Unveiling opportunities and challenges of the metaverse in the tourism and the hospitality sector: A qualitative investigation
Notice bibliographique
Résumé
Purpose – Owing to recent technological advancements and the growing use of virtual communication tools, particularly during and after the COVID-19 period, this research has investigated the usefulness of immersive technologies in the hospitality industry. Moreover, this research has obtained a deep and comprehensive understanding of how the metaverse can pose challenges and opportunities for employers and users in the tourism sector. Design/methodology/approach – We utilized an exploratory qualitative approach and conducted interviews with fifteen industry experts who were actively involved in Morocco’s tourism and hospitality sector. Based on the use of a thematic analysis approach, the findings have been presented. Findings – The findings suggest that the metaverse has provided numerous benefits for promoting tourist destinations through immersive and personalized virtual experiences. However, it has also presented challenges related to cost, security, data protection, and accessibility. Overall, this research contributes to the understanding of the possibilities offered by immersive technologies in the field of hospitality and will serve as a foundation for further research in this ever-evolving domain. Originality/value – Extensive research has examined the metaverse’s theoretical applications in tourism and hospitality. However, empirical validation remains scarce. This study addresses this gap, being one of the first in North Africa to leverage qualitative methods for in-depth exploration. We validate theoretical propositions and provide unique insights into the metaverse’s impact on both tourism employers and users. Our analysis informs recommendations for successful hotel adoption, particularly in emerging economies facing a spectrum of opportunities and challenges.
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 | 0,012 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,007 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».