Design and Evaluation of a Peer-to-Peer Student Lending Platform to Mitigate Information Asymmetry and Credit Risk
Notice bibliographique
Résumé
Peer-to-peer (P2P) student lending platforms have emerged as an alternative source of funding for students who are unable to obtain loans from traditional lenders.Traditional loan systems have become less accessible and affordable for all students, and information asymmetry is a significant challenge that can have serious consequences for lenders and borrowers.The rising cost of higher education in many countries has made it challenging for some students to access the funds they need to finance their education.This study aims to design and implement a P2P student lending system that addresses these challenges.The research conducted enables the production of a P2P loan framework using PHP, Mysql, and Javascript that incorporates essential features gleaned from literature and existing P2P applications.The study improves the payback rate by reducing information asymmetry in the P2P lending system using the following methods; detailed applicant profiles, robust credit scoring models, income verification, transparent loan terms, and peer reviews and ratings.The prototype software development model was used to develop the P2P framework.The system is evaluated against industry-relevant metrics, such as loan characteristics, credit risk, and loan performance.The software was developed using HTML, JavaScript, PHP, and CSS, with the Operating System being Microsoft Windows 11.The result of the research is a more accessible and transparent lending system that supports students who require funds to complete their education after a thorough verifiction process by the system.The system was evaluated based on the reviews and ratings gotten from the clients and users.The implementation of this system can significantly impact the education sector by increasing access to funding for students.
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 | 0,003 | 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 | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,018 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».