Using Plastic Money (Cards) in Kathmandu Valley: Users’ Knowledge, Current Use, Challenges and Way-forward
Notice bibliographique
Résumé
This study aims to understand the users’ knowledge about plastic money, its current use, challenges they faced and way-forward. Based on descriptive research design, primary data is used for the purpose as per its suitability. A structured questionnaire has been arranged with the help of KOBO and devised for the information assortments from 404 plastic money users. Results found that people who use plastic money usually work in banks and financial institutions (33.87%) and are from the nuclear family (62.62%), with income between 25001 – 50000 (56%). 95.79 % of the respondents know about plastic money, and 86.3 % have plastic money. 88 % of respondents said they feel safe while using plastic money. 40.72% of respondents have faced challenges and problems while using plastic money. The majority (79.28%) of respondents believed that using the bank's services could be solved. It can be solved by giving training (34.85%), quick response to the problem raised by users (44.32%), update technology (34.47%) and keep a good network in the ATMs (71.79%) and quick solutions to the user's problems (75.76%). This study concludes that hassle-free transactions, a low-interest rate of credit cards, attractive advertisement, and awareness of how plastic money can use help and attract users of plastic money. .
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 | 0,001 | 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 | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».