Social Media Communications for Behavior Management in Ontario’s Parks and Protected Areas: A Qualitative Analysis of Manager and Visitor Experiences
Notice bibliographique
Résumé
Communications in their various formats have long been utilized by park agencies to share safety, regulatory, and interpretive information with park visitors. While the study of these communications is an underserved field of research in itself, less attention has been paid specifically to the utility of social media communications in the context of addressing visitor behaviour issues. This study addresses this research gap by exploring the experiences of both park visitors and park managers with respect to the effectiveness of social media communications for park visitor behaviour management. To do so, this study applied interpretive description methodology to support semi-structured interviews with park visitors (9) and individuals who work for park agencies in Ontario in park management roles (8). As management implications, interviews with participants revealed that the utility of social media communications for visitor behaviour management varies widely depending on the sophistication of the park agency’s social media approach. Park visitors often expressed a desire for more authentic and discussion-oriented communications, while park managers frequently expressed a need to improve and increase the resources dedicated to social media communications to meet park visitor expectations. Most park visitors and park managers interviewed reported social media can be an effective visitor management tool but that limits to its efficacy exist. Participants, while believing social media to be effective, expressed the belief that many of the individuals responsible for depreciative visitor behavior, are unlikely to be engaged with parks and protected area social media channels.
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 | 0,001 | 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 | 0,000 |
| 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 ».