MétaCan
Menu
Retour à la cohorte
Enregistrement W2766597916 · doi:10.1080/1755182x.2017.1386725

Mediating cultural encounters at sea: dining in the modern cruise industry

2017· article· en· W2766597916 sur OpenAlexaff
Shayan S. Lallani

Notice bibliographique

RevueJournal of Tourism History · 2017
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueCruise Tourism Development and Management
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésCruiseEthnic groupService (business)AdvertisingFoodwaysConsumption (sociology)TourismMarketingSociologyBusinessHistoryEngineeringAnthropologySocial scienceArchaeology

Résumé

récupéré en direct d'OpenAlex

Before the mid-twentieth century, cruises were largely the preserve of elites. However by 1970 there was a dramatic shift toward a predominantly middle-class customer base; this change generated a need to revamp menus to satisfy the tastes of a new type of client. The mass-market cruise lines that dominate the modern era of cruising – from 1970 – increasingly offered passengers cuisine marketed as exotic – in ways that evoked ethnic or geographic ‘Others’. Companies used food as a way of mediating encounters between passengers and foreign cultures. Marketing plays a key role in determining the place of a dish in the familiar/exotic binary. In mediating cultural encounters, cruise lines demonstrate how they want passengers to conceptualise racial, social, and cultural Others. Today, cruise ships contain ethnically themed foods, spaces of consumption, and culinary service. Cruise lines offer these immersive ethnic themes to tourists on platforms that are constantly mobile, resulting in a fundamentally unique business model. In performing this combination, companies encourage tourists to immerse themselves in as many different cultures as possible, though in expedited ways that are inherently and intensely mediated.

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)0,002
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,021
Score d'incertitude au seuil0,042

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0140,023
Communication savante0,0080,005
Science ouverte0,0010,012
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0070,001

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.

Tête enseignante Opus0,059
Tête enseignante GPT0,325
Écart entre enseignants0,266 · 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'étudeQualitatif
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

Citations11
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Tourism HistoryMême sujetCruise Tourism Development and ManagementTravaux en français237 207