Notice bibliographique
Résumé
This deliverable provides the data-collection blueprint for the project “Why People Do Not Use Financial Planning.” It lays out a transparent, replicable protocol for building a multi-platform corpus of real-world consumer narratives and complaints, focusing on barriers faced by low- and middle-income households in the U.S. and Canada. The primary corpus is drawn from four major public platforms—Google (search and reviews), Reddit, X (Twitter), and Quora—so that we can capture intent, lived experience, real-time discourse, and explicitly stated reasons for (not) using financial planners. Supplementary benchmarking sources include CFPB’s Consumer Complaint Database, Better Business Bureau records, and Yelp reviews, which are used to cross-validate and enrich the barrier taxonomy. The protocol specifies search strategies, platform-specific filters, time windows, and metadata to retain (e.g., timestamps, engagement metrics, geography) as well as governance rules such as compliance with robots.txt/Terms of Service, exclusion of paywalled or login-gated content, and procedures for anonymization and PII scrubbing. It also documents known limitations—sampling bias, short/noisy texts, astroturfing/fraud—and the mitigation steps built into the pipeline (post-stratification, topic-model stability checks, spam/fake-review screening). Together, this deliverable serves as a methodological foundation for the project’s subsequent topic-modeling and sentiment/framing analyses and as a reusable template for other researchers who wish to apply NLP to public web data in consumer-finance contexts.
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 | 0,013 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,005 | 0,009 |
| Études des sciences et des technologies | 0,007 | 0,002 |
| Communication savante | 0,017 | 0,006 |
| Science ouverte | 0,005 | 0,007 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,597 | 0,424 |
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 ».