Este protocolo apresenta uma abordagem não linear inspirada na física, baseada em espaço de estados, para modelar a dinâmica entre estresse e emoção no ensino superior, permitindo aos usuários analisar limiares de esgotamento, ciclos oscilatórios de estresse, resiliência e regulação adaptativa por meio de equações diferenciais, análise de estabilidade e simulações estocásticas.
É necessária uma assinatura do JoVE para visualizar este conteúdo. Faça login ou inicie seu teste gratuito.
Artigo de método
Uma Modelagem de Sistema Dinâmico Não Linear da Regulação do Estresse e do Comportamento Emocional no Ensino Superior
Neste artigo
Resumo
Resumo
A regulação do estresse e o comportamento emocional no ensino superior são comumente examinados usando modelos estatísticos descritivos que carecem de uma estrutura dinâmica mecanicista. No entanto, o estresse acadêmico exibe comportamentos não lineares, incluindo efeitos de limiar, esgotamento e respostas adaptativas, que não são adequadamente capturados por modelos lineares. Este estudo adota uma perspectiva de sistemas dinâmicos não lineares para modelar a regulação do estresse e o comportamento emocional no ensino superior. O objetivo principal deste estudo é desenvolver um framework inspirado na física, baseado em espaço de estados não linear, que modele rigorosamente o acoplamento entre estresse e emoção e a regulação adaptativa no ensino superior. O protocolo estabelece um modelo de espaço de estados não linear que descreve estresse, ativação emocional e capacidade regulatória. Os usuários podem implementar o protocolo para simular a dinâmica do sistema e avaliar a estabilidade sob diferentes condições acadêmicas. O framework incorpora análises de estabilidade não linear e simulações estocásticas para investigar resiliência, instabilidade e transições relacionadas ao esgotamento. Os resultados das simulações demonstram estabilidade não linear, efeitos de resiliência e transições de regime que não são capturados por modelos lineares convencionais. Os resultados indicam que a regulação do estresse no ensino superior se comporta como um sistema dinâmico não linear. Ao integrar dinâmicas não lineares, modelagem de paisagem energética e teoria da regulação adaptativa, este trabalho fornece um framework preditivo unificado que explica processos de resiliência, instabilidade e recuperação em ambientes acadêmicos. O framework fornece uma base para estudos futuros sobre o bem-estar dos estudantes e o risco de esgotamento. O framework é relevante para pesquisadores e profissionais interessados no bem-estar dos estudantes e na regulação do estresse.
Introdução
A regulação do estresse e o comportamento emocional no ensino superior podem ser interpretados como um processo dinâmico complexo que evolui ao longo do tempo sob a influência combinada de retroalimentação psicológica interna e pressões acadêmicas externas1. Trabalhos acadêmicos, exames, expectativas institucionais e avaliação social perturbam continuamente os estados emocionais dos estudantes, provocando flutuações na ansiedade, motivação e engajamento2. Essas respostas emocionais evoluem dentro de um espaço de fases multidimensional regido pela avaliação cognitiva, estratégias de enfrentamento e mecanismos de regulação adaptativa3. Modelos clássicos de resposta ao estresse na psicologia educacional geralmente assumem relações proporcionais entre estímulos de estresse e reações emocionais, recorrendo frequentemente a análises de regressão ou índices estatísticos descritivos para caracterizar essas relações4. No entanto, observações empíricas demonstram consistentemente características não lineares, como efeitos de limiar, saturação, histerese e transições abruptas, incluindo esgotamento e colapso emocional5. Pequenos estressores podem produzir mudanças emocionais desprezíveis em condições estáveis; no entanto, próximo a limiares críticos, podem desencadear respostas emocionais desproporcionais6. Esse comportamento assemelha-se a oscilações não lineares e fenômenos de bifurcação observados em sistemas físicos mantidos longe do equilíbrio7. Sob essa perspectiva, os estudantes podem ser concebidos como sistemas abertos dissipativos que trocam continuamente "energia" relacionada ao estresse com seu ambiente acadêmico por meio de processos de retroalimentação que governam regulação e adaptação8.
Sob uma perspectiva educacional e psicológica, os conceitos utilizados no presente arcabouço podem ser interpretados de forma intuitiva. O acúmulo de estresse representa o ônus progressivo gerado pelas exigências acadêmicas e pelas pressões ambientais. A ativação emocional reflete mudanças nos estados afetivos, como ansiedade, frustração, motivação e engajamento, enquanto a capacidade regulatória corresponde aos mecanismos de enfrentamento e autorregulação que ajudam os estudantes a se adaptarem aos desafios. Para futuras implementações empíricas, o acúmulo de estresse pode ser representado por meio de escalas de estresse percebido; a ativação emocional pode ser avaliada utilizando instrumentos validados de ansiedade, humor ou bem-estar emocional; e a capacidade regulatória pode ser estimada por meio de medidas de resiliência, enfrentamento ou autorregulação. Esses mapeamentos fornecem uma base prática para futuras estimativas de parâmetros e calibração de modelos. Nesse contexto, conceitos não lineares como estabilidade, resiliência e transições críticas podem ser compreendidos como padrões distintos de adaptação psicológica. Estados estáveis representam um funcionamento emocional equilibrado, a resiliência reflete a capacidade de recuperação diante de perturbações, e as transições críticas correspondem a mudanças bruscas rumo a desfechos maladaptativos, como estresse crônico ou burnout. Essas interpretações estabelecem uma ponte conceitual mais clara entre a psicologia educacional e a teoria de sistemas dinâmicos não lineares, aumentando, assim, a acessibilidade do arcabouço proposto para públicos interdisciplinares.
Para fornecer uma visão conceitual dessas interações, Figura 1 ilustra a estrutura das interações dinâmicas entre estresse e emoção em sistemas de ensino superior. O diagrama apresenta entradas de estresse decorrentes das exigências acadêmicas, variáveis de resposta emocional que representam a evolução do estado psicológico e mecanismos regulatórios adaptativos que modulam o sistema por meio de laços de realimentação. Esses componentes interagem dinamicamente, gerando trajetórias dentro de um espaço de fases estresse–emoção que podem convergir para estados emocionais estáveis ou divergir para regimes maladaptativos. Embora esta representação conceitual destaque a natureza dinâmica da regulação emocional, modelos psicológicos existentes raramente traduzem essas relações em estruturas matemáticas explícitas que descrevam a evolução temporal.
Figura 1: Diagrama conceitual da interação dinâmica entre estresse e emoção em sistemas de ensino superior. Esta figura ilustra a estrutura conceitual da dinâmica entre estresse e emoção em ambientes acadêmicos. O diagrama mostra entradas de estresse provenientes das exigências acadêmicas, variáveis de resposta emocional que representam a evolução dos estados psicológicos e mecanismos regulatórios adaptativos que modulam o sistema por meio de loops de feedback. Clique aqui para visualizar uma versão maior desta figura.
As limitações das abordagens atuais de modelagem são ainda ilustradas na Figura 2, que apresenta um arcabouço conceitual identificando as principais lacunas de pesquisa na literatura existente sobre modelagem de estresse. No centro do diagrama encontra-se a ausência de um arcabouço dinâmico mecanicista para a interação entre estresse e emoção. Ao redor dessa limitação, situam-se várias lacunas interconectadas que caracterizam a pesquisa atual. Primeiro, muitos estudos baseiam-se em índices de estresse baseados em correlação, que não possuem equações governantes para descrever a evolução temporal e a dinâmica de retroalimentação9. Segundo, o esgotamento (burnout) e a instabilidade emocional são frequentemente descritos de forma qualitativa, em vez de por meio de análise formal de estabilidade utilizando matrizes jacobianas ou critérios baseados em autovalores10. Terceiro, os modelos existentes carecem de representações de paisagem energética capazes de quantificar a resiliência ou a geometria da bacia de atração nos sistemas de regulação emocional11. Por fim, o estresse e as respostas emocionais são frequentemente tratados como variáveis independentes, em vez de como variáveis de estado dinamicamente acopladas, regidas por processos não lineares de retroalimentação12. Em conjunto, essas lacunas destacam a necessidade de um arcabouço rigoroso de modelagem dinâmica capaz de descrever comportamento oscilatório, multiestabilidade e transições de fase em sistemas de estresse no ensino superior.
Figura 2: Estrutura conceitual ilustrando lacunas de pesquisa na literatura existente sobre modelagem de estresse. Esta figura apresenta uma visão conceitual das principais limitações nos atuais enfoques de modelagem de estresse. No centro do diagrama está a ausência de uma estrutura dinâmica mecanicista que descreva a interação entre estresse e emoção. Clique aqui para visualizar uma versão maior desta figura.
Para superar essas limitações, Figura 3 apresenta a arquitetura de modelagem dinâmica não linear proposta desenvolvida neste estudo. A estrutura integra dinâmicas de acúmulo de estresse, variáveis de ativação emocional e mecanismos adaptativos de retroalimentação regulatória dentro de uma formulação unificada de espaço de estados não linear. Nesse contexto, a evolução do sistema pode ser descrita por meio de equações diferenciais não lineares que capturam as dinâmicas de regulação interna, os efeitos de forçamento externo e as perturbações estocásticas decorrentes de eventos acadêmicos inesperados. Essa formulação permite que as interações entre estresse e emoção sejam analisadas utilizando ferramentas da teoria de sistemas dinâmicos não lineares, incluindo análise de equilíbrio, análise de bifurcação, teoria da estabilidade de Lyapunov e métodos de estabilidade estocástica13,14,15,16. Ao introduzir equações governantes explícitas, o modelo permite uma análise rigorosa de como os estados emocionais evoluem ao longo do tempo sob forçamento ambiental contínuo e processos internos de retroalimentação.
Figura 3: Arquitetura proposta de modelagem dinâmica não linear para regulação de estresse e emoção. Esta figura ilustra a estrutura dinâmica não linear desenvolvida neste estudo para modelar as interações entre estresse e emoção em sistemas de ensino superior. A arquitetura integra dinâmicas de acúmulo de estresse, variáveis de ativação emocional e mecanismos adaptativos de retroalimentação regulatória em uma formulação unificada no espaço de estados. Clique aqui para visualizar uma versão maior desta figura.
O objetivo geral do método apresentado neste trabalho é estabelecer uma estrutura de modelagem não linear mecanicista que permita a análise da regulação do estresse no ensino superior como um sistema dinâmico capaz de exibir multiestabilidade, regimes oscilatórios e transições críticas. Diferentemente dos modelos lineares convencionais de índice de estresse, a estrutura proposta incorpora explicitamente interações de retroalimentação não lineares entre a energia de estresse acumulada, a ativação emocional e a capacidade de regulação adaptativa17,18,19,20. Essas interações não lineares permitem a identificação de estados de equilíbrio, a caracterização das margens de estabilidade e a detecção de pontos de inflexão associados às transições de esgotamento. Além disso, a estrutura introduz uma interpretação do tipo paisagem energética da regulação emocional, na qual funções de potencial do tipo Lyapunov descrevem a estrutura de estabilidade dos estados emocionais21,22,23. Nessa representação, a resiliência pode ser quantificada pela profundidade da bacia de atração, enquanto os limiares de instabilidade correspondem a pontos de bifurcação nos quais atratores estáveis desaparecem.
Para aumentar o realismo, o modelo incorpora termos de forçamento periódico que representam ciclos acadêmicos semestrais, bem como perturbações estocásticas que capturam eventos acadêmicos inesperados ou flutuações ambientais24,25,26. Essas extensões permitem que a estrutura simule dinâmicas realistas de estresse acadêmico, incluindo ciclos oscilatórios de estresse durante os períodos de exames e transições induzidas por ruído entre estados emocionais. Tais capacidades de modelagem oferecem vantagens em relação a abordagens puramente estatísticas, possibilitando análises preditivas de limiares de instabilidade e mecanismos de resiliência.
Abordagens dinâmicas não lineares já foram aplicadas anteriormente em áreas como regulação biológica, neurociência e sistemas sociais complexos, onde processos impulsionados por retroalimentação produzem comportamentos emergentes que não podem ser explicados por meio de modelos lineares27,28,29. A aplicação de princípios semelhantes de regulação do estresse no ensino superior integra a psicologia educacional e a teoria dos sistemas dinâmicos, permitindo a análise de processos de regulação emocional dentro de uma estrutura matematicamente rigorosa. Ao combinar modelagem dinâmica não linear, teoria da estabilidade e análise de paisagem energética, o método descrito aqui fornece uma plataforma unificada para investigar a dinâmica do estresse, mecanismos de resiliência e estabilidade emocional em ambientes acadêmicos30.
Em última análise, essa estrutura permite aos pesquisadores analisar como o estresse se acumula, como as respostas emocionais evoluem e como mecanismos regulatórios adaptativos influenciam a estabilidade de longo prazo do sistema. A abordagem, portanto, oferece uma poderosa ferramenta metodológica para estudar a resiliência, as transições para esgotamento e os processos de recuperação em sistemas de ensino superior. Além de sua contribuição metodológica, a estrutura proposta tem a intenção de servir como uma ponte interdisciplinar entre a psicologia educacional e a ciência dos sistemas dinâmicos não lineares. Ao traduzir processos psicológicos, como o acúmulo de estresse, a ativação emocional, a resiliência e a regulação adaptativa, em variáveis de estado matematicamente tratáveis, a estrutura fornece uma linguagem analítica comum para investigar fenômenos educacionais complexos com ferramentas dinâmicas rigorosas. Essa integração aumenta a clareza conceitual, facilita a futura calibração empírica por meio de medidas comportamentais e psicológicas e apoia o desenvolvimento de modelos preditivos e explicativos para a regulação do estresse em ambientes acadêmicos31. Em termos simples, a estrutura proposta examina como o estresse acadêmico se acumula, como as respostas emocionais mudam ao longo do tempo e como os mecanismos de enfrentamento influenciam a recuperação e a resiliência. O modelo visa identificar as condições sob as quais os estudantes mantêm a estabilidade emocional ou tornam-se vulneráveis ao esgotamento, unindo assim a teoria psicológica à análise quantitativa de sistemas.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Protocolo
Este protocolo não envolve experimentação com seres humanos ou animais. O estudo baseia-se exclusivamente na modelagem matemática e na simulação computacional da dinâmica estresse–emoção em sistemas de ensino superior. As ferramentas computacionais, ambientes de software e recursos numéricos necessários para implementar o framework de modelagem dinâmica não linear descrito no protocolo estão listados na Tabela de Materiais.
1. Inicialização do modelo e configuração do ambiente computacional
- Abra o ambiente computacional e crie um diretório de projeto novo para o estudo de simulação. Os detalhes completos do software estão fornecidos no Arquivo Suplementar 1.
- Crie um arquivo de script principal denominado StressEmotionModel.m para a implementação do modelo não linear de estresse–emoção–regulação.
- Defina as três variáveis de estado que representam o sistema dinâmico.
- Defina S(t) como o estresse acadêmico acumulado. Defina E(t) como a ativação emocional.
- Defina R(t) como a capacidade regulatória adaptativa.
- Crie um arquivo de inicialização de parâmetros e atribua valores a todos os parâmetros básicos do modelo.
- Defina o conjunto básico de parâmetros da seguinte forma.
- Defina o parâmetro de forçamento externo F como 2,0. Defina o parâmetro de dissipação de estresse β como 0,30.
- Defina o parâmetro de acoplamento estresse–emoção γ como 0,50. Defina o parâmetro de ganho de regulação κ como 0,40.
- Defina o parâmetro de sensibilidade emocional α como 0,80. Defina o parâmetro de relaxamento emocional δ como 0,50.
- Defina o parâmetro de saturação não linear µ como 0,10. Defina o parâmetro de interação mediada pela regulação η como 0,20. Defina o parâmetro de decaimento da regulação λ como 0,25.
- Defina o vetor de estado inicial.
- Defina S(0) = 1,0.
- Defina E(0) = 0,5.
- Defina R(0) = 0,8.
OBSERVAÇÃO: Utilize valores idênticos de parâmetros em todas as simulações básicas, exceto ao realizar uma análise de sensibilidade.
2. implementação do modelo dinâmico não linear
- Crie um arquivo de função contendo as equações diferenciais acopladas que regem as dinâmicas de estresse, emoção e regulação. As equações governantes são fornecidas no Arquivo Suplementar 1 (Seção S1.2), enquanto a implementação correspondente no MATLAB é apresentada no Arquivo Suplementar 1 (Seção S1.8).
NOTA: Os parâmetros de modelo de referência, condições iniciais, configuração do resolvedor numérico e equações diferenciais ordinárias não lineares governantes são fornecidos no Arquivo Suplementar 1 (Seções S1.2–S1.6). Esses parâmetros são usados consistentemente em todas as simulações numéricas, salvo indicação em contrário. - Implemente a equação de evolução do estresse para a variável de estado de estresse acumulado S(t), conforme o sistema dinâmico não linear governante descrito no Arquivo Suplementar 1, Seção S1.2. A implementação computacional correspondente dessa equação está disponível no Arquivo Suplementar 1, Seção S1.8 (Função 1: Equações do Modelo).
- Implemente a equação de ativação emocional descrita no Arquivo Suplementar 1, Seção S1.2. A implementação no MATLAB da equação de ativação emocional está disponível no Arquivo Suplementar 1, Seção S1.8 (Função 1: Equações do Modelo).
- Implemente a equação de regulação adaptativa que rege a variável de estado de capacidade regulatória R(t), conforme o modelo não linear descrito no Arquivo Suplementar 1, Seção S1.2. A implementação correspondente no MATLAB é fornecida no Arquivo Suplementar 1, Seção S1.8 (Função 1: Equações do Modelo).
- Habilite perturbações estocásticas opcionais introduzindo termos de ruído gaussiano independentes em cada variável de estado, a fim de simular perturbações acadêmicas aleatórias e variabilidade ambiental.
- Realize 30 realizações estocásticas independentes (n = 30) utilizando diferentes sequências de ruído aleatório, mantendo os mesmos parâmetros de referência do modelo e condições iniciais.
- Calcule as trajetórias médias e as estimativas correspondentes de variabilidade, sendo que as barras de erro apresentadas na seção Resultados representam a variação estatística entre essas realizações independentes.
- Integre o sistema dinâmico não linear utilizando o resolvedor numérico ODE45 com tolerância relativa de 1 × 10⁻6, tolerância absoluta de 1 × 10⁻8, passo inicial de integração de 0,001 e tamanho máximo de passo de 0,05 no intervalo de simulação 0 ≤ t ≤ 500.
- Forneça a implementação computacional detalhada, configuração do resolvedor e fluxo de trabalho da simulação no Arquivo Suplementar 1, Seções S1.6–S1.11.
- Defina as amplitudes estocásticas da seguinte forma.
- Defina σS = 0,05.
- Defina σE = 0,05.
- Defina σR = 0,03.
- Restrinja todas as variáveis de estado para que permaneçam não negativas durante a integração numérica.
- Substitua valores numéricos negativos por zero durante o pós-processamento.
3. Simulação numérica
- Configure o resolvedor numérico.
- Selecione ODE45 para simulações determinísticas.
- Selecione uma rotina equivalente de integração estocástica quando forem realizadas simulações estocásticas.
- Determine numericamente o estado de equilíbrio utilizando a função fsolve do MATLAB com uma estimativa inicial do estado de [1, 1, 1]. Considera-se que a solução iterativa convergiu quando o resolvedor satisfaz seus critérios padrão de convergência não linear sob as tolerâncias numéricas especificadas.
Observação: A implementação completa está fornecida no Arquivo Suplementar 1, Seção S1.8 (Resolvedor de Equilíbrio).
- Defina as configurações do resolvedor numérico.
- Defina a tolerância relativa como 10⁻6. Defina a tolerância absoluta como 10⁻8.
- Defina o tamanho máximo do passo como 0,05. Defina o tamanho inicial do passo como 0,001.
- Defina o intervalo de simulação de t = 0 até t = 500.
- Amostra as trajetórias de saída em intervalos de Δt = 0,1.
- Execute a integração numérica.
- Armazene as trajetórias simuladas de S(t), E(t) e R(t).
- Exporte as saídas da simulação no formato de valores separados por vírgula (CSV) para análise posterior.
PONTO DE PAUSA: Nesta etapa, todas as trajetórias de simulação e saídas numéricas foram geradas e exportadas. O fluxo de trabalho pode ser pausado e retomado posteriormente recarregando os arquivos de parâmetros arquivados e as saídas de simulação antes de prosseguir para a análise de equilíbrio, análise de estabilidade, visualização e análise de sensibilidade.
4. Análise de equilíbrio e estabilidade
- Calcule as soluções de equilíbrio igualando todas as derivadas de estado a zero. Resolva as equações algébricas não lineares resultantes utilizando um algoritmo numérico de busca de raízes.
NOTA: Considera-se que uma solução em estado estacionário foi alcançada quando a diferença absoluta entre dois vetores de estado sucessivos satisfaz o critério de convergência especificado. O critério detalhado de convergência é fornecido no Arquivo Suplementar 1, Seção S1.7. - Calcule a matriz jacobiana em cada ponto de equilíbrio. Determine os autovalores da matriz jacobiana.
- Classifique os estados de equilíbrio de acordo com o sinal do autovalor com maior parte real. Identifique os equilíbrios como estáveis quando todos os autovalores tiverem partes reais negativas.
- Gere mapas de estabilidade mostrando a distribuição das regiões operacionais estáveis e instáveis.
5. Visualização no espaço de fases e no domínio do tempo
- Gere gráficos no domínio do tempo de S(t), E(t) e R(t). Crie retratos de fase bidimensionais para o plano S–E.
- Crie retratos de fase bidimensionais para o plano E–R. Gere trajetórias tridimensionais no espaço de estados S–E–R.
- Sobreponha campos vetoriais e gráficos de linhas de corrente aos retratos de fase, quando aplicável. Salve todas as figuras em um formato de imagem de alta resolução para documentação e publicação.
6. Análise de sensibilidade
- Crie um script de análise de sensibilidade. Varie um parâmetro por vez, mantendo todos os demais parâmetros em seus valores de referência. Realize a análise de sensibilidade para o parâmetro de acoplamento estresse–emoção.
- Realize a análise de sensibilidade para o parâmetro de dissipação do estresse. Realize a análise de sensibilidade para o parâmetro de ganho de regulação. Realize a análise de sensibilidade para o parâmetro de forçamento externo.
- Realize a análise de sensibilidade para o parâmetro de saturação emocional não linear. Execute a simulação para cada valor do parâmetro.
- Calcule o equilíbrio emocional em estado estacionário após cada simulação. Armazene todos os valores de equilíbrio em um banco de dados de resultados.
- Realize análises de sensibilidade com um único parâmetro, variando independentemente os parâmetros principais do modelo dentro das faixas predefinidas listadas no Arquivo Suplementar 1, Seção S1.10. Especificamente, varie γ de 0,1 a 2,0 em incrementos de 0,1, β de 0,1 a 1,0 em incrementos de 0,05, κ de 0,1 a 2,0 em incrementos de 0,1, F de 0,5 a 5,0 em incrementos de 0,25, e µ de 0,01 a 1,0 em incrementos de 0,05.
NOTA: Para cada valor do parâmetro, realize a integração numérica, calcule a solução em estado estacionário, armazene as variáveis de estado resultantes e gere as curvas de sensibilidade e os gráficos comparativos correspondentes. - Gere curvas de sensibilidade. Gere gráficos de dispersão comparativos.
- Gere gráficos de barras comparativos. Gere mapas de calor de resposta ao parâmetro.
7. Geração e verificação da saída
- Verifique a convergência de todas as simulações. Confirme que as trajetórias dos estados permanecem limitadas ao longo do intervalo de simulação.
- Verifique se a solução numérica atingiu um estado estacionário antes de prosseguir com as análises subsequentes.
NOTA: A convergência é assumida quando as mudanças sucessivas em todas as variáveis de estado satisfazem o critério de convergência pré-definido descrito no Arquivo Suplementar 1, Seção S1.7 (Critérios de Convergência). Somente soluções convergentes são utilizadas posteriormente para análises de equilíbrio, estabilidade e sensibilidade. - Confirme que as soluções de equilíbrio satisfazem o critério de convergência. Exporte todas as saídas das simulações, mapas de estabilidade, retratos de fase, gráficos de sensibilidade e conjuntos de dados numéricos.
NOTA: Salvo indicação em contrário, todas as simulações utilizam o conjunto de parâmetros de referência apresentado no Arquivo Suplementar 1, e todas as análises numéricas seguem o fluxo de trabalho computacional resumido no Arquivo Suplementar 1, Seção S1.9. O código-fonte completo em MATLAB, arquivos de parâmetros, configurações do resolvedor e rotinas de visualização necessárias para reproduzir as simulações relatadas são fornecidos no Arquivo Suplementar 1. - Arquive todos os scripts, arquivos de parâmetros e arquivos de saída para garantir a reprodutibilidade e estudos futuros de validação.
NOTA: Forneça todo o código-fonte em MATLAB, arquivos de parâmetros, rotinas de plotagem e fluxos de trabalho de simulação como materiais suplementares para permitir a reprodução independente dos resultados relatados.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Resultados
Para validar a estrutura dinâmica não linear proposta e demonstrar suas vantagens em relação às formulações lineares convencionais, foi conduzido um estudo abrangente de simulação numérica (Arquivo Suplementar 2). Salvo indicação em contrário, todos os resultados das simulações estocásticas são apresentados como média ± desvio padrão (DP) obtidos a partir de 30 realizações independentes (n = 30). As comparações estatísticas entre os cenários de simulação foram realizadas utilizando um teste estatístico a...
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Discussão
O protocolo computacional apresentado aqui demonstra como uma estrutura dinâmica não linear pode ser implementada para simular interações entre estresse e emoção por meio de integração numérica, análise de estabilidade e análise de sensibilidade. Um passo crítico na implementação deste método é a integração numérica correta das equações diferenciais governantes em intervalos de tempo suficientemente longos para garantir a convergência em direção à dinâmica de estado estacionário ou atratora. As análises de sensibilidade ...
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Divulgações
O autor declara não haver interesses financeiros ou não financeiros concorrentes e nem conflitos de interesses. O ChatGPT (OpenAI, GPT-5.5) foi utilizado exclusivamente para edição de linguagem, correção gramatical e melhorias na legibilidade do manuscrito durante sua preparação. Todo o conteúdo científico, formulações matemáticas, metodologia, análises, interpretações e conclusões foram concebidos, desenvolvidos, verificados e aprovados pelo autor. O autor assume total responsabilidade pela precisão, originalidade e integridade do manuscrito.
Agradecimentos
O autor agradece à Escola de Humanidades do Zhuhai College of Science and Technology, Zhuhai, Guangdong, China, pelo valioso apoio acadêmico e incentivo durante o desenvolvimento desta pesquisa. O apoio da instituição e seu ambiente de pesquisa construtivo facilitaram grandemente a conclusão deste estudo.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Materiais
| Nome | Empresa | Número de catálogo | Comentários |
|---|---|---|---|
| Solucionador de Equações Diferenciais (ODE45) | MathWorks | MATLAB R2024a | Solucionador numérico utilizado para integrar as equações diferenciais não lineares acopladas. Tolerância relativa = 1×10-6; Tolerância absoluta = 1×10-8. |
| Software MATLAB | MathWorks, Natick, MA, EUA | RRID: SCR_001622 | Software principal de computação numérica utilizado para implementação do modelo, análise de estabilidade, análise de sensibilidade, visualização do espaço de fases, geração de paisagens de energia de Lyapunov e produção de figuras. |
| Pacote de Documentação Metodológica | Arquivo Suplementar S2 | N/A | Contém documentação do arcabouço teórico, interpretação de parâmetros, estratégia de validação, limitações e descrições do fluxo de trabalho computacional. |
| Biblioteca de Processamento de Arrays Numéricos (NumPy) | Desenvolvedores do NumPy | NumPy 2.0 | Biblioteca utilizada para operações matriciais, cálculos numéricos, varreduras de parâmetros e processamento de dados na implementação em Python. |
| Ambiente de Simulação Numérica | Ambiente MATLAB R2024a | N/A | Ambiente computacional utilizado para executar o modelo não linear de estresse–emoção–regulação, varreduras de parâmetros, análise de equilíbrio e simulações estocásticas. |
| Caixa de Ferramentas de Otimização | MathWorks | Caixa de Ferramentas de Otimização do MATLAB | Utilizada para o cálculo de estados de equilíbrio por meio de métodos de busca de raízes não lineares (fsolve). |
| Ambiente de Programação Python | Fundação Software Python | Python 3.12 | Plataforma computacional alternativa utilizada para verificar os resultados numéricos e reproduzir simulações e visualizações selecionadas. |
| Biblioteca de Computação Científica (SciPy) | Comunidade SciPy | SciPy 1.14 | Biblioteca utilizada para cálculos numéricos, resolução de equações não lineares e análise de equações diferenciais na implementação em Python. |
| Pacote de Código Fonte | Arquivo Suplementar S1 | N/A | Contém scripts MATLAB, configurações de solucionadores, arquivos de parâmetros, rotinas de análise de sensibilidade, códigos de análise de estabilidade e fluxos de trabalho de visualização necessários para reprodutibilidade completa. |
| Software de Planilha Eletrônica | Microsoft Corporation | Microsoft Excel 365 | Utilizado para armazenamento, organização, exportação e inspeção das saídas de simulação e conjuntos de dados suplementares. |
| Ferramenta de Visualização (Matplotlib) | Equipe de Desenvolvimento do Matplotlib | Matplotlib 3.9 | Biblioteca científica de plotagem utilizada para gerar gráficos de sensibilidade, diagramas de estabilidade, trajetórias no espaço de fases, mapas de calor e figuras de qualidade para publicação. |
Referências
- 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
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.