Mesure de l'impact de la technologie mobile sur l'intérêt pour l'épargne
Bibliographic record
Abstract
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
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 | 0.006 | 0.026 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.008 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.027 | 0.004 |
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".