«Vinn-vinn»: Samarbeid og utvikling i kystturismen. Forskningsglimt 1/2014
Notice bibliographique
Résumé
Turisme og reiseliv i tilknytning til kysten har lange\ntradisjoner i Norge. Turister som besøker Norge\ntiltrekkes i stor grad av naturen, og mange fascineres\nav kysten. Kysten og marine områder har\ntiltrekningskraft gjennom landskapet, dyreliv,\nnaturfenomener (slik som nordlyset), samt kultur,\nmat, attraksjoner og aktiviteter. Siden både turismen\nog kysten er i endring må også kystturismen\nutvikles og tilpasses hvis den skal henge med i\nkonkurransen og utnytte mulighetene. En vei til\ndette går gjennom samarbeid. Samarbeid er blitt\net mantra i reiselivet og kan noen ganger framstå\nsom en floskel. På den andre siden kan mye oppnås\nnår aktører samarbeider, og reiselivet er på mange\nmåter en utadvendt næring. Det er imidlertid ikke\nnoen snarveier til utbytterikt samarbeid.\nI prosjektet «Samarbeid for å styrke utviklingen av\nkystturisme» («CoastTour») finansiert av Norges\nforskningsråd og Hurtigruten, har vi, med utgangspunkt\ni fire kystturismeaktører, undersøkt ulike former\nfor samarbeid. Dette Forskningsglimtet gir en\npopulærvitenskapelig presentasjon av resultatene\nfra dette studiet. For å utvide perspektivet trekker vi\nogså inn eksempler fra British Columbia i Canada.
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 | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,005 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,011 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».