The Influence of Different Forest Landscapes on Physiological and Psychological Recovery
Notice bibliographique
Résumé
Previous studies have reported that exposure to forest landscapes has many benefits on human physiological and psychological health, as well as effectiveness in reducing stress and improving mood depending on different types of landscape. This study examined the effects of different types of forest landscapes for indirect visual experiences on the physical and mental health of college students (N = 33). Three types of landscape images were selected, in which forest landscapes included vegetated landscapes and water features, and as a control, we set up images of urban landscapes without natural elements. Physiological and psychological assessment was performed before the experiment for each student, followed by each student being exposed consecutively to nine landscape images for 3 min (each type) and assessed after each exposure. The results showed that both forest landscapes decreased stress (p < 0.05 for all) and improved mood and self-esteem (p < 0.01 for all). In contrast, water landscapes showed a slightly higher impact on physical and mental health than vegetated landscapes, but there was no significant difference. Conversely, only for self-esteem, the response after viewing vegetated landscapes (VL, SD = 29.06 ± 3.38) was better than after water views (WL, SD = 28.21 ± 2.48). Despite significant differences between the two types of forest landscapes not being found in our findings, the benefits of forest landscapes were observed through understanding the health-promoting capacities of different forest landscapes.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».