Mesure de l'impact de la technologie mobile sur l'intérêt pour l'épargne
Notice bibliographique
Résumé
Cette recherche a pour objectif de mieux comprendre l’impact de l’expérience utilisateur d’une technologie bancaire mobile sur l’intérêt pour l’épargne. L’épargne constitue un véritable enjeu pour les ménages québécois dont les taux d’épargne-retraite sont inférieurs aux taux d’épargne préconisés par le gouvernement canadien (Statistiques Canada, 2015). Avec l’essor des technologies mobiles, de nouveaux outils d’aide à l’épargne sont apparus sur le marché. L’Association des Banquiers Canadiens (2019) prévoit notamment une croissance de 40% des technologies mobiles bancaires dans les cinq prochaines années. La technologie mobile s’avère par ailleurs un outil de persuasion très efficace pour favoriser l’adoption du comportement souhaité (Ijsselsteijn et al., 2006). Dans notre étude, nous avons adapté un modèle de la persuasion technologique existant dans la littérature au contexte de notre échantillon spécifique pour mieux expliquer le lien entre l’attitude envers une application aidant à épargner et le comportement d’épargne d’un côté, et les fonctionnalités des applis bancaires mobiles de l’autre. Notre recherche se démarque dans le sens où elle ne s’attaque pas à l’adoption de la technologie bancaire mobile, mais plus précisément à l’appréciation des fonctionnalités informationnelles, promotionnelles et de gestion en fonction de l’attitude. Nous étudions également le lien entre l’attitude positive à l’épargne et l’intérêt pour l’épargne. Nous mettons donc en lumière l’importance du design dans la conception et le développement d’un outil de persuasion mobile favorisant l‘épargne. Afin de réaliser ce projet, nous avons eu accès à des données secondaires de l’organisme Question Retraite (devenu ÉducÉpargne) qui avait récolté des données via un sondage en ligne auprès de ses abonnés à l’infolettre en 2019 (soit avant la COVID-19). Les résultats ont montré que les répondants avec une propension technologique élevée sont plus enclins à utiliser une technologie bancaire mobile, et ont validé que plusieurs variables socio-démographiques sont des antécédents à la propension technologique. Enfin, le design d’une appli mobile bancaire comprenant des fonctionnalités utilitaires et hédoniques qui présentent une valeur ajoutée a également un impact sur l’attitude envers une application favorisant l’épargne. À la fin du mémoire, les contributions d’ordre théorique et les implications managériales de notre recherche, ainsi que les limites et voies de recherche futures sont abordées. \n_____________________________________________________________________________ \nMOTS-CLÉS DE L’AUTEUR : Intérêt pour l’épargne, expérience utilisateur, adoption technologique, applications mobiles, banque mobile/m-banking, persuasion technologique
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 | 0,006 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,008 | 0,004 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,027 | 0,004 |
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 ».