Green-Blue Spaces and Mental Health: A Longitudinal Data Linkage Study
Notice bibliographique
Résumé
IntroductionA growing evidence base indicates health benefits are associated with access to green-blue spaces (GBS), such as beaches and parks. However, few studies have examined associations with changes in access to GBS over time. Objectives and ApproachWe have linked cross-sector data collected within Wales, United Kingdom, quarterly from 2008 to 2019, to examine the impact of GBS access on individual-level well-being and common mental health disorders (CMD). We created a longitudinal dataset of GBS access metrics, derived from satellite and administrative data sources, for 1.4 million homes in Wales. These household-level metrics were linked to individuals using the Welsh Demographic Service Dataset within the Secure Anonymised Information Linkage (SAIL) Databank. Linkage to Welsh Longitudinal General Practice data within SAIL enabled us to identify individual-level CMD over time. We also linked individual-level self-reported GBS use and well-being data from the National Survey for Wales (NSW) to routine data for cross-sectional survey participants. ResultsWe created a longitudinal cohort panel capturing all 2.84 million adults aged 16+ living in Wales between 2008 and 2019 and with a general practitioner (GP) registration. Individual-level health data and household-level environmental metrics were linked for each quarter an individual is in the study. Household addresses were linked to 97% of the cohort, creating 110+ million rows of anonymously linked cross-sector data. The cohort provides an average follow-up period of 8 years, during which 565,168 (20%) adults received at least one CMD diagnosis or symptom. Conclusion / ImplicationsThis example of multi-sectoral data linkage across multiple environmental and administrative data sources has created a rich data source, which we will use toquantify the impact of changes in GBS access on individual–level CMD and well-being. This evidence will inform policy in the areas of health, planning and the environment.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,017 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,007 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».