What does the media tell us about a destination? The Cancun case, seen from the USA, Canada, and Mexico
Notice bibliographique
Résumé
Purpose This study aims to present a framework for automatically collecting, cleaning and analyzing text (news articles, in this case) to provide valuable decision-making information to destination management organizations. Keeping a record of certain aspects of the projected destination image of an attraction (Cancun in this study) will grant the design of better strategies for the promotion and administration of destinations without the time-consuming effort of manually evaluating high quantities of textual information. Design/methodology/approach Using Web scraping, news articles were collected from the USA, Mexico and Canada over an interval of one year. The documents were analyzed using an automatic topic modeling method known as Latent Dirichlet Allocation and a coherence analysis to determine the number of themes present in each collection. With the data provided, the authors were able to extract valuable information to understand how Cancun is presented to the countries. Findings It was found that in all countries, Cancun is an important destination to travel and vacation; however, given the period defined for this study (from July 2021 to July 2022), an important part of the articles analyzed was concerned with the sanitary measures derived from the COVID-19 pandemic. Besides, given the rise of violence and the threat of organized crime, many articles from the three countries are focused on warning potential tourists about the risks of traveling to Cancun. Originality/value The examination of the relevant literature revealed that similar analyses are manually performed by the experts on a set of predefined categories. Although those approaches are methodologically sound, the logistic effort and the time used could become prohibitively expensive, precluding carrying out this analysis frequently. Additionally, the preestablished categories to be studied in press articles may distort the results. For these reasons, the proposed framework automatically allows for gathering valuable information for decision-making in an unbiased manner.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,007 | 0,002 |
| Communication savante | 0,004 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».