Recreational Travel Decisions: Push-Pull Dynamics on College Students
Notice bibliographique
Résumé
The purpose of this study is to examine the recreational tourism preferences of university students within the framework of their push and pull travel motivations. In addition, it was aimed to highlight how some variables and motivations affect tourism preferences in mutual interaction. Validity and reliability were obtained by “Scale of Recreational Activities in Destination Choices” (SRADC), “Scale of Intrinsic Travel Motivations” (SITM) and “Scale of Extrinsic Travel Motivations” (SETM) conducted by Özdemir, Karaküçük, and Büyüköztürk (2013). Descriptive statistics, independent sample t test, one way ANOVA and Univariate test were used for data analysis, for in-group comparisons Tukey (HSD-LSD) and Pearson Correlation test were used. In this study, it was determined that .85 for recreational activities in destination choices scale, .90 for SITM and .91 for SETM. While the push and pull travel motivation of the participants was above the mean values (123.96 ± 15.65; 121.35 ± 16.81), the highest subscale score in push travel motivation was obtained by the Exploring-Knowledge subdimension (39.01 ± 5.74). The highest sub-dimension score was obtained from the Escape sub-dimension (38.31 ± 5.98). In the pull travel motivation sub-dimensions, the highest sub-dimension score was the quality-atmosphere sub-dimension (39.29 ± 5.24), while the lowest sub-dimension score was obtained by the Natural Environment sub-dimension (19.98 ± 4.58). The findings of the study showed that the importance given to recreational activities was influenced by variables such as gender, year of study and perceived welfare, but also revealed differences in gender, field of study, year of study, and perceived welfare in push and pull travel motivations. In addition, there is a moderate positive relationship between recreational choices, push travel motivation and pull travel motivation. As a result, it has been determined that university students have high push and pull travel motivation and recreation preferences are differentiated between SITM and SETM by certain variables.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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.
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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».