Notice bibliographique
Résumé
This second deliverable builds on the web-data protocol (Deliverable 1) and presents the substantive findings from topic modeling and sentiment analysis of consumer narratives about financial planning. Using a cleaned corpus of short, real-world comments from multiple online platforms, the report analyzes both a broad sample of public voices and focused subsets that highlight (1) people who explicitly say they do not use financial planners or advisors, (2) individuals who mention low income, poverty, or financial hardship, and (3) Canadian consumers, including those referencing products such as RRSPs, TFSAs, and CPP/QPP. Through LDA topic modeling and qualitative interpretation, the report surfaces recurring themes such as: “It’s too expensive,” “I don’t trust the system or the advisors,” “I can manage on my own,” and “I feel ashamed or judged.” A second thematic map zooms in on low-income and financially vulnerable groups, showing how many perceive planning as something “for rich people,” feel that advice does not fit their unstable reality, or experience practical access barriers. Each theme is followed by practice-oriented implications for planners and organizations (e.g., fee transparency, scaled service models, non-judgmental communication, partnerships with community organizations). The document is structured in three parts—an executive summary, a practitioner-focused comprehensive report, and a detailed analytic/technical appendix—so that researchers, policymakers, and practitioners can all use the findings at the level of depth they need. This project relies exclusively on publicly available big data collected from open web sources via web crawling. Because no identifiable human subjects data are included, this work did not require IRB review.
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 | 0,011 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,007 |
| Études des sciences et des technologies | 0,006 | 0,002 |
| Communication savante | 0,015 | 0,005 |
| Science ouverte | 0,004 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,598 | 0,380 |
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 ».