Engelli Bireylerin Otel İşletmelerinde Karşılaştıkları Sorunlar
Bibliographic record
Abstract
ÖzEngelli bireylerin turizme katılımlarını arttırmanın yolu, onların otel işletmelerinde rahat edebilmeleri ve sunulan hizmetlere rahat bir şekilde ulaşabilmelerini sağlamaktır.Engelli bireyler gerek otel işletmelerinde gerekse günlük hayatta değişik zorluklarla karşılaşmaktadır.Bu çalışmada engelli bireylerin otel işletmelerinde karşılaştıkları sorunlar ve çözüm önerileri ortaya koyulmaya çalışılmıştır.Çalışmada yarı yapılandırılmış görüşme tekniği uygulanmıştır.Görüşme sorularını içeren bir adet görüşme formu oluşturulmuş ve Burdur ilinde ikamet edip Antalya bölgesinde bulunan çeşitli 4 ve 5 yıldızlı otel işletmelerinde konaklayan 15 engelli misafir ile görüşmeler gerçekleştirilmiştir. Verilerin analiz kısmında betimsel sistematik analiz tekniği ve frekans analizi tekniğinden yararlanılmıştır Araştırma sonucunda engelli bireylerin otel işletmelerinde karşılaştıkları en önemli sorunların; otellerin mimari yapısının engelli misafirler için uygun olmaması, otel personelinin engelli misafirlerle etkin ilişkiler kurabilmesi noktasında yaşanan sorunların yeterli eğitime sahip olmamaları ve engelli bireylere karşı ilgisiz tutumlarından kaynaklanmakta olduğu ortaya çıkarılmıştır.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.025 | 0.003 |
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".