Developing a Destination Management Information System: A Case Study of Ottawa, Canada
Notice bibliographique
Résumé
Over the last decade, the concept of smart destination management has been gaining momentum (Boes et al, 2016; Buhalis and Amaranggana, 2013, 2015; Del Vecchio et al, 2018a; Gretzel et al, 2015; Ivars-Baidal et al, 2019; Lamsfus and Alzua-Sorzabal, 2013; Xiang et al, 2015). As the tourism industry seeks recovery from the devastations of the COVID-19 pandemic, however, several authors have argued that it is more important than ever for destinations to become “smart” in efforts to build back in a more sustainable and regenerative way (Abbas et al, 2021; Assaf and Scuderi, 2020). Though called on globally to guide destinations through this era of change and adaptation, Destination Marketing Organizations (DMOs) continue to struggle to obtain adequate and reliable data. Specifically, those representing smaller regions often lack the internal capacity to perform the analyses required to become smart destinations (Dodds and Butler, 2019; Dredge, 2016; Gretzel et al, 2006). While the literature has pointed to Destination Management Information Systems (DMISs) as the solution to smart destination management, current applications have been limited and evidence remains primarily anecdotal. Therefore, guided by Höpken et al’s (2011) Knowledge Destination Framework Architecture, this study aimed to develop and empirically test a DMIS for Ottawa Tourism in its capacity to support smart destination management. Findings indicated that while it serves as a valid process in the development of a DMIS, a DMIS’s capacity to support smart destination management is limited by the quality of its inputs. Opportunities for future knowledge generation and knowledge application in the tourism industry are discussed along with areas for future research.
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 | 0,004 | 0,000 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».