Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This co-authored book was researched and written during a time that few had foreseen, let alone prepared for. The impacts of Covid-19 are being felt across the world’s societies, economies and natural environment. Some industries have been more impacted than others, including the international tourism industry. The United Nations World Tourism Organisation (UNWTO) predicts that due to the travel related impacts of Covid-19 international tourism could decline by between 60-80% in 2020, with US$80 billion already lost in exports from the industry for the first quarter of 2020 (UNWTO, 2020a). In these unprecedented times, it becomes more important than ever to consider what the future might hold for the industry. By examining current and future capabilities of the industry, this research book explores the opportunities available to shape the future through rebuilding, disrupting and developing greater resilience in the tourism industry. The common theme throughout the chapters is change – no matter how change emerges, the authors of this book recognise that the industry is always going to face times of turbulence, whether it be climate change, political or financial disruptions or pandemics, those in the industry need to have resilience, understand the forces of change and be prepared to adapt. This chapter sets out the core principles associated with anticipating the future of the international travel, hospitality and events sectors. It starts with a broad overview of the global tourism industry, followed by the definitions and scope of the sectors that will be covered in the book. A discussion on tourism futures as an area of research is presented and finally, the sections and individual chapters are introduced.
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.
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 | 0,001 | 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 | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,003 |
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 découle