Notice bibliographique
Résumé
Purpose Education institutions can be slow to react to the changes that are happening in human capital development content and delivery. This article highlights some of the shifts that robotics, artificial intelligence (AI) and access to information are having on jobs in tourism and the future of work. It explores the ways in which the tourism education sector can respond. Design/methodology/approach This paper draws upon content shared at several conferences and webinars addressing the future of work and the education delivery methods from experts and commentators on the subject. This was augmented by research conducted by global tourism associations, the World Economic Forum and other global associations and supported with secondary data from recent media and online content providers. Findings By highlighting emerging trends in the sector and skills to thrive in the fourth industrial revolution, we can identify what education should focus on during this period of transition and uncertainty. We need to capitalize on the digital delivery skills we have developed due to COVID-19 and build new content and accessible learning approaches. Originality/value There are many uncertainties about the future of work and the way that a rapidly digitized education delivery approach has and will affect tourism education in the future. This article is aimed to generate further thought and dialogue by identifying changes and raising points about what we are effective at in public post-secondary education and what we need to capitalize on and adapt to in the future. The core question posed is that if the tourism and hospitality workforce and work environment has changed, has, or can, tourism and hospitality training and education change as well?
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 | 0,005 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,007 | 0,018 |
| Communication savante | 0,012 | 0,011 |
| Science ouverte | 0,001 | 0,007 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 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 ».