MétaCan
Menu
Retour à la cohorte
Enregistrement W2163766009 · doi:10.5539/ass.v9n2p203

Involvement in Agro-Tourism Activities among Communities in Desa Wawasan Nelayan Villages on the East Coast of Malaysia

2013· article· en· W2163766009 sur OpenAlexvenueno aff
Zaim Fahmi, Azimi Hamzah, Mahazan Muhammad, Sulaiman Md. Yassin, Bahaman Abu Samah, Jeffrey Lawrence D Silva, Hayrol Azril Mohamed Shaffril

Notice bibliographique

RevueAsian Social Science · 2013
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueDiverse Aspects of Tourism Research
Établissements canadiensnon disponible
Organismes subventionnairesUniversiti Putra Malaysia
Mots-clésTourismGovernment (linguistics)FishingEconomic growthPovertyGeographyAgricultureSocioeconomicsBusinessFisherySociologyEconomics

Résumé

récupéré en direct d'OpenAlex

Over the years, most developing countries across the globe have identified agro-tourism activities as being able to assist their respective country’s development. Malaysia is no exception to this; the country has emphasized agro-tourism as a significant tool of development and poverty eradication, and perhaps, at the same time, a key strategy by which to address the problem of rural migration. The Fisheries Development Authority of Malaysia, also known as LKIM, has been playing a part in responding to the government’s call to develop the agro-tourism industry in Malaysia. LKIM has taken steps towards formulating an agro-tourism program for fishing communities called Desa Wawasan Nelayan. The purpose of this paper is to determine the level of involvement in agro-tourism amongst fishing communities in the east coast region of Malaysia. The study was conducted amongst 220 respondents from two villages in Terengganu and Kelantan. The findings of the research reveal that despite the government’s intervention in promoting agro-tourism activities throughout the nation, the level of involvement amongst respondents is still at a moderate level.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,024
Score d'incertitude au seuil0,048

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0020,001
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,035
Tête enseignante GPT0,298
Écart entre enseignants0,264 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations15
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAsian Social ScienceMême sujetDiverse Aspects of Tourism ResearchTravaux en français237 207