Examining the relationship among constraints, facilitators and ski participation in the host city of the 2022 Winter Olympics
Notice bibliographique
Résumé
Purpose The study’s purpose is to investigate the constraints and facilitators influencing skiing participation in Beijing. This research includes three segments based on the frequency of skiing participation (i.e. non-, low-frequency-, and high-frequency skiers). By doing so, the study offers an enhanced understanding of the Chinese skiing market and unveils insights assisting industry professionals to effectively address their customers' diverse needs and expectations. Design/methodology/approach An online survey was developed based on prior research and consisted of four sections: (1) skiing participation; (2) constraints; (3) facilitators; (4) demographics. Items in the constraint and facilitator scale were measured using a 7-point Likert scale. A total of 409 participants completed the survey. The participants included 137 non-skiers, 134 low-frequency skiers, and 138 high-frequency skiers. Findings Through an exploratory factor analysis, three constructs emerged: general constraints, facilitators and learning constraints. As expected, facilitators were a positive predictor of skiing participation. Importantly, the emergent construct of learning constraints was a negative predictor of skiing and yet, the construct of general constraints was insignificant. Furthermore, the three segments differ significantly in household status, income, and education level. Originality/value These results support previous research noting the relevance in skiing participation of the dimensions: facilitators and learning constraints. The findings point to the need for ski resorts in Beijing to offer instructional sessions for beginners so they may become familiar with skiing fundamentals and enhance their confidence, particularly among nonskiers and low-frequency skiers.
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 | 0,010 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».