Emociones que genera el paisaje y su implicancia como potencial Ecoturístico. El caso del Parque Nacional Cerros de Amotape, Perú
Bibliographic record
Abstract
El estudio tuvo como objetivo determinar si las emociones que genera paisaje tienen implicancia en el potencial ecoturístico del Parque Nacional Cerros de Amotape (PNCA), Tumbes, Perú; con base en la perspectiva de la demanda turística potencial. El tipo de investigación fue no experimental, correlacional, transversal y prospectiva, se aplicó un cuestionario con escala Likert a una muestra de 383 ciudadanos peruanos residentes en áreas urbanas del departamento de Tumbes, en edad de trabajar y con nivel educativo superior alcanzado. Se utilizó el método directo de subjetividad representativa y una adaptación de la escala de emociones planteada por Fredrickson (2009) para medir las emociones que genera el paisaje y se evaluó el potencial turístico en función de la actitud de la demanda potencial hacia las instalaciones y servicios ecoturísticos y su intención de realizar ecoturismo en el PNCA. Los hallazgos evidencian que existe una asociación positiva entre las emociones que genera el paisaje y una actitud favorable hacia la práctica de actividades ecoturísticas en el PNCA, siendo el paisaje un elemento motivador de desplazamientos turísticos desde las zonas urbanas hacia entornos rurales.
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.004 | 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 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".