📄 sciences sociales

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

Cette étude menée auprès d'étudiants en droit bangladais révèle que si l'utilisation quotidienne de l'IA est corrélée à de meilleures pratiques de cybersécurité, la sensibilisation générale aux menaces liées à l'IA ne prédit pas de manière significative les comportements de protection, soulignant ainsi la nécessité d'approches éducatives plus nuancées et d'outils de mesure validés.

Auteurs originaux : Kazi Abdul Mannan, Aungon Saha

Publié 2026-10-19

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Kazi Abdul Mannan, Aungon Saha

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Dans le monde numérique moderne, la frontière entre un message authentique et une falsification habile devient de plus en plus difficile à tracer. L'intelligence artificielle a atteint un stade où elle peut écrire des courriels, imiter des voix et créer des images qui ressemblent et sonnent exactement comme de vraies personnes, ce qui en fait un outil puissant pour les escrocs. Cette nouvelle réalité crée un défi spécifique pour quiconque utilise la technologie : savoir qu'une menace existe est différent du fait de pouvoir réellement la repérer lorsqu'elle apparaît, et savoir comment la repérer est différent du fait d'avoir l'habitude de vérifier avant d'agir. Les chercheurs s'intéressent à la question de savoir si la simple prise de conscience de ces dangers suffit à changer le comportement des gens, ou si la sensibilisation n'est qu'une première étape qui échoue souvent à conduire à une véritable protection. Cette question est particulièrement importante pour les étudiants qui se forment pour devenir juristes, car leur futur travail dépendra fortement de la vérification de l'information numérique et de la protection des données sensibles.

Une équipe de chercheurs au Bangladesh s'est donné pour mission d'étudier précisément ce fossé entre le savoir et le faire. Ils se sont concentrés sur les étudiants en droit, un groupe dont l'éducation exige d'être un penseur critique et un évaluateur attentif des preuves. Les chercheurs voulaient voir si ces étudiants, qui sont susceptibles de rencontrer des informations numériques complexes dans leur carrière, pouvaient distinguer la reconnaissance d'une potentielle escroquerie alimentée par l'IA de la prise de mesures effectives pour se protéger. Ils ont interrogé 253 étudiants en droit, en leur posant une série de questions sur leurs habitudes quotidiennes et leur confiance dans leur capacité à détecter la fraude. L'étude portait sur deux aspects principaux : si les étudiants pouvaient identifier que l'intelligence artificielle pouvait être détournée à des fins de tromperie, et s'ils déclaraient effectuer des actions de sécurité spécifiques, telles que la double vérification de demandes inhabituelles d'argent ou de mots de passe, ou l'utilisation de paramètres de sécurité robustes sur leurs comptes.

Les résultats ont révélé un décalage clair et quelque peu surprenant. Bien qu'une grande majorité d'étudiants aient déclaré avoir mis en place des habitudes de sécurité, moins de la moitié se sentaient capables de reconnaître quand l'intelligence artificielle était utilisée pour les tromper. Plus précisément, environ 82 % des étudiants ont déclaré utiliser des pratiques de sécurité comme des mots de passe robusts, et environ 81 % ont affirmé vérifier les demandes inhabituelles. Cependant, seulement environ 49 % ont déclaré pouvoir reconnaître un usage malveillant de l'IA pour le hameçonnage (phishing), et juste plus de la moitié se sentait confiante dans sa capacité à repérer les signes précurseurs d'une escroquerie. Cela suggère que les étudiants suivaient des routines de protection, peut-être par prudence générale ou par habitude, sans pour autant ressentir qu'ils possédaient la compétence spécifique pour identifier des menaces sophistiquées générées par l'IA.

Lorsque les chercheurs ont analysé les données pour voir si la sensibilisation dictait réellement ces comportements de protection, le lien s'est avéré bien plus faible qu'on ne pourrait l'espérer. Ils ont constaté que la simple connaissance du danger des escroqueries par l'IA ou le sentiment de confiance dans sa capacité à les repérer ne prédisaient pas de manière significative si un étudiant allait réellement vérifier une demande inhabituelle ou utiliser des mesures de sécurité. En d'autres termes, les étudiants qui se croyaient doués pour repérer les escroqueries n'étaient pas nécessairement ceux qui étaient les plus susceptibles de prendre des mesures de sécurité, et ceux qui se sentaient moins confiants n'étaient pas nécessairement moins prudents. L'étude suggère que, pour ce groupe, l'acte de se protéger se produisait indépendamment de leur sensibilisation spécifique aux menaces de l'IA.

Le seul facteur qui présentait un lien clair avec de meilleures habitudes de sécurité était la fréquence à laquelle les étudiants utilisaient l'intelligence artificielle dans leur vie quotidienne. Ceux qui déclaraient utiliser les outils d'IA quotidiennement étaient plus susceptibles de dire qu'ils vérifiaient les demandes inhabituelles et maintenaient des pratiques de sécurité rigoureuses. Cela ne signifie pas que l'utilisation de l'IA rend quelqu'un plus sûr en soi, mais plutôt que les utilisateurs fréquents pourraient avoir développé une relation différente avec la technologie, devenant peut-être plus accoutumés à ses particularités ou plus conscients de la nécessité de la prudence grâce à une interaction régulière. Les chercheurs ont noté que cette association était constante, mais ils n'ont pas pu prouver que l'usage quotidien causait ce comportement de sécurité ; il est également possible que les étudiants naturellement plus soucieux de la sécurité soient simplement plus enclins à utiliser ces outils fréquemment.

L'étude a également examiné si une formation formelle sur l'intelligence artificielle faisait une différence. Les données n'ont montré aucun lien clair entre le fait d'avoir reçu une formation et le fait d'avoir de meilleures habitudes de sécurité. Cela ne signifie pas que la formation est inutile, mais plutôt que le type spécifique de formation enregistré dans l'enquête — qui allait de courtes orientations à des cours complets — n'a pas été mesuré de manière à pouvoir démontrer son efficacité. Les chercheurs ont souligné que l'enquête reposait sur ce que les étudiants disaient faire, et non sur l'observation de leur comportement réel, et que les questions sur la sensibilisation et l'action n'étaient pas assez robustes pour être combinées en un score unique. Comme les réponses des étudiants sur la sensibilisation et leurs réponses sur les actions ne suivaient pas un même schéma, les chercheurs ont conclu qu'il s'agissait de problèmes distincts qui doivent être étudiés et enseignés différemment.

En fin de compte, la recherche souligne que être conscient d'une menace n'est pas la même chose que d'être protégé de celle-ci. Pour les étudiants en droit au Bangladesh, et probablement pour les étudiants ailleurs, l'habitude de vérifier un message suspect ou de sécuriser un compte semble être une compétence distincte de la capacité à identifier un mensonge généré par l'IA. L'étude suggère que les programmes éducatifs ne devraient pas supposer que l'enseignement des dangers de l'intelligence artificielle conduira automatiquement les étudiants à adopter des habitudes plus sûres. Au lieu de cela, les éducateurs devront peut-être se concentrer sur la construction de routines de vérification et de sécurité spécifiques et reproductibles, en les traitant comme des compétences pratiques qui nécessitent leur propre pratique et instruction, distinctes de la connaissance théorique du fonctionnement de la technologie. Les conclusions servent de rappel que, face à l'évolution des menaces numériques, connaître les règles n'est que la moitié de la bataille ; l'autre moitié consiste à avoir la discipline de les suivre à chaque fois.

Résumé technique : Sensibilisation à la cybercriminalité assistée par l'IA et comportements préventifs chez les étudiants en droit au Bangladesh

Énoncé du problème
L'étude traite du défi consistant à distinguer la reconnaissance des menaces de cybercriminalité assistées par l'IA (telles que le phishing et l'usurpation d'identité via l'IA générative) de l'adoption réelle de comportements préventifs chez les étudiants universitaires. Bien que l'IA générative modifie l'environnement de communication, rendant les menaces plus crédibles, il reste incertain si la reconnaissance de ces menaces se traduit par des actions de protection spécifiques, comme la vérification des demandes inhabituelles ou le maintien des configurations de sécurité. La recherche se concentre sur les étudiants en droit au Bangladesh, une population pertinente pour évaluer l'information numérique, afin d'examiner les associations conditionnelles entre la sensibilisation à la cybercriminalité assistée par l'IA et les pratiques préventives autodéclarées. L'étude évite explicitement d'estimer la prévalence nationale ou les effets causaux, se concentrant plutôt sur la relation empirique entre la reconnaissance, la capacité perçue et les comportements spécifiques au sein d'un échantillon défini.

Méthodologie

Conception et données : L'étude utilise un plan quantitatif transversal utilisant une base de données d'enquête comprenant 385 répondants. L'échantillon analytique principal est composé de 253 étudiants en droit auto-identifiés. Une analyse de l'échantillon complet (N=385) a été réalisée comme test de sensibilité.
Mesure : L'étude utilise des échelles d'accord en cinq points pour 20 items. Les variables clés incluent :
- Indicateurs de sensibilisation : CAP1 (Reconnaissance de l'usage abusif de l'IA) et CAP2 (Capacité perçue de détection d'arnaques).
- Variables de résultat : CAP3 (Vérification des demandes) et CAP4 (Pratiques de sécurité).
- Covariables : Connaissances générales en IA (AIL1, AIL3), exposition à la formation (indicateur binaire pour toute formation), et utilisation quotidienne de l'IA (indicateur binaire pour une utilisation quotidienne/presque quotidienne).
- Exclusion : Les items concernant les deepfakes et la fiabilité des preuves numériques ont été exclus des modèles focaux pour maintenir le champ d'application spécifique aux comportements.
Évaluation de la fiabilité : L'alpha de Cronbach et les corrélations inter-items ont été calculés. Le bloc « Sensibilisation et prévention à la cybercriminalité » (CAP) de cinq items a montré une fiabilité extrêmement faible ( $\alpha = 0,079$ ), tout comme la paire de sensibilisation ( $\alpha = -0,168$ ) et la paire de pratique ( $\alpha = 0,056$ ). En conséquence, les auteurs ont rejeté une approche de mesure composite réflexive au profit de modèles d'items observés séparés.
Stratégie statistique :
- Analyse primaire : Régression par moindres carrés ordinaires (MCO) avec erreurs types robustes à l'hétéroscédasticité HC3.
- Tests de sensibilité : Des modèles logistiques ordonnés ont été utilisés pour tester la robustesse par rapport aux spécifications de résultats ordinaux. Les modèles sur l'échantillon complet ont évalué l'influence de la définition de l'échantillon.
- Inférence : La correction de Holm a été appliquée aux quatre coefficients de sensibilisation focaux pour contrôler la multiplicité. Les facteurs d'inflation de la variance (VIF) ont été vérifiés pour la colinéarité.
Considérations éthiques : L'étude s'est appuyée sur le consentement éclairé et le signalement anonyme. Aucune approbation formelle d'un comité d'éthèse institutionnel n'a été obtenue en raison de l'absence de mécanisme de révision accessible pour la recherche non interventionnelle sur des adultes par questionnaire à ce moment-là, bien que les chercheurs aient adhéré aux principes éthiques de respect et de minimisation des risques.

Résultats clés

Statistiques descriptives : Parmi les étudiants en droit, 49,0 % ont reconnu l'usage abusif de l'IA pour le phishing/l'usurpation d'identité et 52,2 % se sont sentis capables de détecter des arnaques. En revanche, les comportements préventifs autodéclarés étaient élevés : 80,6 % ont déclaré vérifier les demandes inhabituelles et 82,2 % ont approuvé les pratiques de sécurité.
Association Sensibilisation-Comportement : Dans les modèles MCO ajustés pour l'échantillon étudiant (N=253), aucun indicateur de sensibilisation (CAP1 ou CAP2) n'a montré d'association statistiquement significative avec l'un ou l'autre des résultats (vérification des demandes ou pratiques de sécurité).
- Vérification des demandes : CAP1 ( $b=0,037, p=0,529$ ) ; CAP2 ( $b=0,044, p=0,451$ ).
- Pratiques de sécurité : CAP1 ( $b=0,067, p=0,276$ ) ; CAP2 ( $b=0,024, p=0,646$ ).
- Les quatre valeurs p ajustées par la méthode de Holm sont de 1,000, et tous les intervalles de confiance à 95 % incluent zéro.
Utilisation quotidienne de l'IA : L'utilisation quotidienne de l'IA était positivement et significativement associée aux deux résultats :
- Vérification des demandes : $b=0,308$ (IC 95 % 0,115–0,502, $p=0,002$ ).
- Pratiques de sécurité : $b=0,255$ (IC 95 % 0,067–0,444, $p=0,008$ ).
Exposition à la formation : La variable de formation enregistrée n'a montré aucune association claire ajustée avec l'un ou l'autre des résultats.
Analyse de sensibilité : Les modèles logistiques ordonnés ont produit des schémas comparables (coefficients de sensibilisation non significatifs, coefficients d'utilisation quotidienne significatifs). Dans l'analyse de l'échantillon complet (N=385), les valeurs p brutes pour la sensibilisation étaient plus basses (ex: 0,049), mais après correction de Holm, elles restaient non significatives (0,194).

Contributions clés

Distinction de mesure : L'étude démontre empiriquement que la reconnaissance des menaces, la capacité de détection perçue et les comportements préventifs spécifiques ne doivent pas être traités comme un seul construit réflexif. La faible cohérence interne du bloc CAP soutient l'analyse de ces éléments comme des indicateurs distincts plutôt que comme un score composite.
Évaluation spécifique à la population : En isolant les étudiants en droit, l'étude fournit une évaluation spécifique aux comportements de la sensibilisation à la cybercriminalité assistée par l'IA, distinguant ce groupe de l'échantillon mixte plus large.
Estimation consciente de l'incertitude : La recherche souligne l'importance de l'utilisation d'une inférence robuste (HC3), de l'ajustement de la multiplicité (Holm) et des analyses de sensibilité (modèles ordinaux) pour clarifier que l'absence d'association entre la sensibilisation et le comportement est un résultat d'incertitude plutôt qu'un effet nul définitif.
Association contextuelle : Les conclusions identifient une association positive entre l'utilisation quotidienne de l'IA et les pratiques de protection, suggérant que la fréquence d'utilisation peut être corrélée à l'expérience ou aux routines, bien que le design transversal empêche toute affirmation de causalité.

Signification et affirmations
L'article affirme que sa principale contribution est la distinction entre la reconnaissance, la capacité perçue et les réponses spécifiques aux comportements dans la recherche sur la cybersécurité. Il soutient que la sensibilisation seule est insuffisante pour expliquer la variation comportementale et que traiter ces concepts comme interchangeables occulte des différences utiles.

L'étude stipule explicitement qu'elle ne prétend pas :

Établir des effets causaux entre la sensibilisation et le comportement.
Déterminer les taux de prévalence nationale de la cybercriminalité ou de la victimisation.
Évaluer l'efficacité de formations spécifiques (en raison de la mesure grossière de l'exposition à la formation).
Que l'opérationnalisation actuelle invalide la Théorie de la Motivation à la Protection (PMT) ; elle suggère plutôt que les mécanismes complets de cette théorie n'ont pas été mesurés.

Les auteurs concluent que les résultats soutiennent la distinction de ces construits dans l'enseignement universitaire et la recherche future, soulignant la nécessité de mesures validées, d'évaluations comportementales prospectives et d'évaluations basées sur des tâches plutôt que de s'appuyer uniquement sur des échelles d'accord autodéclarées. L'étude sert de mise en garde méthodologique contre l'hypothèse d'une séquence linéaire allant de l'information à une conduite plus sûre sans vérification empirique des liens comportementaux spécifiques.

Résumé technique : Sensibilisation à la cybercriminalité assistée par l'IA et comportements préventifs chez les étudiants en droit au Bangladesh

Articles similaires