Les jeunes, Internet et leur argent : vulnérabilités et inégalités. Une approche par le risque sociodémographique cumulé
Bibliographic record
Abstract
De plus en plus d’activités financières se font par le biais d’Internet. Selon nombre d’études, les jeunes, les femmes et les plus précaires y recourent moins, ce qui peut conduire à de nouvelles formes d’inégalité. Ces études ne permettent toutefois pas de vérifier si les jeunes qui réunissent plusieurs facteurs de risque sont, comparativement aux autres, plus concernés par ces inégalités, car elles examinent les caractéristiques sociodémographiques de manière indépendante. L’approche du risque cumulé que nous mobilisons pour analyser les données 2019 de l’enquête Omnibus de l’Office fédéral de la statistique suisse remédie à cette lacune. Elle nuance le constat d’une fracture numérique. Certes, il existe des inégalités en matière d’inclusion financière numérique et de pratiques économiques numériques effectuées, les 18-29 ans les plus vulnérables étant moins susceptibles de mobiliser Internet pour gérer et dépenser leur argent. Cependant, il n’y a pas de liens statistiquement significatifs entre le fait de cumuler les risques et les activités de recherche de gains en ligne, ce qui laisse supposer que le numérique est aussi une ressource pour les plus vulnérables. On n’observe également pas de différence dans les problèmes rencontrés sur Internet et, le cas échéant, les pertes financières en découlant, ce qui semble indiquer des stratégies d’autocontrôle et des compétences dans l’évaluation des risques chez les plus vulnérables qu’il reste à explorer.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.020 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.005 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.008 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".