L'innovation des moyens de diffusion d'information audio-visuelle dans un circuit techno-historique : moyen d'amélioration de l'expérience touristique?
Bibliographic record
Abstract
L’intégration des technologies novatrices dans les produits et les services touristiques a permis d’améliorer la perception du touriste et son attitude envers son expérience vécue. Montréal en Histoires est une organisation inventive dans le secteur touristique à Montréal, mettant en place des technologies innovantes de projection afin d’offrir une meilleure immersion du visiteur dans ses tableaux historiques, permettant d’améliorer leur niveau de satisfaction du produit offert. Dans le cadre de ce travail, nous cherchons à déterminer les dimensions de l’expérience touristique de Réalité Augmentée du circuit techno-historique offert par Montréal en Histoires et leurs influences sur la satisfaction des visiteurs et leur intention de revisiter et de recommander leur expérience. Pour ce faire, nous nous sommes basés sur les dimensions du modèle de Pine et Gilmore (1999) de l’expérience du client ainsi que d’autres dimensions de l’expérience touristique évoqués par d’autres travaux académiques. Une réduction des dimensions à l’aide d’une analyse factorielle exploratoire a été utiliser afin de déterminer les dimensions et ensuite une régression logistique a été utilisée pour mesurer l’influence entre les dimensions retenues et l’attitude des visiteurs. Un nouveau modèle de l’expérience touristique a été élaboré, basé sur six dimensions les 4E (éducation, évasion, divertissement et esthétisme), le milieu extérieur et le contenu historique. Ces dimensions influencent à différent degré la satisfaction du visiteur et son intention de revisiter et de recommander l’expérience vécue. \n_____________________________________________________________________________ \nMOTS-CLÉS DE L’AUTEUR : Expérience touristique, dimensions, satisfaction client, intention de revisite, intention de recommander
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 | 0.013 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.002 | 0.006 |
| Scholarly communication | 0.012 | 0.007 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.010 | 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".