Empowering Financial Education by Banks—Social Media as a Modern Channel
Notice bibliographique
Résumé
Financial literacy is extremely important, both from the perspective of the financial well-being of individuals and the stability of the financial market and the whole economy. The more financially literate a bank’s customers are, the more frequently and consciously they use financial products and services. Thus, banks are potentially significant stakeholders in the financial education process. Considering that social media have become the leading channel for communication and relationship building, especially regarding young clients, this channel should also be used by banks to increase financial literacy. The aim of this paper is to assess banks’ involvement in financial education activities through social media. We assume that banks use social media as a modern and attractive channel for improving financial education among social media users. The empirical analysis was conducted using several data sources, including non-financial statements and a unique self-collected dataset that describes the specifics of the most popular social media platforms (like Facebook, Twitter, YouTube, Instagram, GoldenLine, and LinkedIn) in the activities of commercial and cooperative banks in Poland between 2010 and 2019. Descriptive statistical methods and cluster analysis were used. The results show that educational activities provided by banks in Poland differ for each social media channel. Additionally, although financial education topics have become more popular among content published by banks, there is a huge disproportion between cooperative and commercial banks. Generally, banks that are more active on social media (mostly commercial banks) also pay more attention to the financial education context.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».