Caracterización del papel crítico de la satisfacción general de las personas mayores con las áreas verdes para su bienestar mediante métodos de aprendizaje automático: Extracción de características y modelado predictivo

Este estudio establece un marco integrador de aprendizaje automático (MLML es la sigla de "Machine Learning", que en español se traduce como aprendizaje automático. Es una rama de la inteligencia artificial (IA) que permite a las computadoras aprender a partir de una gran cantidad...) que une la psicología ambiental y la ciencia de datos para investigar el bienestar psicológico de las personas mayores en las áreas verdes urbanas (UGS). Aplicamos algoritmos de árbol de decisión (DT), bosque aleatorio (RF) y red neuronal artificial (ANNANN es la sigla en inglés de "Artificial Neural Networks", que en español significa "Redes Neuronales Artificiales".), complementados con la interpretabilidad SHAP, a datos multidimensionales de 536 personas mayores de Nanjing, China, con el objetivo de identificar los principales predictores del bienestar.

Si bien el DT logró la mayor precisión (92,19 %), el enfoque conjunto del RF (87,07 % de precisión) demostró una robustez superior al mitigar eficazmente el sobreajuste. Es fundamental destacar que todos los modelos coincidieron en identificar la satisfacción general con los UGS, una métrica perceptiva subjetiva fundamental, como el predictor más importante, lo que subraya su primacía sobre los paradigmas tradicionales centrados en la accesibilidad. El análisis SHAP descodificó aún más esta satisfacción global en elementos psicológicamente relevantes y aplicables, revelando umbrales no lineales: los parques de humedales produjeron ganancias significativas en el bienestar (ΔWOOP ≥3,5) solo con visitas frecuentes que superaban las tres semanales y una alta satisfacción de al menos 4 sobre 5, mientras que las instalaciones de seguridad y la diversidad de la vegetación se identificaron como palancas de diseño clave. Nuestra metodología ofrece un proceso replicable que equilibra el rendimiento predictivo con la interpretabilidad psicológica.

Estos hallazgos reposicionan las UGS como infraestructuras de salud pública escalables para envejecer bien, proporcionando estrategias basadas en la evidencia y centradas en la percepción para mejorar la salud mental y emocional de las poblaciones urbanas que envejecen.

Título Original:

"Characterizing the critical role of older people's overall satisfaction with green spaces for their well-being using machine learning methods: Feature extraction and predictive modeling"

Autor/es: