La mise en tourisme : un concept entre déconstruction et reconstruction
Bibliographic record
Abstract
La diffusion du tourisme dans le monde aboutit à une transformation des lieux à but touristique pour tous les pays, régions et villes désireux de recevoir une partie de la manne procurée par le tourisme mondial. Ce processus demise en tourismeest davantage perçu comme économique (apports financiers) et spatial (transformation du lieu) alors qu’il touche aussi, sinon davantage, la société et les populations des territoires concernés. L’expression « mise en tourisme » apparaît ainsi comme une sorte « d’enchantement sémantique » visant à approcher un processus autrement plus complexe que sa réduction à une dimension économique, spatiale ou même de marketing. Comment appréhender la mise en tourisme dans le discours scientifique, notamment en matière de tourisme urbain ? Trois volets scientifiques sont proposés : d’une part, une lecture analytique des écrits francophones sur la mise en tourisme comparés aux écrits anglophones ; d’autre part, une analyse sémantique des définitions de mise en tourisme de la ville obtenues auprès de chercheurs francophones (Europe, Canada, Afrique du Nord) ; finalement, la définition modèle obtenue à travers l’analyse sémantique est révisée dans le contexte des écrits anglophones sur le processus de transformation des lieux à des fins touristiques.
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 | 0.003 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.004 | 0.039 |
| Scholarly communication | 0.012 | 0.012 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
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".