Les stratégies d'adaptation des agences de voyages aux nouvelles technologies
Bibliographic record
Abstract
Résumé Les agences de voyages peuvent-elles survivre à l’avènement du commerce électronique? Comment se comporteront-elles au cours des prochaines années? Quelles stratégies adopteront-elles? Quel processus suivront-elles? Quelles motivations guideront les dirigeants? Voilà la nature des questions qui nous préoccupent dans le présent article. Les nouvelles technologies sont venues changer l’équilibre des relations entre les différents protagonistes dans l’industrie du voyage – fournisseurs, distributeurs et clients –, comme c’est aussi le cas dans d’autres activités de services. La position des agences de voyages s’est fragilisée. La rentabilité n’est plus au rendez-vous chez plusieurs petites agences. Une pression énorme s’exerce sur les dirigeants qui luttent pour sauvegarder leur entreprise. Ces gens désirent continuer à pratiquer un métier qu’ils aiment, à protéger leur mode de vie et celui de leurs employés. Cet article se veut une réflexion permettant de dégager une vision globale des stratégies d’adaptation aux nouvelles technologies dans l’industrie des agences de voyages, de manière à aider les gestionnaires à réussir la transformation nécessaire de leur entreprise. Il cherche à apporter un éclairage théorique sur le comportement de ces entreprises au début du XXI e siècle.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.004 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.010 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".