Les facteurs pouvant influencer l'attractivité perçue à l'égard des routes touristiques
Bibliographic record
Abstract
Les routes touristiques du Québec figurent parmi les expériences clés que la destination québécoise met de l’avant afin de se promouvoir auprès de ses marchés clés : le Québec, l’Ontario, le Nord-Est des États-Unis et la France. Pour les inciter à emprunter ces routes en cours de séjour, il est primordial d’identifier les facteurs pouvant influencer l’attractivité touristique perçue à leur égard, constituant l’objectif de ce mémoire. Le premier chapitre procède à une revue de littérature et définit les concepts clés de cette étude : le self-drive tourism et l’attractivité touristique perçue. Il s’attarde également aux différents modèles de prise de décision en marketing touristique. Cette revue de littérature permet par la suite d’élaborer le cadre conceptuel en plus d’identifier la variable qui sera utilisée pour mesurer concrètement l’attractivité perçue : la probabilité de visiter une route en cours de séjour. Ce cadre conceptuel fait ressortir douze hypothèses de recherche qui touchent les motivations touristiques, l’image associée aux routes, la notoriété et les caractéristiques sociodémographiques du répondant. En raison de la posture positiviste de l’étude, un questionnaire quantitatif autoadministré fut distribué auprès d’un panel de 16 000 répondants provenant des quatre marchés clés du Québec. En utilisant la comparaison de moyenne et l’analyse de tableaux croisés, ce mémoire identifient plusieurs facteurs sur le plan des variables psychographiques, comportementales et sociodémographiques. \n_____________________________________________________________________________ \nMOTS-CLÉS DE L’AUTEUR : Routes touristiques, facteurs d’attractivité, multi-marchés, questionnaire quantitatif
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| 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".