Hva kan påvirke turisters valg til å velge miljøvennlig?
Bibliographic record
Abstract
Dette er en teoretisk oppgave som er basert på eksisterende litteratur. I denne oppgaven har jeg tatt for meg temaet miljøvennlig reising for å finne ut hva som påvirker våre valg til å være miljøvennlige. \nNår man ser på holdninger knyttet til bekymringer ved klimautslipp, er det mennesker med høyere utdanning og 18-29 års alderen som er mest bekymret. Blant disse er kvinner mer bekymret enn menn. Menn med høyrere stillinger er mindre bekymret enn resten av befolkningen. Studenter prøver å være miljøvennlige i valgene de gjør på butikken og transportmidler. \nNår man er på ferie ønsker man å gjøre andre ting enn det man gjør hjemme. Lysten til å prøve noe nytt og annerledes er av mange grunnen til å reise vekk. Om rutinene man har fra hjemmet, knyttet til miljøvennlige vaner (eks. kildesortering, vannbruk, skru av lys ol.), vil disse rutinene også bli med på ferie. Det er vanskelig å vende av seg en vane.\nI tillegg til vaner blir man påvirket av omgivelsene og det andre gjør. Det er her turister ofte blir påvirket til å gjøre forskjellig enn det de normalt ville gjort om de er hjemme. Moral teller også inn når valg tas og disse verdiene er noe av det som teller mest når mennesker tar valg knyttet til bærekraft og miljø.
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 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.008 | 0.007 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.108 | 0.035 |
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".