MétaCan
Menu
Retour à la cohorte
Enregistrement W4307964394 · doi:10.3390/jrfm15110488

Financial Literacy of Adults in Germany FILSA Study Results

2022· article· en· W4307964394 sur OpenAlexvenueno aff
Michael Schuhen, Susanne Kollmann, Minou Seitz, Gunnar Mau, Manuel Froitzheim

Notice bibliographique

RevueJournal of risk and financial management · 2022
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueFinancial Literacy, Pension, Retirement Analysis
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésFinancial literacyCompetence (human resources)Construct (python library)Structural equation modelingThe InternetPsychologyOrder (exchange)FinanceBusinessMedical educationComputer scienceSocial psychology

Résumé

récupéré en direct d'OpenAlex

The steady growing of online financial services due to the vanishing of on-site banking offers is changing the socio-economic framework individuals make financial decisions in. Financial literacy as an essential part of basic education is therefore also subject to changes. In order to investigate the individual competence of the respondents with regard to financially determined life situations, a digital questionnaire survey with integrated simulation sequences was conducted. For this purpose, a testing instrument (FILSA—Financial Literacy Study of Adults) has been developed to measure the financial literacy of adults. The validity of the construct including its five content areas was tested and the relationships between the manifest exogenous variables and financial literacy were mapped in a structural equation model. It introduces the participants (N = 212) to various financial problems and offers specific aids for founded decision-making. The study’s evaluation system takes into account the participants’ individual behavior in three case studies as well as the impact of attitude and socio-demographic factors on their decisions and behaviors, such as gender, age, and their degree of internet affinity. FILSA examines how adults make decisions with regard to finances and what benefit or impact online tools and financial advisors have on the decision-making process. Furthermore, it is possible to develop concepts for self-learning that are comprised in online tools for decision-making.

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)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
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 enseignants0,080
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,006
Tête enseignante GPT0,215
Écart entre enseignants0,210 · 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.

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

Citations13
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of risk and financial managementMême sujetFinancial Literacy, Pension, Retirement AnalysisTravaux en français237 207