Niniejszy protokół przedstawia inspirowane fizyką nieliniowe ramy przestrzeni stanów do modelowania dynamiki stresu i emocji w szkolnictwie wyższym, umożliwiając użytkownikom analizę progów wypalenia, oscylacyjnych cykli stresu, odporności oraz regulacji adaptacyjnej z wykorzystaniem równań różniczkowych, analizy stabilności i symulacji stochastycznych.
Artykuł metodologiczny
Nieliniowe modelowanie dynamiczne systemu regulacji stresu i zachowań emocjonalnych w szkolnictwie wyższym
W tym artykule
Podsumowanie
Streszczenie
Regulację stresu i zachowania emocjonalne w szkolnictwie wyższym powszechnie bada się przy użyciu opisowych modeli statystycznych, którym brakuje mechanistycznej struktury dynamicznej. Jednak stres akademicki wykazuje zachowania nieliniowe, w tym efekty progowe, wypalenie oraz odpowiedzi adaptacyjne, które nie są w sposób adekwatny ujmowane przez modele liniowe. Niniejsze badanie przyjmuje perspektywę nieliniowych systemów dynamicznych w celu modelowania regulacji stresu i zachowań emocjonalnych w szkolnictwie wyższym. Głównym celem badania jest opracowanie inspirowanych fizyką nieliniowych ram przestrzeni stanów, które rygorystycznie modelują sprzężenie stres–emocje oraz regulację adaptacyjną w szkolnictwie wyższym. Protokół ustanawia nieliniowy model przestrzeni stanów opisujący stres, aktywację emocjonalną i zdolność regulacyjną. Użytkownicy mogą wdrożyć ten protokół, aby symulować dynamikę systemu i oceniać stabilność w zmiennych warunkach akademickich. Ramy te obejmują nieliniowe analizy stabilności oraz symulacje stochastyczne w celu zbadania odporności, niestabilności i przejść związanych z wypaleniem. Wyniki symulacji wykazują nieliniową stabilność, efekty odporności oraz przejścia między reżimami, które nie są wychwytywane przez konwencjonalne modele liniowe. Wyniki wskazują, że regulacja stresu w szkolnictwie wyższym zachowuje się jak nieliniowy system dynamiczny. Poprzez integrację nieliniowej dynamiki, modelowania krajobrazu energetycznego i teorii regulacji adaptacyjnej, praca ta dostarcza zunifikowanych ram prognostycznych, które wyjaśniają procesy odporności, niestabilności i regeneracji w środowiskach akademickich. Model ten stanowi podstawę dla przyszłych badań nad dobrostanem studentów i ryzykiem wypalenia. Opracowane ramy są istotne dla badaczy i praktyków zainteresowanych dobrostanem studentów oraz regulacją stresu.
Wprowadzenie
Regulację stresu i zachowania emocjonalne w szkolnictwie wyższym można interpretować jako złożony proces dynamiczny, który ewoluuje w czasie pod wpływem połączonego działania wewnętrznych sprzężeń zwrotnych o charakterze psychologicznym oraz zewnętrznych presji akademickich1. Prace zaliczeniowe, egzaminy, oczekiwania instytucjonalne i ocena społeczna nieustannie zaburzają stany emocjonalne studentów, powodując wahania poziomu lęku, motywacji i zaangażowania2. Reakcje emocjonalne te ewoluują w wielowymiarowej przestrzeni fazowej, sterowanej przez poznawczą ocenę, strategie radzenia sobie oraz adaptacyjne mechanizmy regulacyjne3. Klasyczne modele reakcji na stres w psychologii edukacyjnej zazwyczaj zakładają proporcjonalne zależności między bodźcami stresowymi a reakcjami emocjonalnymi, często opierając się na analizach regresji lub opisowych wskaźnikach statystycznych w celu charakterystyki tych relacji4. Jednak obserwacje empiryczne konsekwentnie wykazują cechy nieliniowe, takie jak efekty progowe, nasycenie, histereza i gwałtowne przejścia, w tym wypalenie i załamanie emocjonalne5. Małe stresory mogą wywoływać pomijalne zmiany emocjonalne w stabilnych warunkach; jednak w pobliżu progów krytycznych mogą one wywołać nieproporcjonalne reakcje emocjonalne6. Takie zachowanie przypomina oscylacje nieliniowe i zjawiska bifurkacji obserwowane w systemach fizycznych utrzymywanych daleko od stanu równowagi7. W tej perspektywie studentów można konceptualizować jako otwarte układy dyssypatywne, które nieustannie wymieniają związaną ze stresem „energię” z otoczeniem akademickim poprzez procesy sprzężenia zwrotnego sterujące regulacją i adaptacją8.
Z perspektywy edukacyjnej i psychologicznej pojęcia wykorzystane w niniejszych ramach teoretycznych można interpretować w sposób intuicyjny. Akumulacja stresu reprezentuje postępujące obciążenie generowane przez wymagania akademickie i presję środowiskową. Aktywacja emocjonalna odzwierciedla zmiany w stanach afektywnych, takich jak lęk, frustracja, motywacja i zaangażowanie, natomiast zdolność regulacyjna odpowiada mechanizmom radzenia sobie i samoregulacji, które pomagają studentom adaptować się do wyzwań. W przyszłej implementacji empirycznej akumulację stresu można reprezentować za pomocą skal stresu postrzeganego; aktywację emocjonalną można oceniać przy użyciu zwalidowanych narzędzi badania lęku, nastroju lub dobrostanu emocjonalnego; a zdolność regulacyjną można szacować za pomocą miar rezyliencji, radzenia sobie lub samoregulacji. Mapowania te stanowią praktyczną podstawę dla przyszłej estymacji parametrów i kalibracji modelu. W tym kontekście pojęcia nieliniowe, takie jak stabilność, rezyliencja i przejścia krytyczne, można rozumieć jako odrębne wzorce adaptacji psychologicznej. Stany stabilne reprezentują zrównoważone funkcjonowanie emocjonalne, rezyliencja odzwierciedla zdolność do regeneracji po zaburzeniach, a przejścia krytyczne odpowiadają gwałtownym przesunięciom w stronę wyników dezadaptacyjnych, takich jak stres chroniczny lub wypalenie. Interpretacje te tworzą wyraźniejszy pomost koncepcyjny między psychologią edukacyjną a teorią nieliniowych systemów dynamicznych, zwiększając tym samym dostępność proponowanych ram teoretycznych dla odbiorców interdyscyplinarnych.
Aby przedstawić koncepcyjny przegląd tych interakcji, Rycina 1 ilustruje strukturę dynamicznych interakcji stres–emocje w systemach szkolnictwa wyższego. Schemat przedstawia sygnały wejściowe stresu wynikające z wymagań akademickich, zmienne odpowiedzi emocjonalnej reprezentujące ewolucję stanu psychicznego oraz adaptacyjne mechanizmy regulacyjne, które modulują system poprzez pętle sprzężenia zwrotnego. Komponenty te oddziałują na siebie dynamicznie, tworząc trajektorie w przestrzeni fazowej stres–emocje, które mogą zbiegać się ku stabilnym stanom emocjonalnym lub rozbiegać w stronę reżimów maladaptacyjnych. Chociaż ta reprezentacja koncepcyjna podkreśla dynamiczny charakter regulacji emocjonalnej, istniejące modele psychologiczne rzadko przekładają te zależności na jawne struktury matematyczne opisujące ewolucję czasową.
Rysunek 1: Schemat koncepcyjny dynamicznej interakcji stres–emocje w systemach szkolnictwa wyższego. Rysunek ten przedstawia strukturę koncepcyjną dynamiki stresu i emocji w środowiskach akademickich. Schemat ukazuje wejścia stresowe wynikające z wymagań akademickich, zmienne odpowiedzi emocjonalnej reprezentujące ewolucję stanów psychologicznych oraz adaptacyjne mechanizmy regulacyjne, które modulują system poprzez pętle sprzężenia zwrotnego. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Ograniczenia obecnych podejść do modelowania zostały dodatkowo przedstawione na Rysunku 2, który prezentuje koncepcyjne ramy identyfikujące główne luki badawcze w istniejącej literaturze dotyczącej modelowania stresu. W centrum schematu znajduje się brak mechanistycznych ram dynamicznych dla oddziaływania między stresem a emocjami. Wokół tego ograniczenia skupia się kilka powiązanych ze sobą luk charakteryzujących obecne badania. Po pierwsze, wiele badań opiera się na wskaźnikach stresu bazujących na korelacjach, którym brakuje równań sterujących opisujących ewolucję czasową i dynamikę sprzężeń zwrotnych9. Po drugie, wypalenie zawodowe i niestabilność emocjonalna są często opisywane jakościowo, a nie poprzez formalną analizę stabilności z wykorzystaniem macierzy Jacobiego lub kryteriów opartych na wartościach własnych10. Po trzecie, istniejącym modelom brakuje reprezentacji krajobrazu energetycznego, które mogłyby ilościowo określić odporność lub geometrię basenu przyciągania w systemach regulacji emocjonalnej11. Wreszcie, stres i reakcje emocjonalne są często traktowane jako zmienne niezależne, a nie jako dynamicznie sprzężone zmienne stanu sterowane nieliniowymi procesami sprzężenia zwrotnego12. Razem luki te podkreślają potrzebę stworzenia rygorystycznych ram modelowania dynamicznego, zdolnych do opisu zachowań oscylacyjnych, wielostabilności i przejść fazowych w systemach stresu w szkolnictwie wyższym.
Rysunek 2: Schemat koncepcyjny ilustrujący luki badawcze w istniejącej literaturze dotyczącej modelowania stresu.Niniejszy rysunek przedstawia koncepcyjny przegląd głównych ograniczeń w obecnych podejściach do modelowania stresu. W centrum diagramu znajduje się brak mechanistycznych ram dynamicznych opisujących interakcję między stresem a emocjami. Prosimy kliknąć tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Aby rozwiązać te ograniczenia, na Rycynie 3 przedstawiono zaproponowaną w niniejszym badaniu architekturę nieliniowego modelowania dynamicznego. Ramy te integrują dynamikę akumulacji stresu, zmienne aktywacji emocjonalnej oraz adaptacyjne mechanizmy sprzężenia zwrotnego w ramach ujednoliconego nieliniowego sformułowania przestrzeni stanów. W ramach tej struktury ewolucję systemu można opisać za pomocą nieliniowych równań różniczkowych, które oddają dynamikę regulacji wewnętrznej, efekty wymuszeń zewnętrznych oraz perturbacje stochastyczne wynikające z nieoczekiwanych zdarzeń akademickich. Takie sformułowanie pozwala na analizę interakcji stres–emocje przy użyciu narzędzi z teorii nieliniowych systemów dynamicznych, w tym analizy stanu równowagi, analizy bifurkacji, teorii stabilności Lapunowa oraz metod stabilności stochastycznej13,14,15,16. Poprzez wprowadzenie jawnych równań sterujących, model umożliwia rygorystyczną analizę tego, jak stany emocjonalne ewoluują w czasie pod wpływem ciągłego wymuszania środowiskowego i wewnętrznych procesów sprzężenia zwrotnego.
Rysunek 3: Proponowana architektura nieliniowego modelowania dynamicznego dla regulacji stres-emocje. Ten rysunek przedstawia nieliniowe ramy dynamiczne opracowane w niniejszym badaniu w celu modelowania oddziaływań między stresem a emocjami w systemach szkolnictwa wyższego. Architektura ta integruje dynamikę akumulacji stresu, zmienne aktywacji emocjonalnej oraz adaptacyjne mechanizmy sprzężenia zwrotnego regulacyjnego w ujednoliconym sformułowaniu przestrzeni stanów. Kliknij tutaj, aby zobaczyć powiększoną wersję tego rysunku.
Ogólnym celem metody przedstawionej w niniejszej pracy jest stworzenie mechanistycznego modelu nieliniowego, który umożliwia analizę regulacji stresu w szkolnictwie wyższym jako systemu dynamicznego zdolnego do wykazywania wielostabilności, reżimów oscylacyjnych i przejść krytycznych. W przeciwieństwie do konwencjonalnych liniowych modeli indeksu stresu, proponowany model jawnie uwzględnia nieliniowe interakcje sprzężeń zwrotnych pomiędzy skumulowaną energią stresu, aktywacją emocjonalną a adaptacyjną zdolnością regulacji17,18,19,20. Te nieliniowe interakcje umożliwiają identyfikację stanów równowagi, charakteryzację marginesów stabilności oraz wykrywanie punktów krytycznych związanych z przejściem w stan wypalenia. Ponadto model wprowadza interpretację regulacji emocjonalnej w oparciu o krajobraz energetyczny, w której funkcje potencjału typu Ljapunowa opisują strukturę stabilności stanów emocjonalnych21,22,23. W ramach tej reprezentacji odporność psychiczną można ilościowo określić poprzez głębokość basenu przyciągania, podczas gdy progi niestabilności odpowiadają punktom bifurkacji, w których zanikają stabilne atraktory.
Aby zwiększyć realizm, model uwzględnia okresowe człony wymuszające reprezentujące cykle semestrów akademickich, a także perturbacje stochastyczne, które odzwierciedlają nieoczekiwane zdarzenia akademickie lub wahania środowiskowe24,25,26. Rozszerzenia te pozwalają strukturze modelu na symulowanie realistycznej dynamiki stresu akademickiego, w tym oscylacyjnych cykli stresu w okresach egzaminacyjnych oraz przejść między stanami emocjonalnymi napędzanych szumem. Takie możliwości modelowania zapewniają przewagę nad podejściami czysto statystycznymi, umożliwiając analizy predykcyjne progów niestabilności oraz mechanizmów odporności.
Nieliniowe podejścia dynamiczne były wcześniej stosowane w takich dziedzinach jak regulacja biologiczna, neuronauka i złożone systemy społeczne, w których procesy sterowane sprzężeniem zwrotnym wywołują zachowania emergentne, których nie można wyjaśnić za pomocą modeli liniowych27,28,29. Zastosowanie podobnych zasad regulacji stresu w szkolnictwie wyższym łączy psychologię edukacyjną z teorią systemów dynamicznych, umożliwiając analizę procesów regulacji emocji w ramach rygorystycznego matematycznie modelu. Poprzez połączenie nieliniowego modelowania dynamicznego, teorii stabilności i analizy krajobrazu energetycznego, opisana tutaj metoda zapewnia zunifikowaną platformę do badania dynamiki stresu, mechanizmów odporności oraz stabilności emocjonalnej w środowisku akademickim30.
Ostatecznie ramy te umożliwiają badaczom analizę tego, jak kumuluje się stres, jak ewoluują reakcje emocjonalne oraz w jaki sposób adaptacyjne mechanizmy regulacyjne wpływają na długoterminową stabilność systemu. Podejście to stanowi zatem potężne narzędzie metodologiczne do badania odporności, przejść w stan wypalenia oraz procesów regeneracji w systemach szkolnictwa wyższego. Poza wkładem metodologicznym, proponowane ramy mają służyć jako interdyscyplinarny pomost między psychologią edukacyjną a nauką o nieliniowych systemach dynamicznych. Poprzez przełożenie procesów psychologicznych, takich jak akumulacja stresu, aktywacja emocjonalna, odporność i regulacja adaptacyjna, na matematycznie operacyjne zmienne stanu, ramy te zapewniają wspólny język analityczny do badania złożonych zjawisk edukacyjnych za pomocą rygorystycznych narzędzi dynamicznych. Integracja ta zwiększa jasność konceptualną, ułatwia przyszłą kalibrację empiryczną z wykorzystaniem pomiarów behawioralnych i psychologicznych oraz wspiera rozwój modeli predykcyjnych i wyjaśniających regulację stresu w środowiskach akademickich31. Mówiąc prościej, proponowane ramy badają, jak kumuluje się stres akademicki, jak reakcje emocjonalne zmieniają się w czasie i jak mechanizmy radzenia sobie wpływają na regenerację i odporność. Model ma na celu zidentyfikowanie warunków, w których studenci zachowują stabilność emocjonalną lub stają się podatni na wypalenie, łącząc tym samym teorię psychologiczną z ilościową analizą systemową.
Protokół
Niniejszy protokół nie obejmuje eksperymentów na ludziach ani zwierzętach. Badanie opiera się wyłącznie na modelowaniu matematycznym i symulacjach komputerowych dynamiki stresu i emocji w systemach szkolnictwa wyższego. Narzędzia obliczeniowe, środowiska programowe i zasoby numeryczne niezbędne do wdrożenia opisanego w protokole modelu nieliniowej dynamiki zostały wymienione w Tabeli Materiałów.
1. Inicjalizacja modelu i konfiguracja środowiska obliczeniowego
- Otwórz środowisko obliczeniowe i utwórz nowy katalog projektu dla badania symulacyjnego. Szczegółowe informacje na temat oprogramowania znajdują się w Pliku uzupełniającym 1.
- Utwórz główny plik skryptu o nazwie StressEmotionModel.m w celu implementacji nieliniowego modelu stres–emocje–regulacja.
- Zdefiniuj trzy zmienne stanu reprezentujące system dynamiczny.
- Zdefiniuj S(t) jako skumulowany stres akademicki. Zdefiniuj E(t) jako aktywację emocjonalną.
- Zdefiniuj R(t) jako adaptacyjną zdolność regulacyjną.
- Utwórz plik inicjalizacji parametrów i przypisz wartości wszystkim podstawowym parametrom modelu.
- Zdefiniuj podstawowy zestaw parametrów w następujący sposób.
- Ustaw parametr wymuszenia zewnętrznego F na 2.0. Ustaw parametr rozpraszania stresu β na 0.30.
- Ustaw parametr sprzężenia stres–emocje γ na 0.50. Ustaw parametr wzmocnienia regulacji κ na 0.40.
- Ustaw parametr wrażliwości emocjonalnej α na 0.80. Ustaw parametr relaksacji emocjonalnej δ na 0.50.
- Ustaw nieliniowy parametr nasycenia µ na 0.10. Ustaw parametr oddziaływania zapośredniczonego przez regulację η na 0.20. Ustaw parametr zaniku regulacji λ na 0.25.
- Zdefiniuj wektor stanu początkowego.
- Ustaw S(0) = 1.0.
- Ustaw E(0) = 0.5.
- Ustaw R(0) = 0.8.
UWAGA: Używaj identycznych wartości parametrów we wszystkich podstawowych symulacjach, chyba że przeprowadzana jest analiza wrażliwości.
2. implementacja nieliniowego modelu dynamicznego
- Utwórz plik funkcji zawierający sprzężone równania różniczkowe opisujące dynamikę stresu, emocji i regulacji. Równania sterujące podano w Supplementary File 1 (Section S1.2), natomiast odpowiadającą im implementację w programie MATLAB przedstawiono w Supplementary File 1 (Section S1.8).
UWAGA: Bazowe parametry modelu, warunki początkowe, konfigurację solvera numerycznego oraz sterujące nieliniowe równania różniczkowe zwyczajne podano w Supplementary File 1 (Sections S1.2–S1.6). Parametry te są stosowane konsekwentnie we wszystkich symulacjach numerycznych, chyba że zaznaczono inaczej. - Zaimplementuj równanie ewolucji stresu dla zmiennej stanu stresu skumulowanego S(t) zgodnie ze sterującym nieliniowym systemem dynamicznym opisanym w Supplementary File 1, Section S1.2. Odpowiednią implementację obliczeniową tego równania podano w Supplementary File 1, Section S1.8 (Function 1: Model Equations).
- Zaimplementuj równanie aktywacji emocjonalnej opisane w Supplementary File 1, Section S1.2. Implementacja równania aktywacji emocjonalnej w programie MATLAB jest dostępna w Supplementary File 1, Section S1.8 (Function 1: Model Equations).
- Zaimplementuj równanie adaptacyjnej regulacji sterujące zmienną stanu pojemności regulacyjnej R(t) zgodnie z nieliniowym modelem opisanym w Supplementary File 1, Section S1.2. Odpowiednią implementację w programie MATLAB podano w Supplementary File 1, Section S1.8 (Function 1: Model Equations).
- Włącz opcjonalne perturbacje stochastyczne poprzez wprowadzenie niezależnych składników szumu gaussowskiego do każdej zmiennej stanu w celu symulacji losowych zakłóceń akademickich i zmienności środowiskowej.
- Przeprowadź 30 niezależnych realizacji stochastycznych (n = 30), używając różnych sekwencji szumu losowego przy zachowaniu identycznych bazowych parametrów modelu i warunków początkowych.
- Oblicz średnie trajektorie i odpowiadające im oszacowania zmienności; słupki błędów przedstawione w sekcji Wyniki reprezentują wariację statystyczną pomiędzy tymi niezależnymi realizacjami.
- Zintegruj nieliniowy system dynamiczny za pomocą numerycznego solvera ODE45 z tolerancją względną 1 × 10⁻6, tolerancją bezwzględną 1 × 10⁻8, początkowym krokiem całkowania 0.001 i maksymalną wielkością kroku 0.05 w przedziale symulacji 0 ≤ t ≤ 500.
- Szczegółową implementację obliczeniową, konfigurację solvera i schemat symulacji podano w Supplementary File 1, Sections S1.6–S1.11.
- Zdefiniuj amplitudy stochastyczne w następujący sposób:
- Ustaw σS = 0.05.
- Ustaw σE = 0.05.
- Ustaw σR = 0.03.
- Wymuś, aby wszystkie zmienne stanu pozostawały nieujemne podczas całkowania numerycznego.
- Podczas postprocessingu zastąp ujemne wartości numeryczne zerem.
3. Symulacja numeryczna
- Skonfiguruj solver numeryczny.
- Wybierz ODE45 dla symulacji deterministycznych.
- Wybierz równoważną procedurę całkowania stochastycznego w przypadku przeprowadzania symulacji stochastycznych.
- Wyznacz numerycznie stan równowagi, korzystając z funkcji fsolve w programie MATLAB z początkowym szacunkiem stanu [1, 1, 1]. Rozwiązanie iteracyjne uznaje się za zbieżne, gdy solver spełnia domyślne kryteria zbieżności nieliniowej przy określonych tolerancjach numerycznych.
Uwaga: Pełna implementacja znajduje się w Pliku uzupełniającym 1, sekcji S1.8 (Solver równowagi).
- Zdefiniuj ustawienia solvera numerycznego.
- Ustaw tolerancję względną na 10⁻6. Ustaw tolerancję bezwzględną na 10⁻8.
- Ustaw maksymalny rozmiar kroku na 0.05. Ustaw początkowy rozmiar kroku na 0.001.
- Zdefiniuj przedział symulacji od t = 0 do t = 500.
- Próbkuj trajektorie wyjściowe w odstępach Δt = 0.1.
- Wykonaj całkowanie numeryczne.
- Zapisz symulowane trajektorie S(t), E(t) i R(t).
- Wyeksportuj wyniki symulacji w formacie wartości rozdzielanych przecinkami (CSV) do dalszej analizy.
PUNKT PRZERWANIA: Na tym etapie wszystkie trajektorie symulacji i wyniki numeryczne zostały wygenerowane i wyeksportowane. Prace można przerwać i wznowić później, ponownie ładując zarchiwizowane pliki parametrów i wyniki symulacji przed przejściem do analizy równowagi, analizy stabilności, wizualizacji i analizy wrażliwości.
4. Analiza równowagi i stabilności
- Oblicz rozwiązania stanu równowagi, przyjmując, że wszystkie pochodne stanu są równe zero. Rozwiąż wynikające z tego nieliniowe równania algebraiczne, korzystając z numerycznego algorytmu wyznaczania pierwiastków.
UWAGA: Przyjmuje się, że rozwiązanie stanu ustalonego zostało osiągnięte, gdy różnica bezwzględna między dwoma kolejnymi wektorami stanu spełnia określone kryterium zbieżności. Szczegółowe kryterium zbieżności znajduje się w Pliku uzupełniającym 1, sekcji S1.7. - Oblicz macierz jakobianu dla każdego punktu równowagi. Wyznacz wartości własne macierzy jakobianu.
- Klasyfikuj stany równowagi w zależności od znaku maksymalnej rzeczywistej wartości własnej. Oznacz punkty równowagi jako stabilne, gdy wszystkie wartości własne mają ujemne części rzeczywiste.
- Wygeneruj mapy stabilności przedstawiające rozkład stabilnych i niestabilnych obszarów pracy.
5. Wizualizacja w przestrzeni fazowej i dziedzinie czasu
- Wygeneruj wykresy zależności S(t), E(t) i R(t) w dziedzinie czasu. Utwórz dwuwymiarowe portrety fazowe dla płaszczyzny S–E.
- Utwórz dwuwymiarowe portrety fazowe dla płaszczyzny E–R. Wygeneruj trójwymiarowe trajektorie w przestrzeni stanów S–E–R.
- Nałóż pola wektorowe i wykresy linii prądu na portrety fazowe, tam gdzie jest to możliwe. Zapisz wszystkie rysunki w formacie obrazu o wysokiej rozdzielczości do celów dokumentacji i publikacji.
6. Analiza wrażliwości
- Stwórz skrypt do analizy wrażliwości. Zmieniaj jeden parametr na raz, utrzymując pozostałe parametry na ich wartościach bazowych. Przeprowadź analizę wrażliwości dla parametru sprzężenia stres–emocje.
- Przeprowadź analizę wrażliwości dla parametru rozpraszania stresu. Przeprowadź analizę wrażliwości dla parametru wzmocnienia regulacji. Przeprowadź analizę wrażliwości dla parametru wymuszenia zewnętrznego.
- Przeprowadź analizę wrażliwości dla nieliniowego parametru nasycenia emocjonalnego. Uruchom symulację dla każdej wartości parametru.
- Oblicz stan stacjonarny równowagi emocjonalnej po każdej symulacji. Zapisz wszystkie wartości równowagi w bazie danych wyników.
- Przeprowadź jednoparametrowe analizy wrażliwości, niezależnie zmieniając główne parametry modelu w predefined zakresach wymienionych w Supplementary File 1, Section S1.10. Konkretnie: zmieniaj γ od 0.1 do 2.0 w krokach co 0.1, β od 0.1 do 1.0 w krokach co 0.05, κ od 0.1 do 2.0 w krokach co 0.1, F od 0.5 do 5.0 w krokach co 0.25 oraz µ od 0.01 do 1.0 w krokach co 0.05.
UWAGA: Dla każdej wartości parametru przeprowadź całkowanie numeryczne, oblicz rozwiązanie w stanie stacjonarnym, zapisz wynikowe zmienne stanu oraz wygeneruj odpowiadające im krzywe wrażliwości i wykresy porównawcze. - Wygeneruj krzywe wrażliwości. Wygeneruj porównawcze wykresy punktowe.
- Wygeneruj porównawcze wykresy słupkowe. Wygeneruj mapy ciepła odpowiedzi parametrów.
7. Generowanie i weryfikacja wyników
- Zweryfikuj zbieżność wszystkich symulacji. Potwierdź, że trajektorie stanów pozostają ograniczone przez cały przedział symulacji.
- Zweryfikuj, czy rozwiązanie numeryczne osiągnęło stan ustalony przed przejściem do kolejnych analiz.
UWAGA: Zbieżność przyjmuje się, gdy następujące po sobie zmiany wszystkich zmiennych stanu spełniają zdefiniowane kryterium zbieżności opisane w Pliku uzupełniającym 1, Sekcji S1.7 (Kryteria zbieżności). Do analiz równowagi, stabilności i czułości wykorzystuje się wyłącznie rozwiązania zbieżne. - Potwierdź, że rozwiązania równowagowe spełniają kryterium zbieżności. Eksportuj wszystkie wyniki symulacji, mapy stabilności, portrety fazowe, wykresy czułości oraz zbiory danych numerycznych.
UWAGA: O ile nie określono inaczej, wszystkie symulacje wykorzystują bazowy zestaw parametrów przedstawiony w Pliku uzupełniającym 1, a wszystkie analizy numeryczne przebiegają zgodnie z przepływem obliczeniowym podsumowanym w Pliku uzupełniającym 1, Sekcji S1.9. Pełny kod źródłowy MATLAB, pliki parametrów, konfiguracje solverów oraz procedury wizualizacji niezbędne do powtórzenia opisanych symulacji znajdują się w Pliku uzupełniającym 1. - Zarchiwizuj wszystkie skrypty, pliki parametrów i pliki wyjściowe w celu zapewnienia odtwarzalności i przyszłych badań walidacyjnych.
UWAGA: Dostarcz cały kod źródłowy MATLAB, pliki parametrów, procedury wykresowania i przepływy symulacji jako materiały uzupełniające, aby umożliwić niezależne powtórzenie przedstawionych wyników.
Wyniki
W celu walidacji proponowanego nieliniowego modelu dynamicznego oraz wykazania jego przewag nad konwencjonalnymi sformułowaniami liniowymi przeprowadzono kompleksowe badanie symulacji numerycznych (Plik uzupełniający 2). O ile nie zaznaczono inaczej, wszystkie wyniki symulacji stochastycznych przedstawiono jako średnią ± odchylenie standardowe (SD) uzyskane z 30 niezależnych realizacji (n = 30). Porównania statystyczne między scenariuszami symulacji przeprowadzono przy użyciu odpowiedniego testu statystycznego z poziomem istotności p < 0.05. W miejscach, w których przeprowadzono porównania statystyczne, podano dokładne wartości p. Symulacje oceniały zachowanie nieliniowego modelu stres–emocje–regulacja przy systematycznej zmianie parametrów i porównywały jego odpowiedzi strukturalne z odpowiedziami tradycyjnego liniowego modelu stresu. Całkowanie numeryczne rządzących równań różniczkowych przeprowadzono w wystarczająco długich horyzontach czasowych, aby zapewnić zbieżność do stanów stacjonarnych lub reżimów asymptotycznych. W każdym eksperymencie do obu modeli zastosowano identyczne warunki bazowe, podczas gdy pojedynczy parametr zmieniano w predefined zakresem. Wynikowe stacjonarne stany emocjonalne, dynamika przejściowa oraz charakterystyka stabilności zostały zapisane i zwizualizowane, aby podkreślić różnice strukturalne w zachowaniu układu. Prawidłową implementację protokołu potwierdzono w momencie, gdy układ nieliniowy zbiegał do ograniczonych rozwiązań stanu stacjonarnego, wykazywał stabilne struktury atraktora w przestrzeni fazowej i utrzymywał ujemne dominujące wartości własne macierzy Jacobiego w bazowych warunkach parametrów.
Analiza porównawcza koncentrowała się na kilku kluczowych parametrach dynamicznych, w tym na sile sprzężenia stres–emocje (γ), szybkości rozpraszania stresu (β), amplitudzie wymuszenia zewnętrznego (F), wzmocnieniu regulacji (κ) oraz współczynniku nieliniowości emocjonalnej (µ). Parametry te bezpośrednio wpływają na intensywność sprzężenia zwrotnego, marginesy stabilności oraz redystrybucję energii w modelowanym środowisku akademickim. Symulacje wykazują, czy reakcje systemu wykazują zachowanie skalowania proporcjonalnego, zgodnie z przewidywaniami modelu liniowego, czy też przejawiają zjawiska nieliniowe, takie jak nasycenie, buforowanie odporności i wielostabilność, zgodnie z przewidywaniami proponowanego sformułowania nieliniowego.
Czułość równowagi emocjonalnej na siłę sprzężenia stres-emocje przedstawiono na Rysunku 4. Gdy parametr sprzężenia γ rośnie, model liniowy generuje niemal stałe reakcje emocjonalne, co wskazuje, że intensywność sprzężenia nie wpływa strukturalnie na wyniki równowagi. W przeciwieństwie do tego, sformułowanie nieliniowe wykazuje spadek stałej aktywacji emocjonalnej wraz ze wzrostem γ, co odzwierciedla wpływ nieliniowych członów oddziaływania, które dynamicznie regulują sprzężenie zwrotne stres-emocje.
Rycina 4: Porównawcza analiza czułości przy różnej sile sprzężenia stres–emocje (γ). Grupowe porównanie słupkowe odpowiedzi emocjonalnej w stanie ustalonym wraz ze wzrostem siły sprzężenia stres–emocje γ. Niebieskie słupki reprezentują model liniowy, a pomarańczowe słupki model nieliniowy. Oś pozioma przedstawia siłę sprzężenia γ, a oś pionowa stabilną równowagę emocjonalną. Słupki reprezentują średnie wartości emocji w stanie ustalonym uzyskane z powtórnych serii symulacji, natomiast słupki błędów wskazują ± odchylenie standardowe (SD) od średniej. Wyniki wykazują, że model nieliniowy przejawia zachowanie nasycenia i ograniczone odpowiedzi emocjonalne wraz ze wzrostem siły sprzężenia, podczas gdy model liniowy pozostaje stosunkowo niewrażliwy na zmiany intensywności sprzężenia. Słupki reprezentują średnie wartości równowagi emocjonalnej w stanie ustalonym uzyskane z 30 niezależnych serii symulacji (n = 30), a słupki błędów wskazują ± odchylenie standardowe. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.
Wpływ szybkości rozpraszania stresu β na równowagę emocjonalną przedstawiono na Rysunku 5. Model liniowy przewiduje gwałtowny spadek aktywacji emocjonalnej wraz ze wzrostem rozpraszania, co wykazuje silną czułość parametru. W przeciwieństwie do niego, model nieliniowy pozostaje stosunkowo stabilny w tym samym zakresie parametrów ze względu na wewnętrzne tłumienie regulacyjne i nieliniowe mechanizmy sprzężenia zwrotnego.
Rycina 5: Porównawcza analiza obszaru przy różnej szybkości dyssypacji stresu (β). Porównanie oparte na obszarach dla stanu stacjonarnej równowagi emocjonalnej w zależności od zmian szybkości dyssypacji stresu β. Niebieski obszar zacieniony reprezentuje model liniowy, a pomarańczowy obszar zacieniony reprezentuje model nieliniowy. Oś pozioma przedstawia β, a oś pionowa przedstawia stacjonarną równowagę emocjonalną. Kliknij tutaj, aby zobaczyć powiększoną wersję tej ryciny.
Zależność między aktywacją emocjonalną a zewnętrznym wymuszaniem akademickim przedstawiono na Rysunku 6. Sformułowanie liniowe wykazuje proporcjonalny wzrost aktywacji emocjonalnej wraz ze wzrostem amplitudy wymuszania. Model nieliniowy wykazuje natomiast odpowiedź nasycającą, w której aktywacja emocjonalna początkowo rośnie, ale stopniowo stabilizuje się ze względu na nieliniowe tłumienie i adaptacyjne efekty regulacyjne. W suboptimalnych warunkach parametrów, takich jak nadmierne sprzężenie stres-emocje lub niewystarczający wzmocnienie regulacyjne, system wykazywał niestabilne trajektorie, zwiększone oscylacje lub utratę stabilności równowagi, co wskazuje na obniżoną stabilność systemu i potencjalnie reprezentuje stany związane z podwyższonym napięciem psychicznym oraz zwiększoną podatnością na przejścia typu wypalenia.
Rycina 6: Porównanie odpowiedzi stanu równowagi emocjonalnej pod wpływem wymuszenia zewnętrznego (F). Odpowiedź emocjonalna w stanie ustalonym jako funkcja amplitudy wymuszenia zewnętrznego F. Czerwona przerywana krzywa przedstawia model liniowy, natomiast niebieska ciągła krzywa przedstawia model nieliniowy. Oś pozioma wskazuje amplitudę wymuszenia F, a oś pionowa wskazuje stan równowagi emocjonalnej. Kliknij tutaj, aby zobaczyć powiększoną wersję tej ryciny.
Odporność układu nieliniowego na perturbacje stochastyczne została przedstawiona na Rysunku 7, który obrazuje ewolucję czasową aktywacji emocjonalnej i energii stresu pod wpływem losowych zakłóceń. Obie zmienne fluktuują w ograniczonych zakresach pomimo ciągłego wstrzykiwania szumu, co wskazuje, że nieliniowe mechanizmy sprzężenia zwrotnego utrzymują stabilność w warunkach zmienności środowiskowej.
Rysunek 7: Stochastyczna dynamika stres-emocje pod wpływem perturbacji indukowanych szumem. Ewolucja czasowa aktywacji emocjonalnej E(t) (krzywa niebieska) oraz energii stresu S(t) (krzywa pomarańczowa) pod wpływem perturbacji stochastycznych. Oś pozioma przedstawia kroki czasowe symulacji. Obie zmienne pozostają ograniczone pomimo ciągłych zaburzeń wywołanych szumem. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Analiza krajobrazu energetycznego dostarcza dodatkowych informacji na temat stabilności systemu. Rysunek 8 przedstawia reprezentację konturową funkcji energii opartej na metodzie Lapunowa w płaszczyźnie fazowej regulacji emocji, w której trajektoria systemu zbiega się w stronę stabilnego basenu atrakcji. Trójwymiarowa reprezentacja tej struktury energetycznej pokazana jest na Rysunku 9, co ujawnia wiele potencjalnych studni sugerujących możliwość istnienia alternatywnych stabilnych stanów regulacji emocjonalnej.
Rycina 8: Mapa konturowa krajobrazu energetycznego z trajektorią dynamiczną w płaszczyźnie fazowej regulacji emocji. Przedstawienie konturowe krajobrazu energetycznego opartego na funkcji Lapunowa w płaszczyźnie fazowej aktywacji emocjonalnej (E) i zdolności regulacyjnej (R). Czarna trajektoria ilustruje ewolucję systemu w kierunku stabilnego basenu przyciągania. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.
Rysunek 9: Trójwymiarowy nieliniowy krajobraz energetyczny ilustrujący potencjał dla alternatywnych stanów regulacji emocjonalnej. Trójwymiarowa reprezentacja krajobrazu energetycznego Lapunowa w przestrzeni faz regulacji emocjonalnej (E–R). Wiele studni potencjału sugeruje możliwość istnienia alternatywnych stabilnych stanów regulacji emocjonalnej w różnych warunkach systemowych. Krajobraz energetyczny zapewnia jakościową wizualizację struktury stabilności systemu; jednak bezpośrednie potwierdzenie wielostabilności wymaga dodatkowych dowodów dynamicznych, takich jak przełączanie trajektorii lub analiza bifurkacji. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Właściwości stabilności systemu nieliniowego zostały poddane dalszej analizie z wykorzystaniem metod opartych na wartościach własnych. Rysunek 10 przedstawia mapę cieplną maksymalnej rzeczywistej wartości własnej macierzy Jacobiego dla różnych wartości siły sprzężenia stres–emocje (γ) oraz wzmocnienia regulacji (κ). Zwiększenie siły regulacji prowadzi do uzyskania bardziej ujemnych wartości własnych, co wskazuje na silniejszą stabilność asymptotyczną, podczas gdy nadmierne sprzężenie może zmniejszyć stabilność, jeśli nie zostanie zrównoważone odpowiednią regulacją. Obszary charakteryzujące się ujemnymi maksymalnymi rzeczywistymi wartościami własnymi odpowiadają stabilnym warunkom pracy, natomiast obszary zbliżające się do zera lub przekraczające tę wartość wskazują na progi niestabilności i potencjalne przejścia między reżimami.
Rysunek 10: Mapa ciepła stabilności nieliniowego układu stres-emocje w oparciu o maksymalną rzeczywistą wartość własną. Mapa ciepła przedstawiająca maksymalną część rzeczywistą wartości własnych macierzy jakobianu w zależności od siły sprzężenia stres-emocje γ oraz wzmocnienia regulacji κ. Bardziej ujemne wartości wskazują na silniejszą stabilność asymptotyczną, natomiast wartości zbliżające się do zera wskazują na zmniejszoną stabilność i większe prawdopodobieństwo niestabilności. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Dynamika przestrzeni fazowej została przedstawiona na Rysunku 11, który ukazuje pole wektorowe i linie prądu systemu stres–emocje w płaszczyźnie fazowej S–E. Trajektorie zbiegają się w stronę stabilnego obszaru równowagi, co wykazuje zachowanie atraktora. Taka zbieżność potwierdza pomyślną implementację protokołu i dowodzi, że nieliniowe ramy teoretyczne spójnie odtwarzają stabilną dynamikę regulacji stresu i emocji w określonych warunkach symulacji. Globalna struktura stabilności systemu została dodatkowo zilustrowana na Rysunku 12, gdzie trajektorie wychodzące z wielu różnych warunków początkowych zbiegają się w stronę wspólnego atraktora w płaszczyźnie stres–emocje.
Rycina 11: Reprezentacja pola wektorowego i linii prądu na płaszczyźnie fazowej dla dynamiki stres-emocje.Reprezentacja pola wektorowego i linii prądu nieliniowego układu stres-emocje na płaszczyźnie fazowej energii stresu (S) i aktywacji emocjonalnej (E). Linie prądu zbiegają się w stronę stabilnego obszaru równowagi, co wskazuje na zachowanie atraktora. Prosimy kliknąć tutaj, aby zobaczyć powiększoną wersję tej ryciny.
Rycina 12: Gęsty portret fazowy przy wielu warunkach początkowych w płaszczyźnie stres–emocje. Portret fazowy wygenerowany z wielu warunków początkowych w płaszczyźnie fazowej S–E. Trajektorie zbiegają się w stronę wspólnego atraktora, wykazując silną stabilność w różnych stanach początkowych. Kliknij tutaj, aby wyświetlić większą wersję tej ryciny.
Trójwymiarowa struktura atraktora układu nieliniowego została przedstawiona na Rysunku 13, gdzie trajektorie ewoluują w połączonej przestrzeni stanów stres–emocje–regulacja i dążą do stabilnego atraktora. Dynamika zmiennych sprzężonych w dziedzinie czasu została zilustrowana na Rysunku 14, gdzie aktywacja emocjonalna oraz energia stresu wykazują przejściowe dostrojenia przed zbieżnością do wartości stanu stacjonarnego.
Rycina 13: Trójwymiarowy nieliniowy atraktor w przestrzeni stanów stres–emocje–regulacja. Trójwymiarowa trajektoria układu nieliniowego w przestrzeni stanów zdefiniowanej przez stres (S), aktywację emocjonalną (E) i zdolność regulacyjną (R). Trajektoria zbiega się do stabilnego atraktora reprezentującego długoterminową równowagę układu. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.
Rycina 14: Ewolucja w dziedzinie czasu sprzężonych stanów stresu i emocji w warunkach regulacji nieliniowej. Ewolucja czasowa aktywacji emocjonalnej E(t) (oś lewa) oraz energii stresu S(t) (oś prawa). Obie zmienne wykazują przejściową regulację, po której następuje zbieżność w kierunku stanu równowagi stacjonarnej. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.
Wpływ siły regulacji adaptacyjnej na równowagę emocjonalną został przedstawiony na Rysunku 15. Wraz ze wzrostem wzmocnienia regulacyjnego κ model liniowy przewiduje znaczne zmniejszenie aktywacji emocjonalnej, podczas gdy model nieliniowy utrzymuje niemal stałe wartości równowagi dzięki mechanizmom nasycenia adaptacyjnego.
Rysunek 15: Porównawcza analiza dwuosiowa przy zmiennym wzmocnieniu regulacji (κ). Porównanie stanu ustalonego równowagi emocjonalnej przy różnym wzmocnieniu regulacji κ. Krzywa niebieska reprezentuje model liniowy, a czerwona krzywa przerywana reprezentuje model nieliniowy. Oś pozioma przedstawia wzmocnienie regulacji κ. Kliknij tutaj, aby zobaczyć powiększoną wersję tego rysunku.
Wreszcie, Rysunek 16 przedstawia porównanie czułości w formie wykresu rozrzutu w zależności od zmian współczynnika nieliniowości emocjonalnej (µ). W ramach modelu liniowego równowaga emocjonalna pozostaje niezmieniona, ponieważ brak jest składników nieliniowych. W przeciwieństwie do niego, model nieliniowy wykazuje spadek równowagi emocjonalnej wraz ze wzrostem µ, co dowodzi stabilizującego wpływu nasycenia sześciennego na dynamikę emocjonalną.
Rycina 16: Porównanie czułości oparte na wykresie rozrzutu w zależności od parametru nieliniowości emocjonalnej (µ). Porównanie rozrzutu równowagi emocjonalnej w stanie ustalonym przy zmiennym współczynniku nieliniowości emocjonalnej µ. Czerwone znaczniki reprezentują model liniowy, a niebieskie znaczniki reprezentują model nieliniowy. Kliknij tutaj, aby wyświetlić większą wersję tej ryciny.
Poza znaczeniem obliczeniowym, zaobserwowane zachowania dynamiczne mają istotne interpretacje w kontekstach edukacyjnych i psychologicznych. Ograniczone odpowiedzi zaobserwowane przy perturbacjach stochastycznych sugerują, że adaptacyjne mechanizmy regulacyjne mogą buforować skutki nieoczekiwanych stresorów akademickich, wspierając tym samym odporność i stabilność emocjonalną. Podobnie, istnienie stabilnych atraktorów można interpretować jako psychologicznie zrównoważone stany, w których studenci skutecznie regulują naciski akademickie, podczas gdy obszary niestabilności i progi bifurkacji mogą odpowiadać warunkom, w których zasoby radzenia sobie stają się niewystarczające, co zwiększa podatność na wypalenie, wyczerpanie emocjonalne lub maladaptacyjne reakcje stresowe. Analizy wrażliwości dodatkowo wskazują, że wzmocnienie zdolności regulacyjnych może rozszerzyć obszary stabilności i zmniejszyć podatność na destabilizujące przejścia, co podkreśla potencjalne znaczenie dla interwencji mających na celu poprawę umiejętności radzenia sobie, regulacji emocjonalnej i dobrostanu studentów. Wyniki oparte na symulacjach sugerują, że proponowany model może służyć jako użyteczna podstawa koncepcyjna dla przyszłych badań nad trajektoriami stresu, mechanizmami odporności i potencjalnymi strategiami interwencyjnymi. Jednak przed wdrożeniem praktycznym wymagana jest walidacja z wykorzystaniem empirycznych danych studenckich.
Wspólnie wyniki te wykazują, że proponowane ramy nieliniowe uchwyciły kilka właściwości strukturalnych, których brakuje w tradycyjnych liniowych modelach stresu, w tym zachowanie nasycenia, buforowanie stabilności pod wpływem perturbacji, wielostabilne krajobrazy energetyczne oraz odporność poprzez regulację adaptacyjną. W przetestowanych zakresach parametrów model nieliniowy konsekwentnie utrzymywał ograniczoną aktywację emocjonalną i stabilne zachowanie atraktora, podczas gdy model liniowy wykazywał znacznie większą wrażliwość na zmienność parametrów oraz zredukowane marginesy stabilności. Właściwości te zapewniają bardziej realistyczną reprezentację dynamiki stres–emocje w złożonych środowiskach akademickich.
Plik uzupełniający 1: Kod źródłowy MATLAB, równania sterujące, implementacja numeryczna oraz dokumentacja powtarzalności.Ten plik uzupełniający zawiera sterujące nieliniowe równania różniczkowe, bazowe parametry modelu, warunki początkowe, konfigurację solvera numerycznego, kryteria zbieżności, kod źródłowy MATLAB, solver stanu równowagi, procedury analizy wrażliwości, rutyny wizualizacji, specyfikacje oprogramowania, zakresy parametrów oraz przepływ obliczeniowy wymagany do odtworzenia wszystkich symulacji, analiz stabilności, trajektorii w przestrzeni fazowej, analiz wrażliwości, map ciepła wartości własnych oraz krajobrazów energii Lapunowa przedstawionych w manuskrypcie.Kliknij tutaj, aby pobrać ten plik.
Plik uzupełniający 2: Dokumentacja przepływu symulacji, mapowanie zmiennych psychologicznych i ramy walidacji empirycznej.Ten dodatek zawiera kompletny schemat przepływu symulacji; mapowanie matematycznych zmiennych stanu i parametrów modelu na mierzalne konstrukty psychologiczne; rekomendowane narzędzia oceny psychologicznej; wytyczne dotyczące szacowania parametrów; proponowane ramy dla przyszłej walidacji empirycznej i kalibracji z wykorzystaniem danych studenckich; a także potencjalne strategie wdrożenia w celu walidacji podłużnej i zastosowań edukacyjnych.Kliknij tutaj, aby pobrać ten plik.
Dyskusja
Przedstawiony tutaj protokół obliczeniowy demonstruje, w jaki sposób można zaimplementować nieliniowe ramy dynamiczne w celu symulacji interakcji między stresem a emocjami poprzez całkowanie numeryczne, analizę stabilności oraz analizę wrażliwości. Krytycznym krokiem w implementacji tej metody jest prawidłowe całkowanie numeryczne rządzących równań różniczkowych w wystarczająco długich odstępach czasu, aby zapewnić zbieżność do stanu stacjonarnego lub dynamiki atraktora. Analizy wrażliwości wykazują, że sformułowanie nieliniowe reaguje na zmiany parametrów inaczej niż tradycyjny model liniowy. W szczególności siła sprzężenia (γ) bezpośrednio wpływa na równowagę emocjonalną w układzie nieliniowym, podczas gdy szybkość rozpraszania stresu (β) wywołuje przesadzone reakcje głównie w sformułowaniu liniowym. Podobnie, zwiększenie wymuszenia zewnętrznego prowadzi do nieograniczonego wzmocnienia w modelu liniowym, ale do ograniczonego nasycenia w ramach nieliniowych. Obserwacje te podkreślają znaczenie starannej konfiguracji parametrów podczas stosowania protokołu w celu zachowania realistycznej dynamiki układu31.
Protokół ten można dostosować do symulacji różnych warunków środowiskowych i scenariuszy behawioralnych. Na przykład do struktury symulacji można włączyć perturbacje stochastyczne, reprezentujące nieoczekiwane zdarzenia akademickie lub stresory społeczne, aby zbadać odporność systemu na losowe zaburzenia. W takich warunkach układ nieliniowy wykazuje ograniczone fluktuacje, a nie niekontrolowaną dywergencję, co wskazuje na odporność na perturbacje wywołane szumem. Dodatkowo analiza krajobrazu energetycznego dostarcza geometrycznego wglądu w stabilność systemu. Wynikowe struktury energetyczne ilustrują, w jaki sposób trajektorie systemu zbiegają się w stronę stabilnych basenów atrakcji oraz jak wiele potencjalnych studni może reprezentować odrębne stany regulacji emocjonalnej. Te narzędzia analityczne stanowią cenne wsparcie w diagnozowaniu niestabilnych symulacji i identyfikowaniu zakresów parametrów, które wspierają stabilną dynamikę regulacyjną. Do powszechnych przyczyn niestabilności symulacji należą nadmiernie duże parametry sprzężenia, niewystarczające wzmocnienie regulacyjne lub niewłaściwe ustawienia całkowania numerycznego. Problemy te można często rozwiązać poprzez rekalibrację parametrów i weryfikację stabilności solvera numerycznego.
Właściwości stabilności układu nieliniowego można również zbadać za pomocą analizy opartej na wartościach własnych oraz technik wizualizacji przestrzeni fazowej. Analizy te wykazują, w jaki sposób oddziaływanie między sprzężeniem stres–emocje a wzmocnieniem regulacyjnym determinuje ogólną stabilność układu. Zwiększenie siły regulacji zazwyczaj zwiększa stabilność asymptotyczną, podczas gdy nadmiernie silne sprzężenie może zdestabilizować układ, jeśli regulacja jest niewystarczająca. Reprezentacje w przestrzeni fazowej dodatkowo ujawniają, że trajektorie wychodzące z różnych warunków początkowych mają tendencję do zbiegania się w stronę wspólnego atraktora, co wskazuje na wysoką stabilność w ramach modelu nieliniowego. Skoordynowana ewolucja stresu, aktywacji emocjonalnej i zdolności regulacyjnych obrazuje, w jaki sposób adaptacyjne mechanizmy sprzężenia zwrotnego prowadzą układ do stanów równowagi32.
Analiza w dziedzinie czasu dostarcza dodatkowych informacji na temat przejściowych zachowań systemu oraz formowania się stanu równowagi. Zarówno aktywacja emocjonalna, jak i skumulowany stres zazwyczaj wykazują początkowe fluktuacje przejściowe, po których następuje stopniowa zbieżność do poziomów równowagi stanu ustalonego. Analiza wrażliwości parametrów regulacji adaptacyjnej wykazuje, że zwiększona siła regulacji silnie tłumi aktywację emocjonalną w modelach liniowych, ale powoduje bardziej umiarkowane zmiany w sformułowaniu nieliniowym ze względu na mechanizmy nasycenia i buforowania sprzężeń zwrotnych. Podobnie, uwzględnienie nieliniowych członów nasycenia emocjonalnego redukuje nadmierną amplifikację i stabilizuje odpowiedzi emocjonalne. Wspólnie wyniki te dowodzą, że ramy nieliniowe oddają dynamikę regulacji i mechanizmy stabilizacji, które nie są reprezentowane w konwencjonalnych liniowych modelach stresu. W porównaniu z konwencjonalnymi modelami stresu opartymi na liniowości lub korelacji, proponowane ramy umożliwiają analizę granic stabilności, dynamiki atraktorów oraz przejść nieliniowych, których nie udaje się łatwo uchwycić za pomocą opisowych podejść statystycznych.
Przyszłe badania powinny przeprowadzić analizę porównawczą proponowanego modelu z uznanymi podejściami, w tym z transakcyjnymi modelami stresu, sieciowymi modelami psychologicznymi, podłużnymi modelami latentnego wzrostu oraz ramami predykcyjnymi opartymi na uczeniu maszynowym. Takie porównania pozwoliłyby na bardziej rygorystyczną ocenę zalet wyjaśniających i predykcyjnych oferowanych przez nieliniowe modelowanie dynamiczne. Poza wkładem metodologicznym, proponowany model ma kilka szerszych implikacji dla psychologii edukacyjnej i praktyki szkolnictwa wyższego. Z perspektywy doradztwa, identyfikacja obszarów stabilności, mechanizmów odporności oraz progów niestabilności może pomóc w konceptualizacji sposobu, w jaki studenci reagują na przedłużającą się presję akademicką oraz dlaczego niektóre osoby skutecznie regenerują się po stresie, podczas gdy inne doświadczają narastających trudności emocjonalnych. Model sugeruje, że odporność psychiczna nie jest jedynie statyczną cechą osobniczą, lecz może wynikać z dynamicznych interakcji między ekspozycją na stres, reakcjami emocjonalnymi a adaptacyjnymi procesami regulacyjnymi33.
Opracowane ramy mogą również stanowić fundament teoretyczny dla przyszłych systemów wsparcia studentów oraz inicjatyw monitorowania dobrostanu. Na przykład identyfikacja reżimów parametrów związanych ze zmniejszoną stabilnością mogłaby wesprzeć opracowanie wskaźników wczesnego ostrzegania przed podwyższonym ryzykiem wypalenia, podczas gdy analiza mechanizmów sprzężenia zwrotnego regulacji mogłaby pomóc w opracowaniu interwencji mających na celu wzmocnienie umiejętności radzenia sobie oraz emocjonalnej samoregulacji. Na poziomie instytucjonalnym ramy te oferują perspektywę zorientowaną na systemy, która może pomóc w ocenie, w jaki sposób obciążenie akademickie, harmonogramy oceniania i zasoby wsparcia wspólnie wpływają na dobrostan studentów. Proponowane podejście ma na celu uzupełnienie istniejących teorii psychologicznych dotyczących stresu i regulacji, a nie ich zastąpienie. Tradycyjne modele, w tym transakcyjne teorie stresu, ramy oparte na radzeniu sobie, teorie regulacji emocjonalnej oraz modele odporności psychicznej, dostarczają cennych wyjaśnień procesów adaptacji poznawczej, behawioralnej i emocjonalnej. Nieliniowe ramy dynamiczne rozszerzają te perspektywy, wprowadzając ilościową reprezentację tego, jak procesy te oddziałują na siebie w czasie, potencjalnie generując stabilność, zachowania oscylacyjne, odporność lub gwałtowne przejścia w kierunku wyników nieadaptacyjnych. Taka integracja pozwala osadzić opracowane ramy w szerszej literaturze dotyczącej stresu u studentów i adaptacji psychologicznej, podkreślając jednocześnie ich potencjalną wartość jako pomostu między psychologią edukacyjną a nauką o systemach dynamicznych.
Należy również wziąć pod uwagę szerszą wartość edukacyjną ram opartych na symulacjach. Choć niniejsze badanie koncentruje się na nieliniowej dynamice stres–emocje, zastosowane podejście modelowe może wspierać refleksyjne uczenie się i adaptacyjne podejmowanie decyzji, umożliwiając studentom, pedagogom i specjalistom wspierającym badanie konsekwencji różnych ścieżek regulacji stresu w symulowanych środowiskach akademickich. Takie symulacje mogą sprawić, że inaczej abstrakcyjne procesy psychologiczne staną się bardziej widoczne i zrozumiałe, co w konsekwencji sprzyja większej samoświadomości i refleksji nad strategiami radzenia sobie, reakcjami emocjonalnymi oraz rozwojem odporności psychicznej.
Perspektywa ta jest zgodna z aktualnymi badaniami wykazującymi korzyści edukacyjne płynące z doświadczeń opartych na symulacjach. Na przykład Shi et al. (2025)34 wykazali, że symulowane doświadczenia z transportu publicznego, zaprojektowane w celu odwzorowania wyzwań, z jakimi mierzą się osoby z lekkimi zaburzeniami widzenia, sprzyjały rozwijaniu empatii, myślenia refleksyjnego oraz poprawiały proces podejmowania decyzji projektowych. Podobne zasady mogą mieć zastosowanie w regulacji stresu w szkolnictwie wyższym, gdzie symulacyjne reprezentacje kumulacji stresu, adaptacji emocjonalnej i dynamiki odporności psychicznej mogłyby pomóc studentom lepiej zrozumieć ich reakcje behawioralne, wspierając jednocześnie wykładowców i doradców w projektowaniu skuteczniejszych interwencji. W konsekwencji proponowane ramy mogą służyć nie tylko jako narzędzie analityczne do badania dynamiki stresu, ale także jako podstawa dla przyszłych symulacji edukacyjnych, które wspierają empatię, autorefleksję i adaptacyjne podejmowanie decyzji w środowisku akademickim.
pomimo tych zalet, proponowany protokół posiada kilka ograniczeń. Model przedstawia regulację emocji za pomocą uproszczonego zestawu zmiennych dynamicznych opisujących stres, aktywację emocjonalną i zdolność regulacyjną. Rzeczywista dynamika emocjonalna zależy od szerszego zakresu czynników, w tym procesów oceny poznawczej, interakcji społecznych i indywidualnych strategii radzenia sobie. W związku z tym obecne ramy należy interpretować przede wszystkim jako koncepcyjne i obliczeniowe narzędzie modelowania, a nie jako model predykcyjny dla indywidualnych zachowań psychologicznych. Niemniej jednak, podejście to stanowi wartościową platformę metodologiczną do badania dynamiki odporności psychicznej, warunków stabilności i nieliniowych mechanizmów sprzężenia zwrotnego w systemach stresu akademickiego. Przyszłe badania mogą rozszerzyć te ramy poprzez włączenie empirycznych zbiorów danych, spersonalizowaną estymację parametrów oraz metody kalibracji oparte na danych, aby poprawić zdolność predykcyjną i przydatność w rzeczywistych warunkach. Przyszłe badanie walidacyjne mogłoby zostać przeprowadzone poprzez gromadzenie podłużnych danych studenckich przy użyciu zwalidowanych instrumentów psychologicznych, takich jak Perceived Stress Scale (PSS), Maslach Burnout Inventory–Student Survey (MBI-SS), Connor–Davidson Resilience Scale (CD-RISC) oraz miary dobrostanu emocjonalnego. Obserwacje szeregów czasowych uzyskane w ciągu semestru akademickiego mogłyby posłużyć do estymacji parametrów modelu i porównania przewidywanych trajektorii z obserwowanymi wynikami w zakresie stresu i emocji. Taka walidacja umożliwiłaby ilościową ocenę dokładności modelu i jego wydajności predykcyjnej w rzeczywistych warunkach edukacyjnych35.
Dodatkowym ograniczeniem jest brak walidacji empirycznej z wykorzystaniem rzeczywistych danych studenckich. Niniejsze badanie koncentruje się na opracowaniu teoretycznych i obliczeniowych ram modelu, a zatem opiera się przede wszystkim na analizie matematycznej i symulacjach numerycznych. Chociaż badania symulacyjne są cenne dla eksploracji zachowania systemu i identyfikacji potencjalnych mechanizmów, nie mogą one same w sobie potwierdzić, że modelowana dynamika dokładnie reprezentuje procesy regulacji stresu w rzeczywistych środowiskach edukacyjnych. Ponadto szacowanie parametrów modelu stanowi istotne wyzwanie, ponieważ zmienne takie jak akumulacja stresu, aktywacja emocjonalna i zdolność regulacyjna nie są bezpośrednio obserwowalne i mogą różnić się w zależności od jednostki, instytucji oraz kontekstu kulturowego. Dodatkowo obecny model zakłada uogólnioną populację studentów i nie uwzględnia w sposób jawny różnic demograficznych, kulturowych, instytucjonalnych lub dyscyplinarnych, które mogą wpływać na dynamikę regulacji stresu. Przyszłe badania powinny ocenić wydajność modelu w zróżnicowanych kontekstach edukacyjnych.
Ważnym kierunkiem przyszłych badań jest integracja zaproponowanego nieliniowego modelu stres–emocje–regulacja z rozwijającymi się imersyjnymi technologiami edukacyjnymi i zdrowia psychicznego. Niedawne prace nad wirtualnymi krajobrazami terapeutycznymi wykazały, że imersyjne środowiska cyfrowe mogą redukować lęk, poprawiać dobrostan emocjonalny i wspierać regenerację psychiczną studentów poprzez starannie zaprojektowane doświadczenia regeneracyjne. Wyniki te sugerują, że środowiska oparte na symulacjach mogą stanowić praktyczne platformy do przekształcania teoretycznych modeli regulacji stresu w aplikacje zorientowane na interwencję. W tym kontekście obszary stabilności, progi odporności, adaptacyjne mechanizmy regeneracji oraz stochastyczne wzorce odpowiedzi zidentyfikowane w ramach niniejszego modelu mogłyby potencjalnie wspomóc projektowanie responsywnych psychologicznie środowisk uczenia się, zdolnych do monitorowania, symulowania i wspierania dobrostanu studentów36.
Przyszłe badania powinny zatem skoncentrować się na empirycznej kalibracji i walidacji proponowanych ram teoretycznych. Obiecującym podejściem byłoby gromadzenie danych podłużnych przy użyciu zwalidowanych instrumentów psychologicznych mierzących postrzegany stres, dobrostan emocjonalny, skuteczność radzenia sobie, rezyliencję, objawy wypalenia oraz zaangażowanie akademickie. Takie zbiory danych mogłyby zostać wykorzystane do oszacowania parametrów modelu, oceny wydajności predykcyjnej, zidentyfikowania różnic indywidualnych w zachowaniach dynamicznych oraz oceny stopnia, w jakim proponowane mechanizmy stabilności i rezyliencji odpowiadają obserwowanym wynikom studentów. Ponadto przyszłe badania mogą porównać ten model z uznanymi podejściami psychologicznymi, statystycznymi i opartymi na uczeniu maszynowym, aby określić jego względną wartość wyjaśniającą i predykcyjną. Rozwiązania te stanowiłyby kluczowy krok w stronę przekształcenia obecnych ram teoretycznych w empirycznie zwalidowane narzędzie służące do rozumienia i wspierania dobrostanu studentów w szkolnictwie wyższym37.
Oświadczenia
Autor oświadcza, że nie posiada żadnych konkurencyjnych interesów finansowych ani niefinansowych oraz żadnych konfliktów interesów. Program ChatGPT (OpenAI, GPT-5.5) został wykorzystany wyłącznie do edycji językowej, korekty gramatycznej i poprawy przejrzystości tekstu podczas przygotowywania manuskryptu. Cała treść naukowa, formuły matematyczne, metodologia, analizy, interpretacje i wnioski zostały opracowane, zweryfikowane i zatwierdzone przez autora. Autor bierze pełną odpowiedzialność za dokładność, oryginalność i rzetelność manuskryptu.
Podziękowania
Autor dziękuje Szkole Nauk Humanistycznych w Zhuhai College of Science and Technology w Zhuhai (Guangdong, Chiny) za cenny support akademicki i wsparcie podczas opracowywania niniejszych badań. Wsparcie instytucji oraz konstruktywne środowisko badawcze w znacznym stopniu ułatwiły ukończenie niniejszej pracy.
Materiały
| Nazwa | Firma | Numer katalogowy | Komentarze |
|---|---|---|---|
| Rozwiązywanie równań różniczkowych (ODE45) | MathWorks | MATLAB R2024a | Solver numeryczny użyty do całkowania sprzężonych nieliniowych równań różniczkowych. Tolerancja względna = 1×10-6; Tolerancja bezwzględna = 1×10-8. |
| Oprogramowanie MATLAB | MathWorks, Natick, MA, USA | RRID: SCR_001622 | Podstawowe oprogramowanie do obliczeń numerycznych wykorzystane do implementacji modelu, analizy stabilności, analizy wrażliwości, wizualizacji przestrzeni fazowej, generowania krajobrazu energetycznego Ljapunowa oraz przygotowania rycin. |
| Pakiet dokumentacji metodologicznej | Plik uzupełniający S2 | Nie dotyczy | Zawiera dokumentację ram teoretycznych, interpretację parametrów, strategię walidacji, ograniczenia oraz opisy przepływu obliczeń. |
| Biblioteka do przetwarzania tablic numerycznych (NumPy) | Deweloperzy NumPy | NumPy 2.0 | Biblioteka wykorzystywana do operacji macierzowych, obliczeń numerycznych, przemiatań parametrów i przetwarzania danych w implementacji w języku Python. |
| Środowisko symulacji numerycznych | Środowisko MATLAB R2024a | N/A | Środowisko obliczeniowe wykorzystane do wykonania nieliniowej analizy naprężeń–emocje–ramy regulacyjne, analizy zakresowe parametrów, analiza stanu równowagi oraz symulacje stochastyczne. |
| Optimization Toolbox | MathWorks | MATLAB Optimization Toolbox | Stosowane do obliczeń stanu równowagi za pomocą nieliniowych metod poszukiwania pierwiastków (fsolve). |
| Środowisko programistyczne Python | Python Software Foundation | Python 3.12 | Alternatywna platforma obliczeniowa wykorzystana do weryfikacji wyników numerycznych oraz odtworzenia wybranych symulacji i wizualizacji. |
| Biblioteka Obliczeń Naukowych (SciPy) | Społeczność SciPy | SciPy 1.14 | Biblioteka wykorzystywana do obliczeń numerycznych, rozwiązywania równań nieliniowych oraz analizy równań różniczkowych w implementacji w języku Python. |
| Pakiet kodu źródłowego | Plik uzupełniający S1 | Nie dotyczy | Zawiera skrypty MATLAB, konfiguracje solvera, pliki parametrów, rutyny analizy wrażliwości, kody analizy stabilności oraz przepływy pracy wizualizacji niezbędne do pełnej reprodukowalności. |
| Oprogramowanie arkusz kalkulacyjny | Microsoft Corporation | Microsoft Excel 365 | Służy do przechowywania, organizacji, eksportu i inspekcji wyników symulacji oraz uzupełniających zbiorów danych. |
| Narzędzie do wizualizacji (Matplotlib) | Zespół programistyczny Matplotlib | Matplotlib 3.9 | Biblioteka do wykresów naukowych wykorzystywana do generowania wykresów czułości, diagramów stabilności, trajektorii w przestrzeni fazowej, map ciepła oraz rycin o jakości publikacyjnej. |
Bibliografia
- Ahmad R, et al. Social exchange theory: Systematic review and future directions. Front Psychol. 2023;13:1015921.
- 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.
- 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.
- Briganti G, et al. Network analysis: An overview for mental health research. Int J Methods Psychiatr Res. 2024;33(4):e70012.
- Cao Y, et al. Dynamic modeling and experimental verification of clamp-pipeline system with soft nonlinearity. Nonlinear Dyn. 2023;111(19):17725-17748.
- Coluccia A, et al. Nonlinear static and dynamic modeling of energy absorption lattice structures behavior. Mech Adv Mater Struct. 2023;30(14):2838-2849.
- 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.
- Heit DR, et al. Generalized nonlinearity in animal ecology: Research, review, and recommendations. Ecol Evol. 2024;14(7):e70045.
- Hong L, Zhang L. Nonlinear dynamical model and analysis of emotional propagation based on Caputo derivative. Mathematics. 2025;13(4):567.
- 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.
- 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.
- Kyriazos T, Poga M. Application of machine learning models in social sciences: Managing nonlinear relationships. Encyclopedia. 2024;4(2):890-912.
- Large EW, et al. Dynamic models for musical rhythm perception and coordination. Front Comput Neurosci. 2023;17:1151895.
- 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.
- 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.
- 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.
- Lyu R, Qu Y, Divaris K, Wu D. Methodological considerations in longitudinal analyses of microbiome data: A comprehensive review. Genes. 2023;14(9):1689.
- 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.
- 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.
- 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.
- 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.
- Rega G. Nonlinear dynamics in mechanics: State of the art and expected future developments. J Comput Nonlinear Dyn. 2022;17(8):080802.
- 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.
- Rodrigues H, et al. Unravelling student learning: Exploring nonlinear dynamics in science education. Int J Psychol Neurosci. 2023;9:118-137.
- Romeo-Aznar V, et al. Fine-scale heterogeneity in population density predicts wave dynamics in dengue epidemics. Nat Commun. 2022;13(1):996.
- 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.
- 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.
- Sun Y, et al. Physiological and affective responses to green space virtual reality among pregnant women. Environ Res. 2023;216:114499.
- 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.
- 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.
- 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
- 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
- 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
- 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
- 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
- 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
- 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