How Visitors and Locals at a Sport Event Differ in Motives and Identity
Notice bibliographique
Résumé
Although the literature on events differentiates between locals, casual attendees, and those who have travelled specifically to attend the event, little is known about how the types of attendee differ. This study compared the fan motivation, leisure motivation, and identification with the subculture of athletics reported by a sample (N = 777) of attendees at the 2005 Pan American Junior Athletics Championships. Age, gender, and income were also included. Regression analyses were used to determine the structure of relations among the variables, and to ascertain whether the levels of motivation or identity varied among the three types of attendee. Tests for linear restrictions were used to determine whether the structure of relations among the variables differed by type of attendee. The structure of relations among the variables did not differ among the three types of attendee, but attendees who had travelled specifically to attend the event reported substantially higher identification with the subculture of athletics, and slightly higher fan motivation. Identification with the subculture of athletics mediated much of the effect. Females reported higher fan motivation and higher leisure motivation than did males. Age had a small but significant relationship with fan motivation, and income had a small but significant relationship with leisure motivation. Findings are generally consistent with predictions derived from theories of motivation, subculture, and gender roles. It is suggested that marketing communications directed out-of-town should highlight opportunities to strengthen, parade, and celebrate, while those in the local trading radius should underscore the entertainment, aesthetics, and vicarious achievement featured at the event.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».