Notice bibliographique
Résumé
demand for low-carbon tourism strategies, 137-138 and low-carbon tourism, 138-140 postpandemic tourism trends, 136-137 recommendations, and policy implications, 143-144 role in promoting tourism experiences, 140-143 tourism, 139 Active travel, 139 African economies, 5 Agriculture, 60 Air traffic, 167 Airports, 166-167 terminal congestion, 167 Architecture, 164-165 Armed Forces of the Philippines (AFP), 199 Asian Development Bank (ADB), 93, 100 Asian financial crisis, 110 Association of Southeast Asian Nations (ASEAN), 4-5, 10 case studies in, 21-24 impact of COVID-19 on ASEAN tourism, 3-7 Economic Blueprint, 163-164 Economic Community, 163-164 region, 4-5, 22 Attraction, accessibility, accommodation, amenities, and activities (5A's of tourism), 31, 34, 36 elements of, 164-167 future-proofing tourism and, 172-173 survey of built environment complementation, 169-172 Business climate, 88-89 confidence, 80 and economic adjustments to "new normal", 94-97 entities, 94 models, 13 Canadian Trade and Investment Facility (CITF), 92-93 Capability building, 115 Carbon dioxide (CO 2 ), 138 Cash-for-work programs, 22 Causal loop diagram (CLD), 108, 111-112, 114 empirical evidence supporting, 119 on-process, 112-117 Challenges, 68, 228, 231 City cycling tours, 143 Coastal Underwater Resource Management Actions Project (CURMA Project), 54 Commendation, 120-127 Community engagement, sustainable travel and, 187 Community involvement, 117 Community-based tourism, 242-243 Community-centered tourism approach, 13-17 Community-driven tourism initiatives
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 | 0,000 | 0,000 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,610 | 0,788 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».