Ranking of AI-Based Criteria in Health Tourism Using Fuzzy SWARA Method
Notice bibliographique
Résumé
Health tourism, as a dynamic and rapidly growing sector of the tourism industry, plays a fundamental role in strengthening national economies, increasing international interactions and improving the quality of healthcare services. By integrating healthcare, wellness and recreational services, this field has become one of the key drivers for attracting foreign tourists. The emergence of artificial intelligence (AI) as a transformative technology offers unparalleled potential to optimize health tourism services. Using AI in trip planning, improving user experience and predicting the needs of health tourists has gained significant importance. This study aims to identify and rank AI-based criteria in health tourism. By reviewing and analysing previous studies, key criteria in health tourism influenced by AI were identified. Subsequently, these criteria were evaluated and ranked using Fuzzy SWARA method. The ranking results indicate that “healthcare service quality (C11)”, “competence and reputation of physicians (C12)”, “hospital equipment and facilities (C13)”, “political stability and security (C41)” and “access to medical information (C14)” were ranked first to fifth, respectively. These findings highlight the crucial role of AI in enhancing service quality and improving the experience of health tourists. The results of this study can be beneficial for policymakers and stakeholders in the health tourism sector for better planning and attracting more tourists.
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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,007 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 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) | 0,005 | 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 ».