30 Years of Research in Tourism: Insights from a Probabilistic Topic-Modeling Literature Analysis
Notice bibliographique
Résumé
This study aims to explore the topical growth, patterns, and trends of importance in tourism research over the past three decades (1990–2019). By leveraging a large corpus of 18,725 abstracts from 20 leading tourism journals, we employ latent Dirichlet allocation (LDA) to identify, quantify, and semantically interpret the predominant research themes and their evolution within the tourism discipline. The analysis reveals topic distributions across journals, highlighting focused areas as well as diverse topic coverage. Temporal analyses uncover the changes in the popularity of different topics, shedding light on emerging areas –topics that have gained increasing scholarly attention over recent years, indicating their growing significance and influence in the field of tourism research. The study reveals that while certain topics, such as consumer experience, digital innovation, risk behaviors, sustainability, and social media, have drawn more attention recently, others, such as marketing communication and e-tourism, have cooled down over time. Journal-level insights suggest that Visitor Studies and Event Management focus on themes related to visitor engagement and event tourism, whereas journals such as Tourism Economics and Tourism Management continue to emphasize economic growth and demand forecasting. The study provides valuable insights into the research landscape and offers implications for scholars, journal editors, and practitioners. It highlights the importance of fostering collaboration to address future challenges in the multidisciplinary tourism 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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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; 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 ».