Exposure to green and blue spaces during travel does not have immediate effect on subjective happiness and stress: evidence from a GPS survey in England
Notice bibliographique
Résumé
• GEMA evaluated effects of travel environments on post-trip happiness and stress. • Exposure to green/blue spaces while traveling has no immediate effect on happiness or stress. • Active travel modes immediately boost happiness and reduce stress. • Urban design should prioritize active travel to enhance daily happiness and reduce stress. • Active travel shows no clear link to the availability of green or blue spaces. How wellbeing can be improved in cities, has attracted increasing attention. This paper studies urban stress and happiness in relation to daily travel behaviour through a large app-based geographic ecological momentary assessment study conducted in three English cities: Birmingham, Leeds, and Brighton and Hove. The key questions are whether, and to what extent, environmental factors—specifically, green and blue spaces, and weather conditions—affect urban travellers’ happiness and stress levels immediately following travel. GPS data from 606 participants were collected and combined with survey questions asking participants to score their current happiness and stress levels at the end of trips. Environmental data were linked to the GPS location data. The results indicate that exposure to green and blue spaces during trips had no immediate effect on happiness or stress levels. However, active transportation modes, such as walking and biking, were associated with higher happiness and lower stress compared to car use. These findings suggest that while exposure to green and blue spaces may provide long-term environmental values within an urban context; promoting active travel modes could yield more immediate benefits for urban wellbeing.
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 ».