Methodenartikel

Een niet-lineaire dynamische systeemmodellering van stressregulatie en emotioneel gedrag in het hoger onderwijs

37 weergaven

⸱

DOI:

10.3791/71462

⸱

18 augustus 2026

1School of Humanities, Zhuhai College of Science and Technology

In dit artikel

Samenvatting

Dit protocol presenteert een door de natuurkunde geïnspireerd niet-lineair toestandsruimte-raamwerk voor het modelleren van stress-emotiedynamiek in het hoger onderwijs, waardoor gebruikers burn-outdrempels, oscillerende stresscycli, veerkracht en adaptieve regulatie kunnen analyseren met behulp van differentiaalvergelijkingen, stabiliteitsanalyse en stochastische simulaties.

Samenvatting

Stressregulatie en emotioneel gedrag in het hoger onderwijs worden gewoonlijk onderzocht met behulp van descriptieve statistische modellen die een mechanistische dynamische structuur missen. Academische stress vertoont echter niet-lineair gedrag, waaronder drempeleffecten, burn-out en adaptieve responsen, die niet adequaat worden vastgelegd door lineaire modellen. Deze studie hanteert een perspectief van niet-lineaire dynamische systemen om stressregulatie en emotioneel gedrag in het hoger onderwijs te modelleren. Het hoofddoel van deze studie is het ontwikkelen van een op de natuurkunde geïnspireerd niet-lineair state-space-framework dat de koppeling tussen stress en emotie en de adaptieve regulatie in het hoger onderwijs strikt modelleert. Het protocol stelt een niet-lineair state-space-model vast dat stress, emotionele activatie en regulatiecapaciteit beschrijft. Gebruikers kunnen het protocol implementeren om systeemdynamiek te simuleren en de stabiliteit onder variërende academische omstandigheden te evalueren. Het framework bevat niet-lineaire stabiliteitsanalyses en stochastische simulaties om veerkracht, instabiliteit en burn-out-gerelateerde transities te onderzoeken. Simulatieresultaten tonen niet-lineaire stabiliteit, veerkrachteffecten en regime-transities aan die niet door conventionele lineaire modellen worden gevangen. De resultaten geven aan dat stressregulatie in het hoger onderwijs zich gedraagt als een niet-lineair dynamisch systeem. Door de integratie van niet-lineaire dynamica, modellering van energielandschappen en de theorie van adaptieve regulatie, biedt dit werk een unified predictief framework dat veerkracht, instabiliteit en herstelprocessen in academische omgevingen verklaart. Het framework vormt een basis voor toekomstige studies naar het welzijn van studenten en het risico op burn-out. Het framework is relevant voor onderzoekers en praktijkbeoefenaars die geïnteresseerd zijn in het welzijn van studenten en stressregulatie.

Inleiding

Stressregulatie en emotioneel gedrag in het hoger onderwijs kunnen worden geïnterpreteerd als een complex dynamisch proces dat in de loop van de tijd evolueert onder de gecombineerde invloed van interne psychologische feedback en externe academische druk1. Studieactiviteiten, examens, institutionele verwachtingen en sociale evaluatie verstoren voortdurend de emotionele toestand van studenten, wat leidt tot schommelingen in angst, motivatie en betrokkenheid2. Deze emotionele reacties evolueren binnen een multidimensionale faseruimte die wordt gestuurd door cognitieve beoordeling, copingstrategieën en adaptieve regulatiemechanismen3. Klassieke stressresponsmodellen in de educatieve psychologie gaan doorgaans uit van proportionele relaties tussen stressstimuli en emotionele reacties, waarbij vaak wordt vertrouwd op regressieanalyses of beschrijvende statistische indices om deze relaties te karakteriseren4. Empirische observaties tonen echter consistent niet-lineaire kenmerken aan, zoals drempeleffecten, verzadiging, hysteresis en abrupte transities, waaronder burn-out en emotionele ineenstorting5. Kleine stressoren kunnen onder stabiele omstandigheden verwaarloosbare emotionele verschuivingen teweegbrengen; nabij kritische drempels kunnen ze echter disproportionele emotionele reacties triggeren6. Dit gedrag vertoont gelijkenissen met niet-lineaire oscillaties en bifurcatieverschijnselen die worden waargenomen in fysieke systemen die ver uit equilibrium worden gehouden7. Vanuit dit perspectief kunnen studenten worden geconceptualiseerd als open dissipatieve systemen die voortdurend stressgerelateerde "energie" uitwisselen met hun academische omgeving via feedbackprocessen die regulatie en adaptatie sturen8.

Vanuit een educatief en psychologisch perspectief kunnen de concepten die in het huidige raamwerk worden gebruikt, intuïtief worden geïnterpreteerd. Stressaccumulatie vertegenwoordigt de progressieve belasting die wordt veroorzaakt door academische eisen en omgevingsdruk. Emotionele activatie weerspiegelt veranderingen in affectieve toestanden, zoals angst, frustratie, motivatie en betrokkenheid, terwijl regulatiecapaciteit correspondeert met de coping- en zelfregulatiemechanismen die studenten helpen zich aan uitdagingen aan te passen. Voor toekomstige empirische implementatie kan stressaccumulatie worden weergegeven met schalen voor waargenomen stress; emotionele activatie kan worden beoordeeld met gevalideerde instrumenten voor angst, stemming of emotioneel welzijn; en regulatiecapaciteit kan worden geschat met maten voor veerkracht, coping of zelfregulatie. Deze koppelingen bieden een praktische basis voor toekomstige parameterschatting en modelkalibratie. Binnen deze context kunnen niet-lineaire concepten zoals stabiliteit, veerkracht en kritieke transities worden begrepen als verschillende patronen van psychologische aanpassing. Stabiele toestanden vertegenwoordigen een gebalanceerd emotioneel functioneren, veerkracht weerspiegelt het vermogen om zich te herstellen van verstoringen, en kritieke transities komen overeen met abrupte verschuivingen naar maladaptieve uitkomsten, zoals chronische stress of burn-out. Deze interpretaties slaan een duidelijkere conceptuele brug tussen de onderwijskunde en de theorie van niet-lineaire dynamische systemen, waardoor de toegankelijkheid van het voorgestelde raamwerk voor interdisciplinaire doelgroepen wordt verbeterd.

Om een conceptueel overzicht van deze interacties te geven, illustreert Figuur 1 de structuur van dynamische stress-emotie-interacties in het hoger onderwijs. Het diagram presenteert stress-inputs voortvloeiend uit academische eisen, emotionele responsvariabelen die de evolutie van de psychologische toestand vertegenwoordigen, en adaptieve regulatiemechanismen die het systeem moduleren via feedbackloops. Deze componenten interageren dynamisch, waardoor trajecten binnen een stress-emotie-faseruimte ontstaan die kunnen convergeren naar stabiele emotionele toestanden of divergeren naar maladaptieve regimes. Hoewel deze conceptuele weergave de dynamische aard van emotionele regulatie benadrukt, vertalen bestaande psychologische modellen deze relaties zelden naar expliciete wiskundige structuren die de temporele evolutie beschrijven.

figure-introduction-1
Figuur 1: Conceptueel diagram van de dynamische stress-emotie-interactie in het hoger onderwijssysteem.Dit diagram illustreert de conceptuele structuur van stress-emotiedynamiek in academische omgevingen. Het schema toont stress-inputs afkomstig van academische eisen, emotionele responsvariabelen die de evolutie van psychologische toestanden vertegenwoordigen, en adaptieve regulatiemechanismen die het systeem moduleren via feedbackloops. Klik hier om een grotere versie van deze figuur te bekijken.

De beperkingen van huidige modelleringsbenaderingen worden verder geïllustreerd in Figuur 2, waarin een conceptueel kader wordt gepresenteerd dat de belangrijkste hiaten in het bestaande onderzoek naar stressmodellering identificeert. Centraal in het diagram staat het ontbreken van een mechanistisch dynamisch kader voor de interactie tussen stress en emotie. Rondom deze beperking bevinden zich verschillende onderling verbonden hiaten die het huidige onderzoek kenmerken. Ten eerste vertrouwen veel studies op correlatiegebaseerde stressindexen waaraan besturende vergelijkingen ontbreken om de tijdsontwikkeling en feedbackdynamiek te beschrijven9. Ten tweede worden burn-out en emotionele instabiliteit vaak kwalitatief beschreven in plaats van via een formele stabiliteitsanalyse met behulp van Jacobiaan-matrices of criteria gebaseerd op eigenwaarden10. Ten derde ontbreken in bestaande modellen representaties van het energielandschap die in staat zijn om veerkracht of de meetkunde van het attractiebekken binnen emotionele regulatiesystemen te kwantificeren11. Ten slotte worden stress en emotionele reacties vaak behandeld als onafhankelijke variabelen in plaats van als dynamisch gekoppelde toestandsvariabelen die worden gestuurd door niet-lineaire feedbackprocessen12. Samen benadrukken deze hiaten de noodzaak voor een rigoureus dynamisch modelleringskader dat in staat is om oscillerend gedrag, multistabiliteit en faseovergangen in stresssystemen binnen het hoger onderwijs te beschrijven.

figure-introduction-2
Figuur 2: Conceptueel kader dat onderzoekslacunes in de bestaande literatuur over stressmodellering illustreert. Deze figuur geeft een conceptueel overzicht van de belangrijkste beperkingen in huidige benaderingen van stressmodellering. In het centrum van het diagram staat de afwezigheid van een mechanistisch dynamisch kader dat de interactie tussen stress en emotie beschrijft. Klik hier om een grotere versie van deze figuur te bekijken.

Om deze beperkingen aan te pakken, presenteert Figuur 3 de voorgestelde architectuur voor nietlineaire dynamische modellering die in deze studie is ontwikkeld. Het raamwerk integreert dynamiek van stressaccumulatie, variabelen van emotionele activatie en adaptieve regulatoire feedbackmechanismen binnen een uniforme nietlineaire toestandsruimteformulering. Binnen dit raamwerk kan de evolutie van het systeem worden beschreven via nietlineaire differentiaalvergelijkingen die interne regulatiedynamiek, externe forceringseffecten en stochastische perturbaties als gevolg van onverwachte academische gebeurtenissen vastleggen. Een dergelijke formulering maakt het mogelijk om interacties tussen stress en emotie te analyseren met hulpmiddelen uit de theorie van nietlineaire dynamische systemen, waaronder evenwichtsanalyse, bifurcatieanalyse, de Lyapunov-stabiliteitstheorie en stochastische stabiliteitsmethoden13,14,15,16. Door expliciete beheersvergelijkingen te introduceren, maakt het model een rigoureuze analyse mogelijk van hoe emotionele toestanden in de loop van de tijd evolueren onder continue omgevingsforcering en interne feedbackprocessen.

figure-introduction-3
Figuur 3: Voorgestelde architectuur voor niet-lineaire dynamische modellering van stress-emotieregulatie.Deze figuur illustreert het niet-lineaire dynamische raamwerk dat in deze studie is ontwikkeld voor het modelleren van interacties tussen stress en emotie in het hoger onderwijs. De architectuur integreert dynamieken van stressaccumulatie, variabelen voor emotionele activatie en adaptieve regulerende feedbackmechanismen in een uniforme state-space formulering. Klik hier om een grotere versie van deze figuur te bekijken.

Het algemene doel van de in dit werk gepresenteerde methode is het vaststellen van een mechanistisch niet-lineair modelleringskader dat de analyse van stressregulatie in het hoger onderwijs mogelijk maakt als een dynamisch systeem dat in staat is om multistabiliteit, oscillerende regimes en kritieke overgangen te vertonen. In tegenstelling tot conventionele lineaire stressindexmodellen, incorporeert het voorgestelde kader expliciet niet-lineaire feedbackinteracties tussen geaccumuleerde stressenergie, emotionele activatie en adaptieve regulatiecapaciteit17,18,19,20. Deze niet-lineaire interacties maken de identificatie van evenwichtstoestanden, de karakterisering van stabiliteitsmarges en de detectie van kantelpunten geassocieerd met burn-outovergangen mogelijk. Daarnaast introduceert het kader een energielandschapinterpretatie van emotionele regulatie, waarin Lyapunov-type potentiaalfuncties de stabiliteitsstructuur van emotionele toestanden beschrijven21,22,23. Binnen deze representatie kan veerkracht worden gekwantificeerd door de diepte van het attractiebekken, terwijl instabiliteitsdrempels overeenkomen met bifurcatiepunten waarbij stabiele attractoren verdwijnen.

Om het realisme te verhogen, bevat het model periodieke forceringstermen die academische semestercycli vertegenwoordigen, evenals stochastische perturbaties die onverwachte academische gebeurtenissen of omgevingsschommelingen vastleggen24,25,26. Deze uitbreidingen stellen het raamwerk in staat om realistische dynamieken van academische stress te simuleren, inclusief oscillerende stresscycli tijdens examenperioden en door ruis gedreven overgangen tussen emotionele toestanden. Dergelijke modelleringsmogelijkheden bieden voordelen ten opzichte van puur statistische benaderingen door voorspellende analyses van instabiliteitsdrempels en veerkrachtmechanismen mogelijk te maken.

Niet-lineaire dynamische benaderingen zijn eerder toegepast in vakgebieden zoals biologische regulatie, neurowetenschappen en complexe sociale systemen, waar door feedback aangestuurde processen emergente gedragingen produceren die niet met lineaire modellen kunnen worden verklaard27,28,29. Het toepassen van vergelijkbare principes van stressregulatie in het hoger onderwijs slaat een brug tussen onderwijspsychologie en de theorie van dynamische systemen, waardoor de analyse van emotieregulatieprocessen binnen een wiskundig strikt kader mogelijk wordt. Door niet-lineaire dynamische modellering, stabiliteitstheorie en energielandschapsanalyse te combineren, biedt de hier beschreven methode een uniform platform voor het onderzoeken van stressdynamiek, veerkrachtmechanismen en emotionele stabiliteit in academische omgevingen30.

Uiteindelijk stelt dit raamwerk onderzoekers in staat om te analyseren hoe stress zich opbouwt, hoe emotionele reacties evolueren en hoe adaptieve regulatiemechanismen de stabiliteit van het systeem op lange termijn beïnvloeden. De benadering biedt daarom een krachtig methodologisch instrument voor het bestuderen van veerkracht, burn-outtransities en herstelprocessen binnen het hoger onderwijssysteem. Naast de methodologische bijdrage is het voorgestelde raamwerk bedoeld als een interdisciplinaire brug tussen de onderwijskunde en de wetenschap van niet-lineaire dynamische systemen. Door psychologische processen zoals stressaccumulatie, emotionele activatie, veerkracht en adaptieve regulatie te vertalen naar wiskundig hanteerbare toestandsvariabelen, biedt het raamwerk een gemeenschappelijke analytische taal voor het onderzoeken van complexe onderwijsfenomenen met rigoureuze dynamische instrumenten. Deze integratie vergroot de conceptuele helderheid, faciliteert toekomstige empirische kalibratie met behulp van gedragsmatige en psychologische metingen en ondersteunt de ontwikkeling van voorspellende en verklarende modellen voor stressregulatie in academische omgevingen31. In eenvoudige termen onderzoekt het voorgestelde raamwerk hoe academische stress zich opbouwt, hoe emotionele reacties in de loop van de tijd veranderen en hoe copingmechanismen het herstel en de veerkracht beïnvloeden. Het model beoogt de omstandigheden te identificeren waaronder studenten hun emotionele stabiliteit behouden of vatbaar worden voor burn-out, waardoor een brug wordt geslagen tussen psychologische theorie en kwantitatieve systeemanalyse.

Protocol

Dit protocol omvat geen experimenten met mensen of dieren. De studie is uitsluitend gebaseerd op mathematische modellering en computationele simulatie van stress-emotiedynamiek in het hoger onderwijs. De computationele instrumenten, softwareomgevingen en numerieke middelen die nodig zijn om het in het protocol beschreven kader voor niet-lineaire dynamische modellering te implementeren, staan vermeld in de Tabel met Materialen.

1. Modelinitialisatie en inrichting van de computationele omgeving

  1. Open de computationele omgeving en maak een nieuwe projectmap aan voor de simulatiestudie. De volledige softwaregegevens staan vermeld in Aanvullend bestand 1.
  2. Maak een primair scriptbestand aan met de naam StressEmotionModel.m voor de implementatie van het niet-lineaire stress-emotie-regulatiekader.
  3. Definieer de drie toestandsvariabelen die het dynamische systeem representeren.
    1. Definieer S(t) als geaccumuleerde academische stress. Definieer E(t) als emotionele activatie.
    2. Definieer R(t) als adaptieve regulatiecapaciteit.
  4. Maak een bestand voor parameterinitialisatie aan en wijs waarden toe aan alle baseline modelparameters.
  5. Definieer de baseline parameterset als volgt.
    1. Stel de externe forcingsparameter F in op 2.0. Stel de stressdissipatieparameter β in op 0.30.
    2. Stel de stress-emotie koppelingsparameter γ in op 0.50. Stel de regulatieversterkingsparameter κ in op 0.40.
    3. Stel de emotionele sensitiviteitsparameter α in op 0.80. Stel de emotionele relaxatieparameter δ in op 0.50.
    4. Stel de niet-lineaire verzadigingsparameter µ in op 0.10. Stel de regulatiemedieerde interactieparameter η in op 0.20. Stel de regulatiedecayparameter λ in op 0.25.
  6. Definieer de initiële toestandsvector.
    1. Stel S(0) = 1.0 in.
    2. Stel E(0) = 0.5 in.
    3. Stel R(0) = 0.8 in.
      OPMERKING: Gebruik identieke parameterwaarden voor alle baseline simulaties, tenzij er een sensitiviteitsanalyse wordt uitgevoerd.

2. Implementatie van het niet-lineaire dynamische model

  1. Maak een functiebestand aan met de gekoppelde differentiaalvergelijkingen die de dynamiek van stress, emotie en regulatie bepalen. De besturende vergelijkingen worden vermeld in Supplementary File 1 (Sectie S1.2), terwijl de bijbehorende MATLAB-implementatie wordt gepresenteerd in Supplementary File 1 (Sectie S1.8).
    OPMERKING: De basismodelparameters, begincondities, configuratie van de numerieke solver en de besturende niet-lineaire gewone differentiaalvergelijkingen worden vermeld in Supplementary File 1 (Secties S1.2–S1.6). Deze parameters worden consistent gebruikt in alle numerieke simulaties, tenzij anders gespecificeerd.
  2. Implementeer de stress-evolutievergelijking voor de geaccumuleerde stress-toestandsvariabele S(t) volgens het besturende niet-lineaire dynamische systeem dat wordt beschreven in Supplementary File 1, Sectie S1.2. De bijbehorende computationele implementatie van deze vergelijking wordt vermeld in Supplementary File 1, Sectie S1.8 (Functie 1: Modelvergelijkingen).
  3. Implementeer de emotionele activatievergelijking zoals beschreven in Supplementary File 1, Sectie S1.2. De MATLAB-implementatie van de emotionele activatievergelijking is beschikbaar in Supplementary File 1, Sectie S1.8 (Functie 1: Modelvergelijkingen).
  4. Implementeer de adaptieve regulatievergelijking die de toestandsvariabele van de regulatiecapaciteit R(t) bepaalt volgens het niet-lineaire model beschreven in Supplementary File 1, Sectie S1.2. De bijbehorende MATLAB-implementatie wordt vermeld in Supplementary File 1, Sectie S1.8 (Functie 1: Modelvergelijkingen).
  5. Schakel optionele stochastische perturbaties in door onafhankelijke Gaussische ruistermen in elke toestandsvariabele te introduceren om willekeurige academische verstoringen en omgevingsvariabiliteit te simuleren.
  6. Voer 30 onafhankelijke stochastische realisaties uit (n = 30) met verschillende willekeurige ruissequenties, terwijl identieke basismodelparameters en begincondities worden gehanteerd.
  7. Bereken de gemiddelde trajecten en de bijbehorende variabiliteitsschattingen, waarbij de foutenbalken in de sectie Resultaten de statistische variatie over deze onafhankelijke realisaties vertegenwoordigen.
  8. Integreer het niet-lineaire dynamische systeem met de ODE45 numerieke solver met een relatieve tolerantie van 1 × 10⁻6, een absolute tolerantie van 1 × 10⁻8, een initiële integratiestap van 0,001 en een maximale stapgrootte van 0,05 over het simulatieinterval 0 ≤ t ≤ 500.
  9. De gedetailleerde computationele implementatie, solverconfiguratie en simulatie-workflow worden vermeld in Supplementary File 1, Secties S1.6–S1.11.
  10. Definieer de stochastische amplitudes als volgt:
    1. Stel σS = 0,05 in.
    2. Stel σE = 0,05 in.
    3. Stel σR = 0,03 in.
  11. Beperk alle toestandsvariabelen zodanig dat ze tijdens de numerieke integratie niet-negatief blijven.
  12. Vervang negatieve numerieke waarden door nul tijdens de post-processing.

3. Numerieke simulatie

  1. Configureer de numerieke solver.
    1. Selecteer ODE45 voor deterministische simulaties.
    2. Selecteer een equivalente stochastische integratieroutine wanneer stochastische simulaties worden uitgevoerd.
    3. Bepaal de evenwichtstoestand numeriek met de MATLAB fsolve-functie met een initiële schatting van de toestand van [1, 1, 1]. De iteratieve oplossing wordt als geconvergeerd beschouwd wanneer de solver voldoet aan de standaard nonlinear convergence criteria binnen de gespecificeerde numerieke toleranties.
      ​Opmerking: De volledige implementatie is opgenomen in Aanvullend bestand 1, Sectie S1.8 (Equilibrium Solver).
  2. Definieer de instellingen van de numerieke solver.
    1. Stel de relatieve tolerantie in op 10⁻6. Stel de absolute tolerantie in op 10⁻8.
    2. Stel de maximale stapgrootte in op 0,05. Stel de initiële stapgrootte in op 0,001.
  3. Definieer het simulatie-interval van t = 0 tot t = 500.
  4. Bemonster de output-trajecten met intervallen van Δt = 0,1.
  5. Voer de numerieke integratie uit.
  6. Sla de gesimuleerde trajecten van S(t), E(t) en R(t) op.
  7. Exporteer de simulatie-outputs in comma-separated value (CSV)-formaat voor verdere analyse.
    PAUSEERPUNT: Op dit punt zijn alle simulatietrajecten en numerieke outputs gegenereerd en geëxporteerd. De workflow kan worden gepauzeerd en later worden hervat door de gearchiveerde parameterbestanden en simulatie-outputs opnieuw te laden voordat men overgaat tot evenwichtsanalyse, stabiliteitsanalyse, visualisatie en sensitiviteitsanalyse.

4. Evenwichts- en stabiliteitsanalyse

  1. Bereken de evenwichtsoplossingen door alle toestandsafgeleiden op nul te stellen. Los de resulterende niet-lineaire algebraïsche vergelijkingen op met een numeriek wortelvindalgoritme.
    OPMERKING: Een steady-state oplossing wordt beschouwd als bereikt wanneer het absolute verschil tussen twee opeenvolgende toestandsvectoren voldoet aan het gespecificeerde convergentiecriterium. Het gedetailleerde convergentiecriterium wordt beschreven in Aanvullend Bestand 1, Sectie S1.7.
  2. Bereken de Jacobiaan-matrix bij elk evenwichtspunt. Bereken de eigenwaarden van de Jacobiaan-matrix.
  3. Classificeer de evenwichtstoestanden op basis van het teken van de maximale reële eigenwaarde. Label evenwichten als stabiel wanneer alle eigenwaarden negatieve reële componenten hebben.
  4. Genereer stabiliteitskaarten die de distributie van stabiele en onstabiele werkgebieden tonen.

5. Faseruimte- en tijddomeinvisualisatie

  1. Genereer tijdsdomeinplots van S(t), E(t) en R(t). Maak tweedimensionale fasenportretten voor het S–E-vlak.
  2. Maak tweedimensionale fasenportretten voor het E–R-vlak. Genereer driedimensionale trajecten in de S–E–R-toestandsruimte.
  3. Leg vectorvelden en stroomlijndiagrammen over de fasenportretten heen, waar van toepassing. Sla alle figuren op in een beeldformaat met hoge resolutie voor documentatie en publicatie.

6. Gevoeligheidsanalyse

  1. Maak een script voor sensitiviteitsanalyse. Varieer één parameter per keer, terwijl alle overige parameters op hun basiswaarden worden gehouden. Voer de sensitiviteitsanalyse uit voor de stress-emotie koppelingsparameter.
  2. Voer de sensitiviteitsanalyse uit voor de stressdissipatieparameter. Voer de sensitiviteitsanalyse uit voor de regulatiewinstparameter. Voer de sensitiviteitsanalyse uit voor de externe forceringparameter.
  3. Voer de sensitiviteitsanalyse uit voor de niet-lineaire emotionele verzadigingsparameter. Voer de simulatie uit voor elke parameterwaarde.
  4. Bereken het emotionele evenwicht in de stationaire toestand na elke simulatie. Sla alle evenwichtswaarden op in een resultatendatabase.
  5. Voer één-parameter sensitiviteitsanalyses uit door de belangrijkste modelparameters onafhankelijk te variëren over de vooraf gedefinieerde bereiken die zijn vermeld in Supplementary File 1, Section S1.10. Varieer specifiek γ van 0,1 tot 2,0 met stappen van 0,1, β van 0,1 tot 1,0 met stappen van 0,05, κ van 0,1 tot 2,0 met stappen van 0,1, F van 0,5 tot 5,0 met stappen van 0,25, en µ van 0,01 tot 1,0 met stappen van 0,05.
    OPMERKING: Voer voor elke parameterwaarde numerieke integratie uit, bereken de stationaire oplossing, sla de resulterende toestandsvariabelen op en genereer de bijbehorende sensitiviteitscurven en vergelijkingsplots.
  6. Genereer sensitiviteitscurven. Genereer vergelijkende spreidingsdiagrammen.
  7. Genereer vergelijkende staafdiagrammen. Genereer heatmaps van de parameterrespons.

7. Outputgeneratie en verificatie

  1. Verifieer de convergentie van alle simulaties. Bevestig dat de toestandstrajecten begrensd blijven gedurende het simulatie-interval.
  2. Verifieer dat de numerieke oplossing een stationaire toestand heeft bereikt voordat u overgaat tot de daaropvolgende analyses.
    OPMERKING: Van convergentie wordt uitgegaan wanneer de opeenvolgende veranderingen in alle toestandsvariabelen voldoen aan het vooraf gedefinieerde convergentiecriterium dat beschreven staat in Aanvullend Bestand 1, Sectie S1.7 (Convergentiecriteria). Alleen geconvergeerde oplossingen worden vervolgens gebruikt voor evenwichts-, stabiliteits- en sensitiviteitsanalyses.
  3. Bevestig dat de evenwichtsoplossingen voldoen aan het convergentiecriterium. Exporteer alle simulatie-outputs, stabiliteitskaarten, fasestroomportretten, sensitiviteitsplots en numerieke datasets.
    OPMERKING: Tenzij anders vermeld, maken alle simulaties gebruik van de basisparameterset die wordt gepresenteerd in Aanvullend Bestand 1, en volgen alle numerieke analyses de computationele workflow die is samengevat in Aanvullend Bestand 1, Sectie S1.9. De volledige MATLAB-broncode, parameterbestanden, solver-configuraties en visualiseringsroutines die nodig zijn om de gerapporteerde simulaties te reproduceren, worden geleverd in Aanvullend Bestand 1.
  4. Archiveer alle scripts, parameterbestanden en outputbestanden voor reproduceerbaarheid en toekomstige validatiestudies.
    OPMERKING: Lever alle MATLAB-broncode, parameterbestanden, plotting-routines en simulatieworkflows aan als aanvullend materiaal om onafhankelijke reproductie van de gerapporteerde resultaten mogelijk te maken.

Resultaten

Om het voorgestelde niet-lineaire dynamische raamwerk te valideren en de voordelen ervan ten opzichte van conventionele lineaire formuleringen aan te tonen, is een uitgebreide numerieke simulatiestudie uitgevoerd (Supplementary File 2). Tenzij anders vermeld, worden alle resultaten van stochastische simulaties weergegeven als het gemiddelde ± standaarddeviatie (SD) verkregen uit 30 onafhankelijke realisaties (n = 30). Statistische vergelijkingen tussen simulatiescenario's zijn uitgevoerd met behulp van een passende statistische toets met een significantieniveau van p < 0,05. Exacte p-waarden zijn gerapporteerd waar statistische vergelijkingen zijn uitgevoerd. De simulaties evalueerden hoe het niet-lineaire stress-emotie-regulatiemodel zich gedraagt onder systematische variatie van parameters en vergeleken de structurele responsen ervan met die van het traditionele lineaire stressmodel. Numerieke integratie van de bepalende differentiaalvergelijkingen werd uitgevoerd over voldoende lange tijdshorizonten om convergentie naar steady-state of asymptotische regimes te garanderen. Voor elk experiment werden identieke basiscondities op beide modellen toegepast, terwijl één enkele parameter over een vooraf gedefinieerd bereik werd gevarieerd. De resulterende stabiele emotionele toestanden, transiënte dynamiek en stabiliteitskenmerken werden geregistreerd en gevisualiseerd om structurele verschillen in systeemgedrag te benadrukken. Succesvolle implementatie van het protocol werd bevestigd wanneer het niet-lineaire systeem convergeerde naar begrensde steady-state oplossingen, stabiele attractor-structuren in de faseruimte vertoonde en negatieve dominante Jacobiaan-eigenwaarden behield onder de basisparametercondities.

De vergelijkende analyse richtte zich op verschillende belangrijke dynamische parameters, waaronder de koppelingssterkte tussen stress en emotie (γ), de stressdissipatiesnelheid (β), de amplitude van de externe forcering (F), de regulatieversterking (κ) en de coëfficiënt voor emotionele nonlineariteit (µ). Deze parameters hebben een directe invloed op de feedbackintensiteit, de stabiliteitsmarges en de energieredistributie binnen de gemodelleerde academische omgeving. De simulaties onthullen of de systeemresponsen een proportioneel schalingsgedrag volgen, zoals voorspeld door het lineaire model, of dat zij niet-lineaire fenomenen vertonen zoals verzadiging, veerkrachtbuffering en multistabiliteit, zoals voorspeld door de voorgestelde niet-lineaire formulering.

De gevoeligheid van het emotionele evenwicht voor de koppelingssterkte tussen stress en emotie wordt getoond in Figuur 4. Wanneer de koppelingsparameter γ toeneemt, produceert het lineaire model nagenoeg constante emotionele reacties, wat aangeeft dat de koppelingsintensiteit de evenwichtsresultaten structureel niet beïnvloedt. In tegenstelling hiermee vertoont de niet-lineaire formulering een afname van de stationaire emotionele activatie naarmate γ toeneemt, wat de invloed weerspiegelt van niet-lineaire interactietermen die de stress-emotie-feedback dynamisch reguleren.

figure-results-1
Figuur 4: Vergelijkende gevoeligheidsanalyse onder stress-emotie koppelingsterkte (γ). Gegroepeerde staafdiagramvergelijking van de emotionele respons in rusttoestand naarmate de stress-emotie koppelingsterkte γ toeneemt. Blauwe staven vertegenwoordigen het lineaire model en oranje staven vertegenwoordigen het niet-lineaire model. De horizontale as toont de koppelingsterkte γ en de verticale as toont het emotionele evenwicht in rusttoestand. De staven vertegenwoordigen de gemiddelde emotiewaarden in rusttoestand verkregen uit herhaalde simulatieruns, terwijl de foutenbalken ± de standaarddeviatie (SD) rond het gemiddelde aangeven. De resultaten laten zien dat het niet-lineaire model verzadigingsgedrag en begrensde emotionele responsen vertoont naarmate de koppelingsterkte toeneemt, terwijl het lineaire model relatief ongevoelig blijft voor veranderingen in de koppelingsintensiteit. Staven vertegenwoordigen gemiddelde waarden van het emotionele evenwicht in rusttoestand verkregen uit 30 onafhankelijke simulatieruns (n = 30), en foutenbalken geven ± de standaarddeviatie aan. Klik hier om een grotere versie van deze figuur te bekijken.

Het effect van de stressdissipatiesnelheid β op het emotionele evenwicht wordt geïllustreerd in Figuur 5. Het lineaire model voorspelt een steile daling van de emotionele activering naarmate de dissipatie toeneemt, wat duidt op een sterke parametersensitiviteit. Daarentegen blijft het niet-lineaire model relatief stabiel over hetzelfde parameterbereik vanwege intrinsieke regulerende demping en niet-lineaire feedbackmechanismen.

figure-results-2
Figuur 5: Vergelijkende oppervlakteanalyse onder de stressdissipatiesnelheid (β). Oppervlaktegebaseerde vergelijking van het emotionele evenwicht in steady-state terwijl de stressdissipatiesnelheid β varieert. Het blauw gearceerde gebied vertegenwoordigt het lineaire model en het oranje gearceerde gebied vertegenwoordigt het niet-lineaire model. De horizontale as toont β en de verticale as toont het emotionele evenwicht in steady-state. Klik hier om een grotere versie van deze figuur te bekijken.

De relatie tussen emotionele activatie en externe academische forcering wordt gepresenteerd in Figuur 6. De lineaire formulering vertoont een proportionele groei in emotionele activatie naarmate de forceringsamplitude toeneemt. Het niet-lineaire model vertoont daarentegen een verzadigingsrespons, waarbij de emotionele activatie aanvankelijk stijgt maar geleidelijk stabiliseert als gevolg van niet-lineaire demping en adaptieve regulatoreffecten. Onder suboptimale parametercondities, zoals excessieve stress-emotiekoppeling of onvoldoende regulatoire gain, vertoonde het systeem onstabiele trajecten, vergrote oscillaties of verlies van equilibriumsstabiliteit, wat wijst op een verminderde systeemstabiliteit en potentieel condities vertegenwoordigt die geassocieerd worden met verhoogde psychologische druk en een toegenomen vatbaarheid voor burn-out-achtige transities.

figure-results-3
Figuur 6: Vergelijkende respons van emotioneel evenwicht onder externe forcering (F). Steady-state emotionele respons als functie van de amplitude van de externe forcering F. De rode gestreepte curve representeert het lineaire model, terwijl de blauwe doorlopende curve het niet-lineaire model representeert. De horizontale as toont de forceringsamplitude F, en de verticale as toont het steady-state emotionele evenwicht. Klik hier om een grotere versie van deze figuur te bekijken.

De robuustheid van het niet-lineaire systeem onder stochastische perturbaties wordt aangetoond in Figuur 7, waarin de temporele evolutie van emotionele activatie en stressenergie onder willekeurige verstoringen wordt getoond. Beide variabelen fluctueren binnen begrensde ranges ondanks continue ruisinjectie, wat aangeeft dat niet-lineaire feedbackmechanismen de stabiliteit handhaven onder omgevingsvariabiliteit.

figure-results-4
Figuur 7: Stochastische stress-emotiedynamiek onder door ruis geïnduceerde perturbaties. Tijdsevolutie van emotionele activatie E(t) (blauwe curve) en stressenergie S(t) (oranje curve) onder stochastische perturbaties. De horizontale as vertegenwoordigt de simulatietijdstappen. Beide variabelen blijven begrensd ondanks continue door ruis gedreven verstoringen. Klik hier om een grotere versie van deze figuur te bekijken.

Analyse van het energielandschap biedt aanvullend inzicht in de stabiliteit van het systeem. Figuur 8 illustreert de contourweergave van de Lyapunov-gebaseerde energiefunctie in het fasenvlak van emotieregulatie, waarbij de systeemtraject convergentie vertoont naar een stabiel attractiebassin. De driedimensionale weergave van deze energiestructuur wordt getoond in Figuur 9, wat meerdere potentiaalputten onthult die wijzen op de mogelijkheid van alternatieve stabiele emotioneel-regulerende toestanden.

figure-results-5
Figuur 8: Contourkaart van het energielandschap met dynamische trajectorie in het fasevlak van emotieregulatie. Contourweergave van het Lyapunov-gebaseerde energielandschap in het fasevlak van emotionele activatie (E) en regulatiecapaciteit (R). De zwarte trajectorie illustreert de evolutie van het systeem naar een stabiel attractiebassin. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-6
Figuur 9: Driedimensionaal niet-lineair energielandschap dat het potentieel voor alternatieve emotionele regulatietoestanden illustreert. Driedimensionale weergave van het Lyapunov-energielandschap in de emotie-regulatie (E-R) faseruimte. Meerdere potentiële putten suggereren de mogelijkheid van alternatieve stabiele emotionele regulatietoestanden onder verschillende systeembestanden. Het energielandschap biedt een kwalitatieve visualisatie van de stabiliteitsstructuur van het systeem; directe bevestiging van multi-stabiliteit vereist echter aanvullend dynamisch bewijs, zoals trajectoverschakeling of bifurcatieanalyse. Klik hier om een grotere versie van deze figuur te bekijken.

De stabiliteitseigenschappen van het nietlineaire systeem werden verder geanalyseerd met behulp van methoden op basis van eigenwaarden. Figuur 10 toont een heatmap van de maximale reële eigenwaarde van de Jacobiaan-matrix voor verschillende waarden van de koppelingssterkte tussen stress en emotie (γ) en de regulatiewinst (κ). Een toenemende regulatiesterkte resulteert in negatievere eigenwaarden, wat wijst op een sterkere asymptotische stabiliteit, terwijl overmatige koppeling de stabiliteit kan verminderen indien deze niet wordt gebalanceerd door voldoende regulatie. Gebieden die worden gekenmerkt door negatieve maximale reële eigenwaarden komen overeen met stabiele bedrijfsomstandigheden, terwijl gebieden die nul naderen of overschrijden wijzen op instabiliteitsdrempels en potentiële regime-overgangen.

figure-results-7
Figuur 10: Stabiliteits-heatmap van het niet-lineaire stress-emotiesysteem op basis van de maximale reële eigenwaarde.Heatmap die het maximale reële deel van de eigenwaarden van de Jacobiaan weergeeft over de koppelingssterkte van stress-emotie γ en de regulatiewinst κ. Negatievere waarden duiden op een sterkere asymptotische stabiliteit, terwijl waarden die nul naderen wijzen op een verminderde stabiliteit en een grotere waarschijnlijkheid van instabiliteit. Klik hier om een grotere versie van deze figuur te bekijken.

De faseruimtedynamica zijn gevisualiseerd in Figuur 11, waarin het vectorenveld en de stroomlijnen van het stress-emotiesysteem in het S–E-fasevlak worden getoond. De trajecten convergeren naar een stabiel evenwichtsbereik, wat duidt op attractor-gedrag. Dit convergentiegedrag bevestigt de succesvolle implementatie van het protocol en demonstreert dat het niet-lineaire raamwerk consistent stabiele stress-emotieregulatiedynamica reproduceert onder de gespecificeerde simulatieomstandigheden. De globale stabiliteitsstructuur van het systeem wordt verder geïllustreerd in Figuur 12, waar trajecten die afkomstig zijn van meerdere begincondities convergeren naar een gemeenschappelijke attractor in het stress-emotievlak.

figure-results-8
Figuur 11: Fasenvlak-vectorveld en stroomlijnenrepresentatie van stress–emotiedynamiek. Vectorveld- en stroomlijnenrepresentatie van het niet-lineaire stress–emotiesysteem in het fasenvlak van stressenergie (S) en emotionele activatie (E). Stroomlijnen convergeren naar een stabiel equilibriumgebied, wat wijst op attractor-gedrag. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-9
Figuur 12: Dicht faseportret onder meerdere beginvoorwaarden in het stress–emotievlak.Faseportret gegenereerd vanuit meerdere beginvoorwaarden in het S–E fasevlak. Trajecten convergeren naar een gemeenschappelijke attractor, wat een robuuste stabiliteit demonstreert over diverse begintoestanden. Klik hier om een grotere versie van deze figuur te bekijken.

De driedimensionale attractorstructuur van het nietlineaire systeem wordt getoond in Figuur 13, waarbij trajecten evolueren in de gecombineerde stress-emotie-regulatie-toestandsruimte en een stabiele attractor naderen. De tijddomeindynamiek van de gekoppelde variabelen wordt geïllustreerd in Figuur 14, waarbij emotionele activatie en stressenergie kortstondige aanpassingen vertonen voordat ze convergeren naar steady-state equilibriumwaarden.

figure-results-10
Figuur 13: Driedimensionale nietlineaire attractor in de stress–emotie–regulatie statusruimte. Driedimensionale baan van het nietlineaire systeem in de statusruimte gedefinieerd door stress (S), emotionele activatie (E) en regulatiecapaciteit (R). De baan convergeert naar een stabiele attractor die het langetermijnevenwicht van het systeem vertegenwoordigt. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-11
Figuur 14: Tijdsdomein-evolutie van gekoppelde stress- en emotionele toestanden onder niet-lineaire regulatie. Temporele evolutie van emotionele activatie E(t) (linker-as) en stressenergie S(t) (rechter-as). Beide variabelen vertonen een transiënte aanpassing gevolgd door convergentie naar een steady-state equilibrium. Klik hier om een grotere versie van deze figuur te bekijken.

Het effect van de sterkte van de adaptieve regulatie op het emotionele evenwicht wordt onderzocht in Figuur 15. Naarmate de regulatoire versterking κ toeneemt, voorspelt het lineaire model aanzienlijke reducties in de emotionele activatie, terwijl het niet-lineaire model bijna constante evenwichtswaarden behoudt vanwege adaptieve verzadigingsmechanismen.

figure-results-12
Figuur 15: Tweassige vergelijkende analyse bij variatie van de regulatiewinst (κ). Vergelijking van het emotionele evenwicht in stabiele toestand bij variërende regulatiewinst κ. De blauwe curve vertegenwoordigt het lineaire model en de rode gestreepte curve vertegenwoordigt het niet-lineaire model. De horizontale as toont de regulatiewinst κ. Klik hier om een grotere versie van deze figuur te bekijken.

Ten slotte presenteert Figuur 16 een op scatter gebaseerde sensitiviteitsvergelijking terwijl de coëfficiënt van emotionele nonlineariteit (µ) varieert. In het lineaire kader blijft het emotionele evenwicht ongewijzigd omdat niet-lineaire termen ontbreken. In tegenstelling hiermee vertoont het niet-lineaire model een afnemend emotioneel evenwicht naarmate µ toeneemt, wat de stabiliserende invloed van kubische verzadiging op de emotionele dynamiek demonstreert.

figure-results-13
Figuur 16: Scatter-gebaseerde gevoeligheidsvergelijking onder emotionele nonlineariteitsparameter (µ). Scatter-vergelijking van het emotionele evenwicht in steady-state terwijl de emotionele nonlineariteitscoëfficiënt µ varieert. Rode markeringen vertegenwoordigen het lineaire model, en blauwe markeringen vertegenwoordigen het nonlinear model. Klik hier om een grotere versie van deze figuur te bekijken.

Naast hun computationele betekenis hebben de waargenomen dynamische gedragingen zinvolle interpretaties binnen educatieve en psychologische contexten. De begrensde responsen die werden waargenomen onder stochastische perturbaties suggereren dat adaptieve regulatiemechanismen de effecten van onverwachte academische stressoren kunnen bufferen, waardoor veerkracht en emotionele stabiliteit worden ondersteund. Op dezelfde manier kan het bestaan van stabiele attractoren worden geïnterpreteerd als psychologisch gebalanceerde toestanden waarin studenten academische druk succesvol reguleren, terwijl instabiliteitsregio's en bifurcatiedrempels kunnen corresponderen met condities waaronder copingmiddelen onvoldoende worden, wat de kwetsbaarheid voor burn-out, emotionele uitputting of maladaptieve stressreacties vergroot. De sensitiviteitsanalyses geven verder aan dat het versterken van de regulatiecapaciteit stabiliteitsregio's kan uitbreiden en de vatbaarheid voor disruptieve transities kan verminderen, wat wijst op potentiële implicaties voor interventies gericht op het verbeteren van copingvaardigheden, emotionele regulatie en het welzijn van studenten. Deze op simulaties gebaseerde bevindingen suggereren dat het voorgestelde raamwerk kan dienen als een nuttig conceptueel fundament voor toekomstige studies naar stresstrajecten, veerkrachtmechanismen en potentiële interventiestrategieën. Validering met empirische studentgegevens is echter vereist voordat praktische implementatie kan worden vastgesteld.

Samen tonen deze resultaten aan dat het voorgestelde niet-lineaire kader verschillende structurele eigenschappen vastlegt die ontbreken in traditionele lineaire stressmodellen, waaronder verzadigingsgedrag, stabiliteitsbuffering bij perturbaties, multistabiele energielandschappen en veerkracht door adaptieve regulatie. Over de geteste parameterbereiken behield het niet-lineaire model consistent een begrensd emotioneel activatieniveau en stabiel attractorgedrag, terwijl het lineaire model een aanzienlijk grotere gevoeligheid vertoonde voor parametervariatie en lagere stabiliteitsmarges. Deze eigenschappen bieden een realistischere weergave van stress-emotiedynamiek in complexe academische omgevingen.

Aanvullend bestand 1: MATLAB-broncode, besturende vergelijkingen, numerieke implementatie en documentatie voor reproduceerbaarheid. Dit aanvullende bestand bevat de besturende niet-lineaire differentiaalvergelijkingen, baseline modelparameters, beginvoorwaarden, configuratie van de numerieke solver, convergentiecriteria, MATLAB-broncode, equilibrium solver, procedures voor sensitiviteitsanalyse, visualiseringsroutines, softwarespecificaties, parameterbereiken en de computationele workflow die nodig zijn om alle simulaties, stabiliteitsanalyses, faseruimte-trajecten, sensitiviteitsanalyses, eigenwaarde-heatmaps en Lyapunov-energielandschappen uit het manuscript te reproduceren.Klik hier om dit bestand te downloaden.

Aanvullend bestand 2: Documentatie van de simulatieworkflow, mapping van psychologische variabelen en kader voor empirische validatie.Dit supplement bevat de volledige simulatieworkflow; de mapping van mathematische toestandsvariabelen en modelparameters naar meetbare psychologische constructen; aanbevolen instrumenten voor psychologische beoordeling; richtlijnen voor parameterschatting; een voorgesteld kader voor toekomstige empirische validatie en kalibratie met behulp van studentgegevens; en potentiële implementatiestrategieën voor longitudinale validatie en educatieve toepassingen.Klik hier om dit bestand te downloaden.

Discussie

Het hier gepresenteerde computationele protocol demonstreert hoe een niet-lineair dynamisch raamwerk kan worden geïmplementeerd om stress-emotie-interacties te simuleren via numerieke integratie, stabiliteitsanalyse en gevoeligheidsanalyse. Een cruciale stap bij de implementatie van deze methode is de correcte numerieke integratie van de bepalende differentiaalvergelijkingen over voldoende lange tijdsintervallen om convergentie naar steady-state of attractor-dynamiek te waarborgen. De gevoeligheidsanalyses tonen aan dat de niet-lineaire formulering anders reageert op parametervariaties dan het traditionele lineaire model. In het bijzonder beïnvloedt de koppelingssterkte (γ) direct het emotionele evenwicht in het niet-lineaire systeem, terwijl de stressdissipatiesnelheid (β) voornamelijk in de lineaire formulering voor overdreven responsen zorgt. Op soortgelijke wijze leidt een toename van de externe forcering tot onbegrensde amplificatie in het lineaire model, maar tot begrensde verzadiging in het niet-lineaire raamwerk. Deze observaties benadrukken het belang van een zorgvuldige parameterconfiguratie bij de toepassing van het protocol om realistische systeemdynamiek te behouden31.

Het protocol kan worden aangepast om diverse omgevingscondities en gedragscenario's te simuleren. Zo kunnen stochastische perturbaties, die onverwachte academische gebeurtenissen of sociale stressfactoren vertegenwoordigen, in het simulatiekader worden opgenomen om de robuustheid van het systeem tegen willekeurige verstoringen te onderzoeken. Onder dergelijke omstandigheden vertoont het niet-lineaire systeem begrensde fluctuaties in plaats van ongecontroleerde divergentie, wat duidt op veerkracht tegen door ruis gedreven perturbaties. Daarnaast biedt energielandschapsanalyse geometrisch inzicht in de stabiliteit van het systeem. De resulterende energiestructuren illustreren hoe systeemtrajecten convergeren naar stabiele attractiebekkens en hoe meerdere potentiële putten verschillende emotionele regulatietoestanden kunnen vertegenwoordigen. Deze analytische instrumenten bieden waardevolle richtlijnen voor het diagnosticeren van instabiele simulaties en het identificeren van parameterregimes die stabiele regulatiedynamiek ondersteunen. Veelvoorkomende oorzaken van instabiele simulaties zijn overmatig grote koppelingsparameters, onvoldoende regulatieversterking of onjuiste instellingen voor numerieke integratie. Deze problemen kunnen vaak worden opgelost door parameterherkalibratie en verificatie van de stabiliteit van de numerieke solver.

De stabiliteitseigenschappen van het niet-lineaire systeem kunnen ook worden onderzocht via eigenwaardegestuurde analyse en faseruimte-visualisatietechnieken. Deze analyses tonen aan hoe de interactie tussen de stress-emotiekoppeling en de regulatoire versterking de algehele systeemstabiliteit bepaalt. Een toename van de regulatoire sterkte verbetert over het algemeen de asymptotische stabiliteit, terwijl een overmatig sterke koppeling het systeem kan destabiliseren als de regulatie onvoldoende is. Faseruimte-representaties onthullen verder dat trajecten die voortkomen uit diverse begincondities hebben de neiging om te convergeren naar een gemeenschappelijke attractor, wat duidt op een robuuste stabiliteit binnen het niet-lineaire kader. De gecoördineerde evolutie van stress, emotionele activatie en regulatoire capaciteit illustreert hoe adaptieve feedbackmechanismen het systeem naar evenwichtstoestanden leiden32.

Tijddomeinanalyse biedt aanvullend inzicht in het transiënte systeemgedrag en de vorming van het evenwicht. Zowel emotionele activatie als geaccumuleerde stress vertonen doorgaans initiële transiënte schommelingen, gevolgd door een geleidelijke convergentie naar steady-state evenwichtsniveaus. Gevoeligheidsanalyse van adaptieve regulatieparameters laat zien dat een verhoogde regulatiesterkte emotionele activatie in lineaire modellen sterk onderdrukt, maar in de niet-lineaire formulering tot gematigder veranderingen leidt vanwege verzadigings- en feedbackbuffermechanismen. Evenzo vermindert de opname van niet-lineaire emotionele verzadigingstermen overmatige amplificatie en stabiliseert dit de emotionele reacties. Samen tonen deze bevindingen aan dat het niet-lineaire raamwerk regulatiedynamiek en stabilisatiemechanismen vastlegt die niet worden weergegeven in conventionele lineaire stressmodellen. In vergelijking met conventionele lineaire of op correlatie gebaseerde stressmodellen maakt het voorgestelde raamwerk analyse mogelijk van stabiliteitsgrenzen, attractor-dynamiek en niet-lineaire overgangen die niet eenvoudig via beschrijvende statistische benaderingen kunnen worden vastgelegd.

Toekomstige studies zouden het voorgestelde raamwerk moeten benchmarken tegenover gevestigde benaderingen, waaronder transactionele stressmodellen, netwerkgebaseerde psychologische modellen, longitudinale latente groeimodellen en voorspellingsraamwerken op basis van machine-learning. Dergelijke vergelijkingen zouden een nauwkeurigere beoordeling opleveren van de verklarende en voorspellende voordelen die niet-lineaire dynamische modellering biedt. Naast de methodologische bijdragen heeft het voorgestelde raamwerk verschillende bredere implicaties voor de educatieve psychologie en de praktijk van het hoger onderwijs. Vanuit een counselingperspectief kan de identificatie van stabiliteitsregio's, veerkrachtmechanismen en instabiliteitsdrempels helpen bij het conceptualiseren van hoe studenten reageren op langdurige academische druk en waarom sommige individuen effectief herstellen van stress, terwijl anderen kampen met escalerende emotionele problemen. Het model suggereert dat veerkracht niet simpelweg een statisch persoonlijk kenmerk is, maar kan voortkomen uit dynamische interacties tussen blootstelling aan stress, emotionele reacties en adaptieve regulatieprocessen33.

Het raamwerk kan mogelijk ook een theoretische basis bieden voor toekomstige ondersteuningssystemen voor studenten en initiatieven voor het monitoren van het welzijn. Zo zou het identificeren van parameterregimes die geassocieerd worden met een verminderde stabiliteit kunnen bijdragen aan de ontwikkeling van vroegtijdige waarschuwingsindicatoren voor een verhoogd risico op burn-out, terwijl het analyseren van regulerende feedbackmechanismen kan helpen bij het vormgeven van interventies om copingvaardigheden en emotionele zelfregulatie te versterken. Op institutioneel niveau biedt het raamwerk een systeemgeoriënteerd perspectief dat kan helpen bij het evalueren van hoe academische werklast, beoordelingsschema's en ondersteuningsmiddelen gezamenlijk het welzijn van studenten beïnvloeden. De voorgestelde aanpak is bedoeld om bestaande psychologische theorieën over stress en regulatie aan te vullen in plaats van te vervangen. Traditionele modellen, waaronder transactionele stresstheorieën, coping-gebaseerde raamwerken, theorieën over emotionele regulatie en veerkrachtmodellen, bieden waardevolle verklaringen voor cognitieve, gedragsmatige en emotionele aanpassingsprocessen. Het niet-lineaire dynamische raamwerk breidt deze perspectieven uit door een kwantitatieve weergave te introduceren van hoe dergelijke processen in de loop van de tijd interageren, wat potentieel kan leiden tot stabiliteit, oscillerend gedrag, veerkracht of abrupte overgangen naar maladaptieve uitkomsten. Deze integratie helpt het raamwerk te positioneren binnen de bredere literatuur over studentenstress en psychologische aanpassing, terwijl de potentiële waarde als brug tussen onderwijskunde en de wetenschap van dynamische systemen wordt benadrukt.

De bredere educatieve waarde van simulatiegebaseerde raamwerken moet ook in overweging worden genomen. Hoewel de huidige studie zich richt op niet-lineaire stress-emotie-dynamiek, kan de onderliggende modelleringsaanpak reflectief leren en adaptieve besluitvorming ondersteunen door studenten, docenten en ondersteuningsprofessionals in staat te stellen de gevolgen van verschillende stressreguleringspaden binnen gesimuleerde academische omgevingen te verkennen. Dergelijke simulaties kunnen anderszins abstracte psychologische processen zichtbaarder en begrijpelijker maken, waardoor een groter zelfbewustzijn en reflectie over copingstrategieën, emotionele reacties en de ontwikkeling van veerkracht worden gestimuleerd.

Dit perspectief is consistent met recent onderzoek dat de educatieve voordelen van simulatiegebaseerde ervaringen aantoont. Zo lieten Shi et al. (2025)34 zien dat gesimuleerde ervaringen in het openbaar vervoer, ontworpen om de uitdagingen weer te geven waar personen met een milde visuele beperking voor staan, de ontwikkeling van empathie, reflectief denken en een verbeterde besluitvorming bij het ontwerp bevorderden. Vergelijkbare principes kunnen worden toegepast op stressregulatie in het hoger onderwijs, waarbij simulatiegebaseerde representaties van stressaccumulatie, emotionele adaptatie en veerkrachtdynamiek studenten kunnen helpen hun gedragsreacties beter te begrijpen, terwijl ze docenten en adviseurs ondersteunen bij het ontwerpen van effectievere interventies. Bijgevolg kan het voorgestelde kader niet alleen dienen als analytisch instrument voor het onderzoeken van stressdynamiek, maar ook als basis voor toekomstige educatieve simulaties die empathie, zelfreflectie en adaptieve besluitvorming in academische omgevingen stimuleren.

Ondanks deze voordelen heeft het voorgestelde protocol verschillende beperkingen. Het model representeert emotionele regulatie met behulp van een vereenvoudigde set dynamische variabelen die stress, emotionele activatie en regulatiecapaciteit beschrijven. Emotionele dynamiek in de echte wereld is afhankelijk van een breder scala aan factoren, waaronder cognitieve taxatieprocessen, sociale interacties en individuele copingstrategieën. Bijgevolg moet het huidige kader primair worden geïnterpreteerd als een conceptuele en computationele modelleringstool en niet als een predictief model voor individueel psychologisch gedrag. Desondanks biedt de benadering een waardevol methodologisch platform voor het onderzoeken van veerkrachtdynamiek, stabiliteitsvoorwaarden en niet-lineaire feedbackmechanismen in academische stresssystemen. Toekomstig onderzoek kan dit kader uitbreiden door empirische datasets, gepersonaliseerde parameterschatting en datagedreven kalibratiemethoden te integreren om de voorspellende kracht en de toepasbaarheid in de praktijk te verbeteren. Een toekomstige validatiestudie zou kunnen worden uitgevoerd door longitudinale studentgegevens te verzamelen met behulp van gevalideerde psychologische instrumenten, zoals de Perceived Stress Scale (PSS), Maslach Burnout Inventory–Student Survey (MBI-SS), Connor–Davidson Resilience Scale (CD-RISC) en maten voor emotioneel welzijn. Tijdreeksobservaties die gedurende een academisch semester zijn verzameld, zouden kunnen worden gebruikt om modelparameters te schatten en voorspelde trajecten te vergelijken met geobserveerde stress- en emotionele uitkomsten. Een dergelijke validatie zou een kwantitatieve beoordeling van de modelnauwkeurigheid en de predictieve prestaties in echte onderwijsomgevingen mogelijk maken35.

Een aanvullende beperking is het gebrek aan empirische validatie met echte studentgegevens. De huidige studie richt zich op het vaststellen van een theoretisch en computationeel kader en vertrouwt daarom primair op wiskundige analyse en numerieke simulatie. Hoewel simulatiestudies waardevol zijn voor het verkennen van systeemgedrag en het identificeren van potentiële mechanismen, kunnen ze op zichzelf niet bevestigen dat de gemodelleerde dynamiek de stressregulatieprocessen in werkelijke onderwijsomgevingen nauwkeurig representeert. Bovendien vormt het schatten van modelparameters een aanzienlijke uitdaging, omdat variabelen zoals stressaccumulatie, emotionele activatie en regulatiecapaciteit niet direct observeerbaar zijn en kunnen variëren tussen individuen, instellingen en culturele contexten. Daarnaast gaat het huidige kader uit van een gegeneraliseerde studentenpopulatie en houdt het geen expliciet rekening met demografische, culturele, institutionele of disciplinaire verschillen die de dynamiek van stressregulatie kunnen beïnvloeden. Toekomstige studies zouden de prestaties van het model in diverse onderwijscontexten moeten evalueren.

Een belangrijke richting voor toekomstig onderzoek omvat de integratie van het voorgestelde niet-lineaire raamwerk voor stress-emotie-regulatie met opkomende immersieve educatieve technologieën en technologieën voor de geestelijke gezondheidszorg. Recent werk aan virtuele therapeutische landschappen heeft aangetoond dat immersieve digitale omgevingen angst kunnen verminderen, het emotionele welzijn kunnen verbeteren en het psychologisch herstel bij universiteitsstudenten kunnen ondersteunen door middel van zorgvuldig ontworpen herstellende ervaringen. Dergelijke bevindingen suggereren dat simulatiegebaseerde omgevingen praktische platforms kunnen bieden voor het vertalen van theoretische modellen van stressregulatie naar interventiegerichte toepassingen. In deze context zouden de stabiliteitsgebieden, veerkrachtdrempels, adaptieve herstelmechanismen en stochastische responspatronen die door het huidige raamwerk zijn geïdentificeerd, potentieel kunnen bijdragen aan het ontwerp van psychologisch responsieve leeromgevingen die in staat zijn om het welzijn van studenten te monitoren, te simuleren en te ondersteunen36.

Toekomstig onderzoek zou zich daarom moeten richten op de empirische kalibratie en validatie van het voorgestelde kader. Een veelbelovende aanpak zou het verzamelen van longitudinale gegevens met gevalideerde psychologische instrumenten omvatten die ervaren stress, emotioneel welzijn, effectiviteit van coping, veerkracht, burnoutsymptomen en academische betrokkenheid meten. Dergelijke datasets zouden kunnen worden gebruikt om modelparameters te schatten, de voorspellende prestaties te evalueren, individuele verschillen in dynamisch gedrag te identificeren en vast te stellen in welke mate de voorgestelde stabiliteits- en veerkrachtmechanismen overeenkomen met de waargenomen resultaten bij studenten. Daarnaast kunnen toekomstige studies het kader vergelijken met gevestigde psychologische, statistische en op machine learning gebaseerde benaderingen om de relatieve verklarende en voorspellende waarde te bepalen. Deze ontwikkelingen zouden een cruciale stap vormen naar het transformeren van het huidige theoretische kader in een empirisch gevalideerd instrument voor het begrijpen en ondersteunen van het welzijn van studenten in het hoger onderwijs37.

Openbaarmakingen

De auteur verklaart dat er geen concurrerende financiële of niet-financiële belangen zijn en geen belangenconflicten bestaan. ChatGPT (OpenAI, GPT-5.5) is uitsluitend gebruikt voor taalredactie, grammaticaalstroomcorrectie en het verbeteren van de leesbaarheid van het manuscript tijdens de voorbereiding van het manuscript. Alle wetenschappelijke inhoud, mathematische formuleringen, methodologie, analyses, interpretaties en conclusies zijn bedacht, ontwikkeld, geverifieerd en goedgekeurd door de auteur. De auteur draagt de volledige verantwoordelijkheid voor de nauwkeurigheid, originaliteit en integriteit van het manuscript.

Dankbetuigingen

De auteur bedankt de School of Humanities, Zhuhai College of Science and Technology, Zhuhai, Guangdong, China, voor de waardevolle academische ondersteuning en aanmoediging tijdens de ontwikkeling van dit onderzoek. De steun van de instelling en de constructieve onderzoeksomgeving hebben de voltooiing van deze studie aanzienlijk gefaciliteerd.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
Oplosser voor differentiaalvergelijkingen (ODE45)MathWorksMATLAB R2024aNumerieke solver gebruikt voor het integreren van de gekoppelde niet-lineaire differentiaalvergelijkingen. Relatieve tolerantie = 1×10-6; Absolute tolerantie = 1×10-8.
MATLAB-softwareMathWorks, Natick, MA, USARRID: SCR_001622Primaire numerieke rekensoftware gebruikt voor modelimplementatie, stabiliteitsanalyse, sensitiviteitsanalyse, faseruimte-visualisatie, het genereren van Lyapunov-energielandschappen en de productie van figuren.
Methodologisch documentatiepakketAanvullend bestand S2Omdat u geen brontekst heeft verstrekt, is er op dit moment geen inhoud om te vertalen. Voeg aub de Engelse tekst toe die u vertaald wilt hebben naar het Nederlands.Bevat documentatie van het theoretische kader, parameterinterpretatie, validatiestrategie, beperkingen en beschrijvingen van de computationele workflow.
Numerical Array Processing Library (NumPy)NumPy-ontwikkelaarsNumPy 2.0Bibliotheek die wordt gebruikt voor matrixoperaties, numerieke berekeningen, parameter-sweeps en gegevensverwerking in de Python-implementatie.
Numerieke simulatieomgevingMATLAB R2024a-omgevingOmdat er geen brontekst is verstrekt, kan ik geen vertaling genereren. Voer aub de tekst in die u vertaald wilt hebben.Computationele omgeving gebruikt voor het uitvoeren van de niet-lineaire spanning–emotie–regelgevend kader, parametersweeps, equilibriumanalyse en stochastische simulaties.
Optimization ToolboxMathWorksMATLAB Optimization ToolboxGebruikt voor berekeningen van de evenwichtstoestand via niet-lineaire wortelvindingsmethoden (fsolve).
Python-programmeeromgevingPython Software FoundationPython 3.12Alternatief computationeel platform gebruikt om numerieke resultaten te verifiëren en geselecteerde simulaties en visualisaties te reproduceren.
Scientific Computing Library (SciPy)SciPy-gemeenschapSciPy 1.14Bibliotheek die wordt gebruikt voor numerieke berekeningen, het oplossen van niet-lineaire vergelijkingen en de analyse van differentiaalvergelijkingen in de Python-implementatie.
BroncodepakketAanvullend bestand S1Omdat er geen brontekst is verstrekt, kan ik geen vertaling genereren. Voer aub de Engelse tekst in die u vertaald wilt hebben naar het Nederlands.Bevat MATLAB-scripts, solverconfiguraties, parameterbestanden, routines voor sensitiviteitsanalyse, codes voor stabiliteitsanalyse en visualisatieworkflows die nodig zijn voor volledige reproduceerbaarheid.
SpreadsheetsoftwareMicrosoft CorporationMicrosoft Excel 365Wordt gebruikt voor de opslag, organisatie, export en inspectie van simulatie-outputs en aanvullende datasets.
Visualisatietool (Matplotlib)Matplotlib-ontwikkelteamMatplotlib 3.9Wetenschappelijke plotting-bibliotheek gebruikt voor het genereren van sensitiviteitsplots, stabiliteitsdiagrammen, faseruimte-trajecten, heatmaps en figuren van publicatiekwaliteit.

Referenties

  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

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Trefwoorden

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

Gerelateerde artikelen