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

기술 요약: 방글라데시 법대생의 AI 기반 사이버 범죄 인식 및 예방적 행동

문제 제기
본 연구는 AI 기반 사이버 범죄 위협(생성형 AI를 통한 피싱 및 사칭 등)에 대한 인식과 대학생들의 실제 예방적 행동 채택 사이의 차이를 규명하는 과제를 다룬다. 생성형 AI는 통신 환경을 변화시켜 위협을 더욱 신뢰할 수 있게 만들지만, 이러한 위협을 인식하는 것이 비정상적인 요청을 확인하거나 보안 설정을 유지하는 것과 같은 구체적인 보호 행동으로 이어지는지는 불분명하다. 본 연구는 디지털 정보를 평가하는 데 적합한 집단인 방글라데시의 법대생에 초점을 맞추어, AI 기반 사이버 범죄 인식과 자기 보고된 예방 관행 사이의 조건부 연관성을 조사한다. 본 연구는 국가적 유병률이나 인과 효과를 추정하는 것을 명시적으로 피하며, 정의된 표본 내에서 인식, 인지된 능력, 그리고 특정 행동 간의 경험적 관계에 집중한다.

연구 방법론

• 설계 및 데이터: 본 연구는 385명의 응답자를 대상으로 한 설문 데이터베이스를 사용하여 양적, 횡단적 설계를 채택하였다. 주요 분석 표본은 스스로를 법대생으로 식별한 253명이다. 민감도 체크를 위해 전체 표본 분석(N=385)이 수행되었다.
• 측정: 20개 항목에 대해 5점 리커트 척도(agreement scales)를 사용하였다. 주요 변수는 다음과 같다:
  • 인식 지표: CAP1 (AI 오용 인식) 및 CAP2 (인지된 사기 탐지 능력).
  • 결과 변수: CAP3 (요청 확인) 및 CAP4 (보안 관행).
  • 공변량: 일반적 AI 지식(AIL1, AIL3), 교육 노출(교육 경험 여부에 대한 이분법적 지표), 일일 AI 사용량(매일 또는 거의 매일 사용 여부에 대한 이분법적 지표).
  • 제외 사항: 행동 중심의 범위를 유지하기 위해 딥페이크 및 디지털 증거 신뢰성과 관련된 항목은 핵심 모델에서 제외되었다.
• 신뢰도 평가: 크론바흐 알파(Cronbach's alpha)와 항목 간 상관계수를 계산하였다. 5개 항목으로 구성된 "사이버 범죄 인식 및 예방"(CAP) 블록은 매우 낮은 신뢰도($\alpha = 0.079$)를 보였으며, 인식 쌍($\alpha = -0.168$)과 실천 쌍($\alpha = 0.056$) 또한 그러하였다. 결과적으로 저자들은 반사적 복합 측정 방식(reflective composite measurement approach) 대신 개별 관찰 항목 모델을 채택하였다.
• 통계 전략:
  • 주요 분석: HC3 이분산 강건 표준 오차를 적용한 최소제곱회귀분석(OLS)을 실시하였다.
    • 민감도 체크: 서열적 결과 명세에 대한 강건성을 테스트하기 위해 순서형 로지스틱 모델(Ordered logistic models)을 사용하였다. 전체 표본 모델을 통해 표본 정의의 영향을 평가하였다.
  • 추론: 다중 비교 제어를 위해 네 가지 핵심 인식 계수에 홀름 교정(Holm correction)을 적용하였다. 공선성을 확인하기 위해 분산팽창요인(VIF)을 점검하였다.
• 윤리적 고려사항: 본 연구는 고지된 동의와 익명 보고에 의존하였다. 당시 비개입적 성인 설문 연구에 대한 접근 가능한 검토 메커니즘이 부재하여 공식적인 기관 생명윤리위원회(IRB) 승인을 받지는 못했으나, 연구진은 존중과 위험 최소화의 윤리 원칙을 준수하였다.

주요 결과

• 기술 통계: 법대생 중 49.0%가 피싱/사칭을 위한 AI 오용을 인식하였고, 52.2%가 사기 탐지 능력이 있다고 느꼈다. 반면, 자기 보고된 예방 행동은 높게 나타났다: 80.6%가 비정상적인 요청을 확인한다고 답하였고, 82.2%가 보안 관행을 준수한다고 답하였다.
• 인식-행동 연관성: 학생 표본(N=253)에 대한 조정된 OLS 모델 결과, 어떤 인식 지표(CAP1 또는 CAP2)도 결과 변수(요청 확인 또는 보안 관행)와 통계적으로 유의미한 연관성을 보이지 않았다.
  • 요청 확인: CAP1 ($b=0.037, p=0.529$); CAP2 ($b=0.044, p=0.451$).
  • 보안 관행: CAP1 ($b=0.067, p=0.276$); CAP2 ($b=0.024, p=0.646$).
  • 네 가지 홀름 교정된 p-값은 모두 1.000이었으며, 모든 95% 신뢰 구간은 0을 포함하였다.
• 일일 AI 사용: 일일 AI 사용은 두 결과 변수 모두와 정(+)의 유의미한 연관성을 보였다:
  • 요청 확인: $b=0.308$ (95% CI 0.115–0.502, $p=0.002$).
  • 보안 관행: $b=0.255$ (95% CI 0.067–0.444, $p=0.008$).
• 교육 노출: 기록된 교육 변수는 두 결과 변수와 명확한 조정된 연관성을 보이지 않았다.
• 민감도 분석: 순서형 로지스틱 모델은 유사한 패턴(비유의적인 인식 계수, 유의미한 일일 사용 계수)을 나타냈다. 전체 표본 분석(N=385)에서는 인식에 대한 원시 p-값이 더 낮았으나(예: 0.049), 홀름 교정 후에는 여전히 비유의적이었다(0.194).

핵심 기여

1. 측정의 구분: 본 연구는 위협 인식, 인지된 탐지 능력, 그리고 특정 예방 행동이 단일한 반사적 구성 개념(reflective construct)으로 취급되어서는 안 된다는 것을 경험적으로 입증한다. CAP 블록의 낮은 내부 일관성은 이들을 복합 점수가 아닌 별개의 지표로 분석해야 함을 뒷받침한다.
2. 집단 특화적 평가: 법대생을 분리함으로써, 본 연구는 광범위한 혼합 상태의 표본과 이 집단을 구분하여 AI 기반 사이버 범죄 인식에 대한 행동 중심적 평가를 제공한다.
3. 불확실성을 고려한 추정: 본 연구는 강건한 추론(HC3), 다중성 조정(Holm), 그리고 민감도 분석(순서형 모델)의 중요성을 강조하여, 인식과 행동 사이의 연관성 결여가 단순한 무효 효과가 아니라 불확실성의 결과임을 명확히 한다.
4. 맥락적 연관성: 연구 결과는 일일 AI 사용과 보호 관행 사이에 정(+)의 연관성이 있음을 밝혀냈으며, 이는 사용 빈도가 경험이나 습관과 상관관계가 있을 수 있음을 시사한다. 다만, 횡단적 설계 특성상 인과 관계를 주장할 수는 없다.

의의 및 주장
본 논문은 주요 기여가 사이버 보안 연구에서 인식, 인지된 능력, 그리고 행동 특이적 반응을 구분하는 데 있다고 주장한다. 저자들은 인식을 행동의 변화를 설명하는 데 있어 충분한 요소로 간주하는 것이 유용한 차이점을 가릴 수 있다고 주장한다.

본 연구는 다음과 같은 사항을 주장하지 않음을 명시한다:

• 인식과 행동 사이의 인과 효과.
• 사이버 범죄 또는 피해의 국가적 유병률.
• 특정 교육 개입의 효과성(교육 노출 측정의 거칠기 때문).
• 현재의 조작적 정의가 보호 동기 이론(PMT)을 무효화한다는 점(오히려 이론의 전체 메커니즘이 측정되지 않았음을 시사함).

저자들은 연구 결과가 대학 교육 및 향후 연구에서 이러한 구성 개념들을 구분할 필요가 있음을 지지하며, 단순히 자기 보고식 동의 척수에 의존하기보다 검증된 측정 도구, 전향적 행동 평가, 그리고 과업 기반 평가가 필요함을 강조하며 결론을 맺는다. 본 연구는 정보로부터 안전한 행동으로 이어지는 선형적 과정을 경험적 검증 없이 당연하게 가정하는 것에 대한 방법론적 경고 역할을 한다.