A Nonlinear Dynamic System Modeling of Stress Regulation and Emotional Behavior in Higher Education

Özet

This protocol presents a physics-inspired nonlinear state-space framework for modeling stress–emotion dynamics in higher education, enabling users to analyze burnout thresholds, oscillatory stress cycles, resilience, and adaptive regulation using differential equations, stability analysis, and stochastic simulations.

Özet

Stress regulation and emotional behavior in higher education are commonly examined using descriptive statistical models that lack a mechanistic dynamical structure. However, academic stress exhibits nonlinear behaviors, including threshold effects, burnout, and adaptive responses, that are not adequately captured by linear models. This study adopts a nonlinear dynamical systems perspective to model stress regulation and emotional behavior in higher education. The primary aim of this study is to develop a physics-inspired nonlinear state-space framework that rigorously models stress–emotion coupling and adaptive regulation in higher education. The protocol establishes a nonlinear state-space model describing stress, emotional activation, and regulatory capacity. Users can implement the protocol to simulate system dynamics and evaluate stability under varying academic conditions. The framework incorporates nonlinear stability analyses and stochastic simulations to investigate resilience, instability, and burnout-related transitions. Simulation results demonstrate nonlinear stability, resilience effects, and regime transitions that are not captured by conventional linear models. The results indicate that stress regulation in higher education behaves as a nonlinear dynamical system. By integrating nonlinear dynamics, energy landscape modeling, and adaptive regulation theory, this work provides a unified predictive framework that explains resilience, instability, and recovery processes in academic environments. The framework provides a foundation for future studies of student wellbeing and burnout risk. The framework is relevant to researchers and practitioners interested in student well-being and stress regulation.

Giriş

Yükseköğretimde stres düzenlemesi ve duygusal davranış, içsel psikolojik geri bildirimlerin ve dışsal akademik baskıların ortak etkisi altında zamanla gelişen karmaşık bir dinamik süreç olarak yorumlanabilir¹. Ders yükü, sınavlar, kurumsal beklentiler ve sosyal değerlendirmeler, öğrencilerin duygusal durumlarını sürekli olarak etkileyerek kaygı, motivasyon ve bağlılıkta dalgalanmalara yol açar². Bu duygusal tepkiler; bilişsel değerlendirme, başa çıkma stratejileri ve adaptif düzenleme mekanizmaları tarafından yönetilen çok boyutlu bir faz uzayı içinde gelişir³. Eğitim psikolojisindeki klasik stres tepki modelleri, genellikle stres uyarıcıları ile duygusal tepkiler arasında orantılı ilişkiler olduğunu varsayar ve bu ilişkileri tanımlamak için sıklıkla regresyon analizlerine veya tanımlayıcı istatistiksel indekslere dayanır⁴. Ancak ampirik gözlemler; eşik etkileri, doygunluk, histerezis ve tükenmişlik ile duygusal çöküşü içeren ani geçişler gibi doğrusal olmayan özellikleri tutarlı bir şekilde ortaya koymaktadır⁵. Küçük stresörler, kararlı koşullar altında ihmal edilebilir duygusal kaymalara neden olabilir; ancak kritik eşiklerin yakınında, orantısız duygusal tepkileri tetikleyebilirler⁶. Bu davranış, dengeden uzak tutulan fiziksel sistemlerde gözlemlenen doğrusal olmayan osilasyonlara ve bifurkasyon fenomenlerine benzer⁷. Bu bakış açısıyla öğrenciler, düzenleme ve adaptasyonu yöneten geri bildirim süreçleri aracılığıyla akademik çevreleriyle stresle ilgili "enerji"yi sürekli olarak takas eden açık disipatif sistemler olarak kavramsallaştırılabilir⁸.

Eğitsel ve psikolojik bir perspektiften, mevcut çerçevede kullanılan kavramlar sezgisel olarak yorumlanabilir. Stres birikimi, akademik talepler ve çevresel baskıların oluşturduğu aşamalı yükü temsil eder. Duygusal aktivasyon; kaygı, hayal kırıklığı, motivasyon ve bağlılık gibi afektif durumlardaki değişiklikleri yansıtırken, düzenleyici kapasite öğrencilerin zorluklara uyum sağlamasına yardımcı olan başa çıkma ve öz düzenleme mekanizmalarına karşılık gelir. Gelecekteki ampirik uygulamalar için stres birikimi, algılanan stres ölçekleri kullanılarak temsil edilebilir; duygusal aktivasyon, valide edilmiş kaygı, duygu durum veya duygusal esenlik araçlarıyla değerlendirilebilir ve düzenleyici kapasite, psikolojik dayanıklılık, başa çıkma veya öz düzenleme ölçümleri kullanılarak tahmin edilebilir. Bu eşleştirmeler, gelecekteki parametre tahmini ve model kalibrasyonu için pratik bir temel sağlar. Bu bağlamda, stabilite, psikolojik dayanıklılık ve kritik geçişler gibi doğrusal olmayan kavramlar, psikolojik adaptasyonun farklı örüntüleri olarak anlaşılabilir. Stabil durumlar dengeli duygusal işleyişi temsil eder, psikolojik dayanıklılık bozulmalardan sonra toparlanma yeteneğini yansıtır ve kritik geçişler, kronik stres veya tükenmişlik gibi maladaptif sonuçlara doğru ani kaymalara karşılık gelir. Bu yorumlar, eğitim psikolojisi ile doğrusal olmayan dinamik sistemler teorisi arasında daha net bir kavramsal köprü kurarak önerilen çerçevenin disiplinlerarası izleyici kitleler için erişilebilirliğini artırır.

Bu etkileşimlerin kavramsal bir genel görünümünü sunmak için, Şekil 1 yükseköğretim sistemlerindeki dinamik stres-duygu etkileşimlerinin yapısını göstermektedir. Diyagram; akademik taleplerden kaynaklanan stres girdilerini, psikolojik durumun gelişimini temsil eden duygusal tepki değişkenlerini ve geri bildirim döngüleri aracılığıyla sistemi düzenleyen adaptif düzenleyici mekanizmaları sunmaktadır. Bu bileşenler dinamik olarak etkileşime girerek, kararlı duygusal durumlara doğru yakınsayabilen veya uyumsuz rejimlere doğru uzaklaşabilen bir stres-duygu faz uzayı içinde yörüngeler oluşturur. Bu kavramsal temsil, duygusal düzenlemenin dinamik doğasını vurgulasa da, mevcut psikolojik modeller bu ilişkileri zamansal gelişimi tanımlayan açık matematiksel yapılara nadiren dönüştürmektedir.

Şekil 1: Yükseköğretim sistemlerinde dinamik stres–duygu etkileşiminin kavramsal diyagramı. Bu şekil, akademik ortamlardaki stres–duygu dinamiklerinin kavramsal yapısını göstermektedir. Diyagram; akademik taleplerden kaynaklanan stres girdilerini, psikolojik durumların gelişimini temsil eden duygusal yanıt değişkenlerini ve geri bildirim döngüleri aracılığıyla sistemi düzenleyen adaptif regülasyon mekanizmalarını göstermektedir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Mevcut modelleme yaklaşımlarının sınırlılıkları, mevcut stres modelleme literatüründeki temel araştırma boşluklarını belirleyen kavramsal bir çerçeve sunan Şekil 2'de daha ayrıntılı olarak gösterilmiştir. Diyagramın merkezinde, stres-duygu etkileşimi için mekanistik bir dinamik çerçevenin eksikliği yer almaktadır. Bu sınırlılığı çevreleyen ve güncel araştırmaları karakterize eden birkaç birbirine bağlı boşluk bulunmaktadır. İlk olarak, birçok çalışma, zaman evrimini ve geri besleme dinamiklerini tanımlayan yönetici denklemlerden yoksun, korelasyona dayalı stres indekslerine güvenmektedir⁹. İkinci olarak, tükenmişlik ve duygusal istikrarsızlık, sıklıkla Jacobian matrisleri veya özdeğer tabanlı kriterler kullanılarak yapılan formal stabilite analizleri yerine nitel olarak tanımlanmaktadır¹⁰. Üçüncü olarak, mevcut modeller, duygusal düzenleme sistemleri içindeki dayanıklılığı veya çekim havzası geometrisini nicelleştirebilen enerji manzarası temsillerinden yoksundur¹¹. Son olarak, stres ve duygusal tepkiler genellikle doğrusal olmayan geri besleme süreçleri tarafından yönetilen dinamik olarak eşleşmiş durum değişkenleri yerine bağımsız değişkenler olarak ele alınmaktadır¹². Hep birlikte bu boşluklar, yükseköğretim stres sistemlerindeki salınım davranışını, çoklu stabiliteyi ve faz geçişlerini tanımlayabilen titiz bir dinamik modelleme çerçevesine olan ihtiyacı vurgulamaktadır.

Şekil 2: Mevcut stres modelleme literatüründeki araştırma boşluklarını gösteren kavramsal çerçeve.Bu şekil, güncel stres modelleme yaklaşımlarındaki temel sınırlamaların kavramsal bir genel görünümünü sunmaktadır. Diyagramın merkezinde, stres-duygu etkileşimini tanımlayan mekanistik bir dinamik çerçevenin eksikliği yer almaktadır. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Bu sınırlamaları gidermek amacıyla, Şekil 3 bu çalışmada geliştirilen önerilen doğrusal olmayan dinamik modelleme mimarisini sunmaktadır. Çerçeve; stres birikim dinamiklerini, duygusal aktivasyon değişkenlerini ve adaptif düzenleyici geri bildirim mekanizmalarını birleşik bir doğrusal olmayan durum-uzay formülasyonu içinde entegre eder. Bu çerçeve dahilinde sistemin evrimi, iç düzenleme dinamiklerini, dış zorlama etkilerini ve beklenmedik akademik olaylardan kaynaklanan stokastik pertürbasyonları yakalayan doğrusal olmayan diferansiyel denklemler aracılığıyla tanımlanabilir. Böyle bir formülasyon, stres-duygu etkileşimlerinin; denge analizi, bifurkasyon analizi, Lyapunov kararlılık teorisi ve stokastik kararlılık yöntemleri dahil olmak üzere doğrusal olmayan dinamik sistemler teorisinden gelen araçlar kullanılarak analiz edilmesine olanak tanır^13,14,15,16. Açık yönetici denklemler sunarak model, duygusal durumların sürekli çevresel zorlama ve iç geri bildirim süreçleri altında zamanla nasıl evrildiğinin titiz bir şekilde analiz edilmesini sağlar.

Şekil 3: Stres-duygu regülasyonu için önerilen doğrusal olmayan dinamik modelleme mimarisi.Bu şekil, yükseköğretim sistemlerindeki stres-duygu etkileşimlerini modellemek için bu çalışmada geliştirilen doğrusal olmayan dinamik çerçeveyi göstermektedir. Mimari; stres birikim dinamiklerini, duygusal aktivasyon değişkenlerini ve adaptif düzenleyici geri bildirim mekanizmalarını birleşik bir durum-uzayı formülasyonunda entegre etmektedir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayınız.

Bu çalışmada sunulan yöntemin genel amacı; yükseköğretimde stres düzenlemesinin, çoklu kararlılık, salınımlı rejimler ve kritik geçişler sergileyebilen dinamik bir sistem olarak analiz edilmesini sağlayan mekanistik bir lineer olmayan modelleme çerçevesi oluşturmaktır. Geleneksel lineer stres indeksi modellerinin aksine, önerilen çerçeve; birikmiş stres enerjisi, duygusal aktivasyon ve adaptif düzenleme kapasitesi arasındaki lineer olmayan geri besleme etkileşimlerini açıkça içerir^17,18,19,20. Bu lineer olmayan etkileşimler; denge durumlarının belirlenmesine, kararlılık marjlarının karakterizasyonuna ve tükenmişlik geçişleriyle ilişkili kırılma noktalarının tespitine olanak tanır. Ayrıca çerçeve, Lyapunov tipi potansiyel fonksiyonlarının duygusal durumların kararlılık yapısını tanımladığı, duygusal düzenlemenin bir enerji-manzara yorumlamasını sunar^21,22,23. Bu temsil kapsamında psikolojik sağlamlık, çekim havzası derinliği ile nicelleştirilebilirken, kararsızlık eşikleri ise kararlı çekicilerin yok olduğu çatallanma noktalarına karşılık gelir.

Gerçekçiliği artırmak için model, akademik dönem döngülerini temsil eden periyodik zorlama terimlerinin yanı sıra beklenmedik akademik olayları veya çevresel dalgalanmaları yakalayan stokastik pertürbasyonları da içermektedir^24,25,26. Bu genişletmeler, çerçevenin sınav dönemlerindeki osilatuar stres döngüleri ve duygusal durumlar arasındaki gürültü güdümlü geçişler dahil olmak üzere gerçekçi akademik stres dinamiklerini simüle etmesine olanak tanır. Bu tür modelleme yetenekleri, kararsızlık eşikleri ve dayanıklılık mekanizmalarının öngörücü analizlerine imkan tanıyarak tamamen istatistiksel yaklaşımlara göre avantajlar sağlar.

Lineer modeller kullanılarak açıklanamayan, geri besleme odaklı süreçlerin ortaya çıkardığı beliren davranışların olduğu biyolojik regülasyon, nörobilim ve karmaşık sosyal sistemler gibi alanlarda daha önce doğrusal olmayan dinamik yaklaşımlar uygulanmıştır^27,28,29. Yükseköğretimde stres regülasyonuna yönelik benzer ilkelerin uygulanması, eğitim psikolojisi ile dinamik sistemler teorisi arasında bir köprü kurarak duygu düzenleme süreçlerinin matematiksel olarak titiz bir çerçevede analiz edilmesine olanak tanır. Doğrusal olmayan dinamik modelleme, kararlılık teorisi ve enerji manzara analizini birleştiren burada açıklanan yöntem; akademik ortamlardaki stres dinamikleri, dayanıklılık mekanizmaları ve duygusal kararlılığın araştırılması için birleşik bir platform sunmaktadır³⁰.

Nihayetinde bu çerçeve, araştırmacıların stresin nasıl biriktiğini, duygusal yanıtların nasıl geliştiğini ve adaptif düzenleyici mekanizmaların uzun vadeli sistem stabilitesini nasıl etkilediğini analiz etmelerine olanak tanır. Dolayısıyla bu yaklaşım, yükseköğretim sistemlerinde psikolojik sağlamlık, tükenmişlik geçişleri ve iyileşme süreçlerini incelemek için güçlü bir metodolojik araç sunmaktadır. Metodolojik katkısının ötesinde, önerilen çerçevenin eğitim psikolojisi ile doğrusal olmayan dinamik sistemler bilimi arasında disiplinler arası bir köprü görevi görmesi amaçlanmaktadır. Stres birikimi, duygusal aktivasyon, psikolojik sağlamlık ve adaptif düzenleme gibi psikolojik süreçleri matematiksel olarak işlenebilir durum değişkenlerine dönüştüren bu çerçeve, karmaşık eğitimsel fenomenlerin titiz dinamik araçlarla araştırılması için ortak bir analitik dil sağlar. Bu entegrasyon, kavramsal netliği artırır, davranışsal ve psikolojik ölçümler kullanılarak yapılacak gelecekteki ampirik kalibrasyonları kolaylaştırır ve akademik ortamlarda stres düzenlemesine yönelik öngörücü ve açıklayıcı modellerin geliştirilmesini destekler³¹. Basitçe ifade etmek gerekirse, önerilen çerçeve; akademik stresin nasıl biriktiğini, duygusal yanıtların zamanla nasıl değiştiğini ve başa çıkma mekanizmalarının iyileşme ile psikolojik sağlamlığı nasıl etkilediğini incelemektedir. Model, öğrencilerin hangi koşullar altında duygusal stabilitelerini koruduklarını veya tükenmişliğe karşı savunmasız hale geldiklerini belirlemeyi amaçlayarak psikolojik teori ile nicel sistem analizi arasında bir köprü kurmaktadır.

Protokol

This protocol does not involve human or animal experimentation. The study relies exclusively on mathematical modeling and computational simulation of stress–emotion dynamics in higher education systems. The computational tools, software environments, and numerical resources required to implement the nonlinear dynamical modeling framework described in the protocol are listed in the Table of Materials.

1. Model initialization and computational environment setup

1. Open the computational environment and create a new project directory for the simulation study. Complete software details are provided in Supplementary File 1.
2. Create a primary script file named StressEmotionModel.m for implementation of the nonlinear stress–emotion–regulation framework.
3. Define the three state variables representing the dynamical system.
   1. Define S(t) as accumulated academic stress. Define E(t) as emotional activation.
   2. Define R(t) as adaptive regulatory capacity.
4. Create a parameter initialization file and assign values to all baseline model parameters.
5. Define the baseline parameter set as follows.
   1. Set the external forcing parameter F to 2.0. Set the stress dissipation parameter β to 0.30.
   2. Set the stress–emotion coupling parameter γ to 0.50. Set the regulation gain parameter κ to 0.40.
   3. Set the emotional sensitivity parameter α to 0.80. Set the emotional relaxation parameter δ to 0.50.
   4. Set the nonlinear saturation parameter µ to 0.10. Set the regulation-mediated interaction parameter η to 0.20. Set the regulation decay parameter λ to 0.25.
6. Define the initial state vector.
   1. Set S(0) = 1.0.
   2. Set E(0) = 0.5.
   3. Set R(0) = 0.8.
      NOTE: Use identical parameter values across all baseline simulations unless conducting a sensitivity analysis.

2. implementation of the nonlinear dynamical model

1. Create a function file containing the coupled differential equations governing stress, emotion, and regulation dynamics. The governing equations are provided in Supplementary File 1 (Section S1.2), while the corresponding MATLAB implementation is presented in Supplementary File 1 (Section S1.8).
   NOTE: The baseline model parameters, initial conditions, numerical solver configuration, and governing nonlinear ordinary differential equations are provided in Supplementary File 1 (Sections S1.2–S1.6). These parameters are used consistently throughout all numerical simulations unless otherwise specified.
2. Implement the stress evolution equation for the accumulated stress state variable S(t) according to the governing nonlinear dynamical system described in Supplementary File 1, Section S1.2. The corresponding computational implementation of this equation is provided in Supplementary File 1, Section S1.8 (Function 1: Model Equations).
3. Implement the emotional activation equation described in Supplementary File 1, Section S1.2. The MATLAB implementation of the emotional activation equation is available in Supplementary File 1, Section S1.8 (Function 1: Model Equations).
4. Implement the adaptive regulation equation governing the regulatory capacity state variable R(t) according to the nonlinear model described in Supplementary File 1, Section S1.2. The corresponding MATLAB implementation is provided in Supplementary File 1, Section S1.8 (Function 1: Model Equations).
5. Enable optional stochastic perturbations by introducing independent Gaussian noise terms into each state variable to simulate random academic disturbances and environmental variability.
6. Perform 30 independent stochastic realizations (n = 30) using different random noise sequences while maintaining identical baseline model parameters and initial conditions.
7. Compute the mean trajectories and the corresponding variability estimates, with the error bars reported in the Results section representing the statistical variation across these independent realizations.
8. Integrate the nonlinear dynamical system using the ODE45 numerical solver with a relative tolerance of 1 × 10⁻⁶, an absolute tolerance of 1 × 10⁻⁸, an initial integration step of 0.001, and a maximum step size of 0.05 over the simulation interval 0 ≤ t ≤ 500.
9. Provide the detailed computational implementation, solver configuration, and simulation workflow in Supplementary File 1, Sections S1.6–S1.11.
10. Define the stochastic amplitudes as follows.
    1. Set σS = 0.05.
    2. Set σE = 0.05.
    3. Set σR = 0.03.
11. Constrain all state variables to remain non-negative during numerical integration.
12. Replace negative numerical values with zero during post-processing.

3. Numerical simulation

1. Configure the numerical solver.
   1. Select ODE45 for deterministic simulations.
   2. Select an equivalent stochastic integration routine when stochastic simulations are performed.
   3. Determine the equilibrium state numerically using the MATLAB fsolve function with an initial state estimate of [1, 1, 1]. The iterative solution is considered converged when the solver satisfies its default nonlinear convergence criteria under the specified numerical tolerances.
      ​Note: The complete implementation is provided in Supplementary File 1, Section S1.8 (Equilibrium Solver).
2. Define the numerical solver settings.
   1. Set the relative tolerance to 10⁻⁶. Set the absolute tolerance to 10⁻⁸.
   2. Set the maximum step size to 0.05. Set the initial step size to 0.001.
3. Define the simulation interval from t = 0 to t = 500.
4. Sample output trajectories at intervals of Δt = 0.1.
5. Execute the numerical integration.
6. Store the simulated trajectories of S(t), E(t), and R(t).
7. Export the simulation outputs in comma-separated value (CSV) format for subsequent analysis.
   PAUSE POINT: At this stage, all simulation trajectories and numerical outputs have been generated and exported. The workflow may be paused and resumed later by reloading the archived parameter files and simulation outputs before proceeding to equilibrium analysis, stability analysis, visualization, and sensitivity analysis.

4. Equilibrium and stability analysis

1. Calculate equilibrium solutions by setting all state derivatives equal to zero. Solve the resulting nonlinear algebraic equations using a numerical root-finding algorithm.
   NOTE: A steady-state solution is considered to be reached when the absolute difference between two successive state vectors satisfies the specified convergence criterion. The detailed convergence criterion is provided in Supplementary File 1, Section S1.7.
2. Compute the Jacobian matrix at each equilibrium point. Calculate the eigenvalues of the Jacobian matrix.
3. Classify equilibrium states according to the sign of the maximum real eigenvalue. Label equilibria as stable when all eigenvalues have negative real components.
4. Generate stability maps showing the distribution of stable and unstable operating regions.

5. Phase-space and time-domain visualization

1. Generate time-domain plots of S(t), E(t), and R(t). Create two-dimensional phase portraits for the S–E plane.
2. Create two-dimensional phase portraits for the E–R plane. Generate three-dimensional trajectories in the S–E–R state space.
3. Overlay vector fields and streamline plots on the phase portraits, where applicable. Save all figures in a high-resolution image format for documentation and publication.

6. Sensitivity analysis

1. Create a sensitivity-analysis script. Vary one parameter at a time while maintaining all remaining parameters at their baseline values. Perform sensitivity analysis for the stress–emotion coupling parameter.
2. Perform sensitivity analysis for the stress dissipation parameter. Perform sensitivity analysis for the regulation gain parameter. Perform sensitivity analysis for the external forcing parameter.
3. Perform sensitivity analysis for the nonlinear emotional saturation parameter. Execute the simulation for each parameter value.
4. Calculate the steady-state emotional equilibrium after each simulation. Store all equilibrium values in a results database.
5. Perform one-parameter sensitivity analyses by independently varying the principal model parameters over the predefined ranges listed in Supplementary File 1, Section S1.10. Specifically, vary γ from 0.1 to 2.0 using increments of 0.1, β from 0.1 to 1.0 using increments of 0.05, κ from 0.1 to 2.0 using increments of 0.1, F from 0.5 to 5.0 using increments of 0.25, and µ from 0.01 to 1.0 using increments of 0.05.
   NOTE: For each parameter value, perform numerical integration, compute the steady-state solution, store the resulting state variables, and generate the corresponding sensitivity curves and comparison plots.
6. Generate sensitivity curves. Generate comparative scatter plots.
7. Generate comparative bar charts. Generate parameter-response heatmaps.

7. Output generation and verification

1. Verify convergence of all simulations. Confirm that state trajectories remain bounded throughout the simulation interval.
2. Verify that the numerical solution has reached a steady state before proceeding with the subsequent analyses.
   NOTE: Convergence is assumed when the successive changes in all state variables satisfy the predefined convergence criterion described in Supplementary File 1, Section S1.7 (Convergence Criteria). Only converged solutions are subsequently used for equilibrium, stability, and sensitivity analyses.
3. Confirm that equilibrium solutions satisfy the convergence criterion. Export all simulation outputs, stability maps, phase portraits, sensitivity plots, and numerical datasets.
   NOTE: Unless otherwise stated, all simulations employ the baseline parameter set presented in Supplementary File 1, and all numerical analyses follow the computational workflow summarized in Supplementary File 1, Section S1.9. The complete MATLAB source code, parameter files, solver configurations, and visualization routines required to reproduce the reported simulations are provided in Supplementary File 1.
4. Archive all scripts, parameter files, and output files for reproducibility and future validation studies.
   NOTE: Provide all MATLAB source code, parameter files, plotting routines, and simulation workflows as supplementary materials to enable independent reproduction of the reported results.

Sonuçlar

Önerilen doğrusal olmayan dinamik çerçeveyi doğrulamak ve geleneksel doğrusal formülasyonlara göre avantajlarını göstermek amacıyla kapsamlı bir sayısal simülasyon çalışması gerçekleştirilmiştir (Ek Dosya 2). Aksi belirtilmediği sürece, tüm stokastik simülasyon sonuçları 30 bağımsız gerçekleştirmeden (n = 30) elde edilen ortalama ± standart sapma (SD) olarak sunulmuştur. Simülasyon senaryoları arasındaki istatistiksel karşılaştırmalar, p < 0.05 anlamlılık düzeyine sahip uygun bir istatistiksel test kullanılarak yapılmıştır. İstatistiksel karşılaştırmaların yürütüldüğü yerlerde kesin p-değerleri rapor edilmiştir. Simülasyonlar, doğrusal olmayan stres–duygu–düzenleme modelinin parametrelerin sistematik varyasyonu altında nasıl davrandığını değerlendirmiş ve yapısal yanıtlarını geleneksel doğrusal stres modelininkilerle karşılaştırmıştır. Yönetici diferansiyel denklemlerin sayısal entegrasyonu, kararlı duruma veya asimptotik rejimlere yakınsamayı sağlamak için yeterince uzun zaman ufuklarında yürütülmüştür. Her deney için, tek bir parametre önceden tanımlanmış bir aralıkta değiştirilirken her iki modele de özdeş temel koşullar uygulanmıştır. Sistem davranışındaki yapısal farklılıkları vurgulamak amacıyla ortaya çıkan kararlı duygusal durumlar, geçici dinamikler ve kararlılık özellikleri kaydedilmiş ve görselleştirilmiştir. Protokolün başarılı bir şekilde uygulandığı; doğrusal olmayan sistemin sınırlı kararlı durum çözümlerine yakınsadığında, faz uzayında kararlı çekici yapılar sergilediğinde ve temel parametre koşulları altında negatif baskın Jacobian özdeğerlerini koruduğunda onaylanmıştır.

Karşılaştırmalı analiz; stres-duygu etkileşim gücü (γ), stres sönümleme hızı (β), dış zorlama genliği (F), düzenleme kazancı (κ) ve duygusal doğrusal olmayan katsayı (µ) dahil olmak üzere birkaç temel dinamik parametreye odaklanmıştır. Bu parametreler, modellenen akademik ortamdaki geri bildirim yoğunluğunu, stabilite marjlarını ve enerji yeniden dağılımını doğrudan etkiler. Simülasyonlar, sistem yanıtlarının doğrusal model tarafından öngörüldüğü gibi orantılı ölçekleme davranışı mı izlediğini, yoksa önerilen doğrusal olmayan formülasyon tarafından öngörüldüğü gibi doygunluk, dayanıklılık tamponlaması ve çoklu kararlılık gibi doğrusal olmayan fenomenler mi sergilediğini ortaya koymaktadır.

Duygusal dengenin stres–duygu etkileşim gücüne olan hassasiyeti Şekil 4'te gösterilmiştir. Etkileşim parametresi γ arttığında, doğrusal model neredeyse sabit duygusal tepkiler üretir; bu durum, etkileşim yoğunluğunun denge sonuçlarını yapısal olarak etkilemediğini göstermektedir. Buna karşılık, doğrusal olmayan formülasyon, γ arttıkça kararlı duygusal aktivasyonda bir azalma sergilemekte ve stres–duygu geri bildirimini dinamik olarak düzenleyen doğrusal olmayan etkileşim terimlerinin etkisini yansıtmaktadır.

Şekil 4: Stres-duygu etkileşim gücü (γ) altında karşılaştırmalı duyarlılık analizi. Stres-duygu etkileşim gücü γ artarken kararlı durum duygusal yanıtının gruplandırılmış çubuk karşılaştırması. Mavi çubuklar doğrusal modeli, turuncu çubuklar ise doğrusal olmayan modeli temsil etmektedir. Yatay eksen etkileşim gücü γ'yi, dikey eksen ise kararlı duygusal dengeyi göstermektedir. Çubuklar, tekrarlanan simülasyon çalışmalarından elde edilen ortalama kararlı durum duygu değerlerini temsil ederken, hata çubukları ortalama etrafındaki ± standart sapmayı (SD) belirtmektedir. Sonuçlar, doğrusal olmayan modelin etkileşim gücü arttıkça doygunluk davranışı ve sınırlı duygusal yanıtlar sergilediğini, buna karşılık doğrusal modelin etkileşim yoğunluğundaki değişikliklere karşı nispeten duyarsız kaldığını göstermektedir. Çubuklar, 30 bağımsız simülasyon çalışmasından (n = 30) elde edilen ortalama kararlı durum duygusal denge değerlerini temsil eder ve hata çubukları ± standart sapmayı belirtir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Stres dağılma hızının β duygusal denge üzerindeki etkisi Şekil 5'te gösterilmiştir. Lineer model, dağılma arttıkça duygusal aktivasyonda keskin bir düşüş öngörerek güçlü bir parametre hassasiyeti sergilemektedir. Buna karşılık, nonlineer model, içsel düzenleyici sönümleme ve nonlineer geri bildirim mekanizmaları nedeniyle aynı parametre aralığında nispeten stabil kalmaktadır.

Şekil 5: Stres dağılma oranı (β) altında karşılaştırmalı alan analizi. Stres dağılma oranı β değiştikçe kararlı durum duygusal dengesinin alan bazlı karşılaştırması. Mavi gölgeli bölge doğrusal modeli, turuncu gölgeli bölge ise doğrusal olmayan modeli temsil etmektedir. Yatay eksen β'yi, dikey eksen ise kararlı duygusal dengeyi göstermektedir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Duygusal aktivasyon ile dışsal akademik zorlama arasındaki ilişki Şekil 6'da sunulmuştur. Lineer formülasyon, zorlama genliği arttıkça duygusal aktivasyonda orantılı bir artış sergilemektedir. Buna karşılık, lineer olmayan model, duygusal aktivasyonun başlangıçta yükseldiği ancak lineer olmayan sönümleme ve adaptif düzenleyici etkiler nedeniyle kademeli olarak stabilize olduğu doygun bir yanıt göstermektedir. Aşırı stres-duygu eşleşmesi veya yetersiz düzenleyici kazanç gibi suboptimal parametre koşulları altında sistem; kararsız yörüngeler, genişlemiş salınımlar veya denge kararlılığı kaybı sergilemiştir; bu durum, azalmış sistem stabilitesini göstermekte ve potansiyel olarak yüksek psikolojik gerginlik ile tükenmişlik benzeri geçişlere artan duyarlılıkla ilişkili durumları temsil etmektedir.

Şekil 6: Dış zorlama (F) altında duygusal dengenin karşılaştırmalı yanıtı. Dış zorlama genliği F'nin bir fonksiyonu olarak kararlı durum duygusal yanıtı. Kırmızı kesikli eğri doğrusal modeli, mavi düz çizgi ise doğrusal olmayan modeli temsil etmektedir. Yatay eksen zorlama genliği F'yi, dikey eksen ise kararlı duygusal dengeyi göstermektedir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Doğrusal olmayan sistemin stokastik pertürbasyonlar altındaki dayanıklılığı, rastgele bozulmalar altında duygusal aktivasyonun ve stres enerjisinin zamansal evrimini gösteren Şekil 7'de kanıtlanmıştır. Sürekli gürültü enjeksiyonuna rağmen her iki değişkenin de sınırlı aralıklar içinde dalgalanması, doğrusal olmayan geri besleme mekanizmalarının çevresel değişkenlik altında stabiliteyi koruduğunu göstermektedir.

Şekil 7: Gürültü kaynaklı pertürbasyonlar altında stokastik stres-duygu dinamikleri. Stokastik pertürbasyonlar altında duygusal aktivasyon E(t) (mavi eğri) ve stres enerjisinin S(t) (turuncu eğri) zaman içindeki gelişimi. Yatay eksen simülasyon zaman adımlarını temsil etmektedir. Sürekli gürültü kaynaklı bozulmalara rağmen her iki değişken de sınırlı kalmaktadır. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Enerji manzarası analizi, sistem kararlılığı hakkında ek bilgi sağlar. Şekil 8, sistem yörüngesinin kararlı bir çekim havuzuna doğru yakınsadığı, duygu düzenleme faz düzlemindeki Lyapunov tabanlı enerji fonksiyonunun kontur gösterimini örneklendirmektedir. Bu enerji yapısının üç boyutlu gösterimi Şekil 9'da gösterilmiş olup, alternatif kararlı duygusal düzenleme durumlarının olasılığını işaret eden birden fazla potansiyel kuyusunu ortaya çıkarmaktadır.

Şekil 8: Duygu düzenleme faz düzlemindeki dinamik yörünge ile enerji manzarası kontur haritası. Duygusal aktivasyon (E) ve düzenleme kapasitesi (R) faz düzlemindeki Lyapunov tabanlı enerji manzarasının kontur gösterimi. Siyah yörünge, sistemin kararlı bir çekim havuzuna doğru evrimini göstermektedir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Şekil 9: Alternatif duygusal düzenleme durumlarının potansiyelini gösteren üç boyutlu doğrusal olmayan enerji manzarası. Duygu düzenleme (E–R) faz uzayındaki Lyapunov enerji manzarasının üç boyutlu temsili. Birden fazla potansiyel kuyu, farklı sistem koşulları altında alternatif kararlı duygusal düzenleme durumlarının olasılığına işaret etmektedir. Enerji manzarası, sistemin stabilite yapısının kalitatif bir görselleştirmesini sağlar; ancak, çoklu stabilitenin doğrudan doğrulanması, yörünge değişimi veya bifurkasyon analizi gibi ek dinamik kanıtlar gerektirir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Doğrusal olmayan sistemin kararlılık özellikleri, özdeğer tabanlı yöntemler kullanılarak daha ayrıntılı analiz edilmiştir. Şekil 10, stres-duygu kuplaj gücü (γ) ve regülasyon kazancının (κ) farklı değerleri genelinde Jacobian matrisinin maksimum reel özdeğerinin bir ısı haritasını sunmaktadır. Regülasyon gücünün artırılması, daha negatif özdeğerler oluşturarak daha güçlü bir asimptotik kararlılığa işaret ederken, aşırı kuplaj, yeterli regülasyonla dengelenmediği takdirde kararlılığı azaltabilir. Negatif maksimum reel özdeğerlerle karakterize edilen bölgeler kararlı çalışma koşullarına karşılık gelirken, sıfıra yaklaşan veya sıfırı aşan bölgeler kararsızlık eşiklerini ve potansiyel rejim geçişlerini göstermektedir.

Şekil 10: Maksimum gerçek özdeğere dayalı, lineer olmayan stres-duygu sisteminin stabilite ısı haritası.Stres-duygu etkileşim gücü γ ve düzenleme kazancı κ boyunca Jacobian özdeğerlerinin maksimum gerçek kısmını gösteren ısı haritası. Daha negatif değerler daha güçlü asimptotik stabiliteyi gösterirken, sıfıra yaklaşan değerler azalmış stabiliteyi ve daha yüksek instabilite olasılığını gösterir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Faz uzayı dinamikleri, S–E faz düzlemindeki stres-duygu sisteminin vektör alanını ve akım çizgilerini gösteren Şekil 11'de görselleştirilmiştir. Yörüngeler, çekici (attractor) davranış sergileyerek kararlı bir denge bölgesine doğru yakınsar. Bu yakınsama davranışı, protokolün başarılı bir şekilde uygulandığını doğrular ve doğrusal olmayan çerçevenin, belirtilen simülasyon koşulları altında kararlı stres-duygu düzenleme dinamiklerini tutarlı bir şekilde yeniden ürettiğini gösterir. Sistemin küresel kararlılık yapısı, birden fazla başlangıç koşulundan kaynaklanan yörüngelerin stres-duygu düzleminde ortak bir çekiciye doğru yakınsadığı Şekil 12'de daha ayrıntılı olarak örneklendirilmiştir.

Şekil 11: Stres-duygu dinamiklerinin faz düzlemi vektör alanı ve akış çizgisi temsili. Stres enerjisi (S) ve duygusal aktivasyon (E) faz düzlemindeki doğrusal olmayan stres-duygu sisteminin vektör alanı ve akış çizgisi temsili. Akış çizgileri, atraktör davranışını belirterek kararlı bir denge bölgesine doğru yakınsamaktadır. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Şekil 12: Stres–duygu düzleminde birden fazla başlangıç koşulu altındaki yoğun faz portresi.S–E faz düzlemindeki birden fazla başlangıç koşulundan üretilen faz portresi. Yörüngeler ortak bir çekiciye doğru yakınsayarak farklı başlangıç durumları genelinde güçlü bir kararlılık sergilemektedir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Doğrusal olmayan sistemin üç boyutlu çekici yapısı, yörüngelerin birleşik stres-duygu-düzenleme durum uzayında geliştiği ve kararlı bir çekiciye yaklaştığı Şekil 13'te gösterilmiştir. Kesişen değişkenlerin zaman alanı dinamikleri Şekil 14'te örneklendirilmiş olup, burada duygusal aktivasyon ve stres enerjisi, kararlı durum denge değerlerine doğru yakınsamadan önce geçici ayarlamalar sergilemektedir.

Şekil 13: Stres-duygu-düzenleme durum uzayındaki üç boyutlu doğrusal olmayan çekici. Stres (S), duygusal aktivasyon (E) ve düzenleme kapasitesi (R) tarafından tanımlanan durum uzayındaki doğrusal olmayan sistemin üç boyutlu yörüngesi. Yörünge, sistemin uzun vadeli dengesini temsil eden kararlı bir çekiciye doğru yakınsar. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Şekil 14: Doğrusal olmayan regülasyon altında stres ve duygusal durumların karesel zaman alanı evrimi. Duygusal aktivasyonun E(t) (sol eksen) ve stres enerjisinin S(t) (sağ eksen) zamansal evrimi. Her iki değişken de kararlı durum dengesine doğru yakınsama ile takip edilen geçici bir ayarlanma sergilemektedir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Adaptif düzenleme gücünün duygusal denge üzerindeki etkisi Şekil 15'te incelenmiştir. Düzenleyici kazanç κ arttıkça, doğrusal model duygusal aktivasyonda önemli azalmalar öngörürken, doğrusal olmayan model adaptif doygunluk mekanizmaları nedeniyle neredeyse sabit denge değerlerini korur.

Şekil 15: Düzenleme kazancı (κ) varyasyonu altında çift eksenli karşılaştırmalı analiz. Farklı düzenleme kazancı κ altında kararlı durum duygusal dengesinin karşılaştırılması. Mavi eğri doğrusal modeli, kırmızı kesikli eğri ise doğrusal olmayan modeli temsil etmektedir. Yatay eksen düzenleme kazancı κ'yı göstermektedir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Son olarak, Şekil 16, duygusal doğrusal olmayanlık katsayısı (µ) değiştikçe saçılım tabanlı bir hassasiyet karşılaştırması sunmaktadır. Doğrusal çerçevede, doğrusal olmayan terimler mevcut olmadığı için duygusal denge değişmeden kalır. Buna karşın, doğrusal olmayan model, µ arttıkça azalan bir duygusal denge sergileyerek kübik doygunluğun duygusal dinamikler üzerindeki stabilize edici etkisini ortaya koymaktadır.

Şekil 16: Duygusal doğrusal olmama parametresi (µ) altında saçılım tabanlı hassasiyet karşılaştırması. Duygusal doğrusal olmama katsayısı µ değiştikçe kararlı durum duygusal dengesinin saçılım karşılaştırması. Kırmızı işaretçiler doğrusal modeli, mavi işaretçiler ise doğrusal olmayan modeli temsil etmektedir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Gözlemlenen dinamik davranışlar, hesaplamalı önemlerinin ötesinde, eğitimsel ve psikolojik bağlamlarda anlamlı yorumlara sahiptir. Stokastik pertürbasyonlar altında gözlemlenen sınırlı yanıtlar, adaptif düzenleyici mekanizmaların beklenmedik akademik stres faktörlerinin etkilerini tamponlayabileceğini, böylece dayanıklılığı ve duygusal stabiliteyi desteklediğini göstermektedir. Benzer şekilde, stabil atraktörlerin varlığı, öğrencilerin akademik baskıları başarıyla düzenlediği psikolojik olarak dengeli durumlar olarak yorumlanabilirken; instabilite bölgeleri ve bifurkasyon eşikleri, başa çıkma kaynaklarının yetersiz kaldığı ve tükenmişlik, duygusal bitkinlik veya maladaptif stres tepkilerine karşı hassasiyetin arttığı koşullara karşılık gelebilir. Hassasiyet analizleri ayrıca, düzenleyici kapasitenin güçlendirilmesinin stabilite bölgelerini genişletebileceğini ve yıkıcı geçişlere olan yatkınlığı azaltabileceğini göstermekte; bu da başa çıkma becerilerini, duygusal düzenlemeyi ve öğrenci refahını iyileştirmeyi amaçlayan müdahaleler için potansiyel çıkarımları vurgulamaktadır. Bu simülasyon tabanlı bulgular, önerilen çerçevenin stres yörüngelerini, dayanıklılık mekanizmalarını ve potansiyel müdahale stratejilerini araştıran gelecek çalışmalar için yararlı bir kavramsal temel oluşturabileceğini düşündürmektedir. Bununla birlikte, pratik uygulamaya geçilmeden önce ampirik öğrenci verileri kullanılarak doğrulama yapılması gerekmektedir.

Birlikte, bu sonuçlar önerilen doğrusal olmayan çerçevenin; doygunluk davranışı, pertürbasyonlar altında stabilite tamponlaması, çoklu kararlı enerji manzaraları ve adaptif regülasyon yoluyla dayanıklılık dahil olmak üzere geleneksel doğrusal stres modellerinde bulunmayan çeşitli yapısal özellikleri yakaladığını göstermektedir. Test edilen parametre aralıklarında, doğrusal olmayan model tutarlı bir şekilde sınırlı duygusal aktivasyonu ve kararlı çekici davranışını korurken, doğrusal model parametre varyasyonlarına karşı önemli ölçüde daha fazla hassasiyet ve azalmış stabilite marjları sergilemiştir. Bu özellikler, karmaşık akademik ortamlardaki stres-duygu dinamiklerinin daha gerçekçi bir temsilini sağlamaktadır.

Ek Dosya 1: MATLAB kaynak kodu, yönetici denklemler, sayısal uygulama ve tekrarlanabilirlik belgesi.Bu ek dosya; makalede sunulan tüm simülasyonları, kararlılık analizlerini, faz uzayı yörüngelerini, duyarlılık analizlerini, özdeğer ısı haritalarını ve Lyapunov enerji manzaralarını yeniden üretmek için gerekli olan yönetici doğrusal olmayan diferansiyel denklemleri, temel model parametrelerini, başlangıç koşullarını, sayısal çözücü konfigürasyonunu, yakınsama kriterlerini, MATLAB kaynak kodunu, denge çözücüsünü, duyarlılık analizi prosedürlerini, görselleştirme rutinlerini, yazılım özelliklerini, parametre aralıklarını ve hesaplama iş akışını içerir.Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Dosya 2: Simülasyon iş akışı dokümantasyonu, psikolojik değişken eşleştirmesi ve ampirik doğrulama çerçevesi. Bu ek; tüm simülasyon iş akışını, matematiksel durum değişkenlerinin ve model parametrelerinin ölçülebilir psikolojik yapılarla eşleştirilmesini, önerilen psikolojik değerlendirme araçlarını, parametre kestirimi için rehberliği, öğrenci verilerini kullanarak gelecekteki ampirik doğrulama ve kalibrasyon için önerilen bir çerçeveyi ve boylamsal doğrulama ile eğitim uygulamaları için potansiyel uygulama stratejilerini içermektedir.Bu dosyayı indirmek için lütfen buraya tıklayın.

Tartışma

The computational protocol presented here demonstrates how a nonlinear dynamical framework can be implemented to simulate stress–emotion interactions through numerical integration, stability analysis, and sensitivity analysis. A critical step in implementing this method is the correct numerical integration of the governing differential equations over sufficiently long-time intervals to ensure convergence toward steady-state or attractor dynamics. The sensitivity analyses reveal that the nonlinear formulation responds differently to parameter variations compared with the traditional linear model. In particular, the coupling strength (γ) directly influences emotional equilibrium in the nonlinear system, whereas the stress dissipation rate (β) produces exaggerated responses primarily in the linear formulation. Similarly, increasing external forcing results in unbounded amplification in the linear model but in bounded saturation in the nonlinear framework. These observations highlight the importance of careful parameter configuration when applying the protocol to maintain realistic system dynamics³¹.

The protocol can be adapted to simulate a variety of environmental conditions and behavioral scenarios. For instance, stochastic perturbations representing unexpected academic events or social stressors can be incorporated into the simulation framework to examine the system's robustness to random disturbances. Under such conditions, the nonlinear system exhibits bounded fluctuations rather than uncontrolled divergence, indicating resilience to noise-driven perturbations. In addition, energy landscape analysis provides geometric insight into system stability. The resulting energy structures illustrate how system trajectories converge toward stable basins of attraction and how multiple potential wells may represent distinct emotional–regulatory states. These analytical tools provide valuable guidance for diagnosing unstable simulations and identifying parameter regimes that support stable regulatory dynamics. Common causes of unstable simulations include excessively large coupling parameters, insufficient regulatory gain, or inappropriate numerical integration settings. These issues can often be resolved through parameter recalibration and verification of numerical solver stability.

The stability properties of the nonlinear system can also be examined through eigenvalue-based analysis and phase-space visualization techniques. These analyses demonstrate how the interaction between stress–emotion coupling and regulatory gain determines overall system stability. Increasing regulatory strength generally enhances asymptotic stability, whereas excessively strong coupling may destabilize the system if regulation is insufficient. Phase-space representations further reveal that trajectories originating from diverse initial conditions tend to converge toward a common attractor, indicating robust stability within the nonlinear framework. The coordinated evolution of stress, emotional activation, and regulatory capacity illustrates how adaptive feedback mechanisms guide the system toward equilibrium states³².

Time-domain analysis provides additional insight into transient system behavior and equilibrium formation. Both emotional activation and accumulated stress typically exhibit initial transient fluctuations followed by gradual convergence toward steady-state equilibrium levels. Sensitivity analysis of adaptive regulation parameters shows that increased regulatory strength strongly suppresses emotional activation in linear models but produces more moderate changes in the nonlinear formulation because of saturation and feedback-buffering mechanisms. Likewise, the inclusion of nonlinear emotional saturation terms reduces excessive amplification and stabilizes emotional responses. Together, these findings demonstrate that the nonlinear framework captures regulatory dynamics and stabilization mechanisms that are not represented in conventional linear stress models. Compared with conventional linear or correlation-based stress models, the proposed framework enables analysis of stability boundaries, attractor dynamics, and nonlinear transitions that are not readily captured by descriptive statistical approaches.

Future studies should benchmark the proposed framework against established approaches, including transactional stress models, network-based psychological models, longitudinal latent-growth models, and machine-learning prediction frameworks. Such comparisons would provide a more rigorous assessment of the explanatory and predictive advantages offered by nonlinear dynamical modeling. Beyond its methodological contributions, the proposed framework has several broader implications for educational psychology and higher education practice. From a counseling perspective, the identification of stability regions, resilience mechanisms, and instability thresholds may help conceptualize how students respond to prolonged academic pressures and why some individuals recover effectively from stress, whereas others experience escalating emotional difficulties. The model suggests that resilience is not simply a static personal characteristic but may emerge from dynamic interactions among stress exposure, emotional responses, and adaptive regulatory processes³³.

The framework may also provide a theoretical foundation for future student support systems and wellbeing monitoring initiatives. For example, identifying parameter regimes associated with reduced stability could support the development of early-warning indicators for elevated burnout risk, whereas analyzing regulatory feedback mechanisms could inform interventions to strengthen coping skills and emotional self-regulation. At an institutional level, the framework offers a systems-oriented perspective that may assist in evaluating how academic workload, assessment schedules, and support resources collectively influence student wellbeing. The proposed approach is intended to complement existing psychological theories of stress and regulation rather than replace them. Traditional models, including transactional theories of stress, coping-based frameworks, emotional regulation theories, and resilience models, provide valuable explanations of cognitive, behavioral, and emotional adaptation processes. The nonlinear dynamical framework extends these perspectives by introducing a quantitative representation of how such processes interact over time, potentially generating stability, oscillatory behavior, resilience, or abrupt transitions toward maladaptive outcomes. This integration helps position the framework within the broader literature on student stress and psychological adaptation while highlighting its potential value as a bridge between educational psychology and dynamical systems science.

The broader educational value of simulation-based frameworks should also be considered. Although the present study focuses on nonlinear stress–emotion dynamics, the underlying modeling approach may support reflective learning and adaptive decision-making by enabling students, educators, and support professionals to explore the consequences of different stress-regulation pathways within simulated academic environments. Such simulations can make otherwise abstract psychological processes more visible and understandable, thereby encouraging greater self-awareness and reflection regarding coping strategies, emotional responses, and resilience development.

This perspective is consistent with recent research demonstrating the educational benefits of simulation-based experiences. For example, Shi et al. (2025)³⁴ showed that simulated public-transit experiences designed to represent the challenges faced by individuals with mild visual impairments promoted the cultivation of empathy, reflective thinking, and improved design decision-making. Similar principles may apply to higher-education stress regulation, where simulation-based representations of stress accumulation, emotional adaptation, and resilience dynamics could help students better understand their behavioral responses while supporting educators and counselors in designing more effective interventions. Consequently, the proposed framework may serve not only as an analytical tool for investigating stress dynamics but also as a foundation for future educational simulations that foster empathy, self-reflection, and adaptive decision-making in academic environments.

Despite these advantages, the proposed protocol has several limitations. The model represents emotional regulation using a simplified set of dynamical variables describing stress, emotional activation, and regulatory capacity. Real-world emotional dynamics depend on a broader range of factors, including cognitive appraisal processes, social interactions, and individual coping strategies. Consequently, the current framework should be interpreted primarily as a conceptual and computational modeling tool rather than as a predictive model for individual psychological behavior. Nevertheless, the approach provides a valuable methodological platform for exploring resilience dynamics, stability conditions, and nonlinear feedback mechanisms in academic stress systems. Future research may extend this framework by incorporating empirical datasets, personalized parameter estimation, and data-driven calibration methods to improve predictive capability and real-world applicability. A future validation study could be conducted by collecting longitudinal student data using validated psychological instruments such as the Perceived Stress Scale (PSS), Maslach Burnout Inventory–Student Survey (MBI-SS), Connor–Davidson Resilience Scale (CD-RISC), and emotional well-being measures. Time-series observations obtained throughout an academic semester could be used to estimate model parameters and compare predicted trajectories with observed stress and emotional outcomes. Such validation would enable a quantitative assessment of model accuracy and predictive performance in real educational settings³⁵.

An additional limitation is the lack of empirical validation with real-world student data. The present study focuses on establishing a theoretical and computational framework and therefore relies primarily on mathematical analysis and numerical simulation. While simulation studies are valuable for exploring system behavior and identifying potential mechanisms, they cannot by themselves confirm that the modeled dynamics accurately represent stress regulation processes in real educational environments. Furthermore, estimating model parameters is a significant challenge because variables such as stress accumulation, emotional activation, and regulatory capacity are not directly observable and may vary across individuals, institutions, and cultural contexts. In addition, the current framework assumes a generalized student population and does not explicitly account for demographic, cultural, institutional, or disciplinary differences that may influence stress regulation dynamics. Future studies should evaluate model performance across diverse educational contexts.

An important direction for future research involves the integration of the proposed nonlinear stress–emotion–regulation framework with emerging immersive educational and mental-health technologies. Recent work on virtual therapeutic landscapes has demonstrated that immersive digital environments can reduce anxiety, improve emotional wellbeing, and support psychological recovery among university students through carefully designed restorative experiences. Such findings suggest that simulation-based environments may provide practical platforms for translating theoretical models of stress regulation into intervention-oriented applications. In this context, the stability regions, resilience thresholds, adaptive recovery mechanisms, and stochastic response patterns identified by the present framework could potentially inform the design of psychologically responsive learning environments capable of monitoring, simulating, and supporting student well-being³⁶.

Future research should therefore focus on empirical calibration and validation of the proposed framework. A promising approach would involve collecting longitudinal data with validated psychological instruments measuring perceived stress, emotional well-being, coping effectiveness, resilience, burnout symptoms, and academic engagement. Such datasets could be used to estimate model parameters, evaluate predictive performance, identify individual differences in dynamical behavior, and assess the extent to which the proposed stability and resilience mechanisms correspond to observed student outcomes. In addition, future studies may compare the framework with established psychological, statistical, and machine-learning-based approaches to determine its relative explanatory and predictive value. These developments would provide a critical step toward transforming the present theoretical framework into an empirically validated tool for understanding and supporting student wellbeing in higher education³⁷.

Malzemeler

Bu makalede kullanılan malzemelerin listesi

Ad	Şirket	Katalog numarası	Yorumlar
Differential Equation Solver (ODE45)	MathWorks	MATLAB R2024a	Numerical solver used for integrating the coupled nonlinear differential equations. Relative tolerance = 1×10-6; Absolute tolerance = 1×10-8.
MATLAB Software	MathWorks, Natick, MA, USA	RRID: SCR_001622	Primary numerical computing software used for model implementation, stability analysis, sensitivity analysis, phase-space visualization, Lyapunov energy landscape generation, and figure production.
Methodological Documentation Package	Supplementary File S2	N/A	Contains theoretical framework documentation, parameter interpretation, validation strategy, limitations, and computational workflow descriptions.
Numerical Array Processing Library (NumPy)	NumPy Developers	NumPy 2.0	Library used for matrix operations, numerical computations, parameter sweeps, and data processing in the Python implementation.
Numerical Simulation Environment	MATLAB R2024a Environment	N/A	Computational environment used to execute the nonlinear stress–emotion–regulation framework, parameter sweeps, equilibrium analysis, and stochastic simulations.
Optimization Toolbox	MathWorks	MATLAB Optimization Toolbox	Used for equilibrium-state computation via nonlinear root-finding methods (fsolve).
Python Programming Environment	Python Software Foundation	Python 3.12	Alternative computational platform used to verify numerical results and reproduce selected simulations and visualizations.
Scientific Computing Library (SciPy)	SciPy Community	SciPy 1.14	Library used for numerical computation, nonlinear equation solving, and differential equation analysis in the Python implementation.
Source Code Package	Supplementary File S1	N/A	Contains MATLAB scripts, solver configurations, parameter files, sensitivity-analysis routines, stability-analysis codes, and visualization workflows required for full reproducibility.
Spreadsheet Software	Microsoft Corporation	Microsoft Excel 365	Used for storage, organization, export, and inspection of simulation outputs and supplementary datasets.
Visualization Tool (Matplotlib)	Matplotlib Development Team	Matplotlib 3.9	Scientific plotting library used for generating sensitivity plots, stability diagrams, phase-space trajectories, heatmaps, and publication-quality figures.