Exploring the impact of community gardens on mental health: a scoping review
Notice bibliographique
Résumé
Participants engaged in community gardens (CGs) processes experience many positive outcomes, from social networking to intimacy with nature. Yet there exists a gap in the literature on CGs between their co-creative and co-participative practices and the impact of such collaborative social practices on mental health, especially as it relates to structurally marginalized populations. To this end, our scoping review explores what is known about the relationship between CGs and mental health benefits. Arksey and O’Malley’s scoping review method was used and supplemented by Levac, Colquhoun, and O’Brien’s emphasis on research and policy practice implications. Twenty-two studies met the inclusion criteria and they were conducted in the United States, Canada, the United Kingdom, Australia, New Zealand, Spain, Portugal, Japan, and Singapore. Most of the studies used qualitative or mixed methods. The CGs in this review were situated in prisons, university campuses, a church, a shelter, urban rooftops, and urban and rural neighbourhoods. These CGs engaged diverse populations, including immigrants, refugees, newcomers, Indigenous peoples, women, seniors, students, youth, racialized peoples, and persons with disabilities and mental health issues. Our results reveal that the mental health of CG participants is inseparable from engagement processes like collaborative place-making labour that engender social connectedness, collaborative learning, empowerment, and a connection to nature. We gesture to the affinities between this co-creative and co-participative process and similar land and/or place-based practices with an eye to the potential for civic participation and/or awareness of human rights to advance mental health equity.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».