The Scale-Adusted Latent Class Model: Application to Museum Visitation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Preferences of tourists and visitors are varied in a number of markets, making it difficult for managers to understand how underlying segments might respond to changes in service offerings. Market segments differ in preferences for specific features, as well as how consistently they make their choices. In this article, we illustrate recent developments in choice modeling that allows for simultaneously modeling feature preferences and consistency of choice. We use the Scale-Adjusted Latent Class Model (SALCM) to better understand choices in the context of a research project conducted in collaboration with six major Australian museums involving a sample of 3,685 museum visitors. We identify three preference classes of museum-goers that explain preferences for levels of 26 museum attributes: Life Force (two thirds of visitors), Educated Thinkers, and Wealthy At-Homes. Our results indicate sensitivity to general entry prices, including preference for free entry or entry "by donation." Tours are preferred if smaller, lengthier, and conducted by paid museum staff. Not unexpectedly, the findings suggest that museums should cater for children, with some classes responding positively to providing supervised child areas. Most visitors prefer museums that are dynamic, offer new experiences, and regularly update permanent displays. However, the three classes identified have different overall experience preferences; for example, Educated Thinkers see museums as an educational opportunity, but Wealthy At-Homes prefer entertaining experiences. Incentives for return visits and cross-museum promotional offers are valued by the Life Force class, but have little effect on Educated Thinkers. The SALCM approach may be attractive to other areas of tourism analysis, especially where offerings contain many attributes and potential market segments are difficult to define and understand.
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.
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 | 0,000 |
| 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 | 0,001 |
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 découle