Community intervention strategies to reduce the impact of financial strain and promote financial well-being: a comprehensive rapid review
Notice bibliographique
Résumé
Financial well-being describes when people feel able to meet their financial obligations, feel financially secure and are able to make choices that benefit their quality of life. Financial strain occurs when people are unable to pay their bills, feel stressed about money and experience negative impacts on their quality of life and health. In the face of the global economic repercussions of the COVID-19 pandemic, community-led approaches are required to address the setting-specific needs of residents and reduce the adverse impacts of widespread financial strain. To encourage evidence-informed best practices, a provincial health authority and community-engaged research centre collaborated to conduct a rapid review. We augmented the rapid review with an environmental scan and interviews. Our data focused on Western Canada and was collected prior to the pandemic (May-September 2019). We identified eight categories of community-led strategies to promote financial well-being: systems navigation and access; financial literacy and skills; emergency financial assistance; asset building; events and attractions; employment and educational support; transportation; and housing. We noted significant gaps in the evidence, including methodological limitations of the included studies (e.g. generalisability, small sample size), a lack of reporting on the mechanisms leading to the outcomes and evaluation of long-term impacts, sparse practice-based data on evaluation methods and outcomes, and limited intervention details in the published literature. Critically, few of the included interventions specifically targeted financial strain and/or well-being. We discuss the implications of these gaps in addition to possibilities and priorities for future research and practice. We also consider the results in relation to the COVID-19 pandemic and its economic consequences.
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 | 0,011 | 0,049 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,006 |
| Bibliométrie | 0,010 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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 ».