An analysis of students' travel motivations and images of China as a tourist destination
Notice bibliographique
Résumé
Despite China's rapid growth in inbound tourism, the nature of its Canadian tourist \nmarket has been insufficiently studied. In response to this need, the objectives of this \nstudy are to identify China's destination image in Canadian students' minds, their \npossible internal motivations for visiting China as well as examining demographic \ninfluences on people's destination image formation. The study reviews image formation \nprocess and travel motivation categorisation, discusses their relationship, and implements \nBaloglu and McCleary's (1999) perceptual and affective image formation model and \n"push and pull factors" theory as its framework. A self-administered survey was applied \nto 424 undergraduate students in a Canadian university in early 2004. Exploratory factor \nanalyses were conducted to identify perceived images and travel motivation. Summated \nmeans were calculated to illustrate the affective attitudes. A series of f-test and ANOVA \ntests were employed to examine the influence of demographics. An open-ended question \nformat was adopted to analyse other images, motivations and visitation barriers that \nstudents may have. Findings demonstrate that cultural and natural attractions are the \npredominant image which the Canadian students have of China'; some stereotypes and \nnegative images still influence the students' perception; travel service quality is largely \nunknown; increasing knowledge and seeking excitement and fun are the significant \nmotivators in the likelihood of the Canadian students choosing to visit China; and \npersonal interests may be a factor that significantly influences an individual's destination \nimage and travel motivation. Raising awareness and increasing familiarity through \npromotion are suggested as methods to create a positive destination image of China.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».