Haga clic aquí para ver una versión más grande de esta figura.

La dinámica en el espacio de fases se visualiza en Figura 11, que muestra el campo vectorial y las líneas de corriente del sistema de estrés–emoción en el plano de fases S–E. Las trayectorias convergen hacia una región de equilibrio estable, demostrando un comportamiento de atracción. Este comportamiento de convergencia confirma la implementación exitosa del protocolo y demuestra que el marco no lineal reproduce consistentemente dinámicas estables de regulación del estrés–emoción bajo las condiciones de simulación especificadas. La estructura de estabilidad global del sistema se ilustra además en Figura 12, donde trayectorias provenientes de múltiples condiciones iniciales convergen hacia un atrayente común en el plano de estrés–emoción.

Figura 11: Representación del campo vectorial y de las líneas de corriente en el plano de fases de la dinámica estrés-emoción. Representación del campo vectorial y de las líneas de corriente del sistema no lineal de estrés-emoción en el plano de fases de energía de estrés (S) y activación emocional (E). Las líneas de corriente convergen hacia una región de equilibrio estable, lo que indica un comportamiento de atrayente. Haga clic aquí para ver una versión más grande de esta figura.

Figura 12: Retrato de fase denso bajo múltiples condiciones iniciales en el plano estrés–emoción. Retrato de fase generado a partir de múltiples condiciones iniciales en el plano de fase S–E. Las trayectorias convergen hacia un atractor común, demostrando una estabilidad robusta en diversos estados iniciales. Haga clic aquí para ver una versión más grande de esta figura.

La estructura tridimensional del atractor del sistema no lineal se muestra en la Figura 13, donde las trayectorias evolucionan en el espacio conjunto de estados de estrés–emoción–regulación y se acercan a un atractor estable. La dinámica en el dominio del tiempo de las variables acopladas se ilustra en la Figura 14, donde la activación emocional y la energía del estrés exhiben ajustes transitorios antes de converger hacia valores de equilibrio en estado estacionario.

Figura 13: Atractor no lineal tridimensional en el espacio de estados estrés–emoción–regulación. Trajetoria tridimensional del sistema no lineal en el espacio de estados definido por el estrés (S), la activación emocional (E) y la capacidad reguladora (R). La trayectoria converge hacia un atractor estable que representa el equilibrio del sistema a largo plazo. Haga clic aquí para ver una versión más grande de esta figura.

Figura 14: Evolución en el dominio temporal del estrés acoplado y los estados emocionales bajo regulación no lineal. Evolución temporal de la activación emocional E(t) (eje izquierdo) y la energía de estrés S(t) (eje derecho). Ambas variables exhiben un ajuste transitorio seguido por una convergencia hacia el equilibrio en estado estacionario. Haga clic aquí para ver una versión más grande de esta figura.

Se examina el efecto de la intensidad de la regulación adaptativa en el equilibrio emocional en la Figura 15. A medida que aumenta la ganancia reguladora κ, el modelo lineal predice reducciones sustanciales en la activación emocional, mientras que el modelo no lineal mantiene valores de equilibrio casi constantes debido a mecanismos de saturación adaptativa.

Figura 15: Análisis comparativo de doble eje bajo variación de la ganancia de regulación (κ). Comparación del equilibrio emocional en estado estacionario bajo diferentes valores de la ganancia de regulación κ. La curva azul representa el modelo lineal, y la curva roja discontinua representa el modelo no lineal. El eje horizontal muestra la ganancia de regulación κ. Haga clic aquí para ver una versión más grande de esta figura.

Finalmente, Figura 16 presenta una comparación de sensibilidad basada en dispersión a medida que varía el coeficiente de no linealidad emocional (µ). En el marco lineal, el equilibrio emocional permanece inalterado porque no existen términos no lineales. En contraste, el modelo no lineal muestra un equilibrio emocional decreciente conforme aumenta µ, lo que demuestra la influencia estabilizadora de la saturación cúbica en la dinámica emocional.

Figura 16: Comparación de sensibilidad basada en dispersión bajo el parámetro de no linealidad emocional (µ). Comparación por dispersión del equilibrio emocional en estado estacionario a medida que varía el coeficiente de no linealidad emocional µ. Los marcadores rojos representan el modelo lineal y los marcadores azules representan el modelo no lineal. Haga clic aquí para ver una versión más grande de esta figura.

Más allá de su importancia computacional, los comportamientos dinámicos observados tienen interpretaciones significativas dentro de contextos educativos y psicológicos. Las respuestas acotadas observadas bajo perturbaciones estocásticas sugieren que los mecanismos reguladores adaptativos pueden amortiguar los efectos de factores de estrés académico inesperados, apoyando así la resiliencia y la estabilidad emocional. De manera similar, la existencia de atractores estables puede interpretarse como estados psicológicamente equilibrados en los que los estudiantes regulan con éxito las presiones académicas, mientras que las regiones de inestabilidad y los umbrales de bifurcación podrían corresponder a condiciones en las que los recursos de afrontamiento resultan insuficientes, aumentando la vulnerabilidad al agotamiento, la exhaustión emocional o las respuestas de estrés maladaptativas. Los análisis de sensibilidad indican además que fortalecer la capacidad reguladora puede ampliar las regiones de estabilidad y reducir la susceptibilidad a transiciones disruptivas, destacando posibles implicaciones para intervenciones dirigidas a mejorar las habilidades de afrontamiento, la regulación emocional y el bienestar estudiantil. Estos hallazgos basados en simulaciones sugieren que el marco propuesto podría servir como una base conceptual útil para futuros estudios que investiguen trayectorias de estrés, mecanismos de resiliencia y posibles estrategias de intervención. Sin embargo, se requiere validación mediante datos empíricos de estudiantes antes de que pueda establecerse su implementación práctica.

En conjunto, estos resultados demuestran que el marco no lineal propuesto captura varias propiedades estructurales ausentes en los modelos lineales tradicionales de estrés, incluyendo comportamiento de saturación, amortiguación de estabilidad ante perturbaciones, paisajes energéticos multiestables y resiliencia mediante regulación adaptativa. A lo largo de los rangos de parámetros evaluados, el modelo no lineal mantuvo consistentemente una activación emocional acotada y un comportamiento de atrayente estable, mientras que el modelo lineal mostró una sensibilidad considerablemente mayor a la variación de parámetros y márgenes de estabilidad reducidos. Estas propiedades proporcionan una representación más realista de la dinámica estrés-emoción en entornos académicos complejos.

Archivo suplementario 1: Código fuente de MATLAB, ecuaciones gobernantes, implementación numérica y documentación para la reproducibilidad. Este archivo suplementario incluye las ecuaciones diferenciales no lineales gobernantes, los parámetros de referencia del modelo, las condiciones iniciales, la configuración del solucionador numérico, los criterios de convergencia, el código fuente de MATLAB, el solucionador de equilibrio, los procedimientos de análisis de sensibilidad, las rutinas de visualización, las especificaciones del software, los rangos de parámetros y el flujo de trabajo computacional necesarios para reproducir todas las simulaciones, análisis de estabilidad, trayectorias en el espacio de fases, análisis de sensibilidad, mapas de calor de valores propios y paisajes energéticos de Lyapunov presentados en el manuscrito.Haga clic aquí para descargar este archivo.

Archivo suplementario 2: Documentación del flujo de trabajo de la simulación, asignación de variables psicológicas y marco de validación empírica. Este suplemento incluye el flujo de trabajo completo de la simulación; la asignación de variables de estado matemáticas y parámetros del modelo a constructos psicológicos medibles; instrumentos recomendados para la evaluación psicológica; orientaciones para la estimación de parámetros; un marco propuesto para la validación empírica y calibración futuras utilizando datos de estudiantes; y estrategias potenciales de implementación para la validación longitudinal y aplicaciones educativas.Haga clic aquí para descargar este archivo.

Discusión

El protocolo computacional presentado aquí demuestra cómo se puede implementar un marco dinámico no lineal para simular interacciones entre estrés y emoción mediante integración numérica, análisis de estabilidad y análisis de sensibilidad. Un paso fundamental en la implementación de este método es la integración numérica correcta de las ecuaciones diferenciales gobernantes durante intervalos de tiempo suficientemente largos para garantizar la convergencia hacia una dinámica de estado estacionario o de atracción. Los análisis de sensibilidad revelan que la formulación no lineal responde de manera diferente a las variaciones de parámetros en comparación con el modelo lineal tradicional. En particular, la intensidad del acoplamiento (γ) influye directamente en el equilibrio emocional en el sistema no lineal, mientras que la tasa de disipación del estrés (β) produce respuestas exageradas principalmente en la formulación lineal. De manera similar, el aumento de la fuerza externa provoca una amplificación ilimitada en el modelo lineal, pero una saturación acotada en el marco no lineal. Estas observaciones destacan la importancia de una configuración cuidadosa de los parámetros al aplicar el protocolo para mantener dinámicas del sistema realistas³¹.

El protocolo puede adaptarse para simular una variedad de condiciones ambientales y escenarios conductuales. Por ejemplo, pueden incorporarse perturbaciones estocásticas que representen eventos académicos inesperados o factores de estrés social en el marco de simulación, con el fin de examinar la robustez del sistema frente a perturbaciones aleatorias. Bajo tales condiciones, el sistema no lineal exhibe fluctuaciones acotadas en lugar de una divergencia descontrolada, lo que indica resiliencia frente a perturbaciones impulsadas por ruido. Además, el análisis del paisaje energético proporciona una perspectiva geométrica sobre la estabilidad del sistema. Las estructuras energéticas resultantes ilustran cómo las trayectorias del sistema convergen hacia cuencas estables de atracción y cómo múltiples pozos potenciales pueden representar distintos estados emocionales–regulatorios. Estas herramientas analíticas ofrecen una guía valiosa para diagnosticar simulaciones inestables e identificar regímenes de parámetros que sustenten dinámicas regulatorias estables. Las causas comunes de simulaciones inestables incluyen parámetros de acoplamiento excesivamente grandes, ganancia regulatoria insuficiente o configuraciones inadecuadas de integración numérica. Estos problemas a menudo pueden resolverse mediante la recalibración de parámetros y la verificación de la estabilidad del solucionador numérico.

Las propiedades de estabilidad del sistema no lineal también pueden examinarse mediante análisis basados en valores propios y técnicas de visualización del espacio de fases. Estos análisis demuestran cómo la interacción entre el acoplamiento estrés-emoción y la ganancia reguladora determina la estabilidad general del sistema. Aumentar la intensidad reguladora generalmente mejora la estabilidad asintótica, mientras que un acoplamiento excesivamente fuerte puede desestabilizar el sistema si la regulación es insuficiente. Las representaciones en el espacio de fases revelan además que las trayectorias que se originan en diversas condiciones iniciales tienden a converger hacia un atractor común, lo que indica una estabilidad robusta dentro del marco no lineal. La evolución coordinada del estrés, la activación emocional y la capacidad reguladora ilustra cómo los mecanismos de retroalimentación adaptativa guían al sistema hacia estados de equilibrio³².

El análisis en el dominio del tiempo proporciona una visión adicional sobre el comportamiento transitorio del sistema y la formación de equilibrio. Tanto la activación emocional como el estrés acumulado suelen presentar fluctuaciones transitorias iniciales seguidas por una convergencia gradual hacia niveles de equilibrio estacionario. El análisis de sensibilidad de los parámetros de regulación adaptativa muestra que un aumento en la intensidad reguladora suprime fuertemente la activación emocional en modelos lineales, pero produce cambios más moderados en la formulación no lineal debido a mecanismos de saturación y amortiguación por retroalimentación. Asimismo, la inclusión de términos no lineales de saturación emocional reduce la amplificación excesiva y estabiliza las respuestas emocionales. En conjunto, estos hallazgos demuestran que el marco no lineal captura dinámicas reguladoras y mecanismos de estabilización que no están representados en los modelos lineales convencionales de estrés. En comparación con modelos lineales convencionales o basados en correlación para el estrés, el marco propuesto permite el análisis de límites de estabilidad, dinámicas de atracción y transiciones no lineales que no pueden capturarse fácilmente mediante enfoques estadísticos descriptivos.

Estudios futuros deberían comparar el marco propuesto con enfoques establecidos, incluyendo modelos transaccionales del estrés, modelos psicológicos basados en redes, modelos longitudinales de crecimiento latente y marcos de predicción mediante aprendizaje automático. Dichas comparaciones proporcionarían una evaluación más rigurosa de las ventajas explicativas y predictivas ofrecidas por la modelización dinámica no lineal. Más allá de sus contribuciones metodológicas, el marco propuesto tiene varias implicaciones más amplias para la psicología educativa y la práctica en educación superior. Desde una perspectiva de orientación, la identificación de regiones de estabilidad, mecanismos de resiliencia y umbrales de inestabilidad puede ayudar a conceptualizar cómo responden los estudiantes a presiones académicas prolongadas y por qué algunas personas se recuperan eficazmente del estrés, mientras que otras experimentan dificultades emocionales crecientes. El modelo sugiere que la resiliencia no es simplemente una característica personal estática, sino que puede surgir de interacciones dinámicas entre la exposición al estrés, las respuestas emocionales y los procesos regulatorios adaptativos³³.

El marco también podría proporcionar una base teórica para futuros sistemas de apoyo estudiantil y iniciativas de monitoreo del bienestar. Por ejemplo, la identificación de regímenes de parámetros asociados con una estabilidad reducida podría apoyar el desarrollo de indicadores de alerta temprana para un riesgo elevado de agotamiento, mientras que el análisis de mecanismos de retroalimentación reguladora podría orientar intervenciones destinadas a fortalecer las habilidades de afrontamiento y la autorregulación emocional. A nivel institucional, el marco ofrece una perspectiva orientada a sistemas que podría ayudar a evaluar cómo la carga académica, los calendarios de evaluación y los recursos de apoyo influyen colectivamente en el bienestar estudiantil. El enfoque propuesto tiene la intención de complementar las teorías psicológicas existentes sobre el estrés y la regulación, y no de sustituirlas. Los modelos tradicionales, incluidas las teorías transaccionales del estrés, los marcos basados en el afrontamiento, las teorías de regulación emocional y los modelos de resiliencia, ofrecen explicaciones valiosas de los procesos de adaptación cognitiva, conductual y emocional. El marco dinámico no lineal amplía estas perspectivas al introducir una representación cuantitativa de cómo dichos procesos interactúan a lo largo del tiempo, generando potencialmente estabilidad, comportamiento oscilatorio, resiliencia o transiciones bruscas hacia resultados maladaptativos. Esta integración ayuda a situar el marco dentro de la literatura más amplia sobre el estrés estudiantil y la adaptación psicológica, destacando al mismo tiempo su valor potencial como puente entre la psicología educativa y la ciencia de los sistemas dinámicos.

También se debe considerar el valor educativo más amplio de los marcos basados en simulaciones. Aunque el presente estudio se centra en la dinámica no lineal entre estrés y emoción, el enfoque de modelado subyacente podría favorecer el aprendizaje reflexivo y la toma de decisiones adaptativa al permitir que estudiantes, educadores y profesionales de apoyo exploren las consecuencias de distintas vías de regulación del estrés dentro de entornos académicos simulados. Dichas simulaciones pueden hacer que procesos psicológicos de otro modo abstractos resulten más visibles y comprensibles, fomentando así una mayor autoconciencia y reflexión acerca de las estrategias de afrontamiento, las respuestas emocionales y el desarrollo de la resiliencia.

Esta perspectiva es coherente con investigaciones recientes que demuestran los beneficios educativos de las experiencias basadas en simulaciones. Por ejemplo, Shi et al. (2025)³⁴ mostraron que experiencias simuladas de transporte público diseñadas para representar los desafíos que enfrentan las personas con discapacidades visuales leves promovieron el desarrollo de empatía, pensamiento reflexivo y una mejor toma de decisiones en el diseño. Principios similares podrían aplicarse a la regulación del estrés en la educación superior, donde representaciones basadas en simulaciones de la acumulación de estrés, la adaptación emocional y la dinámica de la resiliencia podrían ayudar a los estudiantes a comprender mejor sus respuestas conductuales, al tiempo que apoyan a educadores y consejeros en el diseño de intervenciones más efectivas. En consecuencia, el marco propuesto podría servir no solo como una herramienta analítica para investigar la dinámica del estrés, sino también como una base para futuras simulaciones educativas que fomenten la empatía, la autorreflexión y la toma de decisiones adaptativas en entornos académicos.

A pesar de estas ventajas, el protocolo propuesto tiene varias limitaciones. El modelo representa la regulación emocional mediante un conjunto simplificado de variables dinámicas que describen el estrés, la activación emocional y la capacidad regulatoria. La dinámica emocional en el mundo real depende de un rango más amplio de factores, incluidos los procesos de evaluación cognitiva, las interacciones sociales y las estrategias individuales de afrontamiento. Por consiguiente, el marco actual debe interpretarse principalmente como una herramienta conceptual y de modelado computacional, más que como un modelo predictivo del comportamiento psicológico individual. No obstante, el enfoque proporciona una plataforma metodológica valiosa para explorar la dinámica de la resiliencia, las condiciones de estabilidad y los mecanismos de retroalimentación no lineales en sistemas de estrés académico. Investigaciones futuras podrían ampliar este marco incorporando conjuntos de datos empíricos, estimación personalizada de parámetros y métodos de calibración basados en datos para mejorar la capacidad predictiva y la aplicabilidad en contextos reales. Un estudio futuro de validación podría realizarse recolectando datos longitudinales de estudiantes mediante instrumentos psicológicos validados, como la Escala de Estrés Percibido (PSS), el Inventario de Agotamiento de Maslach–Cuestionario para Estudiantes (MBI-SS), la Escala de Resiliencia Connor-Davidson (CD-RISC) y medidas de bienestar emocional. Las observaciones en series temporales obtenidas a lo largo de un semestre académico podrían utilizarse para estimar los parámetros del modelo y comparar las trayectorias predichas con los resultados observados de estrés y estado emocional. Dicha validación permitiría una evaluación cuantitativa de la precisión del modelo y su desempeño predictivo en entornos educativos reales³⁵.

Una limitación adicional es la falta de validación empírica con datos reales de estudiantes. El presente estudio se centra en establecer un marco teórico y computacional y, por lo tanto, depende principalmente del análisis matemático y de la simulación numérica. Aunque los estudios de simulación son valiosos para explorar el comportamiento del sistema e identificar mecanismos potenciales, por sí solos no pueden confirmar que las dinámicas modeladas representen con precisión los procesos de regulación del estrés en entornos educativos reales. Además, la estimación de los parámetros del modelo constituye un desafío importante, ya que variables como la acumulación de estrés, la activación emocional y la capacidad regulatoria no son directamente observables y pueden variar entre individuos, instituciones y contextos culturales. Asimismo, el marco actual asume una población estudiantil generalizada y no considera explícitamente diferencias demográficas, culturales, institucionales o disciplinarias que podrían influir en las dinámicas de regulación del estrés. Futuros estudios deberían evaluar el desempeño del modelo en diversos contextos educativos.

Una dirección importante para la investigación futura implica la integración del marco no lineal propuesto de estrés–emoción–regulación con las tecnologías emergentes de educación inmersiva y salud mental. Trabajos recientes sobre paisajes terapéuticos virtuales han demostrado que los entornos digitales inmersivos pueden reducir la ansiedad, mejorar el bienestar emocional y apoyar la recuperación psicológica entre estudiantes universitarios mediante experiencias restauradoras cuidadosamente diseñadas. Estos hallazgos sugieren que los entornos basados en simulación podrían proporcionar plataformas prácticas para traducir modelos teóricos de regulación del estrés en aplicaciones orientadas a intervenciones. En este contexto, las regiones de estabilidad, los umbrales de resiliencia, los mecanismos adaptativos de recuperación y los patrones estocásticos de respuesta identificados por el presente marco podrían potencialmente orientar el diseño de entornos de aprendizaje psicológicamente receptivos, capaces de monitorear, simular y apoyar el bienestar del estudiante³⁶.

Por lo tanto, la investigación futura debería centrarse en la calibración empírica y la validación del marco propuesto. Un enfoque prometedor implicaría la recopilación de datos longitudinales mediante instrumentos psicológicos validados que midan el estrés percibido, el bienestar emocional, la eficacia del afrontamiento, la resiliencia, los síntomas de agotamiento y la implicación académica. Dichos conjuntos de datos podrían utilizarse para estimar los parámetros del modelo, evaluar el rendimiento predictivo, identificar diferencias individuales en el comportamiento dinámico y determinar en qué medida los mecanismos propuestos de estabilidad y resiliencia corresponden a los resultados observados en los estudiantes. Además, estudios futuros podrían comparar este marco con enfoques psicológicos, estadísticos y basados en aprendizaje automático ya establecidos, con el fin de determinar su valor explicativo y predictivo relativo. Estos avances constituirían un paso fundamental para transformar el marco teórico actual en una herramienta validada empíricamente para comprender y apoyar el bienestar estudiantil en la educación superior³⁷.

Materiales

Lista de materiales utilizados en este artículo

Nombre	Empresa	Número de catálogo	Comentarios
Solucionador de ecuaciones diferenciales (ODE45)	MathWorks	MATLAB R2024a	Solucionador numérico utilizado para integrar las ecuaciones diferenciales no lineales acopladas. Tolerancia relativa = 1×10-6; Tolerancia absoluta = 1×10-8.
Software MATLAB	MathWorks, Natick, MA, EE. UU.	RRID: SCR_001622	Software principal de computación numérica utilizado para la implementación del modelo, análisis de estabilidad, análisis de sensibilidad, visualización del espacio de fases, generación del paisaje energético de Lyapunov y elaboración de figuras.
Paquete de documentación metodológica	Archivo suplementario S2	N/A	Contiene la documentación del marco teórico, interpretación de parámetros, estrategia de validación, limitaciones y descripciones del flujo de trabajo computacional.
Biblioteca de procesamiento de arreglos numéricos (NumPy)	Desarrolladores de NumPy	NumPy 2.0	Biblioteca utilizada para operaciones matriciales, cálculos numéricos, barridos de parámetros y procesamiento de datos en la implementación en Python.
Entorno de simulación numérica	Entorno MATLAB R2024a	N/A	Entorno computacional utilizado para ejecutar el marco no lineal de estrés–emoción–regulación, barridos de parámetros, análisis de equilibrio y simulaciones estocásticas.
Toolbox de optimización	MathWorks	MATLAB Optimization Toolbox	Utilizado para el cálculo de estados de equilibrio mediante métodos de búsqueda de raíces no lineales (fsolve).
Entorno de programación Python	Fundación Python	Python 3.12	Plataforma computacional alternativa utilizada para verificar los resultados numéricos y reproducir simulaciones y visualizaciones seleccionadas.
Biblioteca de computación científica (SciPy)	Comunidad SciPy	SciPy 1.14	Biblioteca utilizada para cálculos numéricos, resolución de ecuaciones no lineales y análisis de ecuaciones diferenciales en la implementación en Python.
Paquete de código fuente	Archivo suplementario S1	N/A	Contiene scripts de MATLAB, configuraciones del solucionador, archivos de parámetros, rutinas de análisis de sensibilidad, códigos de análisis de estabilidad y flujos de trabajo de visualización necesarios para la reproducibilidad completa.
Software de hoja de cálculo	Microsoft Corporation	Microsoft Excel 365	Utilizado para almacenar, organizar, exportar e inspeccionar los resultados de las simulaciones y conjuntos de datos suplementarios.
Herramienta de visualización (Matplotlib)	Equipo de desarrollo de Matplotlib	Matplotlib 3.9	Biblioteca científica de trazado utilizada para generar gráficos de sensibilidad, diagramas de estabilidad, trayectorias en el espacio de fases, mapas de calor y figuras de calidad para publicación.