Residential greenness and reduced depression during COVID-19: Longitudinal evidence from the Canadian Longitudinal Study on Aging
Notice bibliographique
Résumé
BACKGROUND: Urban greenness has several demonstrated mental health benefits, including lower rates of depression and loneliness. Few studies have evaluated the possible benefits of greenness on depression during the COVID-19 worldwide pandemic. We investigated this topic using a prospective cohort of Canadian adults. METHODS: Our study population consisted of 13,130 participants, 50 years of age and older, of the Canadian Longitudinal Study on Aging. The Center for Epidemiological Studies Depression Short Scale (CES-D-10) screening tool was used to determine whether individuals had depression at two-time points (pre-pandemic, and 6 months into the pandemic). Greenness was characterized using the maximum annual mean Normalized Difference Vegetation Index (NDVI) (500m buffer) from the pre-pandemic residential address. Logistic regression was used to estimate the odds of depression during the pandemic in relation to an interquartile range increase in the NDVI. RESULTS: The prevalence of depression increased nearly twofold between the pre-pandemic and pandemic surveys (8.5% to 16.5% for men; 14.4% to 27.1% for women). Irrespective of depression status before the pandemic, those with higher residential greenness had lower odds of depression during the pandemic. Among those 'not depressed' pre-pandemic, the odds ratio (OR) of depression during the pandemic in relation to an interquartile increase in the NDVI (0.06) was 0.91 (95% CI: 0.85-0.97), while a weaker association was found for those depressed pre-pandemic (OR=0.96; 95% CI: 0.83-1.11). The inverse association between greenness and depression during the pandemic was strongest among those of lower socioeconomic status. CONCLUSIONS: Our findings suggest that green spaces in urban areas helped mitigate against depression during the pandemic.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».