AI Enabled Cybercrime Awareness and Preventive Behaviour among Law Students in Bangladesh

Resumen Técnico: Conciencia del Cibercrimen Habilitado por IA y Comportamiento Preventivo entre Estudiantes de Derecho en Bangladesh

Planteamiento del Problema
El estudio aborda el desafío de distinguir entre el reconocimiento de las amenazas de cibercrimen habilitadas por IA (como el phishing y la suplantación de identidad mediante IA generativa) y la adopción real de comportamientos preventivos entre los estudiantes universitarios. Si bien la IA generativa altera el entorno de comunicación, haciendo que las amenazas parezcan más creíbles, no está claro si el reconocimiento de estas amenazas se traduce en acciones protectoras específicas, como verificar solicitudes inusuales o mantener configuraciones de seguridad. La investigación se centra en estudiantes de derecho en Bangladesh, una población relevante para evaluar la información digital, para examinar las asociaciones condicionales entre la conciencia del cibercrimen habilitado por IA y las prácticas preventivas autoinformadas. El estudio evita explícitamente estimar la prevalencia nacional o los efectos causales, centrándose en la relación empírica entre el reconocimiento, la capacidad percibida y los comportamientos específicos dentro de una muestra definida.

Metodología

• Diseño y Datos: El estudio emplea un diseño cuantitativo transversal utilizando una base de datos de encuesta de 385 encuestados. La muestra analítica principal consta de 253 estudiantes de derecho autoidentificados. Se realizó un análisis de la muestra completa (N=385) como verificación de sensibilidad.
• Medición: El estudio utiliza escalas de acuerdo de cinco puntos para 20 ítems. Las variables clave incluyen:
  • Indicadores de Conciencia: CAP1 (Reconocimiento del uso indebido de la IA) y CAP2 (Capacidad percibida de detección de estafas).
  • Variables de Resultado: CAP3 (Verificación de solicitudes) y CAP4 (Prácticas de seguridad).
  • Covariables: Conocimiento general de la IA (AIL1, AIL3), exposición a capacitación (indicador binario para cualquier capacitación) y uso diario de la IA (indicador binario para uso diario/casi diario).
  • Exclusión: Los ítems relativos a los deepfakes y la fiabilidad de la evidencia digital se excluyeron de los modelos focales para mantener el alcance específico del comportamiento.
• Evaluación de la Fiabilidad: Se calcularon el alfa de Cronbach y las correlaciones inter-ítem. El bloque de cinco ítems de "Conciencia y Prevención del Cibercrimen" (CAP) mostró una fiabilidad extremadamente baja ($\alpha = 0.079$), al igual que el par de conciencia ($\alpha = -0.168$) y el par de práctica ($\alpha = 0.056$). En consecuencia, los autores rechazaron un enfoque de medición compuesta reflectiva en favor de modelos de ítems observados separados.
• Estrategia Estadística:
  • Análisis Primario: Regresión de Mínimos Cuadrados Ordinarios (OLS) con errores estándar robustos a la heterocedasticidad HC3.
  • Verificaciones de Sensibilidad: Se utilizaron modelos logísticos ordenados para probar la robustez frente a especificaciones de resultados ordinales. Los modelos de la muestra completa evaluaron la influencia de la definición de la muestra.
  • Inferencia: Se aplicó la corrección de Holm a los cuatro coeficientes de conciencia focales para controlar la multiplicidad. Se verificaron los Factores de Inflación de la Varianza (VIF) para la colinealidad.
• Consideraciones Éticas: El estudio se basó en el consentimiento informado y el reporte anónimo. No se obtuvo la aprobación formal de un comité de revisión institucional debido a la falta de un mecanismo de revisión accesible para la investigación de cuestionarios de adultos no intervencionales en el momento, aunque los investigadores se adhirieron a los principios éticos de respeto y minimización de riesgos.

Resultados Clave

• Estadística Descriptiva: Entre los estudiantes de derecho, el 49.0% reconoció el uso indebido de la IA para phishing/suplantación de identidad, y el 52.2% se sintió capaz de detectar estafas. En contraste, los comportamientos preventivos autoinformados fueron altos: el 80.6% reportó verificar solicitudes inusuales y el 82.2% respaldó las prácticas de seguridad.
• Asociación Conciencia-Comportamiento: En los modelos OLS ajustados para la muestra de estudiantes (N=253), ninguno de los indicadores de conciencia (CAP1 o CAP2) mostró una asociación estadísticamente significativa con ninguno de los resultados (verificación de solicitudes o prácticas de seguridad).
  • Verificación de Solicitudes: CAP1 ($b=0.037, p=0.529$); CAP2 ($b=0.044, p=0.451$).
  • Prácticas de Seguridad: CAP1 ($b=0.067, p=0.276$); CAP2 ($b=0.024, p=0.646$).
  • Los cuatro valores p ajustados por Holm fueron 1.000, y todos los intervalos de confianza del 95% incluyeron el cero.
• Uso Diario de la IA: El uso diario de la IA se asoció positiva y significativamente con ambos resultados:
  • Verificación de solicitudes: $b=0.308$ (95% CI 0.115–0.502, $p=0.002$).
  • Prácticas de seguridad: $b=0.255$ (95% CI 0.067–0.444, $p=0.008$).
• Exposición a Capacitación: La variable de capacitación registrada no mostró una asociación clara ajustada con ninguno de los resultados.
• Análisis de Sensibilidad: Los modelos logísticos ordenados arrojaron patrones comparables (coeficientes de conciencia no significativos, coeficientes de uso diario significativos). En el análisis de la muestra completa (N=385), los valores p brutos para la conciencia fueron menores (ej., 0.049), pero tras la corrección de Holm, permanecieron no significativos (0.194).

Contribuciones Clave

1. Distinción de Medición: El estudio demuestra empíricamente que el reconocimiento de amenazas, la capacidad de detección percibida y los comportamientos preventivos específicos no deben tratarse como un único constructo reflectivo. La baja consistencia interna del bloque CAP respalda el análisis de estos como indicadores distintos en lugar de una puntuación compuesta.
2. Evaluación Específica de la Población: Al aislar a los estudiantes de derecho, el estudio proporciona una evaluación específica del comportamiento de la conciencia sobre el cibercrimen habilitado por IA, distinguiendo a este grupo de la muestra mixta más amplia.
3. Estimación Consciente de la Incertidumbre: La investigación destaca la importancia de utilizar inferencia robusta (HC3), ajustes de multiplicidad (Holm) y análisis de sensibilidad (modelos ordinales) para aclarar que la falta de asociación entre conciencia y comportamiento es un hallazgo de incertidumbre y no un efecto nulo definitivo.
4. Asociación Contextual: Los hallazgos identifican una asociación positiva entre el uso diario de la IA y las prácticas protectoras, lo que sugiere que la frecuencia de uso puede correlacionarse con la experiencia o las rutinas, aunque el diseño transversal impide realizar afirmaciones causales.

Significado y Reivindicaciones
El artículo sostiene que su principal contribución es la distinción entre reconocimiento, capacidad percibida y respuestas específicas de comportamiento en la investigación sobre ciberseguridad. Argumenta que la conciencia por sí sola es insuficiente para explicar la variación conductual y que tratar estos conceptos como intercambiables oscurece diferencias útiles.

El estudio declara explícamente que no pretende afirmar:

• Efectos causales entre la conciencia y el comportamiento.
• Tasas de prevalencia nacional de cibercrimen o victimización.
• La efectividad de intervenciones de capacitación específicas (debido a la medición gruesa de la exposición a la capacitación).
• Que la operacionalización actual invalide la Teoría de la Motivación de la Protección (PMT); más bien, sugiere que no se midieron todos los mecanismos de la teoría.

Los autores concluyen que los hallazgos apoyan la distincción de estos constructos en la educación universitaria y en investigaciones futuras, enfatizando la necesidad de medidas validadas, evaluaciones conductuales prospectivas y evaluaciones basadas en tareas en lugar de depender únicamente de escalas de acuerdo autoinformadas. El estudio sirve como una advertencia metodológica contra la suposición de una secuencia lineal desde la información hacia una conducta más segura sin la verificación empírica de los vínculos conductuales específicos.