《Frontiers in Endocrinology》：Analysis of the relationship between mathematical learning stress and neuroendocrine response based on causal modeling
编辑推荐：
摘要：本研究开发了一种方法学框架，旨在通过因果建模探究数学学习压力与神经内分泌反应之间的关系。传统方法往往难以捕捉心理应激源与生理反应之间复杂的相互作用，限制了其提供可操作见解的能力。为克服上述局限，研究人员提出了表示-因子化-最优（Representatio
摘要：本研究开发了一种方法学框架，旨在通过因果建模探究数学学习压力与神经内分泌反应之间的关系。传统方法往往难以捕捉心理应激源与生理反应之间复杂的相互作用，限制了其提供可操作见解的能力。为克服上述局限，研究人员提出了表示-因子化-最优（Representation-Factorized-Optimal, RFO）模型，该模型专门用于建模数学学习过程中所经历的压力与相关神经内分泌反应之间的复杂动态。方法：该模型整合了三个核心组件：表示一致性强制器（Representation Consistency Enforcer, RCE），用于确保变量表示的稳定性与可靠性；因子化关系投影器（Factorized Relation Projector, FRP），用于解耦并投影压力与神经内分泌变量之间的关系；最优传输匹配器（Optimal Transport Matcher, OTM），用于对齐这些变量以进行稳健的因果推断。为进一步提升模型性能，研究还融入了表示对齐与稀疏表示学习等先进技术，从而能够从高维数据中提取有意义的模式。结果与讨论：实验结果表明，与现有方法相比，所提出的模型在准确性和可解释性方面均取得了更优表现，能够更细致地理解数学学习压力与神经内分泌反应相互作用的因果机制。这些发现对推动教育心理学与神经生物学交叉领域的研究具有重要意义，为探索认知应激源的生理影响提供了稳健工具。
论文解读：基于因果建模的数学学习压力与神经内分泌反应关系研究
**研究背景与现存问题**
近年来，数学学习压力与神经内分泌反应之间的关系因对教育实践和心理健康的重要影响而受到广泛关注。理解这一关系不仅对制定有效的教育策略至关重要，也有助于应对压力对认知和生理健康的广泛影响。学生中与压力相关的障碍日益普遍，不仅影响学业成绩，还损害整体福祉。然而，早期建模工作依赖结构化框架和专家知识，虽具可解释性和一致性，却难以适应人类应激反应固有的变异性和复杂性。后续统计学方法如回归分析、决策树和聚类算法虽提升了灵活性和预测精度，但依赖人工特征和领域专业知识，难以捕捉应激反应的多面性。深度神经网络虽能从原始数据端到端学习，但存在计算负担大和可解释性不足的问题。因此，亟需一种既能保持预测能力又具备透明度的新方法。研究人员据此提出将因果建模与先进机器学习技术相结合的创新方案。
**研究目标与模型设计**
研究人员提出了表示-因子化-最优（Representation-Factorized-Optimal, RFO）模型，旨在分析数学学习压力与神经内分泌反应之间的因果关系。该模型由三个核心模块组成：表示一致性强制器（Representation Consistency Enforcer, RCE）通过最小化不同压力情境下潜在表示分布的Kullback-Leibler散度，确保表示在不同场景下保持稳定和可泛化；因子化关系投影器（Factorized Relation Projector, FRP）将潜在空间分解为正交且稀疏的组分，以分离不同因果通路；最优传输匹配器（Optimal Transport Matcher, OTM）利用熵正则化的Wasserstein距离对齐因子化表示与神经内分泌反应变量，实现稳健的因果推断。此外，模型还整合了表示对齐和稀疏表示学习两大策略，以增强对高维数据中关键模式的提取能力。
**关键技术方法概述**
研究中使用了四个数据集：数学压力响应数据集（Mathematical Stress Response Dataset），包含心率、皮质醇水平和自我报告压力等变量；学习期间神经内分泌活动数据集（Neuroendocrine Activity During Learning Dataset），记录学习活动中的激素波动；压力因素因果建模数据集（Causal Modeling of Stress Factors Dataset），涵盖环境、生活方式和个体层面的压力变量；教育情境激素变化数据集（Hormonal Changes in Educational Contexts Dataset），包含皮质醇、睾酮和雌激素等激素测量。实验基于PyTorch框架，使用NVIDIA Tesla V100 GPU，批大小64，学习率0.001并采用余弦退火调度，Adam优化器。评估指标包括准确率、召回率、F1分数和AUC，回归任务还使用均方误差和R2。统计显著性通过配对t检验和Wilcoxon符号秩检验验证，置信区间为95%。
**实验结果与主要发现**
与现有最优方法（如MobileBERT、DeBERTa、RoBERTa、DistilBERT、ELECTRA和ERNIE）相比，RFO模型在四个数据集上均取得最优结果。在数学压力响应数据集上，准确率达89.89%，比最强基线ERNIE（88.23%）提升约1.7%；在学习神经内分泌活动数据集上，准确率达91.45%，显著优于ERNIE（90.12%）。在压力因素因果建模数据集上，RFO准确率为89.12%，高于ELECTRA（87.21%）；在教育情境激素变化数据集上，准确率达90.34%，高于RoBERTa（88.12%）。消融实验显示，去除RCE、FRP或OTM任一模块均导致性能下降，证明三个组件共同贡献于模型的预测能力和可解释性。
**讨论与结论**
研究结果表明，将数学学习压力与神经内分泌反应建模为结构化因果问题，有助于同时提升预测性能和解释能力。RFO通过表示一致性、因子化关系投影和最优传输对齐，捕捉了压力变量、潜在认知机制与神经内分泌反应之间的关联，优于单纯追求预测精度的传统神经网络基线。消融实验进一步确认了各模块的联合作用。尽管选用的数据集覆盖了数学压力、学习相关生理反应、更广泛压力因素及教育激素情境，但不同数据集的测量协议和变量定义可能存在差异，且观察性数据无法完全排除未测量的混淆因素。未来研究需纳入纵向测量和干预设计以验证因果通路。总之，RFO模型为教育心理学与神经生物学的交叉研究提供了稳健工具，有助于理解认知应激源的生理影响，并为开发缓解学习压力负面效应的靶向策略奠定基础。
