MétaCan
Menu
Retour à la cohorte
Enregistrement W3136740752 · doi:10.5539/ibr.v14n4p1

A Conceptual and Operational Review of the Negative Financial Health Terminology and Constructs

2021· article· en· W3136740752 sur OpenAlexaffvenue
Amanda Wuth, Magdalena Cismaru

Notice bibliographique

RevueInternational Business Research · 2021
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueFinancial Literacy, Pension, Retirement Analysis
Établissements canadiensUniversity of GuelphUniversity of Regina
Organismes subventionnairesnon disponible
Mots-clésTerminologyVariety (cybernetics)Knowledge managementPsychologyFinanceManagement scienceComputer scienceBusinessEconomicsLinguisticsArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Financial (di)stress is widespread and an important topic for research by a variety of organizations and disciplines. However, different terms are being used in different disciplines in academia, by organizations, and by consumers. This paper illustrates various terms used to describe negative financial health, provides their incidence in several academic databases and Google searches, provides definitions used in studies, identifies scales of measurement, assesses if new scales are being developed and if they have validity, and identifies if measures of negative financial health constructs include objective, subjective, or both measures. The study ends with specific recommendations for researchers from academia and practitioners worldwide. This article reviews financial negative health terminology and constructs, and attempts to shed light on similarities and differences among the terms, to allow for better knowledge translation and integration.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,004
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,327
Score d'incertitude au seuil0,575

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,057
Tête enseignante GPT0,350
Écart entre enseignants0,293 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueInternational Business ResearchMême sujetFinancial Literacy, Pension, Retirement AnalysisTravaux en français237 207