Risks of the Use of FinTech in the Financial Inclusion of the Population: A Systematic Review of the Literature
Notice bibliographique
Résumé
Financial technology (FinTech) has significantly changed access to financial services, particularly benefiting historically marginalized communities. While it offers many advantages, FinTech also brings substantial risks associated with this digital transformation. Recent studies highlight the significant impact of FinTech on financial inclusion, especially for marginalized populations. To investigate the benefits and drawbacks of FinTech and identify specific risks affecting users, particularly vulnerable groups, we employed the PRISMA method. A systematic literature review was conducted using the Web of Science database to explore recent research on FinTech and its relationship with financial inclusion, focusing on associated risks. The search covered 2010–2025; however, after applying inclusion criteria, the final dataset comprised publications from 2012 to 2025. Unlike previous bibliometric studies broadly addressing FinTech innovations, this review identifies and categorizes key risks affecting financial inclusion, emphasizing regulatory barriers, digital literacy, and socio-cultural challenges. The review is limited by the exclusive use of Web of Science and the English language, suggesting future research avenues using additional databases and multilingual sources. Findings reveal a notable increase in research activity surrounding FinTech and financial inclusion. This highlights challenges such as data privacy, regulation, and financial literacy. By mapping FinTech-related risks, this study aims to inform policymakers and stakeholders about effective strategies to mitigate these challenges and promote safe, inclusive financial ecosystems.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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; un appel candidat d’une seule tête enseignante, 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 ».