Artificial Intelligence in Financial Behavior: Bibliometric Ideas and New Opportunities
Notice bibliographique
Résumé
Artificial intelligence is transforming financial behavior and decision-making processes, offering new opportunities to optimize financial systems and reduce bias. This study explores the intersection of AI and financial behavior using bibliometric analysis to identify trends, gaps, and emerging directions in this rapidly evolving field. A total of 1019 documents are available in Scopus for the period 1987–2024. The articles are analyzed using the Bibliometrix R package and the Bibliophagy graphical user interface. Key findings show a robust annual growth rate of 13.34%, highlighting the growing relevance of the topic. The analysis revealed central themes such as machine learning, decision-making, and financial inclusion, along with critical gaps in ethical considerations, regional disparities, and practical applications of AI for marginalized populations. Leading contributors and influential sources, including journals such as IEE Access and Expert Systems with Applications, were mapped to understand the intellectual structure of the field. The study highlights the urgent need to address and mitigate algorithmic biases to ensure fairness, transparency, and ethical outcomes in AI-driven systems. It also highlights the importance of improving financial literacy and adapting AI tools for fair financial inclusion. These insights provide a roadmap for future research and practical innovation, ensuring that AI is integrated into financial systems ethically and effectively to promote a more inclusive global financial ecosystem.
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 | 0,030 | 0,118 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,119 | 0,182 |
| Études des sciences et des technologies | 0,002 | 0,007 |
| Communication savante | 0,016 | 0,020 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».