Perception de l’effet restaurateur des environnements naturels et urbains en France
Bibliographic record
Abstract
En France, l’urbanisation ne cesse de croître, conduisant ses habitants à avoir de moins en moins de contacts avec la nature et ses bienfaits. Il est donc impératif d'entreprendre des recherches sur les effets bénéfiques de la restauration offerte par les espaces naturels au sein du pays, dans le but de favoriser la santé mentale de ses résidents. Une enquête en ligne a permis à 320 français d’évaluer quatre types de milieux : les espaces naturels « citadins » au cœur des villes, les espaces présentant un mélange d'éléments naturels et urbains, les espaces strictement urbains ainsi que les espaces naturels situés en dehors des villes. Les variables étudiées portent sur les capacités restauratrices, les préférences environnementales, le bonheur procuré, la sécurité perçue ainsi que la volonté d’être dans le lieu. Les résultats montrent que les espaces naturels « citadins » sont préférés et jugés plus restaurateurs que les environnements mixtes et urbains. Plus un environnement comporte des éléments naturels et plus il est préféré et perçu comme restaurateur en favorisant la réduction du stress et en optimisant les capacités cognitives des individus. Cette étude confirme également que les préférences esthétiques peuvent servir d'indicateur quant au potentiel de restauration de l’environnement. Cette recherche met en évidence l'importance d'intégrer des espaces naturels au sein des villes, étant donné que leurs bienfaits pour la santé mentale se rapprochent de ceux offerts par les environnements naturels extérieurs à celles-ci et particulièrement propices à la restauration.
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 | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
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".