이 콘텐츠를 보려면 JoVE 구독이 필요합니다. 로그인하거나 오늘 무료 평가판을 시작하세요.

방법 논문

고등 교육에서의 스트레스 조절 및 정서적 행동에 관한 비선형 동적 시스템 모델링

111 조회수

⸱

DOI:

10.3791/71462

⸱

2026년 8월 18일

1School of Humanities, Zhuhai College of Science and Technology

이 논문에서

요약

이 프로토콜은 고등 교육 환경에서의 스트레스-감정 역학을 모델링하기 위한 물리학 기반의 비선형 상태 공간 프레임워크를 제시하며, 사용자가 미분 방정식, 안정성 분석 및 확률론적 시뮬레이션을 통해 번아웃 임계값, 진동성 스트레스 주기, 회복탄력성 및 적응적 조절 기전을 분석할 수 있도록 합니다.

초록

고등 교육에서의 스트레스 조절과 정서적 행동은 일반적으로 메커니즘적 동역학 구조가 결여된 기술 통계 모델을 사용하여 분석됩니다. 그러나 학업 스트레스는 임계 효과, 번아웃 및 적응적 반응을 포함하여 선형 모델로는 충분히 포착되지 않는 비선형적 행동을 보입니다. 본 연구는 고등 교육에서의 스트레스 조절과 정서적 행동을 모델링하기 위해 비선형 동역학 시스템 관점을 채택합니다. 본 연구의 주된 목적은 고등 교육에서의 스트레스-정서 결합 및 적응적 조절을 엄격하게 모델링하는 물리 기반의 비선형 상태 공간 프레임워크를 개발하는 것입니다. 본 프로토콜은 스트레스, 정서적 활성화 및 조절 능력을 설명하는 비선형 상태 공간 모델을 구축합니다. 사용자는 이 프로토콜을 구현하여 시스템 동역학을 시뮬레이션하고 다양한 학업 조건 하에서의 안정성을 평가할 수 있습니다. 이 프레임워크는 회복탄력성, 불안정성 및 번아웃 관련 전이를 조사하기 위해 비선형 안정성 분석과 확률론적 시뮬레이션을 통합합니다. 시뮬레이션 결과는 기존의 선형 모델로는 포착되지 않는 비선형 안정성, 회복탄력성 효과 및 체제 전이를 보여줍니다. 이러한 결과는 고등 교육에서의 스트레스 조절이 비선형 동역학 시스템으로 작동함을 나타냅니다. 비선형 동역학, 에너지 지형 모델링 및 적응적 조절 이론을 통합함으로써, 본 연구는 학업 환경에서의 회복탄력성, 불안정성 및 회복 과정을 설명하는 통합된 예측 프레임워크를 제공합니다. 이 프레임워크는 학생의 웰빙과 번아웃 위험에 관한 향후 연구의 토대를 제공합니다. 본 프레임워크는 학생의 웰빙과 스트레스 조절에 관심이 있는 연구자와 실무자에게 유용합니다.

서론

고등 교육에서의 스트레스 조절과 정서적 행동은 내부의 심리적 피드백과 외부의 학업적 압박이 결합된 영향 하에 시간에 따라 진화하는 복잡한 동역학적 과정으로 해석될 수 있습니다1. 교과 과정, 시험, 기관의 기대치 및 사회적 평가는 학생들의 정서적 상태를 지속적으로 교란하며, 이는 불안, 동기 부여 및 참여도의 변동을 야기합니다2. 이러한 정서적 반응은 인지적 평가, 대처 전략 및 적응적 조절 기제에 의해 제어되는 다차원 위상 공간 내에서 진화합니다3. 교육 심리학의 고전적인 스트레스 반응 모델은 일반적으로 스트레스 자극과 정서적 반응 사이의 비례 관계를 가정하며, 주로 회귀 분석이나 기술 통계 지표에 의존하여 이러한 관계를 특성화합니다4. 그러나 실증적 관찰 결과, 임계값 효과, 포화, 이력 현상, 그리고 번아웃 및 정서적 붕괴를 포함한 갑작스러운 전이와 같은 비선형적 특성이 일관되게 나타납니다5. 안정적인 조건에서는 작은 스트레스 요인이 무시할 만한 정서적 변화를 일으킬 수 있지만, 임계값 근처에서는 불균형적인 정서적 반응을 유발할 수 있습니다6. 이러한 행동은 평형에서 멀리 떨어진 상태로 유지되는 물리적 시스템에서 관찰되는 비선형 진동 및 분기 현상과 유사합니다7. 이러한 관점에서 학생들은 조절과 적응을 제어하는 피드백 과정을 통해 학업 환경과 스트레스 관련 "에너지"를 지속적으로 교환하는 개방형 소산 시스템으로 개념화될 수 있습니다8.

교육학 및 심리학적 관점에서 본 프레임워크에 사용된 개념들은 직관적으로 해석될 수 있습니다. 스트레스 누적은 학업적 요구와 환경적 압박으로 인해 발생하는 점진적인 부담을 나타냅니다. 정서적 활성화는 불안, 좌절, 동기 부여 및 몰입과 같은 정서 상태의 변화를 반영하며, 조절 능력은 학생들이 어려움에 적응하도록 돕는 대처 및 자기 조절 기제에 해당합니다. 향후 실증적 구현을 위해, 스트레스 누적은 지각된 스트레스 척도를 사용하여 나타낼 수 있고, 정서적 활성화는 검증된 불안, 기분 또는 정서적 웰빙 도구를 사용하여 평가할 수 있으며, 조절 능력은 회복탄력성, 대처 또는 자기 조절 측정치를 사용하여 추정할 수 있습니다. 이러한 매핑은 향후 매개변수 추정과 모델 보정을 위한 실질적인 토대를 제공합니다. 이러한 맥락에서 안정성, 회복탄력성 및 임계 전이와 같은 비선형 개념들은 심리적 적응의 뚜렷한 패턴으로 이해될 수 있습니다. 안정 상태는 균형 잡힌 정서적 기능을 나타내고, 회복탄력성은 교란으로부터 회복하는 능력을 반영하며, 임계 전이는 만성 스트레스나 번아웃과 같은 부적응적 결과로의 갑작스러운 전환에 해당합니다. 이러한 해석은 교육 심리학과 비선형 역학 시스템 이론 사이에 더 명확한 개념적 가교를 형성함으로써, 제안된 프레임워크가 학제 간 연구자들에게 더 쉽게 접근될 수 있도록 합니다.

이러한 상호작용에 대한 개념적 개요를 제공하기 위해, 그림 1은 고등 교육 시스템에서의 역동적인 스트레스-정서 상호작용 구조를 보여줍니다. 이 다이어그램은 학업 요구 사항에서 비롯된 스트레스 입력값, 심리적 상태의 변화를 나타내는 정서적 반응 변수, 그리고 피드백 루프를 통해 시스템을 조절하는 적응적 조절 기전을 제시합니다. 이러한 구성 요소들은 역동적으로 상호작용하며, 스트레스-정서 위상 공간 내에서 안정적인 정서 상태로 수렴하거나 부적응적 체제로 발산하는 궤적을 생성합니다. 이러한 개념적 표현은 정서 조절의 역동적인 특성을 강조하지만, 기존의 심리학 모델에서는 이러한 관계를 시간적 진화를 설명하는 명시적인 수학적 구조로 변환하는 경우가 드뭅니다.

학생 스트레스 모델 다이어그램; 비선형 역학; 피드백 루프; 정서 상태; 분기 이론.
그림 1고등 교육 시스템 내의 역동적인 스트레스-정서 상호작용에 대한 개념도. 이 그림은 학술 환경에서의 스트레스-정서 역동성의 개념적 구조를 보여줍니다. 도식에는 학술적 요구에서 기인하는 스트레스 입력값, 심리적 상태의 변화를 나타내는 정서적 반응 변수, 그리고 피드백 루프를 통해 시스템을 조절하는 적응적 조절 기전이 표시되어 있습니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭하십시오.

현재 모델링 접근법의 한계는 기존 스트레스 모델링 문헌의 주요 연구 공백을 식별하는 개념적 프레임워크를 제시한 그림 2에 자세히 설명되어 있습니다. 다이어그램의 중심에는 스트레스-감정 상호작용에 대한 기전적 동역학 프레임워크의 부재가 자리 잡고 있습니다. 이 한계를 중심으로 현재 연구의 특징인 여러 상호 연결된 공백들이 배치되어 있습니다. 첫째, 많은 연구가 시간적 진화와 피드백 동역학을 설명할 지배 방정식이 결여된 상관관계 기반의 스트레스 지수에 의존하고 있습니다9. 둘째, 번아웃과 정서적 불안정성은 Jacobian 행렬이나 고윳값 기반 기준을 이용한 정식 안정성 분석보다는 정성적으로 기술되는 경우가 많습니다10. 셋째, 기존 모델에는 정서 조절 시스템 내에서 회복탄력성이나 인력 basin(basin-of-attraction)의 기하학적 구조를 정량화할 수 있는 에너지 랜드스케이프 표현이 부족합니다1. 마지막으로, 스트레스와 정서적 반응은 비선형 피드백 과정에 의해 지배되는 동역학적으로 결합된 상태 변수가 아니라 독립 변수로 처리되는 경우가 많습니다12. 종합적으로 이러한 공백들은 고등 교육 스트레스 시스템에서 진동 거동, 다안정성 및 위상 전이를 설명할 수 있는 엄격한 동역학 모델링 프레임워크의 필요성을 강조합니다.

연구의 한계: 동역학 방정식, 안정성 분석, 에너지 랜드스케이프, 응력 모델링.
그림 2기존 스트레스 모델링 문헌의 연구 공백을 보여주는 개념적 프레임워크. 이 그림은 현재의 스트레스 모델링 접근 방식에 존재하는 주요 한계점들에 대한 개념적 개요를 보여줍니다. 다이어그램의 중심에는 스트레스-감정 상호작용을 설명하는 기전적 동역학 프레임워크의 부재가 자리 잡고 있습니다. 이 그림의 확대 버전을 보시려면 여기를 클릭하십시오.

이러한 한계를 해결하기 위해, 그림 3은 본 연구에서 개발한 제안된 비선형 동역학 모델링 아키텍처를 보여줍니다. 이 프레임워크는 통합된 비선형 상태 공간 공식 내에서 스트레스 축적 동역학, 정서적 활성화 변수 및 적응형 조절 피드백 메커니즘을 통합합니다. 이 프레임워크 내에서 시스템의 진화는 내부 조절 동역학, 외부 강제력 효과 및 예상치 못한 학업적 사건으로 인해 발생하는 확률적 섭동을 포착하는 비선형 미분 방정식을 통해 설명될 수 있습니다. 이러한 공식화를 통해 평형 분석, 분기 분석, 리아푸노프 안정성 이론 및 확률적 안정성 방법을 포함한 비선형 동적 시스템 이론의 도구들을 사용하여 스트레스-정서 상호작용을 분석할 수 있습니다13,14,15,16. 명시적인 지배 방정식을 도입함으로써, 본 모델은 지속적인 환경적 강제력과 내부 피드백 과정 하에서 정서적 상태가 시간에 따라 어떻게 진화하는지에 대한 엄격한 분석을 가능하게 합니다.

상태 공간 방정식을 포함한 스트레스-감정 결합 다이어그램, 안정성 분석, 리아푸노프 에너지.
그림 3스트레스-정서 조절을 위해 제안된 비선형 동적 모델링 아키텍처. 이 그림은 고등 교육 시스템 내의 스트레스-정서 상호작용을 모델링하기 위해 본 연구에서 개발한 비선형 동역학 프레임워크를 보여줍니다. 이 아키텍처는 스트레스 축적 동역학, 정서 활성화 변수 및 적응적 조절 피드백 메커니즘을 하나의 통합된 상태 공간 정식화로 통합합니다. 이 그림의 확대 버전을 보시려면 여기를 클릭하십시오.

본 연구에서 제시하는 방법의 전반적인 목표는 고등 교육 내의 스트레스 조절을 다중 안정성, 진동 체제 및 임계 전이가 나타날 수 있는 동적 시스템으로 분석할 수 있게 하는 기전적 비선형 모델링 프레임워크를 구축하는 것입니다. 기존의 선형 스트레스 지수 모델과 달리, 제안된 프레임워크는 축적된 스트레스 에너지, 정서적 활성화 및 적응적 조절 능력 사이의 비선형 피드백 상호작용을 명시적으로 포함합니다17,18,19,20. 이러한 비선형 상호작용을 통해 평형 상태를 식별하고, 안정성 마진을 특성화하며, 번아웃 전이와 관련된 티핑 포인트를 탐지할 수 있습니다. 또한, 이 프레임워크는 Lyapunov 유형의 퍼텐셜 함수가 정서적 상태의 안정성 구조를 설명하는 정서 조절의 에너지 랜드스케이프 해석을 도입합니다21,2,23. 이러한 표현 방식 내에서 회복탄력성은 끌개 분지(basin-of-attraction)의 깊이로 정량화할 수 있으며, 불안정성 임계값은 안정적인 끌개가 사라지는 분기점(bifurcation points)에 해당합니다.

현실성을 높이기 위해, 이 모델은 학기 주기를 나타내는 주기적 강제항과 예상치 못한 학업적 사건이나 환경적 변동을 포착하는 확률적 섭동을 포함합니다24,25,26. 이러한 확장을 통해 본 프레임워크는 시험 기간 동안의 진동성 스트레스 주기와 노이즈로 인한 정서 상태 간의 전이를 포함하여, 현실적인 학업 스트레스 역학을 시뮬레이션할 수 있습니다. 이러한 모델링 역량은 불안정성 임계값과 회복력 메커니즘에 대한 예측 분석을 가능하게 함으로써 순수 통계적 접근 방식보다 우위를 제공합니다.

비선형 동역학적 접근 방식은 이전에 생물학적 조절, 신경과학, 복잡한 사회 시스템과 같은 분야에 적용되어 왔으며, 이러한 분야에서는 피드백 기반 프로세스가 선형 모델로는 설명할 수 없는 창발적 행동을 생성합니다27,28,29. 고등 교육의 스트레스 조절에 유사한 원리를 적용하면 교육 심리학과 동역학 시스템 이론을 연결하여, 수학적으로 엄격한 프레임워크 내에서 정서 조절 프로세스를 분석할 수 있습니다. 비선형 동역학 모델링, 안정성 이론 및 에너지 랜드스케이프 분석을 결합함으로써, 본 문서에서 설명하는 방법은 학업 환경에서의 스트레스 동역학, 회복력 메커니즘 및 정서적 안정성을 조사하기 위한 통합된 플랫폼을 제공합니다30.

궁극적으로, 이 프레임워크는 연구자가 스트레스가 어떻게 축적되는지, 정서적 반응이 어떻게 진화하는지, 그리고 적응적 조절 기제가 장기적인 시스템 안정성에 어떻게 영향을 미치는지를 분석할 수 있게 합니다. 따라서 이 접근 방식은 고등 교육 시스템에서의 회복탄력성, 번아웃으로의 전이 및 회복 과정을 연구하는 데 강력한 방법론적 도구를 제공합니다. 방법론적 기여를 넘어, 제안된 프레임워크는 교육 심리학과 비선형 동역학 시스템 과학 사이의 학제 간 가교 역할을 하는 것을 목표로 합니다. 스트레스 축적, 정서적 활성화, 회복탄력성 및 적응적 조절과 같은 심리학적 과정을 수학적으로 다룰 수 있는 상태 변수로 변환함으로써, 이 프레임워크는 엄격한 동역학적 도구를 통해 복잡한 교육 현상을 조사할 수 있는 공통의 분석 언어를 제공합니다. 이러한 통합은 개념적 명확성을 높이고, 행동 및 심리 측정치를 이용한 향후의 경험적 보정을 촉진하며, 학술 환경 내 스트레스 조절을 위한 예측 및 설명 모델의 개발을 지원합니다31. 쉽게 말해, 제안된 프레임워크는 학업 스트레스가 어떻게 축적되고 정서적 반응이 시간에 따라 어떻게 변화하며, 대처 기제가 회복과 회복탄력성에 어떻게 영향을 미치는지 조사합니다. 이 모델은 학생들이 정서적 안정성을 유지하거나 번아웃에 취약해지는 조건을 식별함으로써 심리학적 이론과 정량적 시스템 분석을 연결하는 것을 목표로 합니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

프로토콜

본 프로토콜은 인간 또는 동물 실험을 포함하지 않습니다. 본 연구는 고등 교육 체계 내의 스트레스-정서 역동성에 대한 수학적 모델링 및 계산 시뮬레이션에 전적으로 의존합니다. 프로토콜에 기술된 비선형 동역학 모델링 프레임워크를 구현하는 데 필요한 계산 도구, 소프트웨어 환경 및 수치 리소스는 재료 표에 나열되어 있습니다.

1. 모델 초기화 및 계산 환경 설정

  1. 계산 환경을 열고 시뮬레이션 연구를 위한 새 프로젝트 디렉토리를 생성합니다. 소프트웨어에 대한 상세 내용은 Supplementary File 1에 제공되어 있습니다.
  2. 비선형 스트레스-감정-조절 프레임워크의 구현을 위해 StressEmotionModel.m이라는 이름의 기본 스크립트 파일을 생성합니다.
  3. 동적 시스템을 나타내는 세 가지 상태 변수를 정의합니다.
    1. S(t)를 누적 학업 스트레스로 정의합니다. E(t)를 정서적 활성화로 정의합니다.
    2. R(t)를 적응적 조절 능력으로 정의합니다.
  4. 매개변수 초기화 파일을 생성하고 모든 기본 모델 매개변수에 값을 할당합니다.
  5. 기본 매개변수 세트를 다음과 같이 정의합니다.
    1. 외부 강제 매개변수 F를 2.0으로 설정합니다. 스트레스 소산 매개변수 β를 0.30으로 설정합니다.
    2. 스트레스-감정 결합 매개변수 γ를 0.50으로 설정합니다. 조절 이득 매개변수 κ를 0.40으로 설정합니다.
    3. 정서적 민감도 매개변수 α를 0.80으로 설정합니다. 정서적 이완 매개변수 δ를 0.50으로 설정합니다.
    4. 비선형 포화 매개변수 µ를 0.10으로 설정합니다. 조절 매개 상호작용 매개변수 η를 0.20으로 설정합니다. 조절 감쇠 매개변수 λ를 0.25로 설정합니다.
  6. 초기 상태 벡터를 정의합니다.
    1. S(0) = 1.0으로 설정합니다.
    2. E(0) = 0.5로 설정합니다.
    3. R(0) = 0.8로 설정합니다.
      참고: 민감도 분석을 수행하는 경우가 아니라면 모든 기본 시뮬레이션에서 동일한 매개변수 값을 사용하십시오.

2. 비선형 동역학 모델의 구현

  1. 스트레스, 감정 및 조절 역학을 제어하는 결합 미분 방정식이 포함된 함수 파일을 생성합니다. 제어 방정식은 보충 파일 1(섹션 S1.2)에 제공되며, 이에 대응하는 MATLAB 구현 방식은 보충 파일 1(섹션 S1.8)에 제시되어 있습니다.
    참고: 기본 모델 매개변수, 초기 조건, 수치 솔버 설정 및 제어 비선형 상미분 방정식은 보충 파일 1(섹션 S1.2–S1.6)에 제공됩니다. 별도의 명시가 없는 한, 이러한 매개변수들은 모든 수치 시뮬레이션 전반에 걸쳐 일관되게 사용됩니다.
  2. 보충 파일 1의 섹션 S1.2에 설명된 제어 비선형 동역학 시스템에 따라 축적된 스트레스 상태 변수 S(t)에 대한 스트레스 진화 방정식을 구현합니다. 이 방정식의 대응하는 계산 구현 방식은 보충 파일 1의 섹션 S1.8(함수 1: 모델 방정식)에 제공됩니다.
  3. 보충 파일 1의 섹션 S1.2에 설명된 정서적 활성화 방정식을 구현합니다. 정서적 활성화 방정식의 MATLAB 구현 방식은 보충 파일 1의 섹션 S1.8(함수 1: 모델 방정식)에서 확인할 수 있습니다.
  4. 보충 파일 1의 섹션 S1.2에 설명된 비선형 모델에 따라 조절 능력 상태 변수 R(t)를 제어하는 적응적 조절 방정식을 구현합니다. 대응하는 MATLAB 구현 방식은 보충 파일 1의 섹션 S1.8(함수 1: 모델 방정식)에 제공됩니다.
  5. 무작위 학업 방해 요소와 환경적 변동성을 시뮬레이션하기 위해 각 상태 변수에 독립적인 가우시안 노이즈 항을 도입하여 선택적 확률적 섭동을 활성화합니다.
  6. 동일한 기본 모델 매개변수와 초기 조건을 유지하면서, 서로 다른 무작위 노이즈 시퀀스를 사용하여 30회의 독립적인 확률적 실현(n = 30)을 수행합니다.
  7. 평균 궤적과 그에 따른 변동성 추정치를 계산하며, 결과 섹션에 보고된 오차 막대는 이러한 독립적 실현들 간의 통계적 변동을 나타냅니다.
  8. 상대 허용 오차 1 × 10⁻6, 절대 허용 오차 1 × 10⁻8, 초기 적분 단계 0.001, 최대 단계 크기 0.05의 ODE45 수치 솔버를 사용하여 시뮬레이션 구간 0 ≤ t ≤ 500 동안 비선형 동역학 시스템을 적분합니다.
  9. 상세한 계산 구현, 솔버 설정 및 시뮬레이션 워크플로우는 보충 파일 1의 섹션 S1.6–S1.11에 제공합니다.
  10. 확률적 진폭을 다음과 같이 정의합니다.
    1. σS = 0.05로 설정합니다.
    2. σE = 0.05로 설정합니다.
    3. σR = 0.03으로 설정합니다.
  11. 수치 적분 동안 모든 상태 변수가 비음수 상태를 유지하도록 제한합니다.
  12. 후처리 과정에서 음수 수치 값을 0으로 대체합니다.

3. 수치 시뮬레이션

  1. 수치 해석기(numerical solver)를 설정합니다.
    1. 결정론적 시뮬레이션의 경우 ODE45를 선택하십시오.
    2. 확률론적 시뮬레이션을 수행하는 경우 이에 상응하는 확률론적 적분 루틴을 선택하십시오.
    3. 초기 상태 추정값 [1, 1, 1]을 사용하여 MATLAB fsolve 함수로 평형 상태를 수치적으로 결정합니다. 해석기가 지정된 수치 허용 오차 범위 내에서 기본 비선형 수렴 기준을 충족하면 반복 해가 수렴한 것으로 간주합니다.
      ​참고: 전체 구현 내용은 보충 파일 1, 섹션 S1.8 (평형 해석기)에 제공됩니다.
  2. 수치 해석기 설정을 정의합니다.
    1. 상대 허용 오차를 10⁻6으로 설정합니다. 절대 허용 오차를 10⁻8로 설정합니다.
    2. 최대 스텝 크기를 0.05로 설정합니다. 초기 스텝 크기를 0.001로 설정합니다.
  3. 시뮬레이션 구간을 t = 0에서 t = 500까지로 정의합니다.
  4. Δt = 0.1 간격으로 출력 궤적(trajectory)을 샘플링합니다.
  5. 수치 적분을 실행합니다.
  6. S(t), E(t), R(t)의 시뮬레이션 궤적을 저장합니다.
  7. 후속 분석을 위해 시뮬레이션 출력물을 쉼표로 구분된 값(CSV) 형식으로 내보냅니다.
    중단 지점: 이 단계에서 모든 시뮬레이션 궤적과 수치 출력물이 생성 및 내보내졌습니다. 평형 분석, 안정성 분석, 시각화 및 민감도 분석으로 넘어가기 전에 보관된 파라미터 파일과 시뮬레이션 출력물을 다시 로드하여 워크플로우를 일시 중단했다가 나중에 재개할 수 있습니다.

4. 평형 및 안정성 분석

  1. 모든 상태 미분값을 0으로 설정하여 평형해를 계산합니다. 결과로 도출된 비선형 대수 방정식을 수치적 근 찾기 알고리즘을 사용하여 풉니다.
    참고: 두 연속적인 상태 벡터 간의 절대 차이가 지정된 수렴 기준을 충족할 때 정상 상태 해에 도달한 것으로 간주합니다. 상세한 수렴 기준은 Supplementary File 1, Section S1.7에 제공되어 있습니다.
  2. 각 평형점에서 자코비안 행렬을 계산합니다. 자코비안 행렬의 고유값을 계산합니다.
  3. 최대 실수 고유값의 부호에 따라 평형 상태를 분류합니다. 모든 고유값의 실수부가 음수일 때 평형 상태를 안정된 상태로 표시합니다.
  4. 안정 및 불안정 작동 영역의 분포를 보여주는 안정성 지도를 생성합니다.

5. 위상 공간 및 시간 영역 시각화

  1. S(t), E(t), 및 R(t)의 시간 영역 그래프를 생성합니다. S–E 평면에 대한 2차원 위상 초상화를 작성합니다.
  2. E–R 평면에 대한 2차원 위상 초상화를 작성합니다. S–E–R 상태 공간에서 3차원 궤적을 생성합니다.
  3. 해당하는 경우, 위상 초상화 위에 벡터장과 유선도를 겹쳐 그립니다. 모든 그림을 문서화 및 출판을 위해 고해상도 이미지 형식으로 저장합니다.

6. 민감도 분석

  1. 민감도 분석 스크립트를 작성합니다. 나머지 모든 매개변수는 기준값으로 유지하면서 한 번에 하나의 매개변수만 변화시킵니다. 스트레스-감정 결합 매개변수에 대해 민감도 분석을 수행합니다.
  2. 스트레스 소산 매개변수에 대해 민감도 분석을 수행합니다. 조절 이득 매개변수에 대해 민감도 분석을 수행합니다. 외부 강제력 매개변수에 대해 민감도 분석을 수행합니다.
  3. 비선형 감정 포화 매개변수에 대해 민감도 분석을 수행합니다. 각 매개변수 값에 대해 시뮬레이션을 실행합니다.
  4. 각 시뮬레이션 후의 정상 상태 감정 평형을 계산합니다. 모든 평형 값을 결과 데이터베이스에 저장합니다.
  5. 보충 파일 1, 섹션 S1.10에 나열된 사전 정의된 범위 내에서 주요 모델 매개변수를 독립적으로 변화시켜 단일 매개변수 민감도 분석을 수행합니다. 구체적으로 γ는 0.1에서 2.0까지 0.1 증분으로, β는 0.1에서 1.0까지 0.05 증분으로, κ는 0.1에서 2.0까지 0.1 증분으로, F는 0.5에서 5.0까지 0.25 증분으로, 그리고 µ는 0.01에서 1.0까지 0.05 증분으로 변화시킵니다.
    참고: 각 매개변수 값에 대해 수치 적분을 수행하고, 정상 상태 해를 계산하며, 결과 상태 변수를 저장하고, 그에 해당하는 민감도 곡선 및 비교 도표를 생성합니다.
  6. 민감도 곡선을 생성합니다. 비교 산점도를 생성합니다.
  7. 비교 막대 그래프를 생성합니다. 매개변수-반응 히트맵을 생성합니다.

7. 결과 생성 및 검증

  1. 모든 시뮬레이션의 수렴성을 검증하십시오. 시뮬레이션 구간 전체에서 상태 궤적이 유계(bounded) 상태를 유지하는지 확인하십시오.
  2. 후속 분석을 진행하기 전, 수치 해가 정상 상태(steady state)에 도달했는지 확인하십시오.
    참고: 모든 상태 변수의 연속적인 변화가 보충 자료 1, 섹션 S1.7(수렴 기준)에 기술된 사전 정의된 수렴 기준을 충족할 때 수렴한 것으로 간주합니다. 수렴된 해만이 이후의 평형, 안정성 및 민감도 분석에 사용됩니다.
  3. 평형 해가 수렴 기준을 충족하는지 확인하십시오. 모든 시뮬레이션 출력물, 안정성 맵, 위상 초상, 민감도 도표 및 수치 데이터 세트를 내보내십시오.
    참고: 별도의 언급이 없는 한, 모든 시뮬레이션에는 보충 자료 1에 제시된 기본 파라미터 세트가 사용되며, 모든 수치 분석은 보충 자료 1, 섹션 S1.9에 요약된 계산 워크플로우를 따릅니다. 보고된 시뮬레이션을 재현하는 데 필요한 전체 MATLAB 소스 코드, 파라미터 파일, 솔버 설정 및 시각화 루틴은 보충 자료 1에 제공됩니다.
  4. 재현성 및 향후 검증 연구를 위해 모든 스크립트, 파라미터 파일 및 출력 파일을 보관하십시오.
    참고: 보고된 결과의 독립적인 재현이 가능하도록 모든 MATLAB 소스 코드, 파라미터 파일, 플로팅 루틴 및 시뮬레이션 워크플로우를 보충 자료로 제공하십시오.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

결과

제안된 비선형 동역학적 프레임워크를 검증하고 기존의 선형 공식 대비 장점을 입증하기 위해 종합적인 수치 시뮬레이션 연구를 수행하였습니다(보충 파일 2). 별도의 언급이 없는 한, 모든 확률적 시뮬레이션 결과는 30회의 독립적인 시행(n = 30)을 통해 얻은 평균 ± 표준편차(SD)로 표시됩니다. 시뮬레이션 시나리오 간의 통계적 비교는 유의 수준 p < 0.05의 적절한 통계 테스트를 사용하여 수행되었습니다. 통계적 비교가 이루어진 경우 정확한 p-값이 보고되었습니다. 시뮬레이션을 통해 파라미터의 체계적인 변화에 따른 비선형 스트레스-정서-조절 모델의 거동을 평가하고, 그 구조적 반응을 전통적인 선형 스트레스 모델과 비교하였습니다. 지배 미분 방정식의 수치 적분은 정상 상태 또는 점근적 체제로의 수렴을 보장하기 위해 충분히 긴 시간 범위에 걸쳐 수행되었습니다. 각 실험에서 두 모델에 동일한 기저 조건을 적용하고 단일 파라미터를 미리 정의된 범위 내에서 변화시켰습니다. 그 결과로 나타난 정상 정...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

토론

본 계산 프로토콜은 수치 적분, 안정성 분석 및 민감도 분석을 통해 스트레스-정서 상호작용을 시뮬레이션하기 위해 비선형 동역학 프레임워크를 어떻게 구현할 수 있는지 보여줍니다. 이 방법의 구현에서 중요한 단계는 정상 상태 또는 어트랙터 동역학으로의 수렴을 보장하기 위해 지배 미분 방정식의 수치 적분을 충분히 긴 시간 간격 동안 정확하게 수행하는 것입니다. 민감도 분석 결과, 비선형 정식화는 기존의 선형 모델과 비교하여 매개변수 변화에 다르게 반응하는 것으로 나타났습니다. 특히, 비선형 시스템에서는 결합 강도(γ)가 정서적 평형에 직접적인 영향을 미치는 반면, 스트레스 소산율(β)은 주로 선형 정식화에서 과장된 반응을 일으킵니다. 마찬가지로, 외부 강제력을 증가시키면 선형 모델에서는 무제한적인 증폭이 발생하지만, 비선형 프레임워크에서는 제한된 포화 상태가 나타납니다. 이러한 관찰 결과는 현실적인 시스템 동역학을 유지하기 위해 프로토콜을 적용할 때 세심한 매개변수 설정이 중요하다는 점을 강조합니다31...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

공개 사항

저자는 경쟁 관계에 있는 재정적 또는 비재정적 이해관계 및 이해 상충이 없음을 밝힙니다. 원고 작성 과정에서 언어 교정, 문법 수정 및 가독성 향상을 위해에만 ChatGPT (OpenAI, GPT-5.5)가 사용되었습니다. 모든 과학적 내용, 수학적 공식, 방법론, 분석, 해석 및 결론은 저자에 의해 구상, 개발, 검증 및 승인되었습니다. 저자는 원고의 정확성, 독창성 및 무결성에 대해 모든 책임을 집니다.

감사의 글

저자는 본 연구의 수행 과정에서 귀중한 학술적 지원과 격려를 제공해 준 중국 광둥성 주하이의 주하이 과학기술대학교 인문대학에 감사를 표합니다. 해당 기관의 지원과 건설적인 연구 환경은 본 연구를 완수하는 데 큰 도움이 되었습니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재료

이 논문에 사용된 재료 목록
이름회사카탈로그 번호댓글
미분 방정식 솔버 (ODE45)MathWorksMATLAB R2024a결합된 비선형 미분 방정식의 적분에 사용된 수치 솔버. 상대 허용 오차 = 1×10-6; 절대 허용 오차 = 1×10-8.
MATLAB 소프트웨어MathWorks, Natick, MA, USARRID: SCR_001622모델 구현, 안정성 분석, 민감도 분석, 위상 공간 시각화, 리아푸노프 에너지 랜드스케이프 생성 및 그림 작성을 위해 사용된 기본 수치 계산 소프트웨어.
방법론 문서 패키지보충 파일 S2N/A이론적 프레임워크 문서, 파라미터 해석, 검증 전략, 한계 및 계산 워크플로 설명 포함.
수치 배열 처리 라이브러리 (NumPy)NumPy 개발팀NumPy 2.0Python 구현 시 행렬 연산, 수치 계산, 파라미터 스윕 및 데이터 처리에 사용된 라이브러리.
수치 시뮬레이션 환경MATLAB R2024a 환경N/A비선형 스트레스–정서–조절 프레임워크, 파라미터 스윕, 평형 분석 및 확률론적 시뮬레이션을 실행하는 데 사용된 계산 환경.
최적화 툴박스MathWorksMATLAB Optimization Toolbox비선형 근 찾기 방법(fsolve)을 통한 평형 상태 계산에 사용됨.
Python 프로그래밍 환경Python Software FoundationPython 3.12수치 결과 검증 및 선택된 시뮬레이션과 시각화의 재현을 위해 사용된 대체 계산 플랫폼.
과학 계산 라이브러리 (SciPy)SciPy 커뮤니티SciPy 1.14Python 구현 시 수치 계산, 비선형 방정식 풀이 및 미분 방정식 분석에 사용된 라이브러리.
소스 코드 패키지보충 파일 S1N/A완전한 재현성에 필요한 MATLAB 스크립트, 솔버 설정, 파라미터 파일, 민감도 분석 루틴, 안정성 분석 코드 및 시각화 워크플로 포함.
스프레드시트 소프트웨어Microsoft CorporationMicrosoft Excel 365시뮬레이션 출력 및 보충 데이터 세트의 저장, 정리, 내보내기 및 검토에 사용됨.
시각화 도구 (Matplotlib)Matplotlib 개발팀Matplotlib 3.9민감도 플롯, 안정성 다이어그램, 위상 공간 궤적, 히트맵 및 출판 품질의 그림을 생성하는 데 사용된 과학적 플로팅 라이브러리.

참고문헌

  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

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재인쇄 및 허가

태그

상태 공간 모델비선형 안정성적응적 조절번아웃 위험회복탄력성 효과에너지 경관 모델링
문의하기
도서관에 추천하기

개인정보 처리방침

이용 약관

정책

저작권 © 2026 MyJoVE Corporation. 모든 권리 보유.