MétaCan
Menu
Retour à la cohorte
Enregistrement W2888765086 · doi:10.5539/mas.v12n9p131

Measuring Seasonality of Tourism Demand in Petra, Jordan (2006-2017)

2018· article· en· W2888765086 sur OpenAlexvenueno aff
Nidal Alzboun

Notice bibliographique

RevueModern Applied Science · 2018
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueDiverse Aspects of Tourism Research
Établissements canadiensnon disponible
Organismes subventionnairesUniversity of Jordan
Mots-clésSeasonalityTourismChristian ministryDestinationsGeographyGini coefficientIndex (typography)ArchaeologyPolitical scienceStatisticsMathematicsInequalityComputer science

Résumé

récupéré en direct d'OpenAlex

Petra is a mature tourism destination in the south of Jordan with a degree of seasonality over the last 10 years. Despite the recognized importance of Petra for the tourism industry in Jordan, there has been a lack of studies that discuss seasonal demand variations and its impacts on other related industries in the region. Yet, this study aims at analyzing patterns and effects of seasonality of tourism demand in Petra for the period 2006-2017. The required data was obtained from Ministry of Tourism and Antiquities (MoTA). Four methods were used to measure tourism seasonality in Petra. These are: Seasonality indicator; Seasonality ratio; Gini coefficient; and Seasonality index. The results of the study showed a modest level of tourism seasonality in the study area. Among methods, Seasonality index appeared to be the appropriate and simple way to calculate seasonality patterns at tourism destinations. The results showed that there are two peaks of seasonality in tourism demand of Petra. The first and the highest one was in April and the second took place in the months of October and November. In addition, seven months represented the low season of tourism demand in Petra. These are December, January and February as well as June, July, August and September. The tourism seasonality in Petra based on that is mainly due to the weather in these months which represent the coldest and warmest months in the year respectively.

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)0,000
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 enseignants0,021
Score d'incertitude au seuil0,043

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,064
Tête enseignante GPT0,331
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'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

Citations7
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueModern Applied ScienceMême sujetDiverse Aspects of Tourism ResearchTravaux en français237 207