People’s perceptions of urban trees are more negative after COVID-19 lockdowns
Notice bibliographique
Résumé
Abstract The ways people think about urban nature affect how people engage with and support nature-based solutions for climate change adaptation in cities. While geographical and socio-demographic characteristics are known to influence people’s thoughts about urban nature, there is little knowledge on how these perceptions can shift over time, especially in response to major events that disrupt the human-nature relationship (such as hurricanes, wildfires, and pandemics). Considering urban trees are a key nature-based solution in cities, this study explores the shift in people’s perceptions about urban trees before and after the COVID-19 pandemic lockdowns. We also assessed how urban context and socio-demographics influenced this shift. Using Melbourne, Australia, as a case study, we delivered an online panel survey based on validated psychometrics about urban trees in summer 2020 (pre-COVID-19 lockdowns) and again in summer 2023 (post-COVID-19 lockdowns). The survey helped us explore temporal changes related to values and beliefs associated with urban forests and trees. Our results showed a change in two perceptions, with a 2% decrease in the importance of urban trees for nature (p = 0.02, r = 0.04) and a 4.3% increase in negative beliefs about trees (p < 0.01, r = 0.08) in 2023, compared to 2020. These shifts were greatest in outer urban areas. Furthermore, we observed that most socio-demographic groups rated the importance of the natural values lower and rated negative beliefs about urban trees higher in 2023, compared to 2020. While previous studies have found people had a more positive connection to urban nature during COVID-19 lockdowns, our study highlights that perceptions of urban trees may shift over time, which can lead to future changes in community support and engagement with urban forest management.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».