A systematic review of urban green space research over the last 30 years: A bibliometric analysis
Notice bibliographique
Résumé
Worldwide, due to rapid urbanization, the provision of urban green spaces (UGSs) has become a primary goal of urban planning. As such, research on the benefits, effects, and challenges of UGSs has gained widespread attention among scholars. This paper comprehensively analyzes three decades of UGS research and its evolution; it conducts a bibliometric analysis of approximately 4000 articles and reviews from the Web of Science platform to discover the patterns and trends characterizing UGS research over time. We found that the pioneers of initial UGS research were the United States and Canada, whereas recently the European Union and China have become the global engines of research in the field. UGS research initially focused on studying urban forests, gradually shifting toward green spaces located in inner urban areas. Early on, researchers investigated UGSs (i.e., urban forests) from an ecological perspective. However, the most current research phase focuses on the social aspects of UGSs, characterized by such keywords as environmental justice and accessibility. Furthermore, the introduction of geographic information systems (GIS) has given new impetus to the evolution of UGS research and has remained the most used technological advancement besides remote sensing techniques. As the social aspects of UGS research have gained importance, new research methods have been employed, such as machine learning, big data and social media data analysis, and artificial intelligence, most recently.
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 | 0,007 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,004 |
| Bibliométrie | 0,062 | 0,072 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».