Wellbeing in Winter: Testing the Noticing Nature Intervention During Winter Months
Notice bibliographique
Résumé
The main objective of this 2-week RCT study was to test the efficacy of the previously developed Noticing Nature Intervention (NNI) to boost wellbeing during winter months. The NNI consists of noticing the everyday nature encountered in one’s daily routine and making note of what emotions are evoked. Community adults (N = 65) were randomly assigned to engage in the NNI or were assigned to one of two control conditions. Paired t-tests revealed significant increases pre- to post-intervention in the NNI group for positive affect (d = 0.43), elevation (d = 0.59), nature connectedness (d = 0.46), and hope agency (d = 0.64), and a marginally significant increase in transcendent connectedness (d = 0.41). No significant pre-post difference emerged for any aspect of wellbeing in the control conditions. Analysis of qualitative findings revealed that negative emotion themes were 2.13 times more likely to be associated with built photos than with nature photos. Feelings of peace, awe, happiness, humbleness, and hope were more likely to be associated with nature photos, while feelings of annoyance, loneliness, curiosity, uncertainty, anger, yearning, and comfortableness were more likely to be associated with built photos. Overall, results indicated that engaging in the NNI can provide a wellbeing boost, even in the cold of winter. This study is the first (to our knowledge) to test any nature-based wellbeing intervention during colder, winter months, and to directly assess the impact of a nature-based wellbeing intervention on levels of hope.
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 | 0,005 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».