Decoding ethnic tourism: a comprehensive analysis of global trends, key themes, and knowledge frameworks
Notice bibliographique
Résumé
The relationship between tourism and ethnicity is long-standing, complex, and deeply interwoven. Despite growing academic and practical interest in ethnic tourism, comprehensive systematic reviews of global research remain limited. This study analyzes 963 publications on ethnic tourism from 1991 to 2023 using bibliometric and content analysis to identify research trends, keyword clusters, and themes in highly cited literature. Based on the findings, a comprehensive knowledge framework was developed, and directions for future research were proposed. Key findings include: (1) Ethnic tourism publications increased in four distinct phases, with primary contributions from scholars and journals in the United States, Australia, Canada, China(Mainland and Taiwan), and Europe. The high-attention keywords such as ‘conservation’ and ‘sustainability’, high-potential keywords like ‘impact’ and ‘culture’, and mature keywords including ‘indigenous tourism’ were identified. (2) Keyword co-occurrence analysis revealed nine major clusters, including ethnic tourism, cultural heritage, and indigenous peoples. (3) Ethnic tourism research is interdisciplinary, with strong theoretical connections between host–guest interaction and authenticity. Methodologically, the field has evolved from primarily qualitative approaches to increased use of quantitative and mixed methods. (4) A knowledge framework was constructed by synthesizing thematic literature, offering structured insights into the development of ethnic tourism research. This study contributes to understanding global research trends and provides a foundation for future theoretical and methodological advancements in the field.
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 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,005 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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; 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 ».