MétaCan
Menu
Retour à la cohorte
Enregistrement W4322770761 · doi:10.3390/jrfm16030165

Challenges in Understanding Western Economic and Financial Concepts from the Perspective of Young Adults with a Post-Soviet Migration Background in Germany—Findings from a Qualitative Interview Study

2023· article· en· W4322770761 sur OpenAlexvenueno aff
Sebastian Heidel, Roland Happ

Notice bibliographique

RevueJournal of risk and financial management · 2023
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueFinancial Literacy, Pension, Retirement Analysis
Établissements canadiensnon disponible
Organismes subventionnairesJoachim Herz Stiftung
Mots-clésSocializationFinancial literacyPerspective (graphical)Qualitative researchEuropean unionSoviet unionPolitical scienceSociologyEconomic growthEconomicsSocial scienceFinanceEconomic policyPolitics

Résumé

récupéré en direct d'OpenAlex

The content of economic education in Germany is based largely on the laws and ideals of the prevailing economic system. While Western concepts such as the competitive market typically are addressed in economic programs in Germany, they may be unfamiliar in Eastern European countries that were part of, or under the influence of, the former Soviet Union, where many youths living in Germany originate. Findings from large-scale quantitative studies of economic and financial literacy in Germany indicate that people who have a migration background (MB) perform worse on tests of economic literacy than those who do not; however, these studies do not provide sufficient insight into the underlying migration-related causes of the deficits in economic literacy. In this study we investigate the influence of family financial socialization on young adults’ understanding of economic and financial concepts. We interview eight young adults with a post-Soviet MB living in Germany using a two-part procedure: problem-centered and think-aloud interviews. We found that migrant parents directly and indirectly influenced their children’s understanding of economic and financial concepts in numerous ways, and we maintain that the best way to remedy the deficits in their understanding of such concepts is through targeted programs and teacher training.

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)0,000
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 enseignants0,121
Score d'incertitude au seuil0,996

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
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 Opus0,049
Tête enseignante GPT0,295
Écart entre enseignants0,246 · 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

Citations3
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

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