Responding to Hurricanes Irma and Maria: An Exploration of Puerto Rico Tourism's Image Repair Efforts
Notice bibliographique
Résumé
Tourists’ perceived image of a destination, including perceptions of safety and risk, play important roles in deciding whether or not to visit a destination. When crises strike a tourist destination, tourism organizations must work towards restoring their images to a favourable state. In the fall of 2017, hurricanes Irma and Maria swept through the Caribbean with devastating consequences. Puerto Rico, whose tourism industry plays a vital role in its economy, was particularly devastated by the hurricanes. In the wake of hurricanes Irma and Maria, Puerto Rico’s tourism sector was in a state of crisis whereby its economic health depended on tourism revenue. Since image plays a vital role in the health of Puerto Rico’s tourism industry, this Major Research Paper (MRP) seeks to analyze the use of image repair strategies employed by Puerto Rico’s official tourism organization, See Puerto Rico, across multiple online platforms and across varying stages of the hurricane crisis. Drawing from image repair theory (Benoit, 1997), texts and images found on See Puerto Rico’s website and Facebook page were analyzed by identifying the presence of denial, evading responsibility, reducing offensiveness, corrective action, and mortification strategies with the addition of informational and suffering strategies. Findings indicate that See Puerto Rico primarily employed bolstering, informational, corrective action, minimization, and suffering strategies throughout its website and Facebook page. Puerto Rico strived to restore its image by providing tourists select pieces of information regarding the status of Puerto Rico’s tourism industry and by showcasing the positive attributes of the islands. Part of See Puerto Rico’s image repair efforts involved ignoring the hurricanes and minimizing their seriousness and impacts to reassure tourists that they could still travel to Puerto Rico. The application of image repair theory in this study suggests that it can be used to help understand tourism organizations’ crisis responses to natural disasters.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 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) | 0,002 | 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 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 ».