Neurourbanistik – ein methodischer Schulterschluss zwischen Stadtplanung und Neurowissenschaften
Bibliographic record
Abstract
Zusammenfassung Hintergrund: Urbanisierung gehört zu den wichtigsten globalen Veränderungen, denen die Menschheit in den kommenden Jahrzehnten ausgesetzt sein wird. Diese Entwicklung ist rasant – und sie ist gesundheitsrelevant, mit weit reichenden Konsequenzen für unser psychisches Befinden. Einige stressassoziierte psychische Erkrankungen zeigen ein erhöhtes Auftreten bei Stadtbewohnern. Methode: Es ist daher höchste Zeit, den Einfluss von Stadtleben auf das psychische Wohlbefinden sowie die Rolle urbaner Stressoren besser zu verstehen. Hierzu ist ein methodischer Schulterschluss zwischen Architektur, Stadtplanung, Neurowissenschaften und Medizin notwendig, für den wir den Begriff der „Neurourbanistik“ vorschlagen. Neurourbanistik als neue akademische Perspektive kann dazu beitragen, angemessen und effektiv auf die Herausforderungen einer urbanisierten Welt zu reagieren. Die Themen neurourbanistischer Forschung umfassen dabei Grundlagenforschung, Epidemiologie und Public Health genauso wie experimentelle Stressforschung und Präventionsforschung. Ziel: Ziel ist, ein Lebensumfeld zu schaffen, welches die Resilienz und psychische Gesundheit von Stadtbewohnern und urbaner Gemeinschaften stärkt.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.024 | 0.041 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.003 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.003 | 0.004 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.003 | 0.008 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.086 | 0.010 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".