MétaCan
Menu
Retour à la cohorte
Enregistrement W7117146271 · doi:10.1080/02508281.2025.2598883

The role of DMOs in sustainability transitions. A smart network approach

2025· article· en· W7117146271 sur OpenAlexaff
Tomáš Gajdošík, Matúš Marciš, Zuzana Gajdošíková, Patrick Brouder

Notice bibliographique

RevueTourism Recreation Research · 2025
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueSustainability and Climate Change Governance
Établissements canadiensThompson Rivers University
Organismes subventionnairesVedecká Grantová Agentúra MŠVVaŠ SR a SAV
Mots-clésSustainabilityKey (lock)Internet of ThingsSustainable development

Résumé

récupéré en direct d'OpenAlex

Addressing sustainability transitions in tourism destinations requires a comprehensive understanding of path-dependance, lock-in factors, trigger events and path shaping processes. To initiate sustainability transitions in tourism destinations, it is crucial to analyze the roles of various governance actors, particularly destination management organisations (DMOs). While the role of DMOs is undisputable for sustainability in tourism, there is a need to pay more attention to their ability to harness knowledge and contribute to path shaping processes. Therefore, this study combines quantitative and qualitative methods, including importance-performance analysis, content analysis and social network analysis, to explore the role of DMOs as spatially embedded structures in sustainable transitions of destinations. The results show that in terms of lock-in factors in unsustainable development, DMOs face challenges related to data, management, and methodology issues. However, by triggering the sustainability transitions as leaders of stakeholders´ network, DMOs can break the historical development path and shift destinations to new paths. The study concludes that DMOs can adopt smart roles as data miners, hubs, and boundary spanners, managing knowledge distribution and leading sustainability transitions in tourism destinations. The findings provide contributions to the new roles of DMOs and link sustainability transitions to a smart network approach.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,240
Score d'incertitude au seuil0,325

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,017
Tête enseignante GPT0,314
Écart entre enseignants0,297 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTourism Recreation ResearchMême sujetSustainability and Climate Change GovernanceTravaux en français237 207