Educational tourism and smart information and communication technologies (ICT) in geoparks: a behavioural framework for enhancing visitor experience
Notice bibliographique
Résumé
In the age of digital transformation, intelligent information and communication technologies (ICT) has become essential to tourism; yet, its function in geopark-based educational tourism has not been well examined. This research examines the Ciletuh–Palabuhanratu UNESCO global geopark to analyze how tourists use smart ICT for education on geoheritage and sustainability. A contextual and adaptable conceptual model is provided, enhancing the unified theory of acceptance and use of technology version 2 (UTAUT2) framework by integrating two new constructs, perceived learning value (PLV) and geo-heritage engagement (GHE), as well as two moderating variables, educational level and digital experience. A thorough literature assessment and bibliometric analysis revealed research gaps concerning the incorporation of educational components in technology uptake within geoparks. The results demonstrate that dimensions including performance anticipation, hedonic motivation, and habit are primary determinants of behavioral intention, whereas PLV and GHE substantially improve user engagement and learning outcomes. Furthermore, educational background and digital experience attenuate the impact of fundamental structures on technology adoption. The suggested approach enhances theoretical comprehension by situating UTAUT2 within educational tourism and offers practical guidance for developing inclusive, engaging, and sustainable ICT applications. These findings provide essential direction for geopark administrators and policymakers in advancing digital learning initiatives that foster cultural appreciation, environmental consciousness, and community engagement.
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 | 0,001 |
| 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 | 0,003 |
| Science ouverte | 0,001 | 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 ».