با افزایش محتوای تولید شده توسط کاربر (UGC) و فناوری یادگیری عمیق، محققان بیشتر و بیشتر تصویر مقصد گردشگری (TDI) را از طریق سفرنامه های آنلاین ساخته و اندازه گیری می کنند. با این حال، به دلیل تأثیر پیشگیری و کنترل COVID-19، تعداد سفرنامه های آنلاین به طور قابل توجهی کاهش یافته است و بنابراین، اعتبار علمی TDI فقط بر اساس متن یا عکس زیر سوال رفته است. این تحقیق با مقایسه تفاوت‌های بین تصاویر بصری و معنایی از نظر درک کلی تصویر و شکل‌گیری تصویر از طریق فناوری پردازش زبان طبیعی و فناوری عنوان تصویر در به دست آوردن TDI ها، شکاف را پر می‌کند و شهرستان تیانتای در استان ژجیانگ چین را به عنوان مورد در نظر می‌گیرد. نتایج ما نشان می‌دهد که متون و عکس‌ها شباهت‌های عمده‌ای در TDI کلی دارند، اما از منظر مورد علاقه، آنها به گونه ای متفاوت منعکس می شوند. بنابراین، هنگام در نظر گرفتن انتخاب منبع داده برای تحقیق TDI با تعداد کمی سفرنامه، متون باید محتوای اصلی باشد که با عکس تکمیل شود.

کلید واژه ها:

تصویر مقصد گردشگری ; شرح تصویر ; UGC ; تیانتای

1. مقدمه

با محبوبیت و بلوغ بازار گردشگری، رقابت مقاصد گردشگری در سال های اخیر بیشتر در رقابت تصویری منعکس شده است. گردشگری یک تجربه بصری منحصر به فرد است [ 1 ]. ورود اپیدمی COVID-19 زندگی عادی مردم را مختل کرد و توسعه گردشگری آفلاین با محدودیت های پیشگیری از همه گیری به چالش کشیده شد. در این بین، تقاضای مردم برای سفر سرکوب و سرکوب شده است [ 2 ]. با گسترش کاربران جامعه آنلاین، تصور مردم از مکان‌های توریستی به شدت به سفرنامه‌هایی که شامل عکس‌ها و متن هستند [ 3 ] متکی است و این UGCها (محتوای تولید شده توسط کاربر) معتبرتر هستند [ 4 ].] که فرصت های جدیدی را برای تصویرسازی مکان های توریستی به ارمغان می آورد [ 5 ، 6 ، 7 ، 8 ] و توسعه گردشگری در دوران پس از اپیدمی به ارمغان می آورد. توسعه و استفاده از منابع گردشگری فرهنگی در چین هنوز در مرحله سختی است و بیشتر محصولات گردشگری فرهنگی فاقد ایجاد تصویر تجاری هستند. با این حال، با ادامه توسعه و پیشرفت گردشگری، اهمیت تصاویر برند به طور فزاینده ای برجسته می شود و به تدریج در اولویت توسعه گردشگری قرار می گیرد. تصویر برند یک مفهوم مهم در رفتار مصرف کننده است [ 9 ] و تصویر مقصد حوزه غالب تحقیقات گردشگری [ 10 ] بوده است.]. از آنجایی که خدمات گردشگری ناملموس است، تصاویر مهم تر از واقعیت می شوند [ 11 ]. طبق نظریه یوری [ 12 ] در مورد نگاه توریستی، گردشگران «به سمت ویژگی هایی از منظره هدایت می شوند که آنها را از تجربه روزمره جدا می کند. این جنبه‌ها به این دلیل تلقی می‌شوند که به نوعی غیرعادی هستند.» یعنی انتظارات و تجربیات گردشگران از گردشگری طبیعی نیست بلکه ساخته شده است. مفهوم نام تجاری بخش مهمی از توسعه منطقه ای است، به ویژه برای مناطق توسعه نیافته که نیاز به توجه بیشتر به ساخت برندسازی مکان از طریق بازاریابی مکان و رویکردهای برندسازی مکان برای بهبود رقابت پذیری خود دارند [ 13 ]. ابراهیمی و همکاران [ 14] از کاربران شبکه های اجتماعی تلگرام و اینستاگرام نظرسنجی کرد و تاثیر برندسازی مکان بر تصویر مکان ضریب مسیر بالاتری را نشان می دهد.
بنابراین، برندسازی مکان نیاز به مکمل فعالیت های مدیریت استان برای بهبود وجهه مکان و جذب گردشگر دارد. بنابراین، برای جلب توجه گردشگران بالقوه و دستیابی به پایداری در توسعه صنعت گردشگری، شهرها باید تصویر گردشگری خود را به طور جامع کشف کنند، بنابراین، تحقیق تصویر مقصد گردشگری (TDI) را به موضوعی داغ برای محققان، مدیران گردشگری و مقصد تبدیل می‌کند. سازمان های بازاریابی (DMO).
حتی اگر تغییر تصویر جمعی از یک مقصد به طور کلی در سطح جمعیت سخت باشد [ 15 ، 16 ]، می تواند پویا باشد و توسط تجربیات دیگران از دیدگاه افراد تغییر کند [ 11 ]. در عصر وب 2.0، اینترنت به وسیله ای مهم برای انتقال اطلاعات تبدیل شده است. در مورد فعالیت های گردشگری، به اشتراک گذاری تجربیات آنلاین به یکی دیگر از اهداف مهم سفر امروزه تبدیل شده است. علاوه بر مواد تبلیغاتی سنتی که بر ساخت TDI تأثیر می گذارد، مانند بروشورها و تبلیغات تلویزیونی [ 17 ، 18 ، 19 ]]، افراد بیشتری مشتاق ثبت و به اشتراک گذاری تجربیات سفر خود در رسانه های اجتماعی به صورت نقد، متون سفرنامه و عکس هستند. نگاه گردشگران به مقاصد گردشگری از طریق اینترنت و فناوری تلفن همراه واسطه می‌شود، که روایات افرادی را که سفرنامه‌های خود را به صورت آنلاین به اشتراک می‌گذارند، به منبعی غنی از بینش برای ایجاد تجربیات بهتر سفر، همراه با جهتی جدید تبدیل می‌کند: محققان از این داده‌های آنلاین برای تحقیق TDI با این حال، به دلیل تأثیر سیاست های پیشگیری و کنترل COVID-19، مسافرت های کوتاه مدت و سفرهای حاشیه ای به ویژگی های گردشگری در دوران پس از اپیدمی تبدیل شده است. نگاه توریستی، همانطور که اوری توضیح می دهد، به خوبی با نیازهای روانی مصرف برای به حداکثر رساندن تجربیات لذت بخش هماهنگ است. اسمیت و همکاران20 ]. جوتلا تصور گردشگران و ساکنان را از یک مقصد توریستی، سیملا، مقایسه کرد و در مورد درک تصویر از نقاط محبوب اختلاف نظر نشان داد [ 21 ]. از آنجایی که شباهت بین محیط اطراف و زندگی روزمره بسیار زیاد است، هدف گردشگری از کشف نشانه ها (نمادها) مختلف به تجربیات متفاوت تغییر کرده است. بنابراین، تعداد سفرنامه‌های مقاصد در دوران پس از اپیدمی کاهش چشمگیری داشته است و اعتبار علمی و جامع تحقیقات TDI، تنها بر اساس محتوای متنی، مورد تردید قرار گرفته است. به همین دلیل است که برخی از محققان از عناصر دیگری در سفرنامه ها استفاده می کنند، مانند عکس های دارای برچسب جغرافیایی [ 22 ] و مسیر [ 23 ]]، به عنوان یک مکمل موثر برای منبع داده محدود. متأسفانه، اکثر محققان از یکی از متون و عکس ها به عنوان منبع داده برای تحقیقات TDI استفاده می کنند. تفاوت ها و جانشینی های آنها هنوز مورد تحقیق قرار نگرفته است.
با رواج پایتون و سایر تکنیک های کدگذاری، همکاری بین رشته ای بین تحقیقات کامپیوتری و گردشگری اجتناب ناپذیر است. شناسایی محتویات عکس‌های UGC بر اساس فن‌آوری‌های یادگیری عمیق، مانند بینایی کامپیوتری و شرح تصویر، امکان‌پذیر است. با این حال، شباهت ها و تفاوت های بین تحقیقات TDI مبتنی بر این روش و روش های متنی فعلی تایید نشده است. هدف از این مطالعه مقایسه تفاوت‌های بین تصاویر بصری و معنایی در تحقیقات TDI با تجزیه و تحلیل سفرنامه‌های بارگذاری شده در بسترهای سفر آنلاین توسط گردشگران است. به طور دقیق تر، پردازش زبان طبیعی (NLP) و تکنیک های تجزیه و تحلیل محتوای تصویر به ترتیب برای تجزیه و تحلیل متن و عکس ها در سفرنامه ها، برای مقایسه ناهمگنی و جایگزینی TDI ها استفاده می شود. در مورد NLP، ما موضوعات داغ را بر اساس مدل موضوع LDA (تخصیص دیریکله نهفته) خلاصه می کنیم. در همین حال، ساخت شبکه معنایی همزمان و استخراج صفت برای انجام تحلیل‌های شبکه اجتماعی و احساسات برای کشف همبستگی نقاط دیدنی خاص استفاده می‌شود. برای تجزیه و تحلیل محتوای تصویر، چارچوب رمزگذار-رمزگشا با مکانیزم توجه برای توصیف محتوای تصویر در قالب متن آموزش داده شده است. سپس از فناوری پردازش زبان طبیعی برای تحلیل این موضوع استفاده می شود. چارچوب رمزگذار-رمزگشا با مکانیزم توجه برای توصیف محتوای تصویر در قالب متن آموزش داده شده است. سپس از فناوری پردازش زبان طبیعی برای تحلیل این موضوع استفاده می شود. چارچوب رمزگذار-رمزگشا با مکانیزم توجه برای توصیف محتوای تصویر در قالب متن آموزش داده شده است. سپس از فناوری پردازش زبان طبیعی برای تحلیل این موضوع استفاده می شود.
بر اساس بحث فوق، مشارکت های اصلی به شرح زیر است:
  • ما از فناوری NLP و عنوان تصویر برای تجزیه و تحلیل ادراک تصویر مقصد از متون و عکس ها به عنوان منابع داده در سفرنامه ها استفاده می کنیم.
  • ما تفاوت های نشان داده شده توسط دو شکل داده، متن و تصویر را در درک TDI ها مقایسه می کنیم.
  • ما یک مبنای علمی برای انتخاب منابع داده و روش‌های اندازه‌گیری برای ادراک TDI آینده پیشنهاد می‌کنیم.

2. پیشینه نظری

از دهه 1970، بسیاری از محققان تحقیقات خود را بر روی شکل گیری تصویر [ 24 ]، عوامل تأثیرگذار [ 25 ] و تحقیقات بازار [ 26 ] بر روی TDI ها متمرکز کرده اند. علاوه بر این، تمام این تجزیه و تحلیل ها باید بر اساس روش های اندازه گیری دقیق علمی باشد. پایک 142 مقاله را از سال 1973 تا 2000 در مورد TDI ها بررسی کرد و دریافت که 144 مقاله از تکنیک های ساخت یافته استفاده می کنند، در حالی که 63 مقاله از روش های کیفی برای عملیاتی کردن ساختار TDI استفاده می کنند [ 27 ]. در مقابل، Echtner و Ritchie از ترکیبی از رویکردهای کمی و کیفی دفاع می کنند [ 28 ، 29 ]. در حال حاضر، روش‌های اندازه‌گیری TDIها عمدتاً بر پرسشنامه‌ای متمرکز است [ 30 ،31، 32 ] و متن کاوی تحت وب [ 33 ، 34 ، 35 ].
در میان مطالعات موجود، تعداد مطالعات در مورد ساخت تصاویر گردشگری از مقاصد بر اساس متون یا تصاویر گردشگری افزایش یافته است. آتنا [ 36 ] تفاوت‌های بین «تصاویر ادراکی» و «تصاویر پیش‌بینی‌شده» را در شرق تایوان از طریق تجزیه و تحلیل محتوای تصویر، مواد عکاسی و مواد متنی بررسی کرد. مارین روگ و همکاران [ 37 ] “تصویر پیش بینی شده” اسناد مدیریت گردشگری و راهنمای گردشگری را با UGC در اینترنت مقایسه کرد و از کاتالونیا به عنوان مثال استفاده کرد. دانشمندان دیگری مانند هانتر [ 38]، از تحلیل نشانه‌شناختی برای کشف عکس‌ها و متون گردشگری که تصاویر ادراکی گردشگران را نشان می‌دهند، استفاده کرد. ما نیز به نوبه خود، ادبیات مربوطه را در زیر بخش های بعدی خلاصه و تحلیل خواهیم کرد.

2.1. تصویر مقصد گردشگری و ارتباطات بازاریابی

ساخت برندهای محلی می تواند به توسعه گردشگری و اقتصاد منطقه ای کمک کند. علاوه بر این، نقش برند و شکل‌دهی تصویر منطقه‌ای در جمعیت هدف نیز کاملاً تأیید شده است [ 39 ]. اشورث و ووگت [ 40 ] محصول مقصد را عمدتاً «مجموعه ای» از خدمات و تجربیات توصیف کردند. مشابه بیشتر برندهای محصول و خدمات، گردشگران قبل از مصرف واقعی، تصویری از نام تجاری از یک مقصد ایجاد می کنند [ 41 ] که می تواند ایده، باور، احساس یا نگرش آنها را برانگیزد [ 42 ]. به گفته رینولدز [ 43]، تصویر برند از طریق جزئیات مهم ساخته می شود. برای اطمینان از اثربخشی ارتباطات بازاریابی، بازاریابان باید ساختار درونی تصویر را به طور کامل درک کنند زیرا تصویر برند یک مقصد، همانطور که توسط گردشگران درک می شود، بر انتخاب مقصد و تمایل آنها به سفر تأثیر می گذارد [ 44 ]. طرف‌های علاقه‌مند در مکان‌های توریستی از ابزارهای ارتباطی مناسب برند برای ارتقا و بهبود تصویر برند خود استفاده می‌کنند و در نتیجه بازدیدکنندگان بیشتری را جذب می‌کنند [ 45 ].
ارتباطات برند نقشی در بازاریابی یک برند برای انتقال ارزش دارد [ 46 ]. گان [ 47 ] معتقد است که «تصویر نام تجاری مقصد، کلیت چیزی است که شخص قبلاً از روزنامه ها، اخبار رادیویی و تلویزیونی، مستندها، نشریات ادواری، نمایشنامه ها، رمان ها، و کتاب های غیر داستانی و کلاس های جغرافیا و کلاس ها درباره آن مقصد می داند یا درک می کند. تاریخ”. با پیشرفت زمان، روش های ارتباطی به تدریج غنی شده است و روش های بازاریابی مقصد از تبلیغات سنتی مبتنی بر کاغذ به تبلیغات چند رسانه ای تبدیل شده است. با توسعه رسانه های جدید، که توسط خود رسانه نشان داده می شود، مکانیسم شکل گیری تصویر یک مقصد پیچیده تر شده است [ 48 ].
در حوزه ارتباطات بازاریابی، نشانه شناسی عنصر مهمی است. استفاده از نمادها برای انتقال اطلاعات بسیار مهم است. این یک کپی کامل از شی نمایش داده شده نیست، بلکه بیان نمادین ویژگی های مهمی است که ارتباطی با قلمرو برقرار می کند [ 49 ]. «مصرف‌کننده» به‌عنوان دریافت‌کننده اطلاعات مهم، تصویر مقصد را از طریق فرآیند رمزگشایی، انتخاب، و به ترتیب افزودن به دست می‌آورد [ 50 ].]. استفاده از نشانه‌شناسی امکان ساختارشکنی عکس‌ها و متون را به شیوه‌ای معقول می‌دهد. برای یک منطقه یا شهر، رایج ترین نمادهای نمادین برند، به نوعی عناصر مهم منطقه مانند ساختمان ها، پل ها، معماری، رودخانه ها، دریاچه ها و غیره هستند که در متن توضیح داده یا نشان داده خواهند شد. عکس ها این نمادها منبع مهمی از اطلاعات برای درک تصویر از مکان های گردشگری هستند.

2.2. مفهوم سازی شکل گیری تصویر مقصد گردشگری

علائم و نمادها با کمک به انسان در انتقال معنا و درک جهان، نقش مهمی در ارتباطات دارند. در زمینه مطالعات گردشگری، نمادها به یک آگهی اشاره دارند، در حالی که مترجمان، گردشگران بالقوه هستند [ 51 ]. به طور کلی، علائم و نمادها اطلاعات را منتقل می کنند و می توانند به زبان طبیعی ترجمه شوند تا بتوان آنها را توسط متون مرتبط استخراج کرد. سونگ و جئون [ 52 ] شعارها را از نظر جنبه های معنایی و صرفی متون برای درک ساختار دولت های محلی در کره ارزیابی کردند. در همین حال، به گفته Tresidder [ 53]، عکس‌های ارسال شده توسط بازاریابان توسط اعضای جامعه دریافت می‌شود و هر کدام به تفسیر، مذاکره و یافتن معنا در حوزه شخصی خود می‌پردازند. بنابراین، تحلیل نشانه‌شناختی عکس‌ها نشان می‌دهد که سفر به یک مقصد خاص چگونه باید باشد [ 38 ]. مهمتر از همه، با شروع از مفهوم نشانه‌شناسی، شناسایی محتوای منحصر به فرد جنبه‌های متنی و عکاسی یک سفرنامه می‌تواند نشان دهد که چگونه یک مقصد توسط نه تنها بازاریاب‌ها، بلکه همچنین گردشگران بر اساس تجربیات واقعی سفرشان ساخته می‌شود [ 54 ].
تشکیل یک تصویر توسط رینولدز [ 43 ] به عنوان توسعه یک ساختار ذهنی بر اساس چند برداشت انتخاب شده از سیل اطلاعات توصیف شده است. ترویج گردشگری، به عنوان بخشی از فرآیند ساخت تصویر، مجزا نیست. بلکه با بسیاری از منابع اطلاعاتی موجود دیگر که اغلب به‌عنوان ماهیت مغرضانه تلقی می‌شوند، وابسته است [ 55 ]، و همچنین پویا است [ 11 ]. بنابراین، مطالعه TDI ها از دیدگاه تئوری اطلاعات ارزشمند است. مکانیسم شکل‌گیری تصویر برند یک رویکرد یکسان نیست و نسبتاً پیچیده است. به عنوان مثال، مقاصدی با تاریخ طولانی و میراث فرهنگی اغلب احتمال بیشتری دارد که تصویر برند مقصد مثبتی داشته باشند [ 47 ]]. مورگان و همکاران [[ 56 ] استدلال می‌کنند که برندها دارای ویژگی‌های تصویری عملکردی و نمادین هستند و این ویژگی‌ها تا حدی از تصور بازدیدکننده از مقصد ناشی می‌شوند. مطالعات مربوط به شکل‌گیری تصویر مقصد گردشگری از دیدگاه گردشگران را می‌توان در دو جنبه زیر خلاصه کرد.
از یک طرف، محققان بر روی عوامل موثر بر شکل گیری TDI تمرکز می کنند. بر اساس مدل نظری کلی عوامل تشکیل تصویر توسط بالوغلو و مک کلیری [ 24 ]، این عوامل را می توان به عنوان عوامل محرک (منابع اطلاعاتی، تجربه قبلی و توزیع) و عوامل شخصی (روانی و اجتماعی) در غیاب واقعی خلاصه کرد. بازدید یا تجربه قبلی به عنوان مثال، مطالعه Charkbarty و Sadhukhan [ 57 ] در مورد منطقه تبت کوه گنگ رینپوچه نشان می دهد که مؤمنان از پیشینه های مختلف روایت های معنوی خود را در تصویر مقصد پنهان می کنند و این مطالعه نقش عناصر مقدس و ویژگی های جغرافیایی را در تصویر نشان می دهد. مقصد. تاسی و همکاران [ 58 ، 59] نشان می دهد که علاوه بر سن، جنسیت، درآمد و سایر ویژگی های اساسی گردشگران، آشنایی از طریق بازدید قبلی، قرار گرفتن در معرض تبلیغات، رسانه ها و زمینه سفر نیز از عوامل تاثیرگذار مهم هستند.
از سوی دیگر، محققان فرآیند شکل گیری TDI را بررسی کرده اند. از منظر نظریه اطلاعات، به دلیل وسعت محدود قضاوت مطلق انسان و حافظه فوری، محدودیتی برای مقدار اطلاعاتی که می توانیم دریافت، پردازش و به خاطر بسپاریم وجود دارد [ 60 ]. گردشگران همچنین در درک خود از تصویر مکان های توریستی محدود هستند و در پردازش اطلاعات دارای سوگیری هستند [ 61 ]. گان آن را به عنوان هفت مرحله تجربه سفر تصور می کند: «انباشت، اصلاح، تصمیم، سفر به مقصد، مشارکت، سفر برگشت و انباشت جدید». با توجه به اینکه آیا منبع اطلاعات غیرتجاری است، TDI ها به عنوان تصاویر “ارگانیک” و “القا شده” طبقه بندی می شوند [ 62 ].
مطالعات عوامل و فرآیندهای مؤثر بر شکل‌گیری TDI پیامدهای مهمی برای مدیریت تصویر استراتژیک ارائه می‌کند، بنابراین به طراحی و اجرای برنامه‌های بازاریابی برای ایجاد و افزایش TDI کمک می‌کند [ 63 ]. درک فرآیند شکل گیری TDI یک مبنای نظری محکم برای درک بهتر نقش متن و تصاویر در انتقال اطلاعات فراهم می کند.

2.3. سفرنامه در تحقیقات TDI

سفرنامه ها، در قالب اطلاعات متنی و بصری، عوامل شکل گیری تصویر مقصد گردشگری «القای پنهان» هستند [ 64 ]. محتوای سفرنامه های متعدد در یک مقصد می تواند ترجیحات و تجربه کلی گردشگران را منعکس کند، بنابراین به عنوان یک منبع داده علمی و مهم برای تحقیقات TDI عمل می کند [ 65 ]. عکس ها که مضمون و داستان یک مکان را منتقل می کنند، حامل اصلی اطلاعات بصری در سفرنامه هستند [ 66 , 67 ]]. در مورد اطلاعات متنی، نه تنها می‌تواند از طریق فناوری‌های متن کاوی به موضوعات مرتبط با سفر و مکان‌های خاص‌تر دسترسی پیدا کند، بلکه جنبه‌های انتزاعی مانند تاریخ و فرهنگ را نیز پوشش می‌دهد. به این معنا که اطلاعات متنی از توضیحات جامع تری از مقاصد پشتیبانی می کند تا توصیفات بصری [ 64 ].
با ظهور رسانه‌های اجتماعی که به شدت بر کانال‌هایی که امروزه مردم اطلاعات گردشگری را به دست می‌آورند، تأثیر می‌گذارد، گردشگران به طور فزاینده‌ای درگیر ساخت TDI و افزودن محتوا بر اساس تجربه خود از طریق گزینه‌های رسانه‌های اجتماعی، مانند اشتراک‌گذاری، نظر دادن، و توصیه مکان‌ها و فعالیت‌ها هستند. انجام دهید [ 33 ]. به عنوان مثال، وایز و فرزین [ 34 ] نشان دادند که محتوای تولید شده توسط کاربر (UGC) در صفحه فیس بوک “See You in Iran” بر تمایل به بازدید از ایران تأثیر مثبت داشته است. لین و همکاران [ 35] تجزیه و تحلیل رسانه های اجتماعی و نظرسنجی های رهگیری در TDI را مقایسه کرد. نتایج نشان داد که داده‌های نظرسنجی و داده‌های رسانه‌های اجتماعی شباهت‌های عمده‌ای در عبارات کلیدی شناسایی‌شده عکاسی دارند. با این حال، داده های رسانه های اجتماعی جنبه های متنوع تر و خاصی از مقصد را نشان می دهد. به عبارت دیگر، در عصر وب 2.0، تحقیقات TDI بر اساس اطلاعات متنی و تصویری موجود در UGC، علمی و قابل اعتماد است و امروزه به روش اصلی تحقیق TDI تبدیل شده است.

2.4. تحقیق در مورد TDI های مبتنی بر عکس

عکس‌ها که به‌عنوان مواد بصری استفاده می‌شوند که مضمون و داستان یک مکان را منتقل می‌کنند [ 63 ، 65 ]، منبع مهمی از داده‌ها در مطالعات مرتبط با گردشگری هستند که می‌توانند بازدیدکنندگان را به مقصد برانگیزند. تحقیق در مورد رابطه بین عکاسی و گردشگری همیشه یک موضوع داغ در دانشگاه بوده است. به گفته اوری [ 12 ]، عمل عکاسی ارتباط نزدیکی با شرایط توریست بودن دارد و یک “دایره بسته بازنمایی” خود تقویت کننده را تشکیل می دهد که در آن عکس های سفر منعکس کننده و انتقال TDI هستند. برخی از محققان تجزیه و تحلیل محتوا را بر روی عکس‌های گردشگران اعمال کردند و وجود دایره نمایندگی اوری را تأیید کردند [ 66 ، 67 ، 68]. رایان و کیو [ 69 ] معتقدند که ارزش ها و احساسات توسط انسان ها در تصاویر داده می شود. از این نظر، عکس‌ها را می‌توان به عنوان فشرده‌سازی TDI [ 70 ] درک کرد، زیرا تأثیر آن‌ها بر خاطرات و نگرش‌های افراد بیشتر از سایر اشکال اطلاعات، مانند متون و صداها است [ 71 ]. در اصل، عکاسی با استفاده از بازدیدکننده (VEP)، که برای اولین بار به عنوان یک تکنیک تحقیق عملی در اوایل دهه 1970 توسط Cherem و Traweek [ 72 ] استفاده شد و توسط Cherem and Driver [ 73 ] و Chenoweth [ 74 ] توسعه یافت، یکی از رایج ترین روش ها بود. برای گرفتن عکس در تحقیقات گردشگری، و در تجزیه و تحلیل تجربیات فضای باز و ترجیحات منظره استفاده می شود [ 75 ، 76].
در عصر وب 2.0، پدیده “سفر 2.0” کاتالیز می شود [ 77 ]. عکس‌های آنلاین به یکی از حامل‌های اصلی اطلاعات UGC و یک رسانه مهم برای گردشگران برای درک تصاویر توپوگرافی مقاصد گردشگری تبدیل شده‌اند [ 78 ]. گردشگران حق دارند آزادانه عکس بگیرند و آنها را در اینترنت آپلود کنند [ 79 ]. محتوای عکس ها در معرض تجربه سفر، مانند مناظر، رویدادها، افراد و غیره است. یعنی عینی سازی و تجسم نگاه گردشگر و می تواند هم تصاویر مقصد را منعکس کند و هم اطلاع دهد [ 12 ]]. به عبارت دیگر، یک عکس آنلاین حامل مهم نگاه گردشگران در عصر وب 2.0 است و می تواند به عنوان منبع داده برای تحقیقات TDI امروزی مورد استفاده قرار گیرد، بنابراین حجم نمونه بزرگتر با عینیت بیشتر با هزینه کمتر ارائه می شود.
در حال حاضر، تجزیه و تحلیل تحقیقات TDI مبتنی بر عکس را می توان به دو دسته تقسیم کرد: تجزیه و تحلیل فقط اطلاعات عکس، مانند تجزیه و تحلیل جغرافیایی و ابرداده، برای تجزیه و تحلیل رفتار زمانی- مکانی گردشگران. تجزیه و تحلیل جامع همراه با محتوای متن.
فقط برای تجزیه و تحلیل اطلاعات عکس، محققان معمولاً از نقشه‌ها [ 80 ] یا سایت‌های اشتراک‌گذاری عکس به عنوان هدف، مانند Flickr [ 81 ] و Instagram [ 65 ، 82 ] برای تجزیه و تحلیل رفتار مکانی-زمانی گردشگران از طریق موقعیت جغرافیایی استفاده می‌کنند. اطلاعات، اطلاعات زمان عکسبرداری و غیره، و سپس تصاویر درک شده گردشگران از مقاصد گردشگری را خلاصه کنید. رابط برنامه نویسی کاربردی فلیکر (API)، که اطلاعات پروفایل کاربر، از جمله مکان دائمی کاربر را ارائه می دهد، یکی از منابع داده اولیه در تحقیقات TDI مبتنی بر عکس است. دنگ و همکاران [ 83] یک روش جدید اندازه گیری TDI را بر اساس فراداده یک عکس پیشنهاد کرد. آنها از فراداده های بزرگ مقیاس عکس های تولید شده توسط کاربر برای بازیابی TDI های گردشگران ورودی در شانگهای به عنوان نمونه بر اساس مجموعه ای از فراداده عکس از فلیکر استفاده کردند. این روش دارای مزایای دسترسی آسان به داده ها و فرمت های یکنواخت داده است اما اطلاعات متنی حاوی احساسات بازدیدکنندگان را نادیده می گیرد.
با بلوغ الگوریتم های یادگیری عمیق، مانند شبکه عصبی کانولوشن (CNN) و شبکه عصبی تکراری (RNN)، محتوای تصویر را می توان به طور موثر و دقیق تجزیه و تحلیل کرد، و دانشمندان بیشتری را برای انجام تحقیقات TDI مبتنی بر متن و عکس جذب کرد. . هوانگ و همکاران [ 22 ] داده های تصویری را از OTA به دست آورد، از جمله Ctrip، Mafengwo، و غیره، و روش های تحقیق اکتشافی، مانند تجزیه و تحلیل تصویر، تجزیه و تحلیل متن، و مدل IPA را برای کشف بازنمایی و فرآیند ساخت تصاویر گردشگران از گردشگری سلامت اتخاذ کرد. در باما شیائو و همکاران [ 84] محتوای عکس‌های توریستی توسط CNN را شناسایی کرد و نشان داد که عکس‌ها می‌توانند TDI را درک کنند و ناهمگونی زمانی و مکانی تصویر را آشکار کنند. این روش تجزیه و تحلیل داده‌های عکس را با تحقیقات TDI مبتنی بر متن ترکیب می‌کند تا کاستی‌های اندازه‌های نمونه کوچک در برخی از مقاصد خاص را برطرف کند.
به طور کلی، تحلیل ادراک TDI با استفاده از عکس ها به عنوان منبع داده، بعد داده و روش اندازه گیری تحقیق TDI را غنی می کند. با این حال، تفاوت‌های بین تحلیل‌های مبتنی بر متن و عکس‌محور در مطالعات TDI، نحوه استفاده از آنها در ترکیب و مزایای هر یک، به ندرت توسط محققان مورد تجزیه و تحلیل قرار گرفته است. از این رو، این تحقیق تحقیقات TDI را بر روی محتوای متنی و عکس در سفرنامه ها به طور جداگانه انجام می دهد و شباهت ها و تفاوت ها را تجزیه و تحلیل می کند تا مبنایی علمی برای روش های اندازه گیری آینده ادراک تصویر مقصد گردشگری ارائه دهد.

3. مواد و روشها

3.1. انتخاب مقصد

این پژوهش به پژوهش تطبیقی ​​متون و عکس های سفرنامه می پردازد. هدف تحقیق انتخابی شهرستان تیانتای در استان ژجیانگ چین بود که برای چهار سال متوالی به عنوان یکی از 100 شهرستان برتر در رقابت ملی گردشگری شهرستان انتخاب شده است. تیانتای به عنوان محل افتتاحیه سفرهای خو شیاکه، مناظر زیبا و فرهنگ مذهبی مردمی دارد. این کوه در داخل و خارج از کشور به خاطر کوه تیانتای، یک نقطه دیدنی توریستی 5A مشهور است. نقطه دیدنی کوه تیانتای شامل 13 نقطه دیدنی از جمله منطقه دیدنی Guoqing، منطقه Chicheng Scenic و منطقه Huading Scenic است. علاوه بر مناظر باشکوه و هوای تازه، معبد Guoqing که به عنوان “منبع بودیسم و ​​تائوئیسم” شناخته می شود، هر ساله گردشگران زیادی را برای بازدید و دعا جذب می کند. در سالهای اخیر، دولت تیانتای توسعه گردشگری را در استراتژی “مدرن سازی و هماهنگی شهر” با تمرکز بر توسعه با کیفیت بالا گنجانده است. مشاهده می شود که دولت شهرستان تیانتای اهمیت زیادی برای برنامه ریزی منابع گردشگری قائل است. متأسفانه، هیچ مقاله مرتبطی از CNKI در مورد تیانتای بازیابی نشد، و هیچ محققی بر اساس متون آنلاین یا عکس، تحقیقی در مورد TDI تیانتای انجام نداده است.
برای دولت تیانتای، تجزیه و تحلیل جامع TDI، به روشی سریع و علمی، منجر به تدوین برنامه های بازاریابی مناسب و ترویج توسعه پایدار و رفاه مشترک برای کل منطقه گردشگری می شود. به عنوان یک شهرستان توریستی معروف غیراینترنتی، تعداد سفرنامه های مرتبط در اینترنت کم است که بر طراحی برنامه های بازاریابی بعدی تأثیر می گذارد. یعنی ساخت سریع و دقیق TDI برای دولت تیانتای ضروری و قریب الوقوع است. مهمتر از همه، ما Tiantai را که دارای سفرنامه ناکافی و تحقیقات TDI کمی است، به عنوان هدف این تحقیق انتخاب کردیم.

3.2. اکتساب و پیش پردازش داده ها

این تحقیق سفرنامه های Ctrip Travel (بزرگترین پلتفرم آنلاین سفر در چین) را به عنوان منبع داده انتخاب می کند. با کمک بسته های پایتون، 414 سفرنامه جمع آوری شد. پس از آن 61 سفرنامه تکراری یا گرانبها حذف شد. در نهایت، ما 353 سفرنامه با تعداد کلمات چینی بیش از 100000 و 14710 عکس به دست آوردیم. شکل 1 عکس هایی از نقاط نماینده شهرستان تیانتای را نشان می دهد.
پیش پردازش داده ها عمدتاً شامل تقسیم بندی کلمات چینی، برچسب گذاری POS، استخراج مقصد، حذف کلمات توقف و ادغام مترادف ها است. برای تقسیم‌بندی کلمات چینی و برچسب‌گذاری POS، از Jieba، یکی از محبوب‌ترین بسته‌های پایتون برای پردازش زبان طبیعی چینی استفاده کردیم. در ضمن برای حل این مشکل که جاذبه ها، هتل ها و غیره نباید در حین تقسیم بندی کلمات از هم جدا شوند، لغات را با لینک های داخلی در سفرنامه استخراج کردیم تا فرهنگ لغت اسم های خاص بسازیم و در تقسیم بندی کلمات Jieba بارگذاری کنیم. بسته پس از تکثیر ما همچنین فهرست اولیه کلمات توقف را مطابق با لیست کلمات توقف بایدو و فهرست کلمات توقف چینی تشکیل دادیم. سپس با توجه به نتایج تحلیل فراوانی کلمه، آن کلمات بی معنی با بسامد بالا شناسایی شده به لیست کلمات توقف نهایی اضافه شد. آخرین مرحله ادغام کلمات با معانی مشابه به منظور تکمیل reduplication و ادغام معنایی بود. پس از پیش پردازش داده های فوق، تداخل داده های نویز کاهش یافت.

3.3. روش شناسی

3.3.1. تولید عنوان تصویر

تولید زیرنویس تصویر که به درک محتوای تصویر توسط ماشین‌ها و سپس تولید متن‌های توصیف زبان طبیعی مربوطه اشاره دارد، یکی از کانون‌های تحقیقاتی در زمینه پردازش تصویر است. ظهور این فناوری معنایی تصویر چندوجهی، که محتوای تصویر را در قالب متن نشان می‌دهد، پیامدهای مهمی در زمینه‌های کمک به زندگی برای افراد کم‌بینا و گزارش‌دهی تصویر CT پزشکی دارد [ 85 ، 86 ].
در سال‌های اخیر، با توسعه تکنیک‌های یادگیری عمیق، شبکه‌های عصبی به طور گسترده در زمینه پردازش زبان طبیعی (NLP) مورد استفاده قرار گرفته‌اند. مشابه ترجمه ماشینی، روش‌های یادگیری عمیق می‌توانند نگاشت توضیحات تصویر به متن را از مقادیر زیادی داده برای بهبود توصیف تصویر بیاموزند. به طور کلی، Image Caption ویژگی‌های تصویر را توسط شبکه‌های عصبی کانولوشنال (CNN) استخراج می‌کند و سپس آنها را با استفاده از شبکه‌های عصبی تکراری (RNN) به توضیحات زبان طبیعی قابل درک برای انسان ترجمه می‌کند. بنابراین، Image Caption بیشتر از روش یادگیری seq2seq و چارچوب رمزگذار-رمزگشا با CNN-RNN به عنوان مدل اصلی استفاده می کند. شکل 2)). برای صرفه جویی در زمان آموزش، رمزگذار از یادگیری مهاجرت برای بارگذاری مدل از پیش آموزش دیده استفاده می کند و بر این اساس پارامترهای مدل را برای کار خود آموزش می دهد.
با این حال، تفسیر ماشینی تصاویر فقط بر اساس مدل رمزگذار-رمزگشا معمولاً توسط اطلاعاتی مانند پس‌زمینه خود مختل می‌شود، که باعث می‌شود توضیحات متن مغرضانه و کمتر مؤثر باشد. برای حل این مشکل، مکانیسم توجه معمولاً در رمزگشا معرفی می شود تا در هنگام تولید کلمات مختلف، روی قسمت های مختلف تصویر تمرکز کند ( شکل 3 ). رمزگشا جملات خروجی میانی RNN را نگه می دارد و هنگام تولید کلمات جدید ابتدا از مکانیسم توجه استفاده می کند تا وزن بردارهای ویژگی را بدست آورد. کلمه بعدی به طور مشترک توسط گفته قبلی پیش بینی شده و وزن های جدید پیش بینی می شود. وانگ و همکاران [ 87] از چارچوب رمزگذار-رمزگشا استفاده کرد و یک مکانیسم توجه چندگانه سه لایه از بالا به پایین را معرفی کرد که در هر دو مجموعه داده به خوبی عمل می کند.
در زمینه نوشتن شرح تصاویر، مجموعه داده‌های رایج شامل مجموعه داده‌های شرح مایکروسافت COCO (MCOCO)، مجموعه داده‌های Flicker و مجموعه داده چینی چالش هوش مصنوعی است.
مجموعه داده عنوان MSCOCO شامل 330000 تصویر و 1.5 میلیون توصیف متنی متناظر است که بیشتر آنها صحنه های پیچیده روزانه هستند. تصاویر مجموعه داده فلیکر از وب سایت آلبوم عکس فلیکر یاهو است. اکثر آنها صحنه هایی از مشارکت انسان در یک فعالیت خاص را نشان می دهند، اما تعداد آنها بسیار کمتر از عنوان MSCOCO است. چالش هوش مصنوعی یک پایگاه داده از توضیحات چینی تصاویر ایجاد می کند. مجموعه آموزشی شامل 210000 تصویر و توضیحات چینی است و مجموعه اعتبارسنجی شامل 30000 تصویر و توضیحات چینی آنها می باشد—تصویر و متن توضیحات در مجموعه داده باید قبل از آموزش از قبل پردازش شوند. پیش پردازش تصویر نسبتا ساده است، بر اساس یادگیری مهاجرت. یعنی تصاویر به ResNet وارد می شوند و خروجی لایه مشخص شده بدست می آید و ذخیره می شود. علاوه بر این، پیش پردازش متن نسبتاً مشکل است. با در نظر گرفتن متن چینی به عنوان مثال، باید مراحل تقسیم بندی کلمات، فیلتر کردن کلمات با فرکانس پایین و تکمیل توضیحات به طول مساوی انجام شود.
PyTorch یک ابزار جدید یادگیری ماشینی است که توسط فیس بوک در اوایل سال 2017 برای پایتون منتشر شد. مزایای شتاب GPU را دارد و شروع به کار آن آسان است. این یکی از محبوب ترین چارچوب های یادگیری عمیق در سال های اخیر است. Image Caption باید آموزش حجم عظیمی از داده ها را تکمیل کند. شتاب GPU PyTorch می تواند زمان آموزش را به میزان قابل توجهی کاهش دهد، بنابراین به طور گسترده مورد استفاده قرار می گیرد. با توجه به سخت افزار و سایر محدودیت ها، آموزش کامل مدل های با دقت بالا در PyTorch نیازمند منابع و زمان زیادی است. در عین حال، آستانه یک مدل خودآموزی برای محققان رشته های دیگر که مهارت های برنامه نویسی کامپیوتری ضعیفی دارند اما به تعداد زیادی تحلیل تصویر نیاز دارند، بالا است. به این دلایل، برخی از افراد مدل‌های Image Caption را از قبل آموزش می‌دهند و رابط‌هایی را ارائه می‌کنند [88 ]، استفاده از Caption را در تحقیقات راحت‌تر می‌کند.
3.3.2. فناوری پردازش زبان طبیعی (NLP).
هم محتوای متنی سفرنامه ها و هم توضیحات متنی Image Caption باید بر تکنیک های NLP تکیه کنند. بسیاری از محققان در داخل و خارج از کشور مطالعات مختلفی را در مورد TDI ها از طریق تکنیک های مختلف NLP انجام داده اند.
به طور کلی، از تحلیل محتوا برای تحلیل و استخراج متن استفاده می شود و TDI از سه جنبه به دست می آید: احساس، واژگان با بسامد بالا، و معناشناسی همزمان. کلمات با بسامد بالا با ساختن فرهنگ لغت کلمات توقف و اسامی خاص، آمار بسامد کلمه را تکمیل می کنند. ساخت یک شبکه معنایی همزمان مستلزم ساخت یک نمودار شبکه بر اساس تعداد رخدادهای رایج است. تجزیه و تحلیل احساسات را می توان با استفاده از مدل های خودآموز یا بسته های پایتون با توابع تجزیه و تحلیل احساسات، مانند SnowNLP انجام داد. علاوه بر این، ما همچنین می‌توانیم با کمک نرم‌افزار ROST که توسط دانشگاه ووهان [ 89 ] توسعه یافته است، کلمات با فرکانس بالا را به سرعت و با دقت استخراج کنیم، احساسات را تجزیه و تحلیل کنیم، و همزمانی متن چینی را تجزیه و تحلیل کنیم .
از آنجایی که محتوای متون سفرنامه معمولا طولانی است، برخی از محققان از روش‌های تحلیل موضوع متنی واژه فرکانس معکوس فرکانس سند (TF-IDF) و توزیع نهفته دیریکله (LDA) برای استخراج کلمه کلیدی و موضوع برای شناسایی TDI استفاده می‌کنند [ 90 ] . در حالی که توصیفات Image Caption بیشتر متن جملات کوتاه است، تحقیق TDI را می توان با شناسایی اسم ها و صفت ها انجام داد. از آنجایی که مجموعه داده عنوان MSCOCO توضیحات متن را به زبان انگلیسی خروجی می دهد و چالش هوش مصنوعی به زبان چینی است، می توان آن را به ترتیب بر اساس بسته NLP Python، NLTK و Jieba به سرعت و با دقت تجزیه و تحلیل کرد.
3.3.3. مدل موضوع LDA

تخصیص دیریکله دیریکله (LDA) یک مدل تولید موضوع سند است که به عنوان مدل احتمال بیزی سه لایه نیز شناخته می شود، شامل سه لایه از یک کلمه، موضوع و ساختار سند است و یکی از معرف ترین روش های استخراج موضوع متن است. 91 ]. به عبارت دیگر در نظر گرفتیم که هر کلمه در یک مقاله با فرآیند انتخاب موضوعی با احتمال مشخص و با انتخاب کلمه ای از آن موضوع با احتمال مشخص به دست می آید. تابع توزیع احتمال مدل LDA در فرمول (1) نشان داده شده است، که در آن w برای کلمه، D برای سند و T برای موضوع است.

P(w|d) = P(w|t) × P(t|d)،
شناسایی یک TDI به نتیجه طبقه بندی موضوع LDA بستگی دارد. برای اطمینان از عدم همپوشانی بین موضوعات با تا آنجایی که ممکن است، LDA را از قبل با استفاده از بسته Gensim در pyLDAvis تجسم کردیم. با توجه به نتایج تجسم، تعداد موضوعات با اثر طبقه بندی خوب تعیین شد و مدل نهایی موضوع LDA ایجاد شد. با استفاده از مدل LDA، می‌توانیم توزیع احتمال واژه‌های ویژگی موضوع را به دست آوریم تا ویژگی‌های معنایی کلمات ویژگی زیر هر موضوع را تحلیل کنیم. نام موضوع به طور مصنوعی القا شده است، که بعد ادراک TDI است.
3.3.4. تحلیل شبکه های اجتماعی
یافتن رابطه بین موضوعات و تمایلات عاطفی پاسخ دهندگان تنها با تکیه بر موضوع کاوی دشوار است. بنابراین، این تحقیق بر اساس استفاده از مدل موضوع احتمالی، شبکه‌های اجتماعی را با کمک تحلیل شبکه‌های اجتماعی می‌سازد. به طور خاص، کلمات ویژگی مرتب می شوند، و سپس کلمات ویژگی برتر در هر بعد ادراکی به یک فرهنگ لغت کلمه مشخص تبدیل می شوند. پس از آن، ماتریس همزمانی کلمات ویژگی محاسبه می شود. ماتریس همزمانی برای شمارش بین دو کلمه ویژه به منظور توصیف صمیمیت بین آنها استفاده می شود. پس از فرآیند ساخت ماتریس هم‌رویداد، ابزارهای تحلیل شبکه اجتماعی، UCINET و Netdraw، برای نشان دادن بصری رابطه شبکه اجتماعی کلمه ویژگی TDI استفاده می‌شوند.

4. نتایج و تجزیه و تحلیل

از نظر اوری [ 12 ]، گردشگری نماد منابع گردشگری و فرآیند ساخت اشیاء نگاه توریستی است. برگس و وود [ 92 ] با شناسایی سه نوع نشانه (نماد) موجود در تبلیغات، یعنی علائم نمادین، نشانه‌های نمایه‌ای و نشانه‌های نمادین، پیام‌های تبلیغاتی ترویج قلمرو Docklands لندن را رمزگشایی کرده‌اند. Matlovičová و همکاران. [ 49 ، 93 ] پراگ را به عنوان مثالی برای تحلیل تصویر برند شهر از منظر این سه نشانه در نظر گرفت. به منظور تعیین نشانه‌های یک مقصد گردشگری و در نتیجه شناسایی تصویر آن، تحقیق ما TDI تیانتای را از منظر تصویر کلی و شکل‌گیری تصویر تحلیل می‌کند.

4.1. تجزیه و تحلیل ادراک کلی

شکل 4 تغییرات در تعداد سفرنامه ها، میانگین تعداد عکس ها در هر سفرنامه و گرایش عاطفی تیانتای را نشان می دهد. تعداد سفرنامه های منتشر شده می تواند نشان دهنده گرم بودن مقصد باشد، در حالی که گرایش عاطفی می تواند احساسات گردشگران را منعکس کند. عکس ها محصول رفتار عکاسی گردشگران در رفتار سفر هستند و محتوا می تواند کانون توجه گردشگران را منعکس کند [ 94 ]. به عبارت دیگر، هر چه تعداد عکس های یک صحنه خاص بیشتر باشد، علاقه و طراوت گردشگران به آن نوع منظره بیشتر می شود.
از سال انتشار، تعداد سفرنامه های سالانه و میانگین تعداد عکس ها از سال 2012 در حال افزایش بوده است و در سال 2017 به اوج خود رسیده است. در 2 سال بعد، این تعداد روند کاهشی قابل توجهی را نشان می دهد. در سال 2020، تحت تأثیر اپیدمی کووید-19، سیاست های پیشگیری از بیماری همه گیر مانند «ترک نکردن استان» و «انزوای خانه» صنعت گردشگری چین را در مخمصه قرار داد. با این حال، از سال 2020، تعداد سفرنامه های سالانه در تیانتای به طور قابل توجهی افزایش یافته است، در حالی که افزایش میانگین تعداد عکس ها قابل توجه نیست. این نشان می‌دهد که دوران پس از اپیدمی، ترافیک و توجه بیشتری را به تیانتای آورده است و تقاضا برای تورهای محلی و پیرامونی بیشتر خواهد شد. با این حال، به دلیل حمل و نقل راحت،
از منظر تغییرات فصلی، اوج گردشگری در تیانتای عمدتاً در بهار و تابستان رخ می دهد. ماه با بیشترین گرما ماه اکتبر و ماه با بیشترین علاقه و طراوت مرداد است. با این حال، گرایش عاطفی در زمستان مثبت تر است. در مقایسه با تعطیلات تابستانی در ماه اوت، تعطیلات روز ملی در ماه اکتبر کوتاه است. گردشگران در Tiantai عمدتا از مناطق شهری اطراف هستند. یعنی گردشگران حاشیه ای بیشتر هستند. این نیز توضیح می دهد که چرا با وجود گرمای زیاد، تعداد متوسط ​​عکس در سفرنامه ها کافی نیست. در زمستان، بیشتر سفرها در طول تعطیلات جشنواره بهار انجام می شود و مکان های دیدنی اغلب فعالیت های ویژه ای را برای ارائه فضای جشن برنامه ریزی می کنند. در طول جشنواره بهار، بیشتر آنها مسافران خانوادگی هستند. از آنجایی که گردشگران میانسال و مسن عادت به ویرایش و انتشار سفرنامه های آنلاین ندارند، در تعداد کل سفرنامه ها منعکس نمی شود. با این حال، از منظر گرایش عاطفی، مثبت تر است، که نشان می دهد فعالیت های جشن جشنواره بر TDI تیانتای نیز تأثیر می گذارد.
به طور خلاصه، تغییرات در تعداد سفرنامه‌ها، احساسات متن و میانگین تعداد عکس‌ها در هر سفرنامه کاملاً یکسان نیست، و منعکس کننده TDI کلی از جنبه‌های مختلف است. به طور کلی، و تحت تأثیر اقدامات پیشگیری و کنترل همه گیر COVID-19، گردشگری پیرامونی باعث افزایش علاقه به گردشگری تیانتای می شود. با این حال، طراوت و علاقه به اندازه گردشگران دور نیست. در زمینه پیشگیری و کنترل منظم همه گیر، تیانتای باید در نظر بگیرد که چگونه فعالیت های خود را برای ایجاد علائم و فضای منحصر به فرد راه اندازی کند، بنابراین تصویری از مقصد گردشگری تیانتای متفاوت از تصورات روزانه مردم محلی ایجاد کند.

4.2. تجزیه و تحلیل شکل گیری تصویر

به منظور تعیین شکل‌گیری تصویر و نشانه‌های خاص گردشگری تیانتای، به ترتیب تحلیل‌های محتوایی متن و عکس‌های سفرنامه‌ها را انجام دادیم: تحقیقات مبتنی بر عکس، توضیحات محتوای عکس را در هر سفرنامه با دسترسی به رابط زیرنویس تصویری آموزش‌دیده و رفتارها شمارش می‌کند. توضیحات با فرکانس بالا به عنوان شکل گیری تصویر. تحقیقات مبتنی بر متن، صفت‌های فرکانس بالا را از طریق بسته Python Jieba، و همچنین مدل موضوعی LDA و تجزیه و تحلیل شبکه‌های اجتماعی استخراج می‌کند تا تجزیه و تحلیل جامعی از شکل‌گیری تصویر انجام دهد. نتایج تجزیه و تحلیل ده کلمه اصلی را با توجه به فراوانی کلمات و فریب عکس، از زیاد به پایین، همانطور که در جدول 1 نشان داده شده است، نشان می دهد .
ده صفت برتر با بیشترین فراوانی، «خوب»، «دیدنی»، «تازه» و «واضح» مناظر، «تمیز» و «راحت» مربوط به محل اقامت، و «مشهور» برای توصیف محبوبیت عمومی است. . در مقابل، جملات با فرکانس بالا که بعد از عنوان تصویر عکس‌های سفرنامه تکرار می‌شوند، عمدتاً توصیف مناظر جوی و چند فعالیت مشتق از گشت و گذار، مانند غذا، پوشاک، مسکن و حمل‌ونقل هستند.
صفت های فرکانس کلمه بالا می توانند به طور مستقیم TDI ها را منعکس کنند. با این حال، ارتباط معنایی بین کلمات در نظر گرفته نشده است. بنابراین، این مشکل که چندین کلمه با بسامد بالا از یک موضوع سرچشمه گرفته اند در نظر گرفته نمی شود. با پردازش اطلاعات خطی کلمات از طریق مدل موضوع LDA، بردار موضوع حاوی احتمالات موضوع و کلمات کلیدی مربوطه را می توان محاسبه کرد و نتایج خوشه بندی موضوع را می توان برای منعکس کردن TDI استخراج کرد. بر اساس نتایج تجسم در pyLDAvis، ما مدل تم LDA را بدون همپوشانی و استقلال خوب برای K = 4 ساختیم. ده کلمه ویژگی برتر هر موضوع به عنوان نماینده انتخاب شدند ( جدول 2)). سپس ویژگی‌های معنایی کلمات ویژگی را تجزیه و تحلیل کردیم و چهار نوع شکل‌گیری تصویر را به صورت دستی شناسایی و خلاصه کردیم.
موضوع 1 نشانه‌های نمادینی است که 51 درصد را تشکیل می‌دهند، که توسط نقاط دیدنی کوچک در منطقه دیدنی کوه تیانتای، از جمله منظره‌های منظره، مانند «آبشار شیلانگ» و «کوه هودینگ» و موضوعات مذهبی، مانند «معبد گوچنگ»، تسلط دارند. ” و ” اقامتگاه سابق جیگونگ ” . علاوه بر این، 22.4 درصد ذکر شده از مبحث 2 موضوع فعالیت های مشتق شده از تور است که علائم نمایه ای را تشکیل می دهد، از جمله «بلیت»، «بزرگراه»، «هتل» و سایر کلمات ویژگی لباس، غذا، مسکن و حمل و نقل. . این نشان می دهد که در کنار بهبود تجربه گردشگری نقاط دیدنی، باید به تجربیات امکانات حمایتی نیز توجه کرد. هر دو موضوع 3 و موضوع 4 بخشی از نشانه های نمادین هستند که به طور غیرمستقیم ارتباط با گردشگری تیانتای را نشان می دهد. موضوع 3 موضوع صحنه های گشت و گذار است، با کلمات کلیدی مانند “آبشار”، “برگ چای”، “دره” و … موضوع 4 که کمترین را به خود اختصاص می دهد، موضوع جاذبه های اطراف است. بیشتر کلمات برجسته، نقاط دیدنی معروف اطراف تیانتای هستند، مانند جزیره شپان، سانمن، شهر تایژو، خیابان زیانگ، لینهای و غیره.
در مورد علائم نمادین، مانند نقاط خاص منظره، از تحلیل شبکه های اجتماعی برای بررسی گرما و روابط تعاملی آنها استفاده کردیم. از آنجایی که توصیفات متنی تصاویر مانند “آبشار” و “کوه” مبهم است، تجزیه و تحلیل آنها بر اساس عکس غیرممکن است. به عبارت دیگر، ما باید مکانیسم گرمی و همزمانی نقاط دیدنی را بر اساس متون با پیوندهای داخلی تحلیل کنیم.
رایج‌ترین علامت نمادینی که تیانتای را از سایر مکان‌های مشابه متمایز می‌کند، کوه تیانتای است که در داخل و خارج از کشور نیز به دلیل “منشأ بودیسم و ​​تائوئیسم و ​​مناظر زیبا” مشهور است. در میان آنها، مکان های دیدنی با محبوبیت بالا ( جدول 3 ) حول سه موضوع “مذهب”، “فرهنگ هماهنگی” و “فرهنگ چای” می چرخد. «دره پریان کیونگتای»، «آبشار شیلانگ» و «کوه چیچنگ» محبوب‌ترین مکان‌های دیدنی برای فیلم و درام تلویزیونی فویائو هستند. در نمودار شبکه همزمان از نقاط گردشگری دیدنی در تیانتای ( شکل 5)یک گره نشان دهنده یک نقطه منظره با فرکانس بالا است که در سفرنامه ذکر شده است. گره های آبی رنگ نشان دهنده نقاط منظره محلی در Tiantai است. گره های قرمز رنگ نشان دهنده سایر شهرها و نقاط گردشگری دیدنی آنها هستند. خطوط بین گره ها نشان دهنده تعامل بین نقاط دیدنی و ضخامت نشان دهنده قدرت تعامل است. گردشگری تیانتای حول محور کوه و خط آبی “کوه چیچنگ-دره پریان کیونگتای-آبشار شیلنگ” و خط مذهبی “معبد گووکینگ-معبد هوآدینگ-محل اقامت سابق جیگونگ” می چرخد. در همین حال، “نقطه منظره شنشیانجو” در شهرستان شیانجو و “منطقه گردشگری فرهنگی Taizhou Fucheng” در شهرستان لینهای، به عنوان نقاط دیدنی 5A در اطراف نقطه دیدنی کوه تیانتای، تعامل قوی ندارند.
از طریق مقایسه، مشخص شد که شکل گیری تصویر تیانتای، به دست آمده از دو منبع داده، سازگاری نسبی را نشان می دهد. یعنی نشانه‌های نمادین، مانند مناظر باشکوه کوه تیانتای و دره پری کیونگ‌تای، عمیق‌ترین تأثیر را بر گردشگران می‌گذارند. در همین حال، گردشگری یک فعالیت اجتماعی-فرهنگی جامع است که غذا، اقامت، حمل و نقل، مسافرت، خرید و سرگرمی را ادغام می کند. گردشگران علاوه بر تابلوهای نمادین، به تابلوهای شاخص از جمله غذا، محل اقامت و حمل و نقل نیز اهمیت زیادی می دهند. با این حال، تفاوت این است که TDI مبتنی بر عکس با وضوح بیشتری هدایت می شود. یعنی مناظر باشکوه را باید به صورت آبشار و کوه تجسم کرد. از طریق استخراج صفت های با بسامد بالا در متن، ما می توانیم تصاویر ادراکی بعدی را استخراج کنیم. به عنوان مثال، “معروف” می توانند TDI را با جزئیات بیشتری از جنبه محبوبیت منعکس کنند، اما فاقد موضوع هستند و جهت دهی به اندازه کافی واضح نیست. مدل LDA می‌تواند نشانه‌های خاص گردشگری در Tiantai را منعکس کند، اما عمدتاً اسم‌هایی هستند که باید با صفت‌های استخراج‌شده برای یک تحلیل جامع ترکیب شوند. علاوه بر این، تحقیقات TDI مبتنی بر متن می‌تواند محبوبیت و ارتباط متقابل جاذبه‌های خاص را بیشتر ارائه دهد. اما عمدتاً اسامی هستند که برای تجزیه و تحلیل جامع باید با صفت های استخراج شده ترکیب شوند. علاوه بر این، تحقیقات TDI مبتنی بر متن می‌تواند محبوبیت و ارتباط متقابل جاذبه‌های خاص را بیشتر ارائه دهد. اما عمدتاً اسامی هستند که برای تجزیه و تحلیل جامع باید با صفت های استخراج شده ترکیب شوند. علاوه بر این، تحقیقات TDI مبتنی بر متن می‌تواند محبوبیت و ارتباط متقابل جاذبه‌های خاص را بیشتر ارائه دهد.

5. بحث

کاربرد و ترکیب علمی متون و عکس ها در تحقیقات TDI یکی از اهداف این پژوهش است. در مقایسه با مطالعات قبلی [ 35 ، 95 ، 96]، نوآوری این روش تحقیق جایگزینی تجزیه و تحلیل هوش طبیعی با تجزیه و تحلیل هوش مصنوعی است که باعث تسهیل عینی بودن تجزیه و تحلیل و صرفه جویی در زمان هنگام پردازش تعداد زیادی عکس می شود. به طور خاص، همراه با فناوری پردازش زبان طبیعی و فناوری یادگیری عمیق، این مطالعه تجزیه و تحلیل شبکه های اجتماعی و تجزیه و تحلیل محتوا را بر اساس مدل موضوع LDA و تولید عنوان تصویر انجام می دهد و بنابراین، ناهمگونی و جایگزینی را بین متن مبتنی بر عکس و عکس مقایسه می کند. تحقیق TDI از یک درک کلی و شکل‌گیری تصویر. این به ارائه پشتیبانی علمی برای گسترش منابع داده‌های تحقیقاتی TDI کمک می‌کند، که در هنگام ترویج بازاریابی گردشگری و افزایش جذابیت مقصد مهم هستند.
این در حالی است که پژوهش ما بر اساس نظریات دانشمندان گذشته طراحی شده است. گارود [ 66 ] به بررسی رابطه بین TDI ها و عکس های توریستی می پردازد که یکی از پایه های نظری کلیدی این مطالعه است. گارود عکاسی به کار گرفته شده توسط بازدیدکننده (VEP) را با تجزیه و تحلیل محتوا و تکنیک های آماری کمی ترکیب می کند تا «دایره بسته بازنمایی گردشگری» را تأیید کند، که در آن تصاویری که صنعت گردشگری برای جذب گردشگران استفاده می کند، موضوع نگاه گردشگر است و بنابراین، موضوع عکاسی توریست از آنجایی که عکاسی می تواند تصویر مقصد و همچنین متن را منعکس کند، مقایسه شباهت ها و تفاوت های بین متون و عکاسی در تحقیقات TDI برای ما معنادار است. حکیم و فرزین [ 34] از نظرات کاربران «در ایران می‌بینم» در فیس‌بوک به‌عنوان سوژه‌هایی برای ارزیابی UGC از نظر پرس و جوی معتبر (نیاز به بینش ناشناخته نسبت به آگاهی جدید)، برخورد معتبر (از طریق روابط، ارتباطات، جوامع، و تعلق) استفاده کرد. و تولید معتبر (بر اساس احساسات، عواطف و احساسات) برای کشف تصویر گردشگری. این دیدگاه یکی از مراجع مهمی است که باید هنگام تجزیه و تحلیل محتوای UGC در Ctrip در نظر بگیریم. اسمیت و همکاران [ 97] از فناوری Blackberry برای تجزیه و تحلیل تجربیات و تصاویر عکاسی ثبت شده توسط گروهی از دانش آموزان در مراحل مختلف سفر استفاده کرد تا بررسی کند که چگونه تصویر مقصد در طول تجربه سفر تغییر کرده است. بر اساس این نظریه‌ها، این مطالعه متن و عکس‌ها را در سفرنامه‌های آنلاین، داده‌هایی که مفاهیم متفاوتی در نشانه‌شناسی گردشگری دارند، و TDIs و بازاریابی گردشگری را بررسی می‌کند.
فناوری هوش مصنوعی شواهد و اطلاعات فراوانی را برای آشکار کردن تفاوت‌های بین تحقیقات مبتنی بر متن و عکس‌محور در ادراکات و ترجیحات رفتاری گردشگران برای مقاصد گردشگری از منظر نشانه‌شناسی فراهم می‌کند. محورهای اصلی بحث به شرح زیر است:
اولاً، درک کلی Tiantai، بر اساس متون و عکس‌ها، شباهت‌های عمده‌ای دارد و استفاده ترکیبی آن می‌تواند نکات کلیدی را برجسته کند. هنگام استفاده از بیش از یک نوع داده برای تجزیه و تحلیل یک موضوع، بخش‌های همپوشانی وجود دارد، و اینها جنبه‌هایی هستند که برای TDIها باید روی آنها تمرکز کرد. چه بر اساس متون یا عکس، شکل گیری تصویر نشان می دهد که نشانه های نمادین، مانند مناظر باشکوه تیانتای و فرهنگ بودایی، عمیق ترین تأثیر را بر گردشگران می گذارد. این با تصویر شهر پراگ متفاوت است، جایی که ارتباط شهر بیشتر در مورد ویژگی های معماری و ساختمان ها بود [ 93 ]]، در حالی که شهرستان تیانتای به دلیل زیبایی طبیعی و فرهنگ جذاب‌تر است. در همین حال، در چارچوب گردشگری، TDI معمولاً به این درک مربوط می شود که آیا یک مقصد منابع کافی در دسترس برای اطمینان از راحتی و ایمنی گردشگران دارد [ 98 ] یا این که آیا آن مقصد کمابیش دوستانه، در دسترس، شلوغ است، و غیره [ 99]. علاوه بر این، تصویر مؤثر معمولاً پاسخی ذهنی و ادراکی به دانش شناختی یک مقصد گردشگری است. به عبارت دیگر، نشانه های شاخص گردشگری مانند غذا، محل اقامت و حمل و نقل نیز برای ساخت یک تصویر بسیار مهم هستند. با این حال، چیزی که کمی متفاوت است، این است که TDI مبتنی بر عکس ها عمدتاً علائم نمایه ای مانند آبشارها و کوه ها را پوشش می دهد، که نمی توانند به اندازه تحقیق مبتنی بر متن در مورد علائم نمادین خاص باشند. از طریق استخراج صفت‌ها در محتوای متن و ساخت مدل موضوعی LDA، تحقیق در مورد TDI از دو جنبه انجام شده است: گرایش عاطفی و خوشه‌بندی مضمون، و تصویر مقصد تحلیل‌شده متنوع‌تر است. به عبارت دیگر، تحقیق TDI مبتنی بر عکس قابل اعتماد و نماینده است.
دوم، منابع داده های مختلف جنبه های مختلف TDI را منعکس می کنند، و همه آنها اجزای مهم درک کلی هستند. برای درک کلی، تعداد سفرنامه های منتشر شده می تواند منعکس کننده محبوبیت مقصد باشد، تمایل عاطفی محتوای متنی می تواند وضعیت عاطفی گردشگران را منعکس کند، و تعداد عکس ها می تواند نشان دهنده سطح علاقه گردشگران باشد. در همین حال، آمار و ترتیب تعداد متون و میانگین تعداد عکس در هر سفرنامه ساده و آسان برای سازماندهی است و فناوری هوش مصنوعی مانند احساس محتوای متن و تجزیه و تحلیل موضوع LDA را می توان به طور موثر انجام داد. و با کیفیت بالا زمانی که بر اساس یک بسته پایتون است. بنابراین، در آینده،
بر اساس تحلیل‌های فوق از تصویر گردشگری، پیشنهاد می‌کنیم که اگرچه عکاسی می‌تواند بازتاب خوبی از نگاه گردشگر باشد، اما تنها تکیه بر محتوای آن برای تحقیقات TDI کافی نیست. در همین حال، برای انتخاب منابع داده برای تحقیق TDI با تعداد کمی سفرنامه، متن ها باید منبع اصلی باشند که با عکس تکمیل می شود. با در نظر گرفتن تیانتای به عنوان مثال، حتی اگر شرح محتوای عکس بتواند چشم انداز “آبشار” و “کوه” را شناسایی کند، شناسایی بیشتر و تشخیص اینکه کوه تیانتای است یا کوه چی چنگ تقریبا غیرممکن است. برعکس، تحقیقات TDI مبتنی بر متن می‌تواند دیدگاه‌های متعددی مانند داغ بودن و همزمانی را به شیوه‌ای دقیق‌تر منعکس کند. به عبارت دیگر، علائم نمایه را می توان هم با متن و هم با عکس آشکار کرد. اما نشانه های نمادین را فقط می توان از طریق متون تشخیص داد. علاوه بر این، تولید عنوان تصویر نمی‌تواند نقاط خاص منظره را از عکس‌ها آشکار کند. بنابراین، تحقیقات آینده در مورد TDI باید بر محتوای متنی تکمیل شده با عکس ها برای تأیید و تکمیل نتایج تجزیه و تحلیل متن تمرکز کند.
بر اساس نظریه نگاه توریستی یوری [ 12 ]، اقتصاد و فرهنگ گردشگری از عکاسی جدایی ناپذیر شده است: گردشگران از طریق عکس ها به مناظر خیره می شوند و بر ادراک تصویر گردشگران بالقوه از آن مقصد از طریق رسانه های اجتماعی تأثیر می گذارند. با این حال، تفاوت بین تحقیقات تصویری مقصد گردشگری مبتنی بر متن و عکس هنوز مورد مطالعه قرار نگرفته است. این مطالعه نه تنها تفاوت‌های نشان‌داده‌شده توسط دو شکل داده را مقایسه می‌کند، بلکه یک چارچوب روش‌شناختی مبتنی بر داده‌های بزرگ جدید برای درک جامع تصویر گردشگری ارائه می‌کند. مفاهیم نظری به شرح زیر است:
(1)
برخلاف تحقیق TDI انجام شده توسط Cherem و همکاران. [ 72 ، 73 ، 84 ]، که مبتنی بر منابع داده متنی یا عکس بود، تحقیق ما بر روی اطلاعات متنی و بصری سفرنامه‌های UGC تمرکز می‌کند تا چارچوبی از خلاصه‌سازی TDI ارائه کند، بنابراین منابع داده و روش‌ها را غنی می‌کند. مشابه روش های تحلیل محتوا با استخراج اطلاعات متنی و بصری تولید شده توسط کاربر Pang و همکاران. [ 33 ، 55 ، 99]، تحقیق ما دو نوع داده در سفرنامه ها یعنی متون و عکس ها را در نظر می گیرد و شباهت ها و تفاوت های آنها را در تحقیقات TDI مقایسه می کند. تا حدودی متفاوت، ما از یک رویکرد یادگیری ماشینی و فناوری شرح تصویر برای توصیف محتوای یک عکس به زبان طبیعی استفاده کردیم که امکان تجزیه و تحلیل کارآمدتر و عینی‌تر از حجم بیشتری از داده‌های عکاسی را فراهم می‌کند. شباهت ها و تفاوت های این منابع داده در تحلیل محتوا، از منظر نشانه شناسی، اثربخشی و علم چارچوب خلاصه پیشنهادی TDI برای کاوی و بازاریابی تصویر مقصد گردشگری را نشان می دهد.
(2)
در همین حال، با اعمال اقدامات قرنطینه مرتبط با کووید-19 در شهرها، سفرهای طولانی مدت به طور کامل متوقف شد. بسیاری از محققان درک گردشگران از تصویر مقصد را در هنگام سرگردانی در طول همه‌گیری COVID-19 بررسی کردند و عوامل مؤثر بر تصویر مقصد و قصد بازدید را در بهبود بحران پس از COVID-19 تجزیه و تحلیل کردند [ 100 ، 101 ، 102]. با این حال، از منظر روش‌ها، نظرسنجی‌های سنتی پرسشنامه و مصاحبه‌های کارشناسان همچنان جریان اصلی هستند. برای پر کردن این شکاف، ما ناهمگونی و جایگزینی بین تحقیقات TDI مبتنی بر متن و عکس را از طریق فناوری‌های NLP و زیرنویس تصویر مقایسه کردیم و مقصد خاص Tiantai را به عنوان مثال در نظر گرفتیم. از این رو، محققان می توانند TDI ها را در طول و پس از همه گیری COVID-19 با روش های عینی تر و جامع تر بررسی و ایجاد کنند.
علاوه بر این، بر اساس وضعیت فعلی توسعه گردشگری در طول اپیدمی، یافته های این مقاله پیامدهای عملی برای نقاط دیدنی و شرکت های مرتبط دارد.
(1)
به منظور یافتن موقعیت تصویر برند خود، اپراتورهای منظره و سایر طرف های مرتبط باید از UGC و سایر منابع داده از طریق تکنیک های پردازش داده موثرتر استفاده کنند. پس از جمع‌بندی تصورات برند از یک مکان بر اساس نتایج، به‌ویژه شکل‌گیری تصویر، نشان می‌دهد که نشانه‌های نمادین، مانند مناظر باشکوه تیانتای و فرهنگ بودایی، عمیق‌ترین تأثیر را بر گردشگران می‌گذارند. بنابراین، برای بهبود تصویر مقصد گردشگری و بهبود بیشتر تمایل به سفر، می‌توان به طرف‌های مربوطه مکان گردشگری پیشنهادهای بازاریابی داد: هنگام برندسازی در منطقه محلی، با توجه به TDI فعلی عموم، سازگاری و تداوم تصویر برند مقصد گردشگری باید حفظ شود [ 103].
(2)
بر اساس احترام به سنت و به ارث بردن تصویر برند اصلی، ایجاد تصویر برند مقصد جدید از اهمیت بیشتری برخوردار است. یعنی توسعه و کشف ویژگی‌های بالقوه محبوب برند آینده بر اساس یافته‌های تحقیقاتی ما. یکسان سازی بازار گردشگری چین جدی است که مقاصد گردشگری را کمتر رقابتی می کند. تغییر زمان ها و تغییر ویژگی های گروه بازدید کننده، معانی جدیدی به تصویر برند مقصد می بخشد. یادگیری از تجربیات موفقیت آمیز توسعه سایر مقاصد گردشگری و یافتن مزیت های رقابتی فردی بسیار مهم است.
از دیدگاه دولت، این مطالعه پیامدهای سیاستی دارد.
(1)
دولت باید توجه بیشتری به بازار “گردشگری پیرامونی” داشته باشد و زیرساخت های مرتبط را ایجاد کند. در عصر داده های بزرگ، ما نه تنها باید منابع و ویژگی های فرهنگی خود مقصد گردشگری را در نظر بگیریم، بلکه باید درک گردشگران از مقصد را نیز به طور کامل در نظر بگیریم [ 90 ]]. از نتایج مطالعه، ما به طور کامل اهمیت ادراک گردشگران از TDI ها را تایید می کنیم. با این حال، از منظر عینی، نمی‌توان انکار کرد که در شرایط اپیدمی، گردشگران نسبت به فاصله مقصد، انتخاب حمل‌ونقل و تصمیم‌گیری در مورد مدت اقامت حساس‌تر خواهند بود. حمل و نقل خودران و حمل و نقل عمومی جایگزین حمل و نقل سنتی صندوق عقب توریستی در تورهای پیرامونی شده است و با تغییر فراوانی و سبک زندگی تورهای پیرامونی مصرف کنندگان، نقش راهنمایان تور اساساً از بازار تورهای پیرامونی محو خواهد شد. در عین حال، عامل اقامت به مهم ترین موضوع برای کاربران گردشگری پیرامونی تبدیل شده است. پتانسیل عظیمی برای راهنمایی دقیق در مورد غذا و نوشیدنی، بلیط، سرگرمی، و اقلام اوقات فراغت بر اساس محل اقامت. برای احیای صنعت گردشگری، دولت ها و ذینفعان باید نیازهای «مشتریان» را بر اساس تصویر مقصد برآورده کنند.
(2)
برای دولت مهم است که در تبلیغات بازاریابی دقیق نقش داشته باشد و در نتیجه به ایجاد TDI کمک کند. برای دولت، فعالیت های گردشگری بیشتر برای نقاط دیدنی خاص برنامه ریزی شده است. بنابراین، توسعه استراتژی بازاریابی مکانی و بازاریابی دیجیتال پنج مرحله ای برای افزایش رقابت کلی گردشگری محلی موثر خواهد بود [ 104 ، 105 ].

6. نتیجه گیری

این مطالعه همراه با پردازش زبان طبیعی (NLP) و فناوری زیرنویس تصویر، تفاوت‌های TDI بین متون سفرنامه و عکس‌ها را با انجام تحلیل‌های شبکه‌های اجتماعی و همچنین LDA (تخصیص دیریکله نهفته) مقایسه می‌کند و به مورد عملی مقصد گردشگری می‌پردازد. درک تصویر در تیانتای، شهر تایژو در استان ژجیانگ.
به طور خاص، از بسته‌های پایتون برای خزیدن سفرنامه‌های ارسال شده در Ctrip Travel، از جمله عنوان اولیه، محتوای متن و عکس‌ها در Tiantai استفاده شد. سپس منابع داده های مختلف از منظر نشانه شناسی از جمله ادراک کلی و شکل گیری تصویر مقایسه شدند. در مورد درک کلی، ویژگی‌های کمی که هم توسط متون و هم عکس‌ها در مقاطع زمانی مختلف نمایش داده می‌شوند، می‌توانند به طور موثر و راحت از دیدگاه کلان بر اساس ابزارهای تجزیه و تحلیل داده‌ها، مانند پایتون، خلاصه شوند. سپس، از منظر نشانه‌شناسی، شکل‌گیری تصویر را می‌توان به طور خاص با سه نوع نشانه گردشگری تحلیل کرد، که در آن کلمات با بسامد بالا در متون شمارش می‌شوند و مدل تم LDA ایجاد می‌شود. در همین حال، توضیحات تصویر با فرکانس بالا در عکس ها شمرده می شود. این روش ها می توانند به خوبی نشانه های شاخص و همچنین نشانه های نمادین را شناسایی کنند. حتی اگر نشانه‌های نمایه‌ای و نمادین مبتنی بر متن و عکس شباهت زیادی داشته باشند، متن برای نشانه‌های نمادین ضروری است – تحلیل فرکانس و تحلیل شبکه‌های اجتماعی برای نقاط منظره خاص باید استفاده شود. در مورد فناوری زیرنویس تصویر، یک مدل یادگیری عمیق با مکانیزم توجه مبتنی بر حجم زیادی از داده‌های نمونه را می‌توان آموزش داد و همچنین می‌توان با استفاده از مدل Image Caption که توسط دیگران از طریق رابط آموزش داده شده است، تشخیص محتوای عکس‌ها را به سرعت درک کرد. [ متن برای علائم نمادین ضروری است – تجزیه و تحلیل فرکانس و تجزیه و تحلیل شبکه های اجتماعی برای نقاط دیدنی خاص باید استفاده شود. در مورد فناوری زیرنویس تصویر، یک مدل یادگیری عمیق با مکانیزم توجه مبتنی بر حجم زیادی از داده‌های نمونه را می‌توان آموزش داد و همچنین می‌توان با استفاده از مدل Image Caption که توسط دیگران از طریق رابط آموزش داده شده است، تشخیص محتوای عکس‌ها را به سرعت درک کرد. [ متن برای علائم نمادین ضروری است – تجزیه و تحلیل فرکانس و تجزیه و تحلیل شبکه های اجتماعی برای نقاط دیدنی خاص باید استفاده شود. در مورد فناوری زیرنویس تصویر، یک مدل یادگیری عمیق با مکانیزم توجه مبتنی بر حجم زیادی از داده‌های نمونه را می‌توان آموزش داد و همچنین می‌توان با استفاده از مدل Image Caption که توسط دیگران از طریق رابط آموزش داده شده است، تشخیص محتوای عکس‌ها را به سرعت درک کرد. [88 ]. در مورد سایر روش های تجزیه و تحلیل، مانند تجزیه و تحلیل تم LDA، آنها اساساً می توانند به سرعت از طریق بسته های پایتون پیاده سازی شوند. از آنجایی که امروزه سفرهای کوتاه مدت و حاشیه ای به دلیل تأثیر کووید-19 به ویژگی گردشگری تبدیل شده است، بازسازی تصویر مقاصد گردشگری آشنا برای گردشگران بر اساس عکس ها و متون نیز به موضوعی داغ برای تحقیقات آینده TDI تبدیل خواهد شد. با این حال، نظرسنجی‌های پرسشنامه سنتی و مصاحبه‌های کارشناسان هنوز جریان اصلی هستند [ 101 ، 106 ، 107 ، 108 ]. روش و چارچوب تحلیل محتوا ما در این پژوهش، مبنای علمی برای انتخاب منابع داده فراهم می کند.
مهمتر از همه، تحقیق ما TDIها را از طریق دو منبع داده، متون سفرنامه و عکس، مقایسه و تجزیه و تحلیل می کند تا بازنمایی علمی آنها را تأیید کند. مشارکت ما به شرح زیر خلاصه شده است.
اول، از نقطه نظر نظری، این مطالعه عمدتاً روش تحقیق درک TDI را گسترش می‌دهد و مفاهیم نظری را برای اثربخشی ارتباطات بازاریابی ارائه می‌کند. دوم، از نقطه نظر عملی، نتایج ما همچنین به ساخت یک TDI موثر برای نقاط دیدنی و شرکت‌های مرتبط کمک می‌کند. در نهایت، از منظر سیاست، یافته‌ها همچنین توصیه‌های مرتبطی را برای احیای صنعت گردشگری به‌ویژه در زمینه همه‌گیری به دولت ارائه می‌دهند. به طور کلی، مطالعه ما برای تحقیقات آینده و توسعه گردشگری معنادار است.

7. محدودیت و کار آینده

علیرغم کمک های آن، این مطالعه بدون محدودیت نیست. اول، در مورد جملات توصیفی بعد از عنوان تصویر، این مطالعه عمدتاً از آمار فراوانی همراه با تجزیه و تحلیل ادبیات استفاده می کند که بسیار ذهنی است. با مراجعه به ورونیکا و همکاران. [ 109 ]، روش‌های یادگیری ماشین بدون نظارت مانند خوشه‌بندی را می‌توان برای طبقه‌بندی عکس در آینده در نظر گرفت و نتایج تحلیل را عینی‌تر می‌کند. علاوه بر این، با ظهور پلتفرم‌های اجتماعی اشتراک‌گذاری زندگی مانند Weibo و TikTok، این سفرنامه اکنون به وبلاگ‌هایی تبدیل شده است که بسیاری از جنبه‌های گردشگری، مانند فعالیت‌های مسافرتی، اقامتگاه‌ها، غذا و ماجراجویی‌ها را که زمانی محدود به ایستا بودند، بیان می‌کنند. مطالب [ 110]. پیشرفت‌های فن‌آوری این امکان را برای گردشگران فراهم می‌آورد که وبلاگ‌ها را با کارایی بیشتری تولید کنند، که مسافران بیشتر و بیشتری را تشویق می‌کند تا تجربیات سفر خود را در قالب ویدیو ثبت کنند و آنها را در اینترنت به اشتراک بگذارند [ 111 ]. یعنی تحقیق مبتنی بر مدل یادگیری عمیق که محتوای ویدئوها را تجزیه و تحلیل می‌کند و نشانه‌هایی را برای بررسی و ساخت TDI شناسایی می‌کند، در آینده تبدیل به تحقیقات داغ خواهد شد.
در آینده، با توسعه یادگیری عمیق و فناوری داده های بزرگ، تشخیص دقیق محتویات عظیم عکس از طریق هوش مصنوعی به تعمیق تحقیقات TDI ها ادامه خواهد داد. بنابراین، ما قصد داریم تصویر گردشگری را از دیدگاه‌های بیشتری بررسی کنیم: محتوای عکس‌ها را به روشی خاص‌تر، مانند شناسایی جنسیت و تعداد افراد، تجزیه و تحلیل خواهیم کرد [ 112 ، 113 ، 114 .] در عکس‌ها ظاهر می‌شود و تشخیص محتوای عکس را با موقعیت جغرافیایی برای تجزیه و تحلیل ترکیب می‌کند و غیره. علاوه بر این، فناوری‌های پیشرفته، مانند فناوری‌های مجازی، هوش مصنوعی (AI)، فناوری‌های 5G و فناوری‌های اتوماسیون روباتیک می‌توانند برای صنعت گردشگری مفید باشند [ 115 ]. در مورد ما، نحوه درک تصویر از مقاصد گردشگری مفهومی جدید، مانند تورهای مجازی [ 116 ]]، یکی از مسیرهای تحقیقاتی آینده ما خواهد شد. علاوه بر این، انتظار می رود که حالت جدید سفرنامه های آنلاین مانند وبلاگ و غیره را تجزیه و تحلیل کنیم. به این ترتیب می توان تعداد نمونه های تحقیق را بیشتر گسترش داد و برای حالت سرگرمی امروزی مردم برای تماشای ویدیوهای کوتاه مناسب  اوقات فراغت آنها است.

منابع

  1. مک کی، کی جی؛ Fesenmaier, DR عنصر تصویری مقصد در شکل‌گیری تصویر. ان تور. Res. 1997 ، 24 ، 537-565. [ Google Scholar ] [ CrossRef ]
  2. بورکوفسکی، پ. جادژوسکا-گوتا، م. Szmelter-Jarosz, A. Lockdound: تغییرات حرکتی روزمره در پاسخ به COVID-19. J. Transp. Geogr. 2021 , 90 , 102906. [ Google Scholar ] [ CrossRef ]
  3. Ukpabi، DC; Karjaluoto، H. چه چیزی باعث می شود مسافران از محتوای تولید شده توسط کاربر استفاده کنند؟ بررسی ادبیات. تور. مدیریت چشم انداز 2018 ، 28 ، 251-273. [ Google Scholar ] [ CrossRef ]
  4. ماناپ، KHA; Adzharudin، NA نقش محتوای تولید شده توسط کاربر (UGC) در رسانه های اجتماعی برای بخش گردشگری. در مجموعه مقالات کنفرانس بین المللی آکادمیک WEI 2013، استانبول، ترکیه، 14 تا 16 ژانویه 2013. [ Google Scholar ]
  5. Sigala, M. ویژه نامه وب 2.0 در سفر و گردشگری: توانمندسازی و تغییر نقش مسافران. محاسبه کنید. هوم رفتار 2011 ، 27 ، 607-608. [ Google Scholar ] [ CrossRef ]
  6. استپچنکووا، اس. Zhan، FZ تصاویر مقصد بصری پرو: تحلیل محتوای مقایسه ای DMO و عکاسی تولید شده توسط کاربر. تور. مدیریت 2013 ، 36 ، 590-601. [ Google Scholar ] [ CrossRef ]
  7. ماریانا، MM; دی-فلیس، MD; مورا، ام. فیس بوک به عنوان ابزار بازاریابی مقصد: شواهدی از سازمان های مدیریت مقصد منطقه ای ایتالیا. تور. مدیریت 2016 ، 54 ، 321-343. [ Google Scholar ] [ CrossRef ]
  8. ایستون، اس. Wise, N. تصاویر آنلاین از گردشگری داوطلبانه در نپال: بررسی تفاوت های ارتباطی بین محتوای تبلیغاتی و تولید شده توسط کاربر. جهان. بیمارستان تور. Themes 2015 ، 7 ، 141-158. [ Google Scholar ] [ CrossRef ]
  9. دابین، دی. زینخان، جنرال موتورز در جستجوی تصویر برند: تحلیل پایه Adv. مصرف کنید. Res. 1990 ، 17 ، 110-119. [ Google Scholar ]
  10. حسنی، س. ایکینجی، ی. Uysal، M. تصویر مقصد و شخصیت مقصد: کاربرد تئوری های برندسازی در مکان های گردشگری. اتوبوس جی. Res. 2006 ، 59 ، 638-642. [ Google Scholar ] [ CrossRef ]
  11. گالارزا، ام جی؛ Saura، IG; گارسیا، تصویر مقصد HC – به سوی یک چارچوب مفهومی. ان تور. Res. 2002 ، 29 ، 56-78. [ Google Scholar ] [ CrossRef ]
  12. Urry, J. The Tourist Gaze: Leisure and Travel in Contemporary Societies , 1st ed.; انتشارات Sage Ltd.: لندن، انگلستان، 1990. [ Google Scholar ]
  13. Matlovičová، K. نام تجاری مکان به عنوان یک ابزار مفید برای رقابت پذیری مکان. دانشگاه Acta پالاکی. اولوموک. چهره Rerum Nat. Geogr. 2010 ، 41 ، 5-14. [ Google Scholar ]
  14. ابراهیمی، پ. حاج محمدی، ع. خواجهیان، د. برندسازی مکان و نقش تعدیل کننده رسانه های اجتماعی. Curr. تور مسائل. 2020 ، 23 ، 1723-1731. [ Google Scholar ] [ CrossRef ]
  15. گارتنر، WC; هانت، جی دی تحلیلی از تغییر تصویر وضعیت در یک دوره دوازده ساله (1971-1983). J. Travel Res. 1987 ، 26 ، 15-19. [ Google Scholar ] [ CrossRef ]
  16. لی، ایکس. Vogelsong، H. مقایسه روش‌های اندازه‌گیری تغییر تصویر: مطالعه موردی یک جشنواره اجتماعی در مقیاس کوچک. تور. مقعدی 2006 ، 10 ، 349-360. [ Google Scholar ] [ CrossRef ]
  17. Cornelissen، S. تولید و تصویربرداری از “مکان” و “مردم”: اقتصاد سیاسی نمایندگی بین المللی گردشگری آفریقای جنوبی. کشیش بین المللی سیاسی. اقتصاد 2005 ، 12 ، 674-699. [ Google Scholar ] [ CrossRef ]
  18. هانتر، WC گونه‌شناسی بازنمایی‌های عکاسی برای گردشگری: تصاویری از فضاهای آراسته. تور. مدیریت 2008 ، 29 ، 354-365. [ Google Scholar ] [ CrossRef ]
  19. مولینا، ا. بروشورهای گردشگری: سودمندی و تصویر. ان تور. Res. 2006 ، 33 ، 1036-1056. [ Google Scholar ] [ CrossRef ]
  20. اسمیت، WW; پان، بی. لی، ایکس. Zhang, L. استفاده از مهارت های جغرافیایی در برخورد با خارجی بودن یک مقصد. تور. Geogr. 2009 ، 11 ، 351-369. [ Google Scholar ]
  21. جوتلا، RS تصویر بصری شهر: تصور گردشگران در مقابل ساکنان از سیملا، یک ایستگاه تپه در شمال هند. تور. Geogr. 2000 ، 2 ، 404-420. [ Google Scholar ] [ CrossRef ]
  22. هوانگ، ایکس. هان، ی. منگ، کیو. زنگ، ایکس. لیائو، اچ. آیا DMO و گردشگران تصویر مشابهی را ارائه می دهند؟ تحقیق در مورد بازنمایی تصویر مقصد بهداشتی بر اساس UGC و نظریه قدرت گفتمان: مطالعه موردی باما، چین. پایداری 2022 ، 14 ، 953. [ Google Scholar ] [ CrossRef ]
  23. ممکن است.؛ وانگ، ی. خو، جی. تای، ایکس. تجسم چندسطحی داده‌های مسیر سفرنامه. ISPRS Int. J. Geo-Inf. 2018 ، 7 ، 12. [ Google Scholar ] [ CrossRef ]
  24. بلوغلو، س. McCleary, KW مدلی از شکل گیری تصویر مقصد. ان تور. Res. 1999 ، 26 ، 868-897. [ Google Scholar ] [ CrossRef ]
  25. بیرلی، ا. مارتین، JD عوامل موثر بر تصویر مقصد. ان تور. Res. 2004 ، 31 ، 657-681. [ Google Scholar ] [ CrossRef ]
  26. Qu، HL; کیم، LH; Im, HH مدلی از برندسازی مقصد: ادغام مفاهیم نام تجاری و تصویر مقصد. تور. مدیریت 2011 ، 32 ، 465-476. [ Google Scholar ] [ CrossRef ]
  27. Pike, S. تجزیه و تحلیل تصویر مقصد – بررسی 142 مقاله از سال 1973 تا 2000. تور. مدیریت 2002 ، 23 ، 541-549. [ Google Scholar ] [ CrossRef ]
  28. Echtner، CM; ریچی، JRB معنی و اندازه گیری تصویر مقصد. جی. تور. گل میخ. 1991 ، 2 ، 2-12. [ Google Scholar ]
  29. Echtner، CM; ریچی، JRB اندازه گیری تصویر مقصد: یک ارزیابی تجربی. J. Travel Res. 1993 ، 31 ، 3-13. [ Google Scholar ] [ CrossRef ]
  30. پاری، SH; حکیم، IA; در عوض، نقش میانجی RA ابتکارات دولت و نفوذ رسانه ها بین خطرات درک شده و تصویر مقصد: مطالعه منطقه درگیری. بین المللی جی. تور. Cities Int. جی. تور. شهرها 2019 ، 5 ، 90–106. [ Google Scholar ] [ CrossRef ]
  31. عسگرنژاد، NB; نعمتی، وی. عباسقلی زاده، ن. تأثیر ارزش درک شده بر تصویر مقصد، رضایت و وفاداری گردشگران پزشکی: مطالعه موردی در اردبیل. J. Health 2019 ، 10 ، 34-49. [ Google Scholar ] [ CrossRef ]
  32. هرمان، جی وی. بانتو، ن. کاسیورا، تی. اونگوروئانو، ام. فوردوی، س. گراما، وی. بوحاس، ر. بوهاش، S. گردشگری در شهرستان بیهور، رومانی. روندها و چشم اندازها فولیا جئوگر. 2020 ، 62 ، 87-105. [ Google Scholar ]
  33. اوسویی، ر. وی، XY; فانک، سی. قدرت رسانه های اجتماعی در توسعه گردشگری منطقه ای: مطالعه موردی از جزیره اوکونوشیما در هیروشیما. ژاپن. Curr. تور مسائل. 2018 ، 21 ، 2060–2064. [ Google Scholar ] [ CrossRef ]
  34. حکیم، ن. Farzin, F. “See You in Iran” on Facebook: Assessing User-Generated Authenticity. در اصالت و گردشگری ، چاپ اول؛ Rickly، JM، Vidon، ES، Eds. زمرد: بینگلی، بریتانیا، 2018; جلد 24، صص 33–52. [ Google Scholar ]
  35. لین، ام اس؛ لیانگ، ی. Xue, JX; پان، بی. Schroeder, A. تصویر مقصد از طریق تجزیه و تحلیل رسانه های اجتماعی و روش نظرسنجی. بین المللی J. Contemp. بیمارستان مدیریت 2021 ، 33 ، 2219-2238. [ Google Scholar ] [ CrossRef ]
  36. Mak, AHN تصویر مقصد آنلاین: مقایسه دیدگاه سازمان ملی گردشگری و گردشگران. تور. مدیریت 2017 ، 60 ، 280-297. [ Google Scholar ] [ CrossRef ]
  37. مارین-روگ، ای. فرر-رزل، ب. اندازه گیری شکاف بین تصاویر مقصد پیش بینی شده و درک شده از کاتالونیا با استفاده از تجزیه و تحلیل ترکیبی. تور. مدیریت 2018 ، 68 ، 234-249. [ Google Scholar ] [ CrossRef ]
  38. هانتر، WC ساخت اجتماعی تصویر مقصد آنلاین گردشگری: تحلیل نشانه‌شناختی مقایسه‌ای از بازنمایی بصری سئول. تور. مدیریت 2016 ، 54 ، 221-229. [ Google Scholar ] [ CrossRef ]
  39. ماتلویچووا، ک. Husarova, M. پتانسیل بازاریابی میراث در توسعه مقاصد گردشگری مطالعه موردی خرابه‌های قلعه چیچوا. فولیا جئوگر. 2017 ، 59 ، 5-35. [ Google Scholar ]
  40. اشورث، جی. ووگد، ح. فروش شهر: رویکردهای بازاریابی در برنامه ریزی شهری بخش عمومی ، ویرایش 1. Belhaven Press: Belhaven، NC، USA، 1990. [ Google Scholar ]
  41. Metelka, CJ The Dictionary of Tourism , 2nd ed.; ناشران سفر و گردشگری مرتون هاوس: Wheaton، IL، ایالات متحده آمریکا، 1986. [ Google Scholar ]
  42. Alcaniz، EB; گارسیا، IS; Blas, SS پیوستار عملکردی-روانی در تصویر شناختی یک مقصد: یک تحلیل تاییدی. تور. مدیریت 2009 ، 30 ، 715-723. [ Google Scholar ] [ CrossRef ]
  43. رینولدز، WH نقش مصرف کننده در ساختن تصویر. کالیفرنیا مناگ. Rev. 1965 , 7 , 69-76. [ Google Scholar ] [ CrossRef ]
  44. Goodrich, JN یک رویکرد جدید برای تجزیه و تحلیل تصویر از طریق مقیاس بندی چند بعدی. J. Travel Res. 1978 ، 16 ، 3-7. [ Google Scholar ] [ CrossRef ]
  45. براون، ای. اشویس، جی. Klijn، EH اثربخشی ارتباط برند مکان. شهرها 2014 ، 41 ، 64-70. [ Google Scholar ] [ CrossRef ]
  46. ویجایا، BS ابعاد تصویر برند: بررسی مفهومی از منظر ارتباط برند. یورو اتوبوس جی. مدیریت 2013 ، 5 ، 55-65. [ Google Scholar ]
  47. Gunn, CA Vacationscape: Developing Tourist Areas , 3rd ed.; Routledge: نیویورک، نیویورک، ایالات متحده آمریکا، 1997. [ Google Scholar ]
  48. مک کارتنی، جی. باتلر، آر. بنت، ام. استفاده استراتژیک از ترکیب ارتباطات در فرآیند شکل‌گیری تصویر مقصد. J. Travel Res. 2008 ، 47 ، 183-196. [ Google Scholar ] [ CrossRef ]
  49. ماتلویچووا، ک. تیرپاکووا، ای. تصویر برند موکاک، پی سیتی: دیدگاه نشانه‌شناسی مطالعه موردی پراگ. فولیا جئوگر. 2019 ، 61 ، 120-142. [ Google Scholar ]
  50. Matlovičová، K. Značka Územia/برند مکان (Učebnica/کتاب درسی) ; Prešovská Univerzita v Prešove, Fakulta Humanitných a Prírodných بازدید: Prešov، اسلواکی، 2015; 320p. [ Google Scholar ]
  51. Echtner, CM پارادایم نشانه‌شناختی: مفاهیمی برای تحقیقات گردشگری. تور. مدیریت 1999 ، 20 ، 47-57. [ Google Scholar ] [ CrossRef ]
  52. آهنگ، سی ام; Jeon, HY یک مطالعه نشانه‌شناختی از برندسازی منطقه‌ای که در شعارهای مناطق کره منعکس شده است. Soc. سمیوت. 2018 ، 28 ، 230-256. [ Google Scholar ] [ CrossRef ]
  53. Tresidder, R. نشانه شناسی گردشگری. در موضوعات پژوهشی برای گردشگری ، ویرایش اول. رابینسون، پی، هایتمن، اس.، دیکه، پی، ویرایش. CABI: Wallingford، انگلستان، 2011; صص 59-68. [ Google Scholar ]
  54. پارک، ای. کیم، اس. آیا ما به اندازه کافی برای تحقیقات بصری در گردشگری انجام می دهیم؟ گذشته، حال و آینده مطالعات گردشگری با استفاده از تصاویر عکاسی بین المللی جی. تور. Res. 2018 ، 20 ، 433-441. [ Google Scholar ] [ CrossRef ]
  55. گاورز، آر. برو FM کومار، ک. ارتقای تصویر مقصد گردشگری. J. Travel Res. 2007 ، 46 ، 15-23. [ Google Scholar ] [ CrossRef ]
  56. مورگان، ن. پریچارد، ای. پراید، آر. نام تجاری مقصد ، چاپ دوم. Routledge: لندن، انگلستان، 2002. [ Google Scholar ]
  57. چاکرابارتی، پی. Sadhukhan، SK تصویر مقصد برای زیارت و گردشگری: مطالعه در منطقه کوه کایلاش تبت. فولیا جئوگر. 2020 ، 62 ، 71-86. [ Google Scholar ]
  58. تاسی، ADA؛ گارتنر، WC; Cavusgil، ST مفهوم سازی و عملیاتی سازی تصویر مقصد. جی. هاسپ. تور. Res. 2007 ، 31 ، 194-223. [ Google Scholar ] [ CrossRef ]
  59. تاسی، ADA؛ گارتنر، تصویر مقصد WC و روابط عملکردی آن. J. Travel Res. 2007 ، 45 ، 413-425. [ Google Scholar ] [ CrossRef ]
  60. Miller, GA عدد جادویی هفت، به اضافه یا منهای دو: برخی محدودیت‌ها در ظرفیت پردازش اطلاعات. روانی Rev. 1956 , 63 , 81-97. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  61. مک کی، کی جی؛ Couldwell، CM استفاده از عکاسی بازدیدکننده برای بررسی تصویر مقصد. J. Travel Res. 2004 ، 42 ، 390-396. [ Google Scholar ] [ CrossRef ]
  62. گارتنر، دبلیو. فرآیند تشکیل تصویر. تور مسافرتی جی. علامت. 1993 ، 2 ، 191-215. [ Google Scholar ] [ CrossRef ]
  63. Pang، YW; هائو، QA; یوان، YA; هو، تی جی; کای، آر. Zhang, L. خلاصه کردن مقاصد گردشگری با استخراج سفرنامه‌ها و عکس‌های تولید شده توسط کاربر. محاسبه کنید. Vis. تصویر زیر. 2011 ، 115 ، 352-363. [ Google Scholar ] [ CrossRef ]
  64. ماتا، IL; فوسگارد، ک. Haukeland، JV آیا بازدیدکنندگان به آنچه مدیران مقصد می خواهند تجاری سازی کنند، نگاه می کنند و بازتولید می کنند؟ تصویر درک شده و پیش بینی شده در منطقه میراث جهانی یونسکو. بین المللی جی دیجیت. فرقه الکترون. تور. 2018 ، 2 ، 294-321. [ Google Scholar ] [ CrossRef ]
  65. آهنگ، SG; Kim, DY تجزیه و تحلیل تصویری از تصاویر مقصد در pinterest: مورد توکیو، کیوتو، و اوزاکا، ژاپن. تور مسافرتی جی. علامت. 2016 ، 33 ، 687-701. [ Google Scholar ] [ CrossRef ]
  66. گارود، بی. کاوش درک مکان: تحلیلی مبتنی بر عکس. ان تور. Res. 2008 ، 35 ، 381-401. [ Google Scholar ] [ CrossRef ]
  67. گارود، ب. درک رابطه بین تصاویر مقصد گردشگری و عکاسی توریستی. J. Travel Res. 2009 ، 29 ، 56-78. [ Google Scholar ] [ CrossRef ]
  68. بروشورهای عکاسی و سفر جنکینز، OH: دایره نمایندگی. تور. Geogr. 2003 ، 5 ، 305-328. [ Google Scholar ] [ CrossRef ]
  69. رایان، سی. Cave, J. ساختار تصویر مقصد: یک رویکرد کیفی. J. Travel Res. 2005 ، 44 ، 143-150. [ Google Scholar ] [ CrossRef ]
  70. پان، اس. لی، جی. تسای، اچ. عکس‌های سفر: انگیزه‌ها، ابعاد تصویر و کیفیت‌های تأثیرگذار مکان‌ها. تور. مدیریت 2014 ، 40 ، 59-69. [ Google Scholar ] [ CrossRef ]
  71. کیم، اس بی؛ کیم، دی. ویز، ک. تأثیر جستجو و گشت و گذار در تشخیص تصاویر مقصد در صفحات فیس بوک. محاسبه کنید. هوم رفتار 2014 ، 30 ، 813-823. [ Google Scholar ] [ CrossRef ]
  72. چرم، جی. Traweek, D. Visitor Employed Photography: ابزاری برای برنامه ریزی تفسیری در مورد محیط رودخانه. در مجموعه مقالات مدیریت و تحقیقات تفریحی رودخانه، مینیاپولیس، MN، ایالات متحده، 24-27 ژانویه 1977; صص 236-244. [ Google Scholar ]
  73. چرم، جی. راننده، ب. عکاسی استخدام شده بازدیدکننده: تکنیکی برای اندازه گیری تصورات رایج از محیط های طبیعی. جی. لیس. Res. 1983 ، 15 ، 65-83. [ Google Scholar ] [ CrossRef ]
  74. Chenoweth، R. عکاسی استخدام شده از بازدیدکنندگان: ابزاری بالقوه برای معماری منظر. Landsc. J. 1984 , 3 , 136-146. [ Google Scholar ] [ CrossRef ]
  75. داکین، اس. در چشم انداز بیشتر از آنچه به چشم می آید: به سوی ارزیابی جامع چشم انداز در مدیریت منابع و محیط زیست وجود دارد. می توان. Geogr.-Geogr. می توان. 2003 ، 47 ، 185-200. [ Google Scholar ] [ CrossRef ]
  76. لوفلر، TA یک مطالعه استخراج عکس از معانی تجربیات ماجراجویی در فضای باز. جی. لیس. Res. 2004 ، 36 ، 536-556. [ Google Scholar ] [ CrossRef ]
  77. Leung، DH; لی، ا. قانون، R. رسانه های اجتماعی در سفر، گردشگری و مهمان نوازی: بررسی پذیرش مدیر هتل از وب 2.0 در توسعه وب سایت: مطالعه موردی هتل ها در هنگ کنگ ، ویرایش سوم. Routledge: لندن، انگلستان، 2012; صص 53-65. [ Google Scholar ]
  78. هوانگ، پی. شیا، ی. لین، آر. لی، ایکس. ویژگی‌های زمانی و مکانی تصاویر منظر شهر باستانی یونشویائو بر اساس داده‌های UGC. جی. چین. شهری برای. 2020 ، 18 ، 48-53. [ Google Scholar ]
  79. کونتی، ای. Lexhagen، M. تجربیات گردشگری مبتنی بر طبیعت اینستاگرامی: مطالعه شبکه‌نگاری عکاسی آنلاین و خلق ارزش. تور. مدیریت چشم انداز 2020 , 34 , 100650. [ Google Scholar ] [ CrossRef ]
  80. Medynska-Gulij, B. تأثیر محتوای نقشه برداری بر کاربران نقشه گردشگری. کارتوگرافی 2003 ، 32 ، 49-54. [ Google Scholar ] [ CrossRef ]
  81. Taecharungroj، V. Mathayomchan، B. تصویر مقصد تولید شده توسط مسافران: تجزیه و تحلیل عکس های Flickr از 193 کشور در سراسر جهان. بین المللی جی. تور. Res. 2021 ، 23 ، 417-441. [ Google Scholar ] [ CrossRef ]
  82. ژو، XL; چن، ZY خوشه‌بندی جاذبه‌های مقصد: تقسیم‌بندی الگوهای حرکت توریستی با اطلاعات برچسب‌گذاری‌شده جغرافیایی. تور. Geogr. 2021 . [ Google Scholar ] [ CrossRef ]
  83. دنگ، ن. لیو، جی. دای، ی. لی، اچ. فرهنگ های مختلف، عکس های مختلف: مقایسه تصویر مقصد تصویری شانگهای بین شرق و غرب. تور. مدیریت چشم انداز 2019 ، 30 ، 182-192. [ Google Scholar ] [ CrossRef ]
  84. شیائو، ایکس. نیش، سی. لین، اچ. مشخص کردن تصویر مقصد گردشگری با استفاده از محتوای بصری عکس‌ها. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 730. [ Google Scholar ] [ CrossRef ]
  85. ماکاو، بی. Kılıç, V. یک رویکرد جدید شرح تصاویر برای افراد دارای اختلال بینایی. در مجموعه مقالات یازدهمین کنفرانس بین المللی مهندسی برق و الکترونیک (ELECO)، بورسا، ترکیه، 28 تا 30 نوامبر 2019. [ Google Scholar ]
  86. علاوزی، من. بن احمد، م. بنامرو، ب. Ouardouz, M. تولید شرح خودکار برای تصاویر پزشکی. در مجموعه مقالات سومین کنفرانس بین المللی برنامه های کاربردی شهر هوشمند، تتوآن، مراکش، 10 تا 11 اکتبر 2018. [ Google Scholar ]
  87. وانگ، EK; ژانگ، ایکس. وانگ، اف. وو، RY; مدل توجه متراکم چندلایه چن، CM برای شرح تصویر. دسترسی IEEE 2019 ، 7 ، 66358–66368. [ Google Scholar ] [ CrossRef ]
  88. صورت در آغوش گرفته در دسترس آنلاین: https://huggingface.co/nlpconnect/vit-gpt2-image-captioning (در 24 ژوئیه 2022 قابل دسترسی است).
  89. لی، ی. خو، X. آهنگ، بی. او، اچ. تأثیر ویدیوهای کوتاه غذا بر مقصد گردشگری تصویر – چنگدو را به عنوان مثال در نظر بگیرید. پایداری 2020 ، 12 ، 6739. [ Google Scholar ] [ CrossRef ]
  90. چن، ایکس. لی، جی. هان، دبلیو. لیو، اس. ادراک تصویر مقصد گردشگری شهری بر اساس LDA یکپارچه سازی شبکه اجتماعی و تحلیل احساسات: مثال ووهان. پایداری 2021 ، 14 ، 12. [ Google Scholar ] [ CrossRef ]
  91. Blei، DM; Ng، AY؛ جردن، MI نهفته دیریکله تخصیص. در مجموعه مقالات هجدهمین کنفرانس بین المللی یادگیری ماشین، ویلیامزتاون، MA، ایالات متحده، 28 ژوئن تا 1 ژوئیه 2001. [ Google Scholar ]
  92. برگس، جی. Wood, P. Decoding Docklands: Place Advertising and تصمیم گیری استراتژی های شرکت کوچک. در روشهای کیفی در جغرافیای انسانی ، چاپ اول. Eyles, J., Smith, DM, Eds. Polity Press: کمبریج، انگلستان، 1988; صص 94-117. [ Google Scholar ]
  93. ماتلویچووا، ک. Kormaníková، J. شهر با نام تجاری-تصویر تشخیص انجمن مطالعه موردی پراگ. در مجموعه مقالات کنفرانس های علمی چند رشته ای بین المللی در علوم اجتماعی و هنر (SGEM 2014)، آلبنا، بلغارستان، 1 تا 10 سپتامبر 2014. [ Google Scholar ]
  94. شیونگ، جی. هاشم، NH; مورفی، جی. تصویر چندحسی به عنوان جزئی از تصویر مقصد. تور. مدیریت چشم انداز 2015 ، 14 ، 34-41. [ Google Scholar ] [ CrossRef ]
  95. تصویر مقصد پیش بینی شده هانتر، WC: تحلیلی بصری از سئول. تور. Geogr. 2012 ، 14 ، 419-443. [ Google Scholar ] [ CrossRef ]
  96. هانتر، رئیس WC چین مائو: تحلیل بصری تصویر مقصد آنلاین استان هونان. تور. مدیریت 2013 ، 34 ، 101-111. [ Google Scholar ] [ CrossRef ]
  97. اسمیت، WW; لی، ایکس. پان، بی. ویت، م. دوهرتی، ST ردیابی تصویر مقصد در طول سفر با فناوری تلفن هوشمند. تور. مدیریت 2015 ، 48 ، 113-122. [ Google Scholar ] [ CrossRef ]
  98. بیرلی، ا. مارتین، JD ویژگی‌های گردشگران و تصویر درک شده از مقاصد گردشگری: تحلیل کمی – مطالعه موردی لانزاروته، اسپانیا. تور. مدیریت 2004 ، 25 ، 623-636. [ Google Scholar ] [ CrossRef ]
  99. شنگ، FQ; ژانگ، ی. شی، سی. کیو، من؛ تجزیه و تحلیل تصویر مقصد گردشگری Yao، SZ Xi’an از طریق یادگیری عمیق. J. هوش محیطی. اومانیز. محاسبه کنید. 2022 ، 13 ، 5093-5102. [ Google Scholar ] [ CrossRef ]
  100. Badilla، MCG; کارواخال، آل. کاسترو، CF; کاسترو، نماینده مجلس دور از خانه: نگاه وبلاگ نویسان خارجی به فیلیپین در طول همه گیری COVID-19. در گردشگری فیلیپین ; Springer: سنگاپور، 2022. [ Google Scholar ]
  101. احمد، ع. جمال الدین، ع. زوریمی، NSM; والری، ام. تصویر هدف و مقصد بازدید در بهبود بحران پس از کووید-19. Curr. تور مسائل. 2020 ، 24 ، 2392-2397. [ Google Scholar ] [ CrossRef ]
  102. لو، کیو. آتادیل، HA آیا جرات سفر به چین را دارید؟ بررسی تصویر مقصد چین در بحبوحه COVID-19. تور. مدیریت چشم انداز 2021 ، 40 ، 100881. [ Google Scholar ] [ CrossRef ]
  103. ناندان، اس. کاوشی در مورد پیوند هویت برند و تصویر برند: دیدگاه ارتباطات. جی برند مناگ. 2005 ، 12 ، 264-278. [ Google Scholar ] [ CrossRef ]
  104. کوزیور، ا. لیولیوف، او. پیموننکو، تی. کویلینسکی، ا. Krawczyk، D. گردشگری پسا صنعتی به عنوان پیشران توسعه پایدار. پایداری 2021 ، 13 ، 8145. [ Google Scholar ] [ CrossRef ]
  105. Matlovičová، K. فرآیند بازاریابی مکان – جنبه های نظری تحقق. فولیا جئوگر. 2008 ، 12 ، 195-224. [ Google Scholar ]
  106. هانتر، کار میدانی نشانه‌شناسی WC در مورد مدیریت تصویر مقصد گردشگری در سئول در طول COVID-19. تور. مدیریت 2022 ، 93 ، 104565. [ Google Scholar ] [ CrossRef ]
  107. رملی، م.ف. رحمان، م. اونگ، ML آیا انگیزه و تصویر مقصد بر قصد بازدید مجدد گردشگر از پارک ملی کینابالو در طول مرحله بهبودی بیماری همه‌گیر COVID-19 تأثیر می‌گذارد؟ یورو جی. مول. کلین. پزشکی 2020 ، 7 ، 1624-1635. [ Google Scholar ]
  108. رسولی منش، س.م. سیفی، س. رستگار، ر. هال، تصویر مقصد CM در طول همه‌گیری COVID-19 و رفتار سفر در آینده: نقش تعدیل‌کننده تجربه گذشته. جی. مقصد. علامت. مدیریت 2021 ، 21 ، 100620. [ Google Scholar ] [ CrossRef ]
  109. ورونیکا، ا. رومن، ای. Joanne, Y. یک رویکرد یادگیری ماشینی برای خوشه‌بندی تصویر مقصد در اینستاگرام. تور. مدیریت 2021 ، 85 ، 104318. [ Google Scholar ]
  110. Peralta, RL چگونه وبلاگ نویسی تصویر مقصد را تبلیغ می کند: تحلیل روایتی از وبلاگ های مسافرتی محبوب در مورد فیلیپین. نام تجاری مکان. عمومی Dipl. 2019 ، 15 ، 244-256. [ Google Scholar ] [ CrossRef ]
  111. چنگ، ی. وی، دبلیو. ژانگ، ال. دیدن مقاصد از طریق وبلاگ ها: پیامدهایی برای اعمال نفوذ رفتار مشتری برای افزایش قصد سفر. بین المللی J. Contemp. بیمارستان مدیریت 2020 ، 30 ، 3227-3248. [ Google Scholar ] [ CrossRef ]
  112. مارکول، ابعاد KW عکاسی در یک تور مبتنی بر طبیعت. ان تور. Res. 1997 ، 24 ، 131-155. [ Google Scholar ] [ CrossRef ]
  113. گارلیک، اس. افشای غیب: گردشگری، هنر و عکاسی. فرقه گل میخ. 2002 ، 16 ، 289-305. [ Google Scholar ] [ CrossRef ]
  114. هالدروپ، ام. لارسن، جی. نگاه خانواده. تور. گل میخ. 2003 ، 3 ، 23-45. [ Google Scholar ] [ CrossRef ]
  115. Matikiti-Manyevere، R.; رامب، پ. تأثیر کووید 19 بر صنعت گردشگری: نقش فناوری‌های انقلاب صنعتی چهارم در کاهش تأثیرات. افر. جی. هاسپ. تور. لیس. 2022 ، 11 ، 1173-1187. [ Google Scholar ]
  116. گنگ، دبلیو. آیا و چگونه تورهای مجازی رایگان می‌توانند بازدیدکنندگان را بازگردانند. Curr. تور مسائل. 2022 . [ Google Scholar ] [ CrossRef ]
Ijgi 11 00553 g001 550
شکل 1. نمونه هایی از عکس ها در سفرنامه ها. چینی در تصویر سمت چپ “معبد باستانی سلسله سوئی” را نشان می دهد.
Ijgi 11 00553 g002 550
شکل 2. چارچوب رمزگذار-رمزگشا با CNN-RNN.
Ijgi 11 00553 g003 550
شکل 3. چارچوب رمزگذار-رمزگشا با مکانیسم توجه.
Ijgi 11 00553 g004 550
شکل 4. زمان انتشار سفرنامه ها و میانگین تعداد عکس در هر سفرنامه در تیانتای. سایه رنگ نمودار میله ای نشان دهنده تحلیل احساسات متن سفرنامه توسط کتابخانه SnowNLP است. هر چه رنگ تیره تر باشد، مثبت تر است: ( الف ) آمار سالانه. ( ب ) آمار ماهانه.
Ijgi 11 00553 g005 550
شکل 5. نمودار شبکه ای همزمان از جاذبه های توریستی با فرکانس بالا در تیانتای.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید