UNDERSTANDING SHORT-TERM RENTAL DATA SOURCES – A VARIETY OF SECOND-BEST SOLUTIONS
Notice bibliographique
Résumé
Purpose – This paper aims to identify major supply data sources for short-term rental market research and to provide their advantages and limitations. Methodology – In the paper a grounded approach was used based on a literature review. This review comprised two steps with the first being the query in major databases that was supplemented by academic search engine that resulted in 170 articles. The second step was to investigate the papers’ methodological sections to identify characteristics and limitations of all data sources. Findings – This study identifies three major data sources for the short-term rental market: web scraping with the use of self-made bots, Inside Airbnb and Airdna. A majority (e.g. 74% of papers using Airdna as a source) did not mention any limitations and provide no discussion about the data source, while the remainder gave only superfluous information about possible limitations of its use. Their characteristics and limitations are extensively discussed using a proposed framework that consists of three levels: intermediary, web scraping, and source-specific. Contribution – Very limited number of studies have focused on the short-term rental data sources and this is the first one that discusses advantages and limitation of their use. This paper may be of help to academics or professionals in identifying the right source of data to suit their technical knowledge, financial and technical resources and research areas.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».