Urban green spaces and mental wellbeing: A methodology for measuring structural characteristics of individual-level green space exposure and its associations with wellbeing
Notice bibliographique
Résumé
The number of people living with mental disorders is increasing worldwide. Considering rapid global urbanization, research on the effects of urban environments on mental wellbeing is becoming crucial, particularly regarding the role of green spaces. This paper analyzes data collected using a smartphone-based toolkit, gathering multimodal data such as participants’ photographs, GPX tracks, and categorical emotion tags in response to urban environments. Through exploratory, semi-automated analysis, urban green spaces are identified and explored in relation to mental wellbeing using statistical methods. The proportion and distribution of green spaces are quantitatively analyzed through image analysis. This novel method of seamlessly integrating data collection and analysis allows for a distinction between the effects of the directly and consciously perceived environment and the indirect, unconsciously perceived environment. Preliminary results indicate that green spaces in everyday environments may positively impact mental wellbeing. There is potential for integrating green spaces, particularly in city centers. These findings enable numerous empirical studies to investigate the influence of green spaces on mental wellbeing and represent a valuable extension of the evidence base for urban planning and policy decisions. The key benefits of this work lie in its consideration of everyday perceptions of green spaces and its ability to overcome limitations of previous studies through more detailed data collection and efficient automated data analysis. • Efficient semi-automated method to determine green spaces from multi-modal user-generated data. • Self-reported well-being in daily urban action spaces. • New mobile diary app to collect and tag multimodal data.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».