Explorando tendencias sociales en las
discusiones sobre cohousing y coliving
en X(Twitter) mediante el uso de técnicas de PNL y de análisis de texto
Dr. Rafael Sosa-Ramírez. Investigador
Postdoctoral. Universidad Pablo de Olavide. España
Dr. Esteban Vázquez-Cano. Profesor
Titular de Universidad. UNED. España
Dr. Norberto Díaz-Díaz. Profesor
Titular de Universidad. Universidad Pablo de Olavide. España
Dr. Eloy López-Meneses. Profesor
Titular de Universidad. Universidad Pablo de Olavide. España
Recibido:
2024/01/09 Revisado 2024/01/31 Aceptado: :2024/08/29 Online First: 2024/07/08 Publicado: 2024/09/01
Cómo citar este artículo:
Sosa
Ramírez, R., Vázquez Cano, E., Díaz-Díaz, N., & López-Meneses, E. (2024).
Explorando tendencias sociales en las discusiones sobre cohousing
y coliving en X(Twitter) mediante el uso de técnicas
de PNL y de análisis de texto [Exploring social trends in cohousing and coliving discussions on X(Twitter) using NLP and Text Analysis Techniques]. Pixel-Bit. Revista De Medios Y Educación, 71,
25–41. https://doi.org/10.12795/pixelbit.107991
RESUMEN
La investigación analiza las
tendencias y variaciones en las discusiones relacionadas con cohousing y coliving en la red
social X (anteriormente conocida como Twitter) entre 2019 y 2022. Utilizando
técnicas avanzadas de análisis de redes de texto, la investigación utilizó
Python y Snscrape para el preprocesamiento de texto,
seguido por la construcción de gráficos de red y la detección de comunidades.
El estudio emplea modelos de Asignación Latente de Dirichlet (LDA) para
identificar los temas de discusión en los tweets y calcula el tf-idf de bigramas dentro de los
principales clusters
temáticos. Este estudio evalúa la importancia relativa de estos bigramas en función de su frecuencia en los documentos
analizados. Los resultados revelan un patrón fractal de propagación de
influencia dentro de la red social X. Temas clave como espacios de trabajo
compartido, pisos en alquiler y planificación urbana destacan de manera
prominente en las discusiones sobre la vivienda colaborativa, demostrando el
impacto multifacético de los modelos de convivencia en diversas poblaciones.
Esta investigación proporciona información esencial sobre el intrincado
panorama de las conversaciones sobre la vivienda colaborativa, resaltando el
papel fundamental de los modelos de convivencia en la atención de desafíos
contemporáneos
ABSTRACT
The research analyses trends
and variations in discussions related to cohousing and coliving
in the X Social Network (formerly known as Twitter) between 2019 and 2022.
Employing advanced text network analysis techniques, the research uses Python
and Snscrape for text pre-processing, followed by
network graph construction and community detection. The study employs Latent
Dirichlet Allocation (LDA) models to identify the topics of discussion in
tweets and calculates the tf-idf of bigrams within
the main thematic clusters. This study evaluates the relative importance of
these bigrams as a function of their frequency in the analysed
documents. The results reveal a fractal pattern of influence propagation within
the X Social Network. Key topics such as coworking spaces, rental flats and
urban planning feature prominently in cohousing discussions, demonstrating the
multifaceted impact of cohousing models on diverse populations. This research
provides essential insight into the intricate landscape of cohousing
conversations, highlighting the pivotal role of cohousing models in addressing
contemporary challenge
PALABRAS CLAVES· KEYWORDS
Vivienda colaborativa, Cohousing, Coliving, Redes
sociales, Planificación urbana
Collaborative housing, Cohousing, Coliving,
Social networks, Urban planning
1. Introducción
En las sociedades
contemporáneas, la complejidad de las relaciones económicas y la evolución de
la transición demográfica son temas profundamente arraigados en los debates
dentro de los foros internacionales, los cuerpos gubernamentales y la sociedad civil.El envejecimiento de la población es una preocupación
importante, del cual se espera un incremento del doble de personas mayores de
65 años, alcanzando los 1.6 mil millones para 2050 (United
Nations, 2023), siendo esta una tendencia demográfica
irreversible. Es crucial subrayar que este fenómeno se encuentra estrechamente
interrelacionado con diversas cuestiones contemporáneas. Por lo tanto, existe
la necesidad de buscar nuevos modelos residenciales que ofrezcan alternativas
distintas como el cohousing y el coliving,
Estos se encuentran alineados con la definición del Comité sobre los Derechos
de las Personas con Discapacidad de entornos de vida independiente,
"lugares para vivir fuera de todo tipo de instituciones
residenciales" (2017, p.5), sin socavar la capacidad de elegir frente a la
imposición de un estilo de vida. Esta búsqueda de alternativas comunitarias y
el conocimiento adquirido en torno a ellas cobraron una mayor urgencia tras la
pandemia causada por el SARS-CoV-2. (Hsu et al.,
2020). A nivel internacional, el Fondo Monetario Internacional informó en 2022
que los precios de la vivienda habían aumentado casi un 80% desde el año 2010.
Además, la Unión Europea indicó que en el intervalo del año 2010 al 2021, los
precios de la vivienda se habían incrementado un 37% para la compra y un 16%
para los alquileres. (Eurostat, 2022). Por último, pero no menos importante, se
reconoce el creciente desafío de la soledad y el aislamiento social, los cuales
son un problema internacional en aumento y se vinculan directa o indirectamente
con consecuencias adversas para la salud física. (Chou et al., 2011; Crowe et
al., 2021; Heinrich & Gullone, 2006). A través de
la ciencia de datos y el uso de algoritmos se puede evidenciar información de
alto valor para comprender fenómenos socioeducativos. Concretamente, los
científicos pueden evaluar cuestiones como la influencia de los avances
tecnológicos en un campo de conocimiento o identificar variables latentes en
grandes conjuntos de datos (Salas, 2023).
El objetivo de esta
investigación es identificar las tendencias y los patrones de discusión en la
red social X (anteriormente conocida como Twitter) relacionados con el 'Cohousing' y el 'Coliving'. Se
pretende comprender cómo se discuten y representan estos conceptos en X a lo
largo del tiempo, identificando y analizando los temas de mayor relevancia
utilizando técnicas de análisis de redes de texto para obtener una comprensión
más profunda de cómo estos conceptos se interrelacionan dentro de la red
social.
2. Método
Se ha empleado un método de
análisis de redes de texto basado en modelado de temas para analizar la
representación del 'cohousing' y ‘coliving’
en la red social X durante el período 2019-2022 (Budan
& Graeme, 2006; Bullinaria & Levy, 2012). Los
temas han sido recuperados mediante la identificación de agrupaciones de
palabras coocurrentes dentro del conjunto de datos,
basándonos en los modelos de bolsa de palabras y skip-gram
(Jones & Mewhort, 2007; Bruni et al., 2014; Feng
et al., 2017). Para este propósito se ha utilizado el software ‘InfraNodus’ escrito en JavaScript (Node.Js)
implementando las bibliotecas Sigma.Js, Cytoscape y Graphology en el front-end, y la base de datos de grafos Neo4J basada en
Java. Este software utiliza la teoría de grafos en lugar de la distribución de
probabilidad para identificar las palabras relacionadas y asignarlas a clusters temáticos.
Para comenzar, todas las palabras
del texto se lematizan para reducir la redundancia y conservar la raíz
morfológica de cada palabra. Se eliminan del texto las palabras que no aportan
ningún significado adicional y los enlaces. Después, el texto se convierte en
un grafo de red dirigido. Los lemas normalizados son los nodos en el grafo de
red y sus co- ocurrencias son los bordes. Esta
aplicación de la teoría de grafos ayuda a obtener una mejor comprensión de la
estructura del discurso textual y de las relaciones entre palabras y las
oraciones en el contexto.
Además, se implementó el
método de comparaciones por pares para centrarse en la sumarización
de temas compartidos o no compartidos entre los tweets (Campr
& Jezek, 2013; Zhai et
al., 2004). El criterio de comparación se establece de acuerdo con la siguiente
fórmula:
(1) 𝐷𝐶 𝐷𝐶
Donde el índice I ∈ {1 . . . |DC|} definimos DC mediante los temas
descubiertos utilizando la asignación latente de Dirichlet o LDA (Blei et al., 2003) y una matriz de distancias por pares.
Finalmente, calculamos tf-idf de los bigramas en los principales grupos de temas de las
discusiones de X.
3.1. Explorando las tendencias en X:
extracción y limpieza de los datos.
En esta investigación, se
utilizó la biblioteca Snscrape, que permite el scraping de tweets a través de la API de Twitter sin
restricciones en la cantidad y los periodos de tiempo.
Se realizó el web scraping de tweets que contenían las palabras clave 'cohousing', 'co- housing' y 'coliving’, ‘co-living’ en inglés, junto con
sus respectivos hashtags, empleando un script de Python dentro de un entorno de
Jupyter Notebook. Las consultas involucraron
operadores diseñados para coincidir con varios atributos específicos de los
tweets. Estos operadores se aplicaron a diferentes características de los
tweets como el texto, el idioma, y la identificación de los usuarios entre
otros. Además, se utilizó la biblioteca Natural Language
Toolkit (NLTK), que proporciona herramientas y
recursos para el procesamiento de los datos.
La instancia de la clase 'TwitterSearchScraper' se inicializa con una consulta, la
cual se utiliza en el método get_items () para
recuperar todos los tweets que satisfacen las condiciones definidas.
Posteriormente, estos datos son procesados para generar un dataframe
a través de Pandas.
Figura
1
Generación
del Dataframe en Pandas
Se
extrajeron 91039 tweets en inglés en el periodo comprendido entre 2019 y 2022
para la posterior aplicación de técnicas de procesamiento de lenguaje natural
(NLP). A continuación, se muestra la función ‘preprocess_tweet’(tweet)
del código representado en la Figura 2. Esta función toma un tweet y realiza
operaciones de preprocesamiento y transformación. Primero, elimina URLs, RTs y nombres de usuario de
Twitter y posteriormente caracteres especiales, números, espacios en blanco.
Posteriormente, tokeniza el tweet en palabras
individuales y elimina palabras que añaden significando además de las stopwords. Finalmente, retorna un conjunto único de
palabras separadas por un solo espacio.
Figura 2
Código para el preprocesamiento del texto
Todas
las tareas que entrelazan etapas y técnicas son fundamentales para la
sistematización de datos, lo que permite un análisis posterior. Esto contribuye
a la simplificación y expone claramente qué información es más relevante dentro
del conjunto de datos. Esto, a su vez, sienta las bases para extraer
conocimientos y tendencias clave en el ámbito del cohousing
y coliving, enriqueciendo en última instancia nuestra
comprensión de estos temas en la era digital.
3. Análisis y resultados
Hemos
obtenido una red ponderada según la aplicación de la siguiente fórmula (Newman,
2004).
Donde
Aij representa el peso de la arista entre i y j,
ki = ∑j Aij es la
suma de los pesos de los vértices i, ci es la
comunidad a la que está asignado el vértice i, la función δ (u,
v) es1 if u = v y 0 en caso
contrario y en caso contrario y m = 11 ∑𝑖𝑗Aij.
Figura 3
Grafo de cohousing y coliving
a partir de tweets del período 2019-2022
Dado que los datos están muy
agrupados, utilizamos el algoritmo de corte de codo de Jenks
(Jenks, 1967) para seleccionar los lemas más
prominentes que tienen una influencia significativamente mayor que el resto
(Figura 4). Se puede observar que 5 conceptos son recurrentes a lo largo de los
diferentes tweets analizados.
Figura
4
Top prominet lemmas
El resultado de la estructura
de la red fue 0.73, lo que indica una alta modularidad medida con el algoritmo
de detección de comunidades de Louvain (Blondel et
al., 2008). La Tabla 1 muestra los clústeres más influyentes en los datos
analizados, junto con la Figura 5 en la que se puede visualizar su
representación en el grafo.
Tabla
1
Mapeo
del grado de frecuencia, intermediación y diversidad de los temas principales
|
Topic
|
Degree
|
Frequency
|
Betweenness
|
Topic
|
Conductivity
|
Locality
|
Diversivity
|
|
sum total
|
651
|
421
|
2.611.411
|
n/a
|
4298.00
|
421
|
5229.00
|
|
sum / 8
nodes
|
5.20
|
3.88
|
0.126121
|
n/a
|
30.11
|
2.34
|
134.70
|
|
Live spaces
|
31
|
212
|
0.486531
|
67
|
289.0
|
0
|
256.1
|
|
Communal
Housing
|
30
|
210
|
0.361294
|
62
|
278.5
|
0
|
228.9
|
|
Nation
Building
|
28
|
199
|
0.378134
|
51
|
276.0
|
0
|
226.5
|
|
LiveWork
Trend
|
24
|
156
|
0.323611
|
46
|
212.3
|
0
|
224.0
|
|
Urban
Project
|
19
|
128
|
0.223967
|
44
|
188.7
|
0
|
176.5
|
|
Millennial
Move
|
18
|
100
|
0.231278
|
42
|
178.9
|
0
|
127.5
|
|
Tech
Efficiency
|
11
|
99
|
0.112378
|
38
|
165.2
|
0
|
99.5
|
|
Fundraising
|
10
|
87
|
0.094512
|
20
|
105.1
|
0
|
88.2
|
Utilizamos una combinación
de algoritmos de agrupamiento y detección de comunidades en grafos basado en Louvain (Blondel et al., 2008) para identificar los grupos de
nodos que están más densamente conectados entre sí que con el resto de la red.
Estos nodos se alinean más cerca unos de otros en el grafo utilizando el
algoritmo ForceAtlas2 (Jacomy et al., 2014) y se les
asigna un color distintivo. Los nodos más influyentes son aquellos con la mayor
centralidad de intermediación (ajuste actual), apareciendo con mayor frecuencia
en el camino más corto entre dos nodos elegidos al azar (vinculando las
diferentes comunidades distintivas) o aquellos con el mayor grado.
Figura
5
Temas
principales
Luego, representamos
gráficamente la narrativa como una serie temporal de influencia (utilizando el
puntaje de intermediación de las palabras). Posteriormente aplicamos el
análisis de fluctuación desprendida para identificar la fractalidad
de esta serie temporal, representando las escalas log2 (x) frente a las
fluctuaciones acumuladas log2 (y). La dinámica de propagación muestra una
variabilidad fractal con un exponente alfa de 0.94 (Hurst,
1951), un resultado muy alto según el Análisis de Fluctuación Desprendida de
Influencia (Gneiting & Schlather,
2004). Posteriormente, la relación log-log resultante puede aproximarse con un
ajuste polinomial lineal debido a que los nodos presentan una preferencia por
la conexión (por ejemplo, el 20% de los nodos tienden a recibir el 80% de las
conexiones). Podemos postular entonces una relación de ley de potencia en cómo
se propaga la influencia en esta narrativa, basada en los resultados del test de Kolmogorov- Smirnov: ks: 1.11, d: 0.46 <= cr:
0.55.
Figura
6
Propagación
y fluctuación de los temas principales en los tweets
Como se puede observar en
los resultados de propagación y fluctuación de los temas principales asociados
con los tweets, la estructura del discurso está centrada y su inmunidad es
baja, lo que significa que podría ser más fácil de infiltrar. Aunque tiene
varias perspectivas, está enfocado en una sola. Cuanta mayor sea la diversidad
estructural de la red y mayor sea el alfa en el puntaje de propagación de
influencia, mayor será su inmunidad viral-mental; es decir, dicha red será más
resiliente y adaptable que una menos diversa. La estructura de la red indica el
nivel de su diversidad. Esto se basa en la medida de modularidad (>0.4 para
media, >0.65 para alta modularidad / esta red = 0.73), medida con el
algoritmo de detección de comunidades Louvain
(Blondel et al., 2008), en combinación con la medida de distribución de
influencia (la entropía de la distribución de los nodos principales entre los
clústeres principales), así como el porcentaje de nodos en la comunidad
superior.
Además, para complementar la
información de los clústeres, analizamos los bigramas
asociados con cada uno de los clústeres para profundizar en las relaciones de
los temas principales. Para hacer esto, utilizamos la siguiente notación.
bigram_tf_idf <- bigrams_united %>%
count(cluster, bigram) %>%
bind_tf_idf(bigram, cluster, n)
%>%
arrange(desc(tf_idf))
Presentamos, en la Tabla 2,
los resultados más altos de 'tf-idf' de los siete bigramas más representativos en cada uno de los clústeres
con el fin de determinar el impacto del cohousing en
la comunidad de Twitter.
Tabla
2
Datos
de los clústeres
|
Cluster
|
bigram
|
n
|
tf
|
tf_idf
|
|
|
commun-share
|
121
|
0.03984481
|
0.04249421
|
|
Coworking
Spaces
|
cowork-local
|
93
|
0.03874412
|
0.02845211
|
|
|
group-support
|
124
|
0.03784118
|
0.04241470
|
|
|
live-spaces
|
143
|
0.03712267
|
0.04129740
|
|
Rental
Apartments
|
afford-build
|
151
|
0.03984419
|
0.04249474
|
|
|
rental-single
|
137
|
0.03047901
|
0.04124772
|
|
|
young-profession
|
148
|
0.03240741
|
0.02087241
|
|
Professional
Networking
|
change-city
|
115
|
0.02882472
|
0.04977412
|
|
|
hotel-investor
|
133
|
0.02274289
|
0.04129861
|
|
|
option-demand
|
131
|
0.02574235
|
0.04139898
|
|
Work-Live
Spaces
|
market-deal
|
111
|
0.02174290
|
0.04139823
|
|
|
live-work
|
99
|
0.02784253
|
0.04139856
|
|
|
project-develop
|
88
|
0.01704177
|
0.04139822
|
|
Urban
Planning
|
area-share
|
100
|
0.01274112
|
0.04139883
|
|
|
option-demand
|
102
|
0.01674100
|
0.04139812
|
|
|
people-age
|
93
|
0.01974175
|
0.04139822
|
|
Population
Movement
|
move-meet
|
91
|
0.01374128
|
0.04139836
|
|
|
people-find
|
88
|
0.01174129
|
0.04139821
|
|
|
money-grow
|
83
|
0.01574124
|
0.04129889
|
|
Fundraising
Growth
|
fund-demand
|
71
|
0.01474131
|
0.04129834
|
|
|
raise-fund
|
69
|
0.01674154
|
0.04129831
|
En la Tabla 2, podemos
observar que el primer grupo, 'Coworking Spaces', se divide en tres bigramas: (1) 'commun-share' (tf_idf 0.04249421); (2) 'cowork-local'
(tf_idf 0.02845211) y (3) 'group-support'
(tf_idf 0.04241470). En este sentido, la vivienda
comunal compartida podría promover un entorno de apoyo y cerrar la brecha entre
grandes modelos de vida, fomentando un mundo mejor basado en la cooperación. Los coworking spaces y el cohousing proporcionan soluciones modernas, permitiendo a
las personas unir fuerzas en entornos asequibles de vivienda y trabajo. El
segundo grupo, 'Rental Apartments’,
se divide en tres bigramas: (1) 'live-spaces'
(tf_idf 0.04129740); (2) 'afford-build'
(tf_idf 0.04249474) y
(3) 'rental-single' (tf_idf 0.04124772). En el
escenario actual, están apareciendo nuevas startups y empresas que están
construyendo espacios de vivienda asequibles para revolucionar el mercado de
alquiler. El tercer grupo, ‘Professional Networking’,
se divide en otros tres bigramas: (1) ‘young-profession’ (tf_idf
0.02087241); (2) ‘change-city’ (tf_idf
0.04977412) y (3) ‘hotel-investor’ (tf_idf 0.04129861). El networking
profesional en comunidades de cohousing fomenta la
colaboración, permitiendo a los residentes de diversos campos compartir ideas y
experiencia. Este modelo de vida innovador proporciona espacios asequibles que
se adaptan a las necesidades cambiantes de estudiantes, profesionales y millennials que trabajan en diferentes proyectos. El cuarto
grupo, ‘Work-Live Spaces’, se divide en otros tres bigramas: (1) ‘option-demand’ (tf_idf 0.04139898); (2) ‘market-deal’
(tf_idf 0.04139823) y (3) ‘live-work’
(tf_idf 0.04139856). Los work-live
spaces y el cohousing
promueven un sentido de comunidad al combinar vivienda asequible, desarrollo
profesional e intereses compartidos para individuos diversos, incluyendo
estudiantes y millennials. El quinto grupo, ‘Urban Planning’, se divide en otros tres bigramas:
(1) ‘project-develop’ (tf_idf
0.04139822); (2) ‘area-share’ (tf_idf
0.04139883) y (3) ‘option- demand’
(tf_idf 0.04139812). La planificación urbana y el cohousing se interrelacionan ya que ambos buscan crear
espacios de vida sostenibles y asequibles que fomenten un sentido de comunidad
y recursos compartidos. El sexto grupo, ‘Population Movement’, se divide en otros tres bigramas:
(1) ‘people-age’ (tf_idf
0.04139822); (2) ‘move-meet’ (tf_idf
0.04139836) y (3) ‘people-find’ (tf_idf
0.04139821). Las comunidades de cohousing y los
espacios compartidos ofrecen opciones de vivienda asequible, atrayendo a millennials y profesionales que valoran la colaboración.
Esta tendencia influye en el movimiento poblacional al promover una vida más
integrada en áreas urbanas, fomentando fuertes conexiones entre diversos grupos
de edad e intereses. El séptimo grupo, ‘Fundraising Growth’, se divide en
otros tres bigramas: (1) ‘money-grow’ (tf_idf
0.04129889); (2) ‘fund- demand’ (tf_idf 0.04129834) y
(3) ‘raise-fund’ (tf_idf 0.04129831). El crecimiento en la recaudación de fondos
en las comunidades de cohousing puede impulsar el
desarrollo de espacios de vida compartidos y asequibles diseñados para varios
grupos de edad y profesionales. A medida que estos proyectos ganan tracción,
mejoran los entornos urbanos al fomentar la colaboración a través de la
vivienda comunal.
3.
Discusión
La investigación presentada
en este artículo ofrece valiosas aportaciones sobre la representación del cohousing y sus tendencias en X. Al aplicar técnicas de
análisis de redes de texto, pudimos descubrir la estructura subyacente del
discurso, identificando los distintos grupos temáticos que tienen una mayor
relevancia. Nuestros hallazgos enfatizan la importancia de los modelos de vida
comunitaria y los espacios compartidos, especialmente en la resolución de
desafíos globales relacionados con la asequibilidad y la adaptación a nuevas
necesidades como el envejecimiento o los nuevos modelos de relaciones
laborales. Entre los usuarios, surge el interés y la discusión sobre 'Live
Spaces', un término altamente asociado con la innovación y el diseño. Este
grupo está más cercano al cohousing que al coliving debido al énfasis del primero en el carácter
permanente de la residencia. En el cohousing, la
población objetivo participa en el diseño, creando identidad y un sentido de
pertenencia, fomentando así la responsabilidad compartida (Andersen & Lyhne, 2022). Tim Ingold (2000)
argumenta que los 'living spaces'
no son productos finales sino procesos en constante evolución, reflejando fases
de la vida y negociaciones continuas con el espacio, encarnando esta noción en cohousing. Los proyectos se centran en la interacción y la
reunión, con el objetivo de satisfacer las necesidades de vivienda. Por
ejemplo, la cooperativa la Borda, iniciada en 2012, ofrece 28 apartamentos
asequibles y espacios compartidos como una lavandería, cocina y áreas flexibles
que se transforman en espacios colaborativos (Molina & Valero, 2021).
En cuanto a 'Communal Housing', este nodo
sugiere un interés en la idea de compartir vivienda y recursos. Puede estar
relacionado tanto con el cohousing como con el coliving, así como con discusiones sobre la vida en
comunidad. Mantiene una relación más estrecha con cohousing,
especialmente con el modelo Andel. Crabtree-Hayes (2023) proporciona un
glosario terminológico diferenciando el cohousing por
su relación más estrecha con la ayuda mutua, el comunitarismo y una mayor
dimensión de proyecto, y el coliving por compartir
recursos materiales y estimular un capital social de la nueva economía. En el cohousing, la vida comunitaria es más formal, con
decisiones colectivas planificadas (From, 1991). En
contraste en el coliving es más informal, basado en
interacciones espontáneas entre los residentes. Por ejemplo, una comunidad de cohousing en Bélgica ubicada en una histórica fábrica de
ahumado de arenques, exige una participación obligatoria en reuniones para la
organización y la resolución de conflictos (De Vos & Spoormans,
2022).
Otro nodo importante se
encuentra representado por 'Nation Building'; dentro de este ámbito temático se infieren
discusiones a nivel nacional sobre cohousing y coliving probablemente relacionadas con políticas
gubernamentales y/o proyectos residenciales nacionales. Hay un fuerte enfoque
en el debate sobre cohousing debido a su conexión con
políticas gubernamentales y la provisión de vivienda social. La Nueva Agenda
Urbana de las Naciones Unidas (2017) destaca la promoción del cohousing como una alternativa de vivienda. De manera
similar, el Comité de las Naciones Unidas sobre los Derechos de las Personas
con Discapacidad (2017) aboga por el derecho a vivir de manera independiente y
ser parte de la comunidad, oponiéndose a la institucionalización. A través del cohousing, se fomenta la independencia y la inclusión
comunitaria permitiendo a los residentes tomar decisiones y compartir
responsabilidades sin imponer un estilo de vida rígido.
El clúster 'Fundraising' enmarca el debate en torno a la financiación,
que es una de las principales barreras para la construcción de cohousing debido a los altos costos que enfrenta. Además,
esta dimensión está sujeta a una significativa discusión ideológica, legal,
técnica y científica. La estructura legal de los estados y estas iniciativas
ofrecen múltiples opciones, principalmente ha tenido una mayor repercusión el
conocido como modelo andel (Etxezarreta & Merina,
2014). Esta consideración se vuelve importante debido a la estrecha relación de
estas entidades con la economía social y, por ende, con sus métodos de
financiación. No existe un modelo único, pero se caracterizan por una
financiación mixta. Entre las diversas estrategias se encuentran: contribuciones
iniciales de los miembros, ahorros privados, acuerdos de arrendamiento,
fideicomisos, bancos éticos, fondos públicos y préstamos comunitarios.
Además, 'Rental
Apartments' y 'live-spaces'
constituyen otro debate importante. La intersección entre demografía, precios
de la vivienda y el mercado laboral refleja la complejidad del mercado de
alquiler. Varios factores impulsan el interés en 'rental
apartments', algunos relacionados con la evolución
del mercado laboral, el auge de la economía del conocimiento y otros meramente
económicos, como la inflación inmobiliaria en las grandes ciudades. Además, han
entrado nuevos actores como fondos de inversión, empresas inmobiliarias y otros
(Nethercote, 2019). Los bigramas
'live-spaces', 'afford-build
rental' y 'rental single' comparten el debate temático en la búsqueda de
espacios habitables. En este contexto, es esencial considerar agregar valor a
estas opciones de vivienda reduciendo costos, generando sostenibilidad
ambiental y económica, y atendiendo a tamaños de familia más pequeños. Entre
los objetivos del cohousing, puede estar el objetivo
de ofrecer viviendas por debajo de los precios de mercado y limitar la
especulación a través del régimen de cesión de uso.
En este sentido, en el
panorama laboral actual, 'Professional Networking' es
un tema crucial para el éxito en diversos sectores, proporcionando
oportunidades de colaboración y búsqueda de empleo, especialmente para los
'Young-Profession' en sus primeros pasos (Bouncken, 2018). El bigrama 'change-city' alude a la movilidad laboral, vital para la
flexibilidad laboral. La fusión entre trabajo y turismo en colivings
con coworking difumina las líneas entre ambas esferas, conectando con el
concepto del 'hotel-investor'. Chevtaeva
(2021) menciona que las definiciones de espacios de coworking y coliving pueden diferir, abarcando desde hoteles y
laboratorios hasta entornos de trabajo lúdicos. Estos elementos resaltan la
creciente integración entre trabajo, viaje y vida comunitaria, generando un
estilo de vida laboral más versátil y enriquecedor. Esta tendencia, es
especialmente evidente en los colivings, mezclando la
productividad laboral con experiencias culturales, dando lugar a modos de
empleo más flexibles. En la actualidad esta sociedad del conocimiento se
encuentra en una continua transformación (Concepción et al., 2022).
Para estos desarrollos,
'Urban Planning' es crucial para integrar de manera
efectiva el cohousing y el coliving
en áreas urbanas. Entre los elementos de mayor interés se incluyen el diseño
urbano y la infraestructura, asegurando el cumplimiento de los requisitos de
zonificación y desarrollo, especialmente en el cohousing
donde la reserva de tierras está vinculada a la reducción de costos (Baiges et al., 2019). Estas prácticas son esenciales en la
planificación urbana debido a su asociación con los ODS. El 'project-develop' es complejo, enfrentando desafíos en
financiamiento, burocracia y plazos extendidos, especialmente en proyectos de cohousing impulsados por la sociedad civil. El ODS 11
aborda la sostenibilidad urbana, centrándose en la vivienda y el impacto
económico (Naciones Unidas, 2015). La planificación urbana es fundamental para
integrar estos modelos residenciales en los entornos urbanos existentes,
asegurando el cumplimiento de regulaciones legales y la sostenibilidad
ambiental. Las demandas de vivienda evolucionan con la 'option
demand' según las preferencias de la sociedad civil.
En el contexto del cohousing y coliving, 'Population Movement' refleja el
interés de las personas en buscar nuevas formas de vivir en comunidades, ya sea
por edad o basados en intereses similares. Wang et al. (2020), en su estudio
sobre las motivaciones de los miembros de cohousing
británicos, indicaron que la principal motivación para unirse a un proyecto es
su carácter social: ser parte de una comunidad, compartir, vivir intergeneracionalmente y convivir con personas afines.
También se destacan preocupaciones relacionadas con la sostenibilidad ambiental
y financieras como la posesión de capital. El 'people-ageing'
es un factor significativo en el interés por el cohousing
entre las personas mayores. A medida que la población envejece, las personas
buscan alternativas que les permitan envejecer en sus propios hogares
manteniendo el contacto con la comunidad, recibiendo apoyo social y
compartiendo servicios. Existe preocupación de que las ciudades generen
tendencias que no promuevan la salud y el bienestar de las personas mayores
(Organización Mundial de la Salud, 2023). Koller et
al. (2023) estudiaron el impacto de la pandemia en las comunidades de cohousing, y encontraron que la resiliencia y el bienestar
social pueden mejorar al vivir en proyectos de cohousing.
Respecto a 'move-meet', como se mencionó
anteriormente entre los propósitos de los miembros de cohousing,
se encuentra el de convivir con personas que comparten valores similares. Schetsche et al. (2021) investigaron si existían rasgos de
la personalidad característicos entre las personas que viven en cohousing. Demostraron que los residentes de comunidades de
cohousing tienen niveles más altos de bienestar y
menos rasgos de la personalidad desadaptativos. La forma en que las personas se
conectan con las comunidades de cohousing o buscan
alojamiento en coliving, 'people-find',
se articula en torno a sitios web especializados. La Asociación de Cohousing de Estados Unidos en su sitio web, https://www.cohousing.org/, proporciona un
directorio de proyectos en diferentes estados para asociación o participación.
Del mismo modo, https://coliving.com/es/ permite encontrar alojamientos de coliving.
5.
Conclusiones
La emergencia de la vida
comunal y los espacios compartidos se han convertido en grandes modelos para
crear un mundo mejor y más habitable. Esta tendencia se observa especialmente
entre estudiantes, startups y jóvenes profesionales que buscan adquirir nuevos
apartamentos, espacios de trabajo y viviendas asequibles. Como resultado, este
es un movimiento en constante crecimiento que está transformando nuestra nación
en un entorno mucho más habitable y comunitario donde personas de todos los
intereses pueden unirse y vivir sus vidas. La tendencia de la vida comunal está
en aumento, con cada vez más personas recurriendo a modelos de vivienda
compartida y espacios de convivencia para alquilar, como estancias en casas y
nuevos apartamentos. Este gran modelo de vida comunal proporciona un buen mundo
para aquellos que se interesan en permanecer, vivir y trabajar juntos,
permitiendo que estudiantes y startups se beneficien del amplio espacio. La
presencia de temas recurrentes como espacios de coworking, apartamentos en
alquiler y networking profesional subraya el alcance
amplio y diverso de la conversación sobre cohousing
en X. Esta diversidad sugiere que la vida comunitaria y los espacios
compartidos tienen un impacto multifacético en la sociedad, beneficiando tanto
a las condiciones de vida como el desarrollo social.
Además, nuestro análisis
señala áreas potenciales para futuras investigaciones, que incluyen el impacto
del aumento de los precios de la vivienda, los cambios en las relaciones
laborales, las teorías comunitarias, el papel del capital social, las críticas
relacionadas con la gentrificación. Explorar estas dimensiones puede
proporcionar una comprensión más profunda del panorama en evolución de la vida
comunal y los espacios compartidos en la sociedad contemporánea.
Esta investigación
proporciona perspectivas valiosas sobre el intrincado paisaje del discurso
sobre el cohousing y subraya la importancia de los
modelos de vida comunal para abordar los desafíos sociales contemporáneos con
un enfoque en el rigor técnico y analítico. En general, se espera que estas
formas de vivienda continúen creciendo en popularidad en el futuro,
especialmente a medida que más personas buscan formas de vivir de manera más
sostenible y comunal.
Contribuciones
de autores
Conceptualización, R. S.-R.,
E. V-C., N. D.-D. y E.L.-M.; curación de datos, R. S.-R., E. V-C., N. D.-D. y
E.L.-M.; análisis formal, R. S.-R., E. V-C., N; adquisición de financiación, R.
S.-R., E. V-C. y E.L.-M.; investigación, R. S.-R., E. V-C., N. D.-D. y E.L-M.;
metodología, R. S.-R., E. V-C., N. D.-D. y E.L.-M.; administración de
proyectos, E. V-C., N. D.-D. y E.L.-M.; Recursos, R. S.-R., E. V-C. y N. D.-D;
software, E. V-C. y N. D.-D. ; supervisión, R. S.-R., E. V-C., N. D.-D. y
E.L.-M.; validación, E. V-C., N. D.-D. y E.L.-M.; visualización, R. S.- R., E.
V-C., N. D.-D. y E.L.-M; escritura: preparación del borrador original, R.
S.-R., E. V-C., N. D.-D. y E.L.-M.; redacción: revisión y edición, R. S.-R.,
E. V-C., N. D.-D. y E.L.-M.
Referencias
Andersen,
M. A., & Lyhne,
M. B. (2022a). Co-creating
Danish cohousing. Architectural Research Quarterly, 26(2), 197–208. https://doi.org/10.1017/S1359135522000355
Baiges,
C., Ferreri, M., & Vidal, L. (2019). International
policies to promote cooperative housing. https://bit.ly/3SuTkeY.
Blei, D. M.,
and M. I. J., Andrew, N. N., & Michael, I. J. (2003). Latent Dirichlet
Allocation. Journal of Machine Learning
Research, 3(4–5), 993–1022.
Blondel,
V. D., Guillaume, J. L., Lambiotte, R., &
Lefebvre, E. (2008). Fast
unfolding of communities in large networks. Journal
of Statistical Mechanics: Theory and Experiment, 10
, P10008.
Bouncken, R. (2018). University coworking-spaces: mechanisms,
examples, and suggestions for entrepreneurial universities. Int. J. Technology Management, 77,
38–56.
Bruni, E.,
Tran, N. K., & Baroni, M. (2014). Multimodal Distributional Semantics. Journal of Artificial Intelligence Research,
49, 1–47. https://doi.org/10.1613/jair.4135
Budanitsky, A., & Hirst, G. (2006). Evaluating WordNet-based
Measures of Lexical Semantic Relatedness. Computational Linguistics,
32(1), 13–47. https://doi.org/10.1162/coli.2006.32.1.13 Bullinaria,
J. A., & Levy, J. P. (2012). Extracting
semantic representations from word co-occurrence
statistics:
stop-lists, stemming, and SVD. Behavior
Research Methods, 44(3), 890–907. https://doi.org/10.3758/s13428-011-0183-8
Campr, M.,
& Karel, J. (2013). Text, Speech, and Dialogue. Lecture Notes in Computer Science, 8082, 568–574.
Chevtaeva, E. (2021). Coworking and Coliving:
The Attraction for Digital Nomad Tourists. In W. Wörndl,
J. L. Stienmetz, & C. Koo (Eds.), Information and Communication Technologies
in Tourism 2021 (pp. 202–209). Springer International Publishing. https://doi.org/10.1007/978-3-030-65785- 7_17
Chou, K.-L.,
Liang, K., & Sareen, J. (2011). La asociación entre el aislamiento
social y los trastornos del estado de ánimo, la ansiedad y el uso de sustancias
del DSM-IV : segunda ola de la Encuesta epidemiológica
nacional sobre el alcohol y afecciones relacionadas. The Journal
of Clinical Psychiatry, 72(11),
1468–1476. https://doi.org/10.4088/JCP.10m06019gry
CohoUS. Cohousing Association of the United States. Accessed
14 November 2022. https://bit.ly/48YLlMs.
Comité
sobre los Derechos de las Personas con Discapacidad. (2017). Observación
general núm. 5 (2017) sobre el derecho a vivir de forma independiente y a ser
incluido en la comunidad CRPD/C/GC/5. Accessed 14 November. 2022 https://bit.ly/48YLAqQ.
Concepción,
J. D., López Meneses, E., Vázquez Cano, E., & Crespo-Ramos, S. (2022). Implication of previous training and personal and
academic habits of use of the Internet in the development of different blocks
of basic digital 2.0 competencies in university students. IJERI: International Journal of Educational Research and Innovation,
18, 18–46. https://doi.org/10.46661/ijeri.6337.
Coliving.com.
Coliving es mejor Encuentre casas coliving
flexibles, cómodas y asequibles con amigos incluidos. Accessed 14 November. 2022 https://bit.ly/48Z2K7I.
Crabtree-Hayes,
L. (2023). Establishing a glossary of community-led housing. International Journal of Housing Policy,
1–28. https://doi.org/10.1080/19491247.2022.2155339
Crowe, C.
L., Domingue, B. W., Graf, G. H., Keyes, K. M., Kwon, D., & Belsky, D. W.
(2021). Associations of Loneliness and Social Isolation With
Health Span and Life Span in the U.S. Health and Retirement Study. The Journals of Gerontology: Series A, 76(11),
1997–2006. https://doi.org/10.1093/gerona/glab128
De
Molina Benavides, L., & Valero Ramos, E. (2021a). La vivienda colaborativa
en la era digital como proceso sostenible. Dearq, 31,
21–31. https://doi.org/10.18389/dearq31.2021.03
De Vos, E.,
& Spoormans, L. (2022). Collective Housing in
Belgium and the Netherlands: A Comparative Analysis. Urban Planning, 7(1), 336–348. https://doi.org/10.17645/up.v7i1.4750
Etxezarreta,
A., & Merino, S. (2014). Las cooperativas de vivienda como
alternativa al problema de la vivienda en la actual crisis económica. REVESCO. Revista de Estudios Cooperativos,
113(0), 92–119. https://doi.org/10.5209/rev_REVE.2014.v113.43382
Eurostat.
(2022). Evolución de los precios de la vivienda y los alquileres. Accessed 14 November.
2022 https://bit.ly/495Qa6N
Feng, Y.,
Bagheri, E., Ensan, F., & Jovanovic, J. (2017).
The state of the art in semantic relatedness: a framework for comparison. The Knowledge Engineering Review, 32,
e10. https://doi.org/10.1017/S0269888917000029
Fromm, D.
(1991). Collaborative Communities:
Cohousing, Central Living, and Other New Forms of Housing with Shared
Facilities (Van Nostrand Reinhold, Ed.; 1st ed.). Van Nostrand Reinhold.
Gneiting,
T., & Schlather, M. (2004). Stochastic Models That Separate Fractal
Dimension and the Hurst Effect. SIAM
Review, 46(2), 269–282. https://doi.org/10.1137/S0036144501394387
Gobierno
Vasco. (2020). Diagnóstico del modelo cohousing en
Euskadi. Accessed 14
November.
2022. https://bit.ly/48K45jc.
Guity
Zapata, N. A., & Stone, W. M. (2022). Home motivations and lived
experiences in housing cooperatives and cohousing communities: a two-contexts
scoping review. Housing Studies,
1–24. https://doi.org/10.1080/02673037.2022.2157801
Gummà, E., & Castilla, M. R. (2017). Cohousing de personas mayores. Un recurso
residencial emergente. Documentos de Trabajo Social, 59, 52–54.
Harris, R.
G. (2001). The knowledge-based economy: intellectual origins and new economic
perspectives. International Journal of
Management Reviews, 3(1), 21–40. https://doi.org/10.1111/1468-2370.00052
Hassan Shah,
S. H., Noor, S., Saleem Butt, A., & Halepoto, H.
(2021). Twitter Research Synthesis for Health Promotion: A Bibliometric
Analysis. Iranian Journal of Public
Health, 50(11), 2283–2291. https://doi.org/10.18502/ijph.v50i11.7584
Heinrich,
L. M., & Gullone, E. (2006). The clinical significance of loneliness: A literature
review.
Clinical Psychology Review, 26(6), 695–718. https://doi.org/10.1016/j.cpr.2006.04.002
Horelli, L., & Vepsä, K. (1994).
In Search of Supportive Structures for Everyday Life. In Women and the Environment (Vol. 13, pp. 201–226). Springer US. https://doi.org/10.1007/978-1-4899-1504- 7_8
Hou, S.-I.,
& Cao, X. (2021). Promising Aging in Community Models in the U.S.: Village,
Naturally Occurring Retirement Community (NORC), Cohousing, and
University-Based Retirement Community (UBRC). Gerontology and Geriatric Medicine, 7, 1–15. https://doi.org/10.1177/23337214211015451
Hsu, A. T.,
Lane, N., Sinha, S., Dunning, J., Dhuper, M., Kahiel, Z., & Sveistrup, H. (2020). Impact of COVID-19 on residents of Canada’s
long-term care homes – ongoing challenges and policy responses. Nternational Long-Term Care Policy Network. https://bit.ly/423tm5n
Hurst, H. E.
(1951). Long-Term Storage Capacity of Reservoirs. Transactions of the American Society of Civil Engineers, 116(1),
770–799. https://doi.org/10.1061/TACEAT.0006518
Ingold, T.
(2000). The Perception of the
Environment: Essays on livelihood, dwelling and skill: Vol.
First Edition (Routledge, Ed.; 1st ed.). Routledge.
International
Monetary Found. (2022). Global Housing Watch.
Accessed 14 November 2023. https://bit.ly/3S3BfDf.
Jakonen,
M., Kivinen, N., Salovaara,
P., & Hirkman, P. (2017). Towards an Economy of Encounters? A critical study of
affectual assemblages in coworking. Scandinavian
Journal of Management, 33(4), 235–242. https://doi.org/10.1016/j.scaman.2017.10.003
Jenks, G. F.
(1967). The Data Model Concept in Statistical Mapping. International Yearbook
of
Cartography, 7,
186–190.
JLL. (2019).
European Coliving Index. Accessed 14 November 2023. https://bit.ly/3Hu1pKg.
Jones, M.
N., & Mewhort, D. J. K. (2007). Representing word meaning and order
information in a composite holographic lexicon. Psychological Review, 114(1), 1–37. https://doi.org/10.1037/0033- 295X.114.1.1
Koller, J.
M., Hutchings, B. L., & Zabotka, J. (2023). Older
Adult Residents in Cohousing Communities: Impact and Response to the COVID-19
Pandemic, Part 2 (P2) Follow-Up Study. Journal
of Aging and Environment, 1–19. https://doi.org/10.1080/26892618.2022.2161031
Kraaijeveld, O., & De Smedt, J. (2020). The predictive power
of public Twitter sentiment for forecasting cryptocurrency prices. Journal of International Financial Markets,
Institutions and Money, 65,
101188. https://doi.org/10.1016/j.intfin.2020.101188
Lilac. Living Affordable Community. Accessed 14
November. 2022. https://bit.ly/3O6O3Hx. Mahmood, A., Seetharaman, K., Jenkins,
H.-T., & Chaudhury, H. (2022). Contextualizing Innovative
Housing
Models and Services Within the Age-Friendly Communities Framework. The Gerontologist, 62(1), 66–74. https://doi.org/10.1093/geront/gnab115
Makimoto, T., & Manners, D. (1997). Nómada digital (John Wiley & Sons, Ed.; 1st ed.). John Wiley &
Sons.
Meltzer, G.
(2001). Co-Housing Bringing Communalism
to the World? International Communal Studies Association, Communal Living on
the Threshold of a New Millennium: Lessons and␣ Perspectives, Proceedings of the 7th
International Communal Studies Conference.
Naciones
Unidas. (2017). Nueva Agenda Urbana
A/RES/71/256 (Secretaría de Habitat, Ed.).
Naciones Unidas.
Naciones Unidas. (2023). Leaving no one behind in an ageing world (Naciones Unidas). Accessed 14
November. 2023. https://bit.ly/4943F74
Nash, C., Jarrahi, M. H., Sutherland, W., & Phillips, G. (2018).
Digital Nomads Beyond the Buzzword: Defining Digital Nomadic Work and Use of
Digital Technologies. In C. Springer (Ed.), Transforming
Digital Worlds. iConference 2018. Apuntes
de conferencias sobre informática (pp. 207–217). https://doi.org/10.1007/978-3-319-78105-1_25
Natural
Language Toolkit. Natural Language
Toolkit. Accessed 14 November. 2023. https://bit.ly/3SpYqJ4/.
Nethercote, M. (2020). Build-to-Rent and the financialization of
rental housing: future research directions. Housing
Studies, 35(5), 839–874. https://doi.org/10.1080/02673037.2019.1636938 Newman, M.
E. J. (2004). Analysis of weighted networks. Physical Review E,
70(5), 1–9.
https://doi.org/10.1103/PhysRevE.70.056131
ONU.
(2015). Resolución aprobada por la
Asamblea General el 25 de septiembre de 2015. Transformar nuestro mundo: la
Agenda 2030 para el Desarrollo Sostenible. Accessed
14 November. 2023. https://bit.ly/3Hq5vmC
Python. Welcome to Python. Accessed 14 November.
2023. https://bit.ly/3SqHpi3
¿Qué
es un coliving? Accessed 14 November. 2022. https://bit.ly/3S5MRpg
Rufai, S.
R., & Bunce, C. (2020). World leaders’ usage of Twitter in response to the
COVID-19 pandemic: a content analysis. Journal
of Public Health, 42(3), 510–516.
https://doi.org/10.1093/pubmed/fdaa049
Salas Rueda,
R. A. (2023). Use of deep learning to analyze Facebook and Google classroom in
the educational field. Pixel-Bit. Revista de Medios y Educación,
67, 87-122. https://doi.org/10.12795/pixelbit.96994
Schetsche, C., Jaume, L., Gago-Galvagno,
L., & Elgier, A. (2021). Living in cohousing
communities. Personality Traits and Trait Emotional Intelligence. European Journal of Mental Health, 16, 170–183.
Sinnenberg, L., Buttenheim, A. M., Padrez, K., Mancheno, C., Ungar, L., & Merchant, R. M.
(2017). Twitter as a Tool for Health Research: A Systematic Review. American Journal of Public Health, 107(1), 1–8. https://doi.org/10.2105/AJPH.2016.303512
Snscrape. Accessed 14 November. 2023. https://bit.ly/3OdXKUN.
Spinuzzi, C.
(2012). Working Alone Together. Journal
of Business and Technical Communication, 26(4), 399–441. https://doi.org/10.1177/1050651912444070
Swanson, K.,
Ravi, A., Saleh, S., Weia, B., Pleasants, E., & Arvisais-Anhalt, S. (2023). Effect of Recent Abortion
Legislation on Twitter User Engagement, Sentiment, and Expressions of Trust in
Clinicians and Privacy of Health Information: Content Analysis. Journal of Medical Internet Research, 25, 1–14. https://doi.org/10.2196/46655
Tejada-Vera,
B., & Kramarow, E. (2022). OVID-19 Mortality in
Adults Aged 65 and Over: United States, 2020. NCHS Data Brief, 446,
4–4.
Twitter. Como twittear . Accessed 14
November. 2023. https://bit.ly/4aZp6Id.
Vogl, T.,
& Micek, G. (2023). Work-leisure concepts and tourism: studying the
relationship between hybrid coworking spaces and the accommodation industry in
peripheral areas of Germany. World
Leisure Journal, 65(2), 276–298. https://doi.org/10.1080/16078055.2023.2208081
Wang, J., Hadjiri, K., Bennett, S., & Morris, D. (2020). The role
of cohousing in social communication and sustainable living environments. WIT Transactions on The Built Environment,
193, 2–3.
Waters-Lynch,
J. M., Potts, J., Butcher, T., Dodson, J., & Hurley, J. (2016). Coworking:
A Transdisciplinary Overview. SSRN
Electronic Journal, 1–58. https://doi.org/10.2139/ssrn.2712217 Weeks, L.
E., Bigonnesse, C., Rupasinghe, V., Haché-Chiasson, A., Dupuis-Blanchard, S., Harman, K.,
McInnis-Perry, G., Paris, M., Puplampu, V., &
Critchlow, M. (2022). The Best Place to Be?
Experiences
of Older Adults Living in Canadian Cohousing Communities During the COVID-19
Pandemic. Journal of Aging and
Environment, 1–3. https://doi.org/10.1080/26892618.2022.2106528
World Health
Organization. (2023). National programmes for age-friendly cities and communities A guide (World
Health Organization, Ed.). World Health Organization.
Zhai, C., Velivelli, A., & Yu, B. (2004). A cross-collection
mixture model for comparative text mining. Proceedings
of the Tenth ACM SIGKDD International Conference on Knowledge Discovery and
Data Mining, 743–748. https://doi.org/10.1145/1014052.1014150
