Are residents of downtown Toronto influenced by their urban neighbourhoods? Using concept mapping to examine neighbourhood characteristics and their perceived impact on self-rated mental well-being
Notice bibliographique
Résumé
BACKGROUND: There is ample evidence that residential neighbourhoods can influence mental well-being (MWB), with most studies relying on census or similar data to characterize communities. Few studies have actively investigated local residents' perceptions. METHODS: Concept mapping was conducted with residents from five Toronto neighbourhoods representing low income and non-low income socio-economic groups. These residents participated in small groups and attended two sessions per neighbourhood. The first session (brainstorming) generated neighbourhood characteristics that residents felt influenced their MWB. A few weeks later, participants returned to sort these neighbourhood characteristics and rate their relative importance in affecting residents' 'good' and 'poor' MWB. The data from the sorting and rating groups were analyzed to generate conceptual maps of neighbourhood characteristics that influence MWB. RESULTS: While agreement existed on factors influencing poor MWB (regardless of neighbourhood, income, gender and age), perceptions related to factors affecting good MWB were more varied. For example, women were more likely to rank physical beauty of their neighbourhood and range of services available as more important to good MWB, while men were more likely to cite free access to computers/internet and neighbourhood reputation as important. Low-income residents emphasized aesthetic attributes and public transportation as important to good MWB, while non-low-income residents rated crime, negative neighbourhood environment and social concerns as more important contributors to good MWB. CONCLUSION: These findings contribute to the emerging literature on neighbourhoods and MWB, and inform urban planning in a Canadian context.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».