Navigating Financial Systems: Addressing Digital Banking Barriers for East Asian Immigrants in Canada
Notice bibliographique
Résumé
This research explores the mobile banking experiences of Mandarin-speaking newcomers in Toronto, with a focus on the role of in-app chatbots in supporting or hindering their financial interactions. Using an inclusive design research approach, the study combined semi-structured interviews and a participatory co-design session to identify usability challenges and explore design opportunities. Thematic analysis of five interviews revealed four major pain points: uncertainty about chatbot capacity, confusion caused by irrelevant information, cognitive overload from complex app interfaces, and a lack of support in understanding Canada’s credit system. These themes guided a co-design workshop involving seven participants who contributed reflective feedback and proposed improvements to current user experience designs. Findings suggest that the information architecture of the current banking app is overwhelming for newcomers, and the information is often overflowed. Also, while chatbots hold potential to streamline banking workflows, their current implementations often fall short due to generic responses, poor contextual understanding, and lack of multilingual support. The research highlights the need for more transparent, culturally responsive, and linguistically inclusive design strategies. The resulting prototype proposes a simplified information architecture and a context-aware chatbot flow that together aim to enhance user confidence and financial autonomy among Mandarin-speaking newcomers. These insights contribute to the broader discourse on inclusive fintech design and call for deeper engagement with marginalized users in the development of digital financial services.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,005 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 ».