Les différences sociodémographiques et l'utilisation des médias sociaux en contexte de voyage
Bibliographic record
Abstract
Plusieurs études discutent de l'évolution d'Internet et des changements que cela a amenés \nquant au processus d'achat des consommateurs. Par contre, l'industrie touristique est particulièrement affectée par ces changements. Cette recherche a pour objectif principal de déterminer si les caractéristiques sociodémographiques des individus sont en relation avec leur utilisation des médias sociaux en contexte de voyage. Plusieurs études ont analysé l'importance des réseaux sociaux dans la prise de décision des consommateurs. Une revue de littérature a mené à une liste d'éléments importants, tels que le bouche-à-oreille électronique, les réseaux sociaux, être fan d'une page Facebook ainsi que les différentes variables sociodémographiques des consommateurs touristiques. Dans le but de répondre aux interrogations de cette étude, un questionnaire fut distribué à un échantillon de 3894 répondants québécois à l'aide d'un panel. La sélection de répondants fut menée de façon à se concentrer sur des consommateurs cibles du marché touristique québécois. Les résultats obtenus veulent confirmer l'impact des différences sociodémographiques sur plusieurs facteurs composant la variable de l'utilisation des médias sociaux. Trois des quatre facteurs étudiés, soit le sexe, l'âge et le niveau d'éducation présentent une différence significative sur l'utilisation des médias sociaux en contexte touristique des répondants de cette recherche. Malgré quelques limites de ce mémoire ayant empêché certaines analyses complémentaires, cette recherche oriente les acteurs du marché touristique québécois quant à leur stratégie de \nmarketing digital, leur décrivant les composantes ayant un impact sur l'utilisation des réseaux sociaux des consommateurs.\t \n_______________________________________________________________________________ \nMOTS-CLÉS DE L’AUTEUR : Tourisme, marketing, médias sociaux, sociodémographiques, générations
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.007 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
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 teacher head, 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".