Unravelling the Canadian ski market decline: exploring constraints and facilitators affecting participation across different skier groups
Notice bibliographique
Résumé
Purpose/Rationale Recent evidence shows declining downhill skiing participation. Finding ways to counteract this decline is necessary to avoid further effects on the ski industry.Design/Methodology/Approach An online survey was created (29 items) to test the leisure constraints model; (1) skiing participation behaviour (four items), (2) constraints (12 items), (3) facilitators (seven items), and (4) demographics (six items).Findings Intrapersonal constraints significantly predicted ski behaviour with a negative effect (β = −3.21, SE = 0.95, C.R. = −3.37, p < .001). Structural constraints significantly predicted ski behaviour (β = 3.61, SE = 1.50, C.R. = 2.40, p = .016), showing a strong positive relationship between structural constraints and ski behaviour. Facilitators were a significant positive predictor of ski behaviour (β = 0.17, SE = 0.02, C.R. = 8.23, p < .001). Demographics significantly predicted ski behaviour (β = .83, SE = 0.16, C.R. = 5.29, p < .001).Practical implications Segmenting the market into different groups makes it possible to predict ski consumer behaviour more effectively.Research contribution The findings of this study corroborate prior research and indicate that intrapersonal constraints, facilitators, and demographics are significant predictors of ski participation behaviour.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,005 | 0,002 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».