Greenness and the Potential Resilience to Sexual Violence: “Your Neighborhood Is Being Neglected Because People Don’t Care. People With Power Don’t Care”
Notice bibliographique
Résumé
There is increasing evidence that green space in communities reduces the risk of aggression and violence, and increases wellbeing. Positive associations between green space and resilience have been found among children, older adults and university students in the United States, China and Bulgaria. Little is known about these associations among predominately Black communities with structural disadvantage. This study explored the potential community resilience in predominately Black neighborhoods with elevated violent crime and different amounts of green space. This embedded mixed-methods study started with quantitative analysis of women who self-identified as "Black and/or African American." We found inequality in environments, including the amount of green space, traffic density, vacant property, and violent crime. This led to 10 indepth interviews representing communities with elevated crime and different amounts of green space. Emergent coding of the first 3 interviews, a subset of the 98 in the quantitative analysis, led to a priori coding of barriers and facilitators to potential green space supported community resilience applied to the final 7 interview data. Barriers were a combination of the physical and social environment, including traffic patterns, vacant property, and crime. Facilitators included subjective qualities of green space. Green spaces drew people in through community building and promoting feelings of calmness. The transformation of vacant lots into green spaces by community members affords space for people to come together and build community. Green spaces, a modifiable factor, may serve to increase community resilience and decrease the risk of violence.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».