MétaCan
Menu
← Retour à la cohorte
Enregistrement W2265366646

Sustainability in coastal tourism using DPSIR with community perception to manage complexity in an adaptive social-ecological system

2009· dissertation· en· W2265366646 sur OpenAlexaboutno aff
Jeffrey Michael Rempel

Notice bibliographique

RevuePortuguese National Funding Agency for Science, Research and Technology (RCAAP Project by FCT) · 2009
Typedissertation
Langueen
DomaineSocial Sciences
ThématiqueDiverse Aspects of Tourism Research
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésDPSIRSustainabilityTourismPerceptionEnvironmental resource managementBusinessEnvironmental planningGeographyEcologyEnvironmental sciencePsychology
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

The implications of the concept of ‘sustainable tourism’ are not clearly defined as they relate to Northern Vancouver Island leading to difficulties in tourism planning. A solution to this problem will be presented through a novel approach to tourism management using a combination of Factor Analysis, Adaptive Management, and a modified DPSIR (Driver- Pressure, State, Impact, Response) framework, based on community perception. The approach will provide a pragmatic framework for sustainable tourism development and is especially applicable when recognizing the complex and adaptive nature of tourism as a social-ecological system. This analysis will focus on sustainable tourism theory actualization at a regional scale (Northern Vancouver Island, BC, Canada). The identified latent variables (factors) indicate a common origin of impact perception, thus factors can be used to identify common pressures in the causal nexus to develop proactive and long-term responses. Recommendations are made for government regulators and tourism operators that recognize the need for continuous improvement through the inclusion of adaptive management for sustainable development of coastal tourism.

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)0,003
score de la tête « metaresearch » (Gemma)0,003
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,020

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,003
Communication savante0,0040,002
Science ouverte0,0000,003
Intégrité de la recherche0,0000,001
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 Opus0,142
Tête enseignante GPT0,448
Écart entre enseignants0,306 · 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

Citations0
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePortuguese National Funding Agency for Science, Research and Technology (RCAAP Project by FCT)→Même sujetDiverse Aspects of Tourism Research→Travaux en français237 207→