MétaCan
Menu
Retour à la cohorte
Enregistrement W2992251546

Segmenting and Profiling the Cultural Tourism Market for an Island Destination

2014· article· en· W2992251546 sur OpenAlexaffabout
Sean Hennessey, Dongkoo Yun, Roberta Marion MacDonald

Notice bibliographique

RevueSSRN Electronic Journal · 2014
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueCultural Industries and Urban Development
Établissements canadiensUniversity of Prince Edward Island
Organismes subventionnairesnon disponible
Mots-clésMarket segmentationProfiling (computer programming)TourismBusinessDestinationsEconomic geographyDestination marketingMarketingAdvertisingGeographyComputer science
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Culture is an important part of the tourism product and is one of the variables that can increase the attractiveness and the competitiveness of a tourism destination. Cultural tourism covers all aspects of travel and provides an opportunity for visitors to learn about a destination’s history and way of life. However, the size and importance of cultural tourism for specific destinations is still a matter of some debate. Some suggest that it is difficult to truly document the size of the cultural tourism market due to the issues of defining a "cultural tourist." This paper examines the magnitude and significance of cultural tourism for Prince Edward Island, a major Canadian tourist destination. In doing so, the paper segments and profiles the tourism market, and identifies distinguishing trip characteristics. Based on the research, two segments of travelers, based on cultural related activities, are clearly evident. The results indicate that culture-seeking tourists and other interest tourists are significantly different in terms of many travel variables, and particularly in spending patterns. For the destination studied, the extra economic impact associated with cultural visitors is substantial due to three factors: a closer personal connection to the destination, a longer overall length of stay, and higher per person per night spending.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,634
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,024
Tête enseignante GPT0,290
Écart entre enseignants0,267 · 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 tête enseignante, pas un consensus.

Devis d'étudeAutre devis
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

Citations4
Publié2014
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueSSRN Electronic JournalMême sujetCultural Industries and Urban DevelopmentTravaux en français237 207