Using anonymized mobility data to reduce inequality in the availability and use of urban parks
Notice bibliographique
Résumé
Abstract Parks are an integral component of cities. Ensuring city residents have equitable and easy access to parks is crucial for human well‐being. In temperate climates, park accessibility is particularly important in the summer months when these green spaces provide an area to recreate, exercise and escape indoor temperatures and heat emanating from paved and built surfaces. However, there are well‐known disparities in park accessibility in cities globally that may threaten the health of city residents, especially with global warming. We examined some of the largest city parks (>50 ha) in Toronto, Canada, by comparing park activity, housing demographics and daily weather patterns. We found that parks that provided more green space area per resident were situated in neighbourhoods that had higher proportions of single‐detached housing, higher automobile use and fewer multistorey apartments. We also found a strong correlation between park activity with population density and the number of amenities in the park. Surprisingly, we found no relationship between park activity and daily weather patterns, although park use was higher on weekends and holidays. These results suggest denser communities are at a disadvantage because they have proportionately less park area within walking distance in addition to having no private green spaces (e.g. backyards). We recommend revising municipal zoning around certain parks and the creation of new green spaces as methods to balance park provisioning in the city. Our findings suggest that designing and maintaining accessible, amenity‐rich parks is an important strategy for promoting health and well‐being in urban populations. Read the free Plain Language Summary for this article on the Journal blog.
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 | 0,001 | 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 ».