MétaCan
Menu
Retour à la cohorte
Enregistrement W3201318049 · doi:10.5539/ass.v17n10p1

Gender and Age Differences in Choice of Holiday Destination: Case of Langkawi, Malaysia

2021· article· en· W3201318049 sur OpenAlexvenueno aff
An Nur Nabila Ismail, Yuhanis Abdul Aziz, Norazlyn Kamal Basha, Anuar Shah Bali Mahomed

Notice bibliographique

RevueAsian Social Science · 2021
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueDiverse Aspects of Tourism Research
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPopularityTourismContext (archaeology)Promotion (chess)Selection (genetic algorithm)Variety (cybernetics)Age groupsDestinationsAdvertisingData collectionMarketingPsychologyGeographyBusinessDemographySociologySocial psychologyPolitical scienceComputer scienceSocial science

Résumé

récupéré en direct d'OpenAlex

While gender and age are considered as important demographic factors in tourism segmentation, lack of attention has been given by tourism researchers. Moreover, gender and age analysis within tourism studies are still limited, particularly in the context of choice of destination. The aim of this paper is to examine the role of gender and age in determining the destination choice. Langkawi has been chosen as a location for the study due to its popularity among the local and international tourist. Survey questionnaire is used as a tool for data collection. A total of 529 Langkawi holidaymakers participated in the study. T-test and ANOVA has been employed to analyse the data. The findings indicate that gender and age both influence Langkawi being chosen as a holiday destination. Male and female consumers place different emphasis on the selection of Langkawi as a destination of choice. These findings suggest that tourism advertisers and destination promoters need to be aware of different needs and wants of both males and females. However, tourists of different ages evaluate Langkawi similarly, which marketers can use a variety of promotion packages for all age group. The study's practical implications and limitations are discussed.

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)0,001
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 enseignants0,054
Score d'incertitude au seuil0,108

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0060,000

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 Opus0,072
Tête enseignante GPT0,378
Écart entre enseignants0,306 · 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

Citations6
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAsian Social ScienceMême sujetDiverse Aspects of Tourism ResearchTravaux en français237 207