Search results

Incorporating dynamic spatial effects exhibits considerable potential in improving the accuracy of forecasting tourism demands. This study aims to propose an innovative deep learning model for capturing dynamic spatial effects.

A novel deep learning model founded on the transformer architecture, called the spatiotemporal transformer network, is presented. This model has three components: the temporal transformer, spatial transformer and spatiotemporal fusion modules. The dynamic temporal dependencies of each attraction are extracted efficiently by the temporal transformer module. The dynamic spatial correlations between attractions are extracted efficiently by the spatial transformer module. The extracted dynamic temporal and spatial features are fused in a learnable manner in the spatiotemporal fusion module. Convolutional operations are implemented to generate the final forecasts.

The results indicate that the proposed model performs better in forecasting accuracy than some popular benchmark models, demonstrating its significant forecasting performance. Incorporating dynamic spatiotemporal features is an effective strategy for improving forecasting. It can provide an important reference to related studies.

The proposed model leverages high-frequency data to achieve accurate predictions at the micro level by incorporating dynamic spatial effects. Destination managers should fully consider the dynamic spatial effects of attractions when planning and marketing to promote tourism resources.

This study incorporates dynamic spatial effects into tourism demand forecasting models by using a transformer neural network. It advances the development of methodologies in related fields.

纳入动态空间效应在提高旅游需求预测的准确性方面具有相当大的潜力。本研究提出了一种捕捉动态空间效应的创新型深度学习模型。

本研究提出了一种基于变压器架构的新型深度学习模型, 称为时空变压器网络。该模型由三个部分组成：时空转换器、空间转换器和时空融合模块。时空转换器模块可有效提取每个景点的动态时间依赖关系。空间转换器模块可有效提取景点之间的动态空间相关性。提取的动态时间和空间特征在时空融合模块中以可学习的方式进行融合。通过卷积运算生成最终预测结果。

结果表明, 与一些流行的基准模型相比, 所提出的模型在预测准确性方面表现更好, 证明了其显著的预测性能。纳入动态时空特征是改进预测的有效策略。它可为相关研究提供重要参考。

所提出的模型利用高频数据, 通过纳入动态空间效应, 在微观层面上实现了准确预测。旅游目的地管理者在规划和营销推广旅游资源时, 应充分考虑景点的动态空间效应。

本研究通过使用变压器神经网络, 将动态空间效应纳入旅游需求预测模型。它推动了相关领域方法论的发展。

La incorporación de efectos espaciales dinámicos ofrece un considerable potencial para mejorar la precisión de la previsión de la demanda turística. Este estudio propone un modelo innovador de aprendizaje profundo para capturar los efectos espaciales dinámicos.

Se presenta un novedoso modelo de aprendizaje profundo basado en la arquitectura transformadora, denominado red de transformador espaciotemporal. Este modelo tiene tres componentes: el transformador temporal, el transformador espacial y los módulos de fusión espaciotemporal. El módulo transformador temporal extrae de manera eficiente las dependencias temporales dinámicas de cada atracción. El módulo transformador espacial extrae eficientemente las correlaciones espaciales dinámicas entre las atracciones. Las características dinámicas temporales y espaciales extraídas se fusionan de manera que se puede aprender en el módulo de fusión espaciotemporal. Se aplican operaciones convolucionales para generar las previsiones finales.

Los resultados indican que el modelo propuesto obtiene mejores resultados en la precisión de las previsiones que algunos modelos de referencia conocidos, lo que demuestra su importante capacidad de previsión. La incorporación de características espaciotemporales dinámicas supone una estrategia eficaz para mejorar las previsiones. Esto puede proporcionar una referencia importante para estudios afines.

El modelo propuesto aprovecha los datos de alta frecuencia para lograr predicciones precisas a nivel micro incorporando efectos espaciales dinámicos. Los gestores de destinos deberían tener plenamente en cuenta los efectos espaciales dinámicos de las atracciones en la planificación y marketing para la promoción de los recursos turísticos.

Este estudio incorpora efectos espaciales dinámicos a los modelos de previsión de la demanda turística mediante el empleo de una red neuronal transformadora. Supone un avance en el desarrollo de metodologías en campos afines.

There is limited research on the behavior of different categories of space tourists as identified by different types of space tourism. To address this deficiency, the purpose of this study is to examine what factors make consumers participate in orbital and/or suborbital space tourism, along with three dimensions of motivation, constraint and artificial intelligence. To achieve this study’s goals, a comprehensive research model was developed that included three dimensions of intrinsic and extrinsic motivation, intrapersonal and interpersonal constraint and awareness of and trust in artificial intelligence, in comparing orbital and suborbital space tourism groups.

A questionnaire was carried out with respondents who wanted to participate in orbital (n = 332) and suborbital (n = 332) space tourism in the future. Partial least squares-structural equation modeling, fuzzy-set qualitative comparative analysis, multi-group analysis and deep learning were used to understand potential space tourist behavior.

Extrinsic motivation has the greatest positive impact on behavioral intention, followed by awareness of and trust in artificial intelligence, while intrapersonal constraint strongly negatively affects behavioral intention. Surprisingly, interpersonal constraint is insignificant by partial least squares-structural equation modeling but is still one of sufficient causal configurations by fuzzy-set qualitative comparative analysis. Interestingly, the two types of space tourism have very distinct characteristics.

This study created a comprehensive integrated research model with three dimensions of motivation, constraint and artificial intelligence, along with potential orbital and suborbital space tourist groups, to identify future consumer behavior. Importantly, this study used multi-analysis methods using four different approaches to better shed light on potential orbital and suborbital space tourists.

对不同类型太空旅游所识别的不同类别太空游客行为的研究有限。 为了解决这一缺陷, 这项工作研究了哪些因素使消费者参与轨道和/或亚轨道太空旅游, 以及动机、约束和人工智能三个维度。 为了实现研究目标, 在比较轨道和亚轨道太空旅游群体时, 开发了一个综合研究模型, 包括内在和外在动机、内在和人际约束以及对人工智能的认识和信任三个维度。

对希望在未来参与轨道 (n = 332) 和亚轨道 (n = 332) 太空旅游的受访者进行了问卷调查。 利用偏最小二乘法 (PLS)-结构方程模型 (SEM)、模糊集定性比较分析 (fsQCA)、多组分析和深度学习来了解潜在的太空游客行为。

外在动机对行为意图的积极影响最大, 其次是对人工智能的认识和信任, 而内在约束对行为意图有强烈的负面影响。 令人惊讶的是, 人际约束对于 PLS-SEM 来说是微不足道的, 但对于 fsQCA 来说仍然是充分的因果配置之一。 有趣的是, 这两类太空旅游具有非常鲜明的特点。

这项工作创建了一个全面的综合研究模型, 具有动机、约束和人工智能三个维度, 以及潜在的轨道和亚轨道太空旅游群体, 以确定未来的消费者行为。 重要的是, 这项研究采用了多种分析方法, 使用四种不同的方法来更好地揭示潜在的轨道和亚轨道太空游客。

existe una investigación limitada sobre el comportamiento de las diferentes categorías de turistas espaciales identificados por diferentes tipos de turismo espacial. Para abordar esta deficiencia, este trabajo examina qué factores hacen que los consumidores participen en el turismo espacial orbital y/o suborbital, junto con tres dimensiones de motivación, restricción e inteligencia artificial. Para lograr los objetivos del estudio, se desarrolló un modelo de investigación integral que incluía tres dimensiones de motivación intrínseca y extrínseca, restricción intrapersonal e interpersonal, y conocimiento y confianza en la inteligencia artificial, al comparar grupos de turismo espacial orbital y suborbital.

se realizó un cuestionario con los encuestados que querían participar en el turismo espacial orbital (n = 332) y suborbital (n = 332) en el futuro. Se utilizaron modelos de ecuaciones estructurales (SEM) de mínimos cuadrados parciales (PLS), análisis comparativo cualitativo de conjuntos borrosos (fsQCA), análisis multigrupo y aprendizaje profundo para comprender el comportamiento potencial del turista espacial.

la motivación extrínseca tiene el mayor impacto positivo en la intención de comportamiento, seguida de la conciencia y la confianza en la inteligencia artificial, mientras que la restricción intrapersonal afecta negativamente la intención de comportamiento. Sorprendentemente, la restricción interpersonal es insignificante por PLS-SEM, pero sigue siendo una de las configuraciones causales suficientes por fsQCA. Curiosamente, los dos tipos de turismo espacial tienen características muy distintas.

este trabajo creó un modelo de investigación integral integral con tres dimensiones de motivación, restricción e inteligencia artificial, junto con posibles grupos de turistas espaciales orbitales y suborbitales para identificar el comportamiento futuro del consumidor. Es importante destacar que este estudio empleó métodos de análisis múltiple utilizando cuatro enfoques diferentes para arrojar mejor luz sobre los posibles turistas espaciales orbitales y suborbitales.

This study aims to predict overnight stays in Italy at tourist accommodation facilities through a nonlinear, single factor, stochastic model called CIR#. The contribution of this study is twofold: in terms of forecast accuracy and in terms of parsimony (both from the perspective of the data and the complexity of the modeling), especially when a regular pattern in the time series is disrupted. This study shows that the CIR# not only performs better than the considered baseline models but also has a much lower error than other additional models or approaches reported in the literature.

Typically, tourism demand tends to follow regular trends, such as low and high seasons on a quarterly/monthly level and weekends and holidays on a daily level. The data set consists of nights spent in Italy at tourist accommodation establishments as collected on a monthly basis by Eurostat before and during the COVID-19 pandemic breaking regular patterns.

Traditional tourism demand forecasting models may face challenges when massive amounts of search intensity indices are adopted as tourism demand indicators. In addition, given the importance of accurate forecasts, many studies have proposed novel hybrid models or used various combinations of methods. Thus, although there are clear benefits in adopting more complex approaches, the risk is that of dealing with unwieldy models. To demonstrate how this approach can be fruitfully extended to tourism, the accuracy of the CIR# is tested by using standard metrics such as root mean squared errors, mean absolute errors, mean absolute percentage error or average relative mean squared error.

The CIR# model is notably simpler than other models found in literature and does not rely on black box techniques such as those used in neural network (NN) or data science-based models. The carried analysis suggests that the CIR# model outperforms other reference predictions in terms of statistical significance of the error.

The proposed model stands out for being a viable option to the Holt–Winters (HW) model, particularly when dealing with irregular data.

The proposed model has demonstrated superiority even when compared to other models in the literature, and it can be especially useful for tourism stakeholders when making decisions in the presence of disruptions in data patterns.

The novelty lies in the fact that the proposed model is a valid alternative to the HW, especially when the data are not regular. In addition, compared to many existing models in the literature, the CIR# model is notably simpler and more transparent, avoiding the “black box” nature of NN and data science-based models.

一般来说, 旅游需求往往遵循规律的趋势, 例如季度/月的淡季和旺季, 以及日常的周末和假期。该数据集包括欧盟统计局在打破常规模式的2019冠状病毒病大流行之前和期间每月收集的在意大利旅游住宿设施度过的夜晚。

本研究旨在通过一个名为cir#的非线性单因素随机模型来预测意大利游客住宿设施的过夜住宿情况。这项研究的贡献是双重的:在预测准确性方面和在简洁方面(从数据和建模复杂性的角度来看), 特别是当时间序列中的规则模式被打乱时。我们表明, cir#不仅比考虑的基线模型表现更好, 而且比文献中报告的其他模型或方法具有更低的误差。

当大量搜索强度指标被作为旅游需求指标时, 传统的旅游需求预测模型将面临挑战。此外, 鉴于准确预测的重要性, 许多研究提出了新的混合模型或使用各种方法的组合。因此, 尽管采用更复杂的方法有明显的好处, 但风险在于处理难使用的模型。为了证明这种方法能有效地扩展到旅游业, 使用RMSE、MAE、MAPE或AvgReIMSE等标准指标来测试cir#的准确性。

cir#模型明显比文献中发现的其他模型简单, 并且不依赖于黑盒技术, 例如在神经网络或基于数据科学的模型中使用的技术。所进行的分析表明, cir#模型在误差的统计显著性方面优于其他参考预测。

这个模型作为Holt-Winters模型的一个拟议模型, 特别是在处理不规则数据时。

即使与文献中的其他模型相比, 所提出的模型也显示出优越性, 并且在数据模式中断时对旅游利益相关者做出决策特别有用。

创新之处在于所提出的模型是Holt-Winters模型的有效替代方案, 特别是当数据不规律时。此外, 与文献中的许多现有模型相比, cir#模型明显更简单、更透明, 避免了神经网络和基于数据科学的模型的“黑箱”性质。

Normalmente, la demanda turística tiende a seguir tendencias regulares, como temporadas altas y bajas a nivel trimestral/mensual y fines de semana y festivos a nivel diario. El conjunto de datos consiste en las pernoctaciones en Italia en establecimientos de alojamiento turístico recogidas mensualmente por Eurostat antes y durante la pandemia de COVID-19, rompiendo los patrones regulares.

El presente estudio pretende predecir las pernoctaciones en Italia en establecimientos de alojamiento turístico mediante un modelo estocástico no lineal de un solo factor denominado CIR#. La contribución de este estudio es doble: en términos de precisión de la predicción y en términos de parsimonia (tanto desde la perspectiva de los datos como de la complejidad de la modelización), especialmente cuando un patrón regular en la serie temporal se ve interrumpido. Demostramos que el CIR# no sólo aplica mejor que los modelos de referencia considerados, sino que también tiene un error mucho menor que otros modelos o enfoques adicionales de los que se informa en la literatura.

Los modelos tradicionales de previsión de la demanda turística pueden enfrentarse a desafíos cuando se adoptan cantidades masivas de índices de intensidad de búsqueda como indicadores de la demanda turística. Además, dada la importancia de unas previsiones precisas, muchos estudios han propuesto modelos híbridos novedosos o han utilizado diversas combinaciones de métodos. Así pues, aunque la adopción de enfoques más complejos presenta ventajas evidentes, el riesgo es el de enfrentarse a modelos poco manejables. Para demostrar cómo este enfoque puede extenderse de forma fructífera al turismo, se comprueba la precisión del CIR# utilizando métricas estándar como RMSE, MAE, MAPE o AvgReIMSE.

El modelo CIR# es notablemente más sencillo que otros modelos encontrados en la literatura y no se basa en técnicas de caja negra como las utilizadas en los modelos basados en redes neuronales o en la ciencia de datos. El análisis realizado sugiere que el modelo CIR# supera a otras predicciones de referencia en términos de significación estadística del error.

El modelo propuesto destaca por ser una opción viable al modelo Holt-Winters, sobre todo cuando se trata de datos irregulares.

El modelo propuesto ha demostrado su superioridad incluso cuando se compara con otros modelos de la bibliografía, y puede ser especialmente útil para los agentes del sector turístico a la hora de tomar decisiones cuando se producen alteraciones en los patrones de datos.

La novedad radica en que el modelo propuesto es una alternativa válida al Holt-Winters especialmente cuando los datos no son regulares. Además, en comparación con muchos modelos existentes en la literatura, el modelo CIR# es notablemente más sencillo y transparente, evitando la naturaleza de “caja negra” de los modelos basados en redes neuronales y en ciencia de datos.

Artificial intelligence (AI) and big data analysis may further enhance the automated and smart features of tourism and hospitality services. However, it also poses new challenges to human resource management. This study aims to explore the direct and indirect effects of employees’ AI perception on career resilience and informal learning as well as the mediating effect of career resilience.

This paper proposed a theoretical model of AI perception, career resilience and informal learning with perceived AI as the antecedent variable, career resilience as the mediate variable and informal learning as the endogenous variable. Targeting the employees working with AI, a total of 472 valid data were collected. Data were analyzed using structural equation modeling with AMOS software.

Findings indicated that employees’ perception of AI positively contributes to career resilience and informal learning. Apart from the direct effect on informal learning, career resilience also mediates the relationship between AI perception and informal learning.

Research findings provide both theoretical and practical implications by revealing the impact of AI perception on employees’ career development, leaning activities, explaining how AI transforms the nature of work and career development and shedding lights on human resource management in the tourism and hospitality field.

本文提出了人工智能感知为前因变量、职业弹性为中介变量、非正式学习为内生变量的理论模型。以旅游业AI工作环境中的员工为研究对象, 本课题共收集了472份来自中国的有效数据, 并通过结构方程建模（SEM）来进行相关模型检验。

人工智能和大数据分析可能会使旅游和酒店服务更加自动化和智能化, 但这也对人力资源管理提出了新的挑战。本研究旨在探讨员工对人工智能（AI）的感知对职业弹性和非正式学习的直接和间接影响, 以及职业弹性的中介作用。

研究结果显示, 员工对人工智能的感知对职业弹性和非正式学习有积极影响。除了对非正式学习的直接影响外, 职业弹性在人工智能 (A I) 感知和非正式学习之间起中介作用。

本研究在以下几个方面具有重要的理论和实践意义：解释了人工智能感知对员工职业发展和学习行为的影响, 以及它是如何改变工作性质和员工职业发展的; 研究发现对旅游和酒店行业的人力资源管理具有实践指导意义。

La IA y el análisis de big data pueden potenciar aún más las características automatizadas e inteligentes de los servicios de turismo y hostelería. Sin embargo, también plantea nuevos retos a la gestión de los recursos humanos. Este estudio pretende explorar los efectos directos e indirectos de la percepción de la IA por parte de los empleados sobre la resiliencia profesional y el aprendizaje informal, así como el efecto mediador de la resiliencia profesional.

En este trabajo se propone un modelo teórico de percepción de la IA, resiliencia profesional y aprendizaje informal con la IA percibida como variable antecedente, la resiliencia profesional como variable mediadora y el aprendizaje informal como variable endógena. Dirigidos a los empleados que trabajan con IA, se recogieron un total de 472 datos válidos. Los datos se analizaron mediante un modelo de ecuaciones estructurales (SEM) con el software AMOS.

Los Resultados indicaron que la percepción de la IA por parte de los empleados contribuye positivamente a la resiliencia profesional y al aprendizaje informal. Aparte del efecto directo sobre el aprendizaje informal, la resiliencia profesional también media en la relación entre la percepción de la IA y el aprendizaje informal.

Los Resultados de la investigación proporcionan implicaciones tanto teóricas como prácticas al revelar el impacto de la percepción de la IA en el desarrollo profesional de los empleados, las actividades de aprendizaje, explicar cómo la IA transforma la naturaleza del trabajo y el desarrollo profesional, y arrojar luz sobre la gestión de los recursos humanos en el ámbito del turismo y la hostelería.

Based on the mentoring literature, this study aims to explore the mentoring functions developed by the travel industry and develop a multiple mentoring function scale (MMFS) for tour leaders.

Study One of this research involved in-depth interviews with 23 tour leaders for establishing the initial question bank and pilot test scale. In Study Two, the initial scale was pilot tested by 225 tour leaders for identifying the factor structure through exploratory factor analysis. In Study Three, the model was verified through confirmatory factor analyses of 251 calibration samples. In Study Four, cross-validation was verified by 227 validation samples.

In Study One, through the content analyses, an initial question bank of 51 questions was established. The question bank was reviewed by 15 experts, resulting in the development of a pilot test scale of 36 questions. In Study Two, 16 questions were retained after the initial scale was pilot tested, and four dimensions were identified, including career competency, reverse mentoring, career development and psychosocial functions. In Study Three, the model was verified through confirmatory factor analyses and confirmed to have good reliability and construct validity. Finally, a first-order, four-factor scale that consisted of 16 questions was established. In Study Four, cross-validation was verified.

MMFS establishment underwent a rigorous development process, and the scale’s reliability and validity are supported. It is suggested that future research should develop and construct a multifunctional model for tour-leading professionals based on the MMFS to evaluate the long-term impact of the MMFS.

Previous studies have mainly focused on typical mentoring functions. Multiple mentoring functions derived from the characteristics of tour leaders and guides have rarely been discussed. This research can fill the gap in the application of mentoring system to human resource management research in the tourism industry. As a result, this four-dimensional multiple mentoring functions scale provides a progressive perspective and be regarded as the first version of the scale development in the tourism industry.

基于师徒文献, 本研究探讨了旅游业的师徒功能, 并为旅游领队发展多元师徒功能量表（MMFS）。

研究一, 涉及与 23 位领队的深度访谈, 以建立初始题库和预试量表。研究二, 初始量表由225名领队进行试测, 通过探索性因素分析确定因素结构。研究三, 通过验证性因素分析251个校准样本以验证模型。研究四, 由 227 个验证样本进行复合效化。

研究一, 经过内容分析, 建立了51道题的初始题库。初始题库由 15 位专家审阅, 最终形成36 个问题的预试量表。研究二, 预试量表进行预试后, 保留了16个问题, 确定了四个构面, 包括职业能力、反向师徒、职业发展和社会心理功能。研究三, 通过验证性因素分析对模型进行验证, 证实具有良好的信度和建构效度。建立了一个由 16 个题项所组成的一阶四因素量表。研究四, 复合效化获得验证。

过往的研究主要集中在典型的师徒功能上。很少有人讨论基于领队和导游的特点而衍生出的多元师徒功能。本研究填补了师徒制在旅游行业人力资源管理研究中的应用空白。因此, 这四个构面的多元师徒功能量表提供了一个渐进的视角, 被视为量表发展的旅游业第一版。

MMFS的建立经历了严格的开发过程, 量表的信度和效度得到支持。建议未来的研究应基于 MMFS开发和建构旅游领队专业人士的多元功能模型, 以评估MMFS 的后续影响。

Basándose en la bibliografía sobre la mentoría, este estudio exploró las funciones de mentoría desarrolladas por el sector de los viajes y elaboró una escala de funciones de mentoría múltiple (MMFS) para guías y jefes de grupo turísticos.

En el Estudio Uno de esta investigación se realizaron entrevistas en profundidad a 23 guías turísticos para establecer el banco de preguntas inicial y la escala de prueba piloto. Estudio Dos, la escala inicial fue sometida a una prueba piloto por 225 guías de tours para identificar la estructura factorial mediante un análisis factorial exploratorio. Estudio Tres, el modelo se verificó mediante análisis factoriales confirmatorios 251 muestras de calibración. En el Estudio Cuatro, la validación cruzada se verificó mediante 227 muestras de validación.

Estudio Uno: a través de los análisis de contenido, se estableció un banco de preguntas inicial de 51 preguntas. El banco de preguntas fue revisado por 15 expertos, lo que dio lugar a la elaboración de una escala de prueba piloto de 36 preguntas. Estudio Dos, se retuvieron 16 preguntas, tras la prueba piloto de la escala inicial, y se identificaron cuatro dimensiones, que incluían la competencia profesional, la mentoría inversa, el desarrollo profesional y las funciones psicosociales. Estudio Tres, el modelo se verificó mediante análisis factoriales confirmatorios y se confirmó que tenía una buena fiabilidad y validez de constructo. Por último, se estableció una escala de primer orden y cuatro factores que constaba de 16 preguntas. En el Estudio Cuatro, se verificó la validación cruzada.

Los estudios anteriores se han centrado principalmente en las funciones típicas de la mentoría. Rara vez se han tratado las funciones múltiples de mentoría derivadas de las características de los guías y jefes de grupo turísticos. Esta investigación puede llenar el vacío existente en la aplicación del sistema de mentoría a la investigación de la gestión de recursos humanos en la industria turística. Como resultado, esta escala de funciones de mentoría múltiple de cuatro dimensiones proporciona una perspectiva progresista y puede considerarse como la primera versión del desarrollo de la escala en la industria turística.

El establecimiento de la MMFS se sometió a un riguroso proceso de desarrollo, y la fiabilidad y validez de la escala están respaldadas. Se sugiere que en futuras investigaciones se desarrolle y construya un modelo multifuncional para guías profesionales de turismo basado en la MMFS para evaluar el impacto a largo plazo de la MMFS.

The rapid growth of artificial intelligence is disrupting various industries, including the tourism sector. This paper aims to outline the applications, benefits and risks of ChatGPT and large language models in general on tourism. It also aims to establish a research agenda for investigating the implications of these models in tourism.

Drawing on the available literature on ChatGPT, large language models and artificial intelligence, the paper identifies areas of application of ChatGPT for several tourism stakeholders. Potential benefits and risks are then considered.

ChatGPT and other similar models are likely to have a profound impact on several tourism processes. They will contribute to further streamline customer service in front-of-house operations and increase productivity and efficiency in back-of-house operations. Although negative consequences for human resources are expected, this technology mostly enhances tourism employees.

To the best of the authors’ knowledge, this is one of the first studies that explore the potential implications of ChatGPT in tourism and hospitality.

人工智能的快速发展正在颠覆包括旅游业在内的各个行业。 本文旨在概述ChatGPT和大型语言模型在旅游业中的应用、好处和风险。同时, 旨在建立一个研究议程, 以调查这些模型在旅游业中的影响。

本文借鉴了关于ChatGPT、大型语言模型和人工智能的现有文献, 确定了ChatGPT在几个旅游利益相关者中的应用范围, 然后考虑了潜在的好处和风险。

ChatGPT和其他类似的模型可能会对一些旅游过程产生深远的影响。它们将有助于进一步简化前台业务的客户服务, 并提高后台业务的生产力和效率。虽然对人力资源的负面影响是可以预见的, 但这项技术主要是增强旅游业的员工能力。

这是首批探索ChatGPT在旅游业和酒店业潜在影响的研究之一。

A partir de la bibliografía disponible sobre ChatGPT, grandes modelos lingüísticos e inteligencia artificial, este artículo identifica las posibles áreas de aplicación de ChatGPT y actores que se pueden beneficiar. De igual forma, se examinan los posibles beneficios y riesgos.

El rápido crecimiento de la inteligencia artificial está afectando diversas industrias, incluyendo la del turismo. Este artículo pretende esbozar las aplicaciones, ventajas y riesgos de ChatGPT, así como los grandes modelos lingüísticos, en turismo. También pretende establecer una agenda de investigación para estudiar las implicaciones de estos modelos en el turismo.

Es probable que ChatGPT y otros modelos similares tengan un profundo impacto en varios procesos turísticos, contribuyendo a racionalizar, aún más, el servicio al cliente en las operaciones de front-of-the-house y aumentando la productividad y eficiencia en el back-of-the-house. Aunque se prevén consecuencias negativas para los recursos humanos, esta tecnología servirá sobre todo para potenciarlos.

Éste es uno de los primeros estudios que exploran las implicaciones potenciales de ChatGPT en el turismo y la hostelería.

This paper aims to analyze the research highlights, evolutionary process and future research directions in the field of tourism forecasting.

This study used CiteSpace to conduct a bibliometric analysis of 1,213 tourism forecasting articles.

The results show that tourism forecasting research has experienced three stages. The institutional collaboration includes transnational collaboration and domestic institutional collaboration. Collaboration between countries still needs to be strengthened. The authors’ collaboration is mainly based on on-campus collaboration. Articles with high co-citation are primarily published in core tourism journals and other relevant publications. The research content mainly pertains to tourism demand, revenue management, hotel demand and tourist volumes. Ex ante forecasting during the COVID-19 pandemic has broadened existing tourism forecasting research. The future forecasting research focuses on the rational use of big data, improving the accuracy of models and enhancing the credibility of forecasting results.

This paper uses CiteSpace to analyze tourism forecasting articles to obtain future research trends, which supplements existing research and provides directions for future research.

本文旨在分析旅游预测领域的研究重点、演化过程和未来的研究方向。

本研究使用 CiteSpace 软件对 1213 篇旅游预测文章进行了文 献计量学分析。

结果表明, 旅游预测研究经历三个阶段。机构合作包含国际机构合作和 国内机构合作, 需要持续加强国家之间的合作, 作者之间的合作多以校内合作为 主。高引用文章不仅发表在旅游领域的核心期刊还发表在其他专业的核心期刊上。 旅游预测研究的主要内容为旅游需求、收入管理、酒店需求和游客量。新冠疫情 期间的事前预测拓宽了现有的旅游预测研究。未来预测的研究重点在于合理利用 大数据, 提高模型的准确定以及提高预测结果的可信度。

本文使用 CiteSpace 分析旅游预测文章得到未来研究趋势, 既是对 现有研究的补充, 又为今后的研究提供方向。

Este artículo pretende analizar los aspectos más destacados de la investigación, el proceso evolutivo y las futuras orientaciones de la investigación en el campo de la previsión turística.

Este estudio utilizó CiteSpace para realizar un análisis bibliométrico de 1213 artículos sobre previsión turística.

Los resultados muestran que la investigación sobre previsión turística ha experimentado tres etapas. La colaboración institucional incluye la colaboración transnacional y la colaboración institucional nacional. La colaboración entre países aún debe reforzarse. La colaboración entre autores se basa principalmente en la colaboración dentro del campus. Los artículos con una alta cocitación se publican principalmente en las principales revistas de turismo y en otras publicaciones relevantes. El contenido de la investigación se refiere principalmente a la demanda turística, el revenue management, la demanda hotelera y los volúmenes turísticos. La previsión previa y durante la pandemia de la COVID-19 ha ampliado la investigación existente sobre previsión turística. La futura investigación sobre previsiones se centra en el uso racional de los big data, la mejora de la precisión de los modelos y el aumento de la credibilidad de los resultados de las previsiones.

Este artículo utiliza CiteSpace para analizar artículos de previsión turística con el fin de obtener futuras tendencias de investigación, lo que complementa la investigación existente y proporciona orientaciones para futuras investigaciones.

Artificial intelligence (AI) offers many benefits to improve predictive marketing practice. It raises ethical concerns regarding customer prioritization, market share concentration and consumer manipulation. This paper explores these ethical concerns from a contemporary perspective, drawing on the experiences and perspectives of AI and predictive marketing professionals. This study aims to contribute to the field by providing a modern perspective on the ethical concerns of AI usage in predictive marketing, drawing on the experiences and perspectives of professionals in the area.

The study conducted semistructured interviews for 6 weeks with 14 participants experienced in AI-enabled systems for marketing, using purposive and snowball sampling techniques. Thematic analysis was used to explore themes emerging from the data.

Results reveal that using AI in marketing could lead to unintended consequences, such as perpetuating existing biases, violating customer privacy, limiting competition and manipulating consumer behavior.

The authors identify seven unique themes and benchmark them with Ashok’s model to provide a structured lens for interpreting the results. The framework presented by this research is unique and can be used to support ethical research spanning social, technological and economic aspects within the predictive marketing domain.

La Inteligencia Artificial (IA) ofrece muchos beneficios para mejorar la práctica del marketing predictivo. Sin embargo, plantea preocupaciones éticas relacionadas con la priorización de clientes, la concentración de cuota de mercado y la manipulación del consumidor. Este artículo explora estas preocupaciones éticas desde una perspectiva contemporánea, basándose en las experiencias y perspectivas de profesionales en IA y marketing predictivo. El estudio tiene como objetivo contribuir a la literatura de este ámbito al proporcionar una perspectiva moderna sobre las preocupaciones éticas del uso de la IA en el marketing predictivo, basándose en las experiencias y perspectivas de profesionales en el área.

Para realizar el estudio se realizaron entrevistas semiestructuradas durante seis semanas con 14 participantes con experiencia en sistemas habilitados para IA en marketing, utilizando técnicas de muestreo intencional y de bola de nieve. Se utilizó un análisis temático para explorar los temas que surgieron de los datos.

Los resultados revelan que el uso de la IA en marketing podría tener consecuencias no deseadas, como perpetuar sesgos existentes, violar la privacidad del cliente, limitar la competencia y manipular el comportamiento del consumidor.

El estudio identifica siete temas y los comparan con el modelo de Ashok para proporcionar una perspectiva estructurada para interpretar los resultados. El marco presentado por esta investigación es único y puede utilizarse para respaldar investigaciones éticas que abarquen aspectos sociales, tecnológicos y económicos dentro del ámbito del marketing predictivo.

人工智能（AI）为改进预测营销实践带来了诸多益处。然而, 这也引发了与客户优先级、市场份额集中和消费者操纵等伦理问题相关的观点。本文从当代角度深入探讨了这些伦理观点, 充分借鉴了人工智能和预测营销领域专业人士的经验和观点。旨在通过现代视角提供关于在预测营销中应用人工智能时所涉及的伦理观点, 为该领域做出有益贡献。

本研究采用了目的性和雪球抽样技术, 与14位在人工智能营销系统领域具有丰富经验的参与者进行为期六周的半结构化访谈。研究采用主题分析方法, 旨在深入挖掘数据中显现的主要主题。

研究结果表明, 在营销领域使用人工智能可能引发一系列意外后果, 包括但不限于加强现有偏见、侵犯客户隐私、限制竞争以及操纵消费者行为。

本研究通过明确定义七个独特的主题, 并采用阿肖克模型进行基准比较, 为读者提供了一个结构化的视角, 以解释研究结果。所提出的框架具有独特之处, 可有效支持在跨足社会、技术和经济领域的预测营销中展开的伦理研究。

This study aims to investigate the key determinants predicting users’ behavioural intention (BI) in adopting mobile payment (m-payment) in the new normal era.

The mobile technology acceptance model (MTAM) was extended through attitudes, perceived trust, perceived risk and personal innovativeness (PI) with government support (GS) functioning as a moderator. A total of 245 valid responses were gathered from Malaysian m-payment users with purposive sampling and subsequently evaluated through partial least square-structural equation modelling.

Mobile usefulness and PI significantly predicted user BI to use m-payment. Based on the moderation analysis, GS strengthened attitude-based impacts on BI towards m-payment adoption.

The empirical outcomes provide stakeholders with pivotal implications to develop holistic policies and strategies that potentially catalyse m-payment usage in the new normal era.

This research expands the current body of knowledge by assessing the factors impacting m-payment usage intention in the new normal era. The four aforementioned MTAM elements and GS (moderator) were recommended to boost model workability and offer novel evidence from a distinct viewpoint.

El objetivo de este estudio es investigar los determinantes clave que predicen la intención de comportamiento de los usuarios a la hora de adoptar el pago por móvil (m-payment) en la nueva era normal.

El modelo de aceptación de la tecnología móvil (MTAM) se amplió a través de las actitudes, la confianza percibida, el riesgo percibido y la capacidad de innovación personal, con el apoyo gubernamental como moderador. Se recogió un total de 245 respuestas válidas de usuarios malasios de pago por móvil mediante muestreo intencionado y se evaluó posteriormente mediante modelización de ecuaciones estructurales por mínimos cuadrados parciales (PLS-SEM).

La utilidad del móvil y la capacidad de innovación personal predijeron significativamente la intención de los usuarios de utilizar el pago por móvil. Según el análisis de moderación, el apoyo gubernamental reforzó los efectos basados en la actitud sobre la intención conductual de adoptar el pago por móvil.

Los resultados empíricos proporcionan a las partes interesadas implicaciones fundamentales para desarrollar políticas y estrategias holísticas que catalicen potencialmente el uso del pago móvil en la nueva era de la normalidad.

Esta investigación amplía el corpus actual de conocimientos al evaluar los factores que influyen en la intención de uso del pago por móvil en la nueva era normal. Se recomiendan los cuatro elementos MTAM mencionados y el apoyo gubernamental (moderador) para impulsar la viabilidad del modelo y ofrecer pruebas novedosas desde un punto de vista distinto.

本研究旨在探讨新常态时代用户使用移动支付（m-payment）行为意向的主要决定因素。

通过态度、感知信任、感知风险和个人创新能力, 并以政府支持作为调节因素, 对移动技术接受模型（MTAM）进行了扩展。通过有目的的抽样, 从马来西亚移动支付用户中收集了 245 份有效回复, 随后通过偏最小二乘法结构方程模型（PLS-SEM）进行了评估。

移动实用性和个人创新性可显著预测用户使用移动支付的行为意向。根据调节分析, 政府支持加强了态度对采用移动支付的行为意向的影响。

实证研究的结果为利益相关者提供了重要的启示, 有助于他们制定全面的政策和战略, 在新常态时代促进移动支付的使用。

本研究通过评估新常态时代影响移动支付使用意向的因素, 拓展了现有的知识体系。研究推荐了上述四个 MTAM 要素和政府支持（调节器）, 以提高模型的可操作性, 并从一个独特的视角提供了新的证据。

This study aims to examine the mediating and moderating processes that link airline brand image to passenger loyalty through perceived value.

The research participants were Taiwanese passengers with experience travelling abroad by air. Structural equation modelling and multigroup analysis were used to investigate the effect of airline brand image and perceived value on the loyalty of passengers using full-service and low-cost carriers.

For both airline types, airline brand image had a significant and positive effect on passenger perceived value. Perceived value had a significant and positive effect on passenger loyalty, perceived value was a crucial mediator and airline type was not a key moderator in the model.

In this study, focusing on the perspective of Taiwanese passengers, a conceptual model of the factors that lead to passenger loyalty, with a focus on brand image, was developed. This paper contributes to the literature and application field by examining the mediating effect of perceived value and the moderating role of airline type in the aviation industry; on the basis of the results, potential recovery strategies for airlines in the post-COVID-19 era are provided.

本研究檢驗透過知覺價值將航空公司品牌形象與乘客忠誠度連結起來的中介和調節過程。

受訪者是曾經有搭乘飛機出國旅行經驗的台灣乘客。本研究採用結構方程模式和多群組分析進行驗證, 分別從搭乘全服務型航空與低成本航空的乘客探討航空公司品牌形象和知覺價值對乘客忠誠行為的影響。

不論是就全服務型航空或低成本航空而言, 航空公司品牌形象對乘客知覺價值都具有顯著的正向影響, 知覺價值對乘客忠誠行為同樣具有顯著的正向影響; 知覺價值是一個重要的中介變數, 而航空公司類型不是關鍵的調節變數。

在這項以台灣乘客的視角為重點的研究中, 開發了一個以品牌形象為重點的導致乘客忠誠度因素的概念模型。本研究通過檢驗知覺價值的中介作用和航空公司類型在航空業中的調節作用, 為文獻和應用領域做出了貢獻; 最後根據研究結果, 提供後疫情時代航空公司的潛在恢復策略。

este estudio examinó los procesos de mediación y moderación que vinculan la imagen de marca de la aerolínea con la lealtad de los pasajeros a través del valor percibido.

los participantes de la investigación eran pasajeros taiwaneses con experiencia en viajes al extranjero por vía aérea. Se emplearon modelos de ecuaciones estructurales y análisis multigrupo para investigar el efecto de la imagen de marca de la aerolínea y el valor percibido en la lealtad de los pasajeros que utilizan líneas aéreas de servicio completo y de bajo costo.

para ambos tipos de aerolíneas, la imagen de marca de la aerolínea tuvo un efecto significativo y positivo en el valor percibido por los pasajeros. El valor percibido tuvo un efecto significativo y positivo en la lealtad de los pasajeros, el valor percibido fue un mediador crucial y el tipo de aerolínea no fue un moderador clave en el modelo.

En este estudio centrado en la perspectiva de los pasajeros taiwaneses, se desarrolló un modelo conceptual de los factores que conducen a la lealtad de los pasajeros, con un enfoque en la imagen de marca. Este documento contribuye al campo de la literatura y la aplicación al examinar el efecto mediador del valor percibido y el papel moderador del tipo de aerolínea en la industria de la aviación; Sobre la base de los resultados, se proporcionan posibles estrategias de recuperación para las aerolíneas en la era posterior a la COVID-19.