The JinShe community financial education project: a case study of localised financial social work practice in China
Notice bibliographique
Résumé
The JinShe Community Financial Education Project launched in 2021. Grounded in the Financial Capability and Asset Building (FCAB) framework, it addresses financial capability gaps among vulnerable populations through a “dual-track empowerment” approach targeting access, knowledge, skills, attitudes, and behaviours. The project established a rigorous “training + supervision + support” financial social worker cultivation system. Service delivery operates through embedded stations employing diverse methods.As of April 2025, the project expanded to 84 communities across 29 cities. It trained 164 social workers and over 550 volunteers, delivering 950+ activities to 200,000+ residents. Evaluation results show significant improvements: financial capability scores increased by 14.2%, fraud identification accuracy rose from 56.8% to 75.4%, appropriate investment selection increased from 58.7% to 74.8%, and credit card overdue rates declined from 9.1% to 4.0%. The JinShe Project offers a robust model and contribute to a “distinctively Chinese approach” with global applicability.金社工程——社区金融教育项目设立于2021年，旨在探索金融教育本土化模式。该项目以金融能力与资产建设为理论指导，采用“双轨赋能”路径，从机会获取、知识普及、技能培养、态度塑造和行为改变五个维度入手提升社区弱势群体金融能力。项目构建起金融教育多方协作模式，对项目社工建立”培训+督导+支持”培养体系，建立社区嵌入式金融教育服务站，广泛采用情景模拟、角色扮演、金融桌游等互动式教学方法。截至2025年4月，项目已拓展至29个城市84社区，培养164名社工和550余名志愿者，开展950余场活动，惠及20万居民。评估显示，参与居民的金融能力得分提升14.2%，诈骗识别率从56.8%升至75.4%，投资适当率从58.7%增至74.8%，信用卡逾期率从9.1%降至4.0%。金社工程将金融教育建构为嵌入社区日常生活的社会性实践，形成了具有鲜明中国特色且具备全球适用性的金融社会工作实践路径。
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,010 | 0,006 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».