Effects of Tourism Experience for Job Involvement and Well-Being
Notice bibliographique
Résumé
This study uses the structural equation model as the analysis tool, and aims to explore the effects of tourism experience on job involvement and well-being. The subjects are full-time workers who have travelled in the last 12 months. This investigation is based on purposive sampling and e-questionnaires, uses analytical tools SPSS 18.0 and AMOS 19.0, and 360 valid questionnaires are retrieved. According to the research findings: (1) tourism experience positively influences job involvement; (2) tourism experience does not positively influence well-being; and (3) job involvement positively influences well-being. Based on the above, this study suggests that managers plan appropriate trips according to employees' demands. Experiential activities should be appealing and trigger internal affective connections through external experience, in order to reinforce job involvement and well-being in life. The research results also reveal that, of the five experiences, i.e., sensual experience, emotional experience, thinking experience, action experience, and related experience, the regression coefficient of emotional experience is the highest, which shows why story marketing has taken an important position among marketing strategies. The different types of tourism experience include recreational sightseeing, cultural sightseeing, entertaining sightseeing, and sports sightseeing where recreational sightseeing accounts for 58.1%. Under the existing system, there may have been items that did not apply to the respondents, which would result in deviations or errors in the questionnaires; in the case of any special or major changes in the external environment
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».