Banking on refugees: Racialized expropriation in the fintech era
Notice bibliographique
Résumé
Fintech and digital financial services involve the delivery of financial products and services through technology. Fintech companies are part of a financial lending infrastructure claiming to offer an alternative to ‘big banks’, and are often touted as digitally disruptive technology that is rapidly reshaping financial inclusion agendas and improving the lives of the poor. For many refugees living in camps and informal settlements in Kenya, fintech is often the only viable option for credit or microfinance aid. While refugees are often excluded from credit, the spread of fintech as a solution for direct peer-to-peer aid transfers from the Global North to refugees has resulted in the uneven distribution of credit access and livelihood support. Through fintech, private citizens and groups in the Global North are able to disrupt and subvert refugee assistance, deeming some worthy of aid while others face ongoing exclusion. While fintech remains a hopeful source of greater efficiency and empowerment, the direct transfer of aid money masks profit and corporate power by only extending assistance to those refugees who are appropriately entrepreneurial, that is to say those who will start small businesses and pay back their loans. This paper argues that processes of financial inclusion carried out by and through fintech are still distinguished largely by exclusion. In so doing, this paper highlights a theoretical position that refugee governance is embedded in racial forms of capital accumulation and expropriation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,018 | 0,016 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,001 | 0,012 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».