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

Resumo Técnico: Consciência de Crimes Cibernéticos Mediados por IA e Comportamento Preventivo entre Estudantes de Direito em Bangladesh

Problema de Pesquisa
O estudo aborda o desafio de distinguir entre o reconhecimento de ameaças de crimes cibernéticos habilitados por IA (como phishing e personificação via IA generativa) e a adoção real de comportamentos preventivos entre estudantes universitários. Embora a IA generativa altere o ambiente de comunicação, fazendo com que as ameaças pareçam mais credíveis, permanece incerto se o reconhecimento dessas ameaças se traduz em ações protetivas específicas, como verificar solicitações incomuns ou manter configurações de segurança. A pesquisa foca em estudantes de direito em Bangladesh, uma população relevante para avaliar a informação digital, para examinar as associações condicionais entre a consciência de crimes cibernéticos mediados por IA e as práticas preventivas autorrelatadas. O estudo evita explicitamente estimar a prevalência nacional ou efeitos causais, concentrando-se na relação empírica entre reconhecimento, capacidade percebida e comportamentos específicos dentro de uma amostra definida.

Metodologia

• Design e Dados: O estudo emprega um design quantitativo transversal utilizando um banco de dados de pesquisa de 385 respondentes. A amostra analítica primária consiste em 253 estudantes de direito autoidentificados. Uma análise da amostra total (N=385) foi realizada como um teste de sensibilidade.
• Mensuração: O estudo utiliza escalas de concordância de cinco pontos para 20 itens. As variáveis principais incluem:
  • Indicadores de Consciência: CAP1 (Reconhecimento de uso indevido de IA) e CAP2 (Capacidade percebida de detecção de golpes).
  • Variáveis de Desfecho: CAP3 (Verificação de solicitações) e CAP4 (Práticas de segurança).
  • Covariáveis: Conhecimento geral de IA (AIL1, AIL3), exposição a treinamento (indicador binário para qualquer treinamento) e uso diário de IA (indicador binário para uso diário/quase diário).
  • Exclusão: Itens relativos a deepfakes e confiabilidade de evidências digitais foram excluídos dos modelos focais para manter o escopo específico de comportamento.
• Avaliação de Confiabilidade: Foram computados o alfa de Cronbach e as correlações inter-itens. O bloco "Consciência de Crimes Cibernéticos e Prevenção" (CAP) de cinco itens apresentou confiabilidade extremamente baixa ($\alpha = 0,079$), assim como o par de consciência ($\alpha = -0,168$) e o par de prática ($\alpha = 0,056$). Consequentemente, os autores rejeitaram uma abordagem de mensuração composta reflexiva em favor de modelos de itens observados separados.
• Estratégia Estatística:
  • Análise Primária: Regressão de Mínimos Quadrados Ordinários (OLS) com erros padrão robustos à heterocedasticidade HC3.
  • Testes de Sensibilidade: Modelos logísticos ordenados foram utilizados para testar a robustez contra especificações de desfecho ordinais. Modelos de amostra total avaliaram a influência da definição da amostra.
  • Inferência: A correção de Holm foi aplicada aos quatro coeficientes de consciência focais para controlar a multiplicidade. Fatores de Inflação de Variância (VIF) foram verificados para colinearidade.
• Considerações Éticas: O estudo baseou-se no consentimento informado e no relato anônimo. Não foi obtida aprovação formal de um conselho de revisão institucional devido à falta de um mecanismo acessível de revisão para pesquisas com adultos não intervencionais de questionário na época, embora os pesquisadores tenham aderido aos princípios éticos de respeito e minimização de riscos.

Principais Resultados

• Estatísticas Descritivas: Entre os estudantes de direito, 49,0% reconheceram o uso indevido de IA para phishing/personificação e 52,2% sentiram-se capazes de detectar golpes. Em contraste, os comportamentos preventivos autorrelatados foram altos: 80,6% relataram verificar solicitações incomuns e 82,2% endossaram práticas de segurança.
• Associação Consciência-Comportamento: Nos modelos OLS ajustados para a amostra de estudantes (N=253), nenhum indicador de consciência (CAP1 ou CAP2) mostrou associação estatisticamente significativa com qualquer desfecho (verificação de solicitação ou práticas de segurança).
  • Verificação de Solicitação: CAP1 ($b=0,037, p=0,529$); CAP2 ($b=0,044, p=0,451$).
  • Práticas de Segurança: CAP1 ($b=0,067, p=0,276$); CAP2 ($b=0,024, p=0,646$).
  • Todos os quatro valores de p ajustados por Holm foram de 1,000, e todos os intervalos de confiança de 95% incluíram o zero.
• Uso Diário de IA: O uso diário de IA foi associado positiva e significativamente a ambos os desfechos:
  • Verificação de solicitação: $b=0,308$ (95% CI 0,115–0,502, $p=0,002$).
  • Práticas de segurança: $b=0,255$ (95% CI 0,067–0,444, $p=0,008$).
• Exposição ao Treinamento: A variável de treinamento registrada não mostrou uma associação ajustada clara com nenhum dos desfechos.
• Análise de Sensibilidade: Os modelos logísticos ordenados produziram padrões comparáveis (coeficientes de consciência não significativos, coeficientes de uso diário significativos). Na análise da amostra total (N=385), os valores de p brutos para a consciência foram menores (ex: 0,049), mas após a correção de Holm, permaneceram não significativos (0,194).

Principuições Contribuições

1. Distinção de Mensuração: O estudo demonstra empiricamente que o reconhecimento de ameaças, a capacidade percebida de detecção e os comportamentos preventivos específicos não devem ser tratados como um único constructo reflexivo. A baixa consistência interna do bloco CAP apoia a análise desses elementos como indicadores distintos, em vez de um escore composto.
2. Avaliação Específica da População: Ao isolar os estudantes de direito, o estudo fornece uma avaliação específica de comportamento da consciência de crimes cibernéticos mediados por IA, distinguindo este grupo da amostra mista mais ampla.
3. Estimativa Consciente da Incerteza: A pesquisa destaca a importância do uso de inferência robusta (HC3), ajustes de multiplicidade (Holm) e análises de sensibilidade (modelos ordinais) para esclarecer que a falta de associação entre consciência e comportamento é um achado de incerteza, e não um efeito nulo definitivo.
4. Associação Contextual: Os achados identificam uma associação positiva entre o uso diário de IA e as práticas de proteção, sugerindo que a frequência de uso pode estar correlacionada com experiência ou rotinas, embora o design transversal impeça afirmações causais.

Significância e Alegações
O artigo alega que sua principal contribuição é a distinção entre reconhecimento, capacidade percebida e respostas específicas de comportamento na pesquisa de cibersegurança. Argumenta-se que a consciência, por si só, é insuficiente para explicar a variação comportamental e que tratar esses conceitos como intercambiáveis obscurece diferenças úteis.

O estudo declara explicitamente que não alega:

• Efeitos causais entre consciência e comportamento.
• Taxas de prevalência nacional de crimes cibernéticos ou vitimização.
• A eficácia de intervenções de treinamento específicas (devido à mensuração grosseira da exposição ao treinamento).
• Que a operacionalização atual invalida a Teoria da Motivação de Proteção (PMT); em vez disso, sugere que os mecanismos completos da teoria não foram medidos.

Os autores concluem que os achados apoiam a distinção desses construtos no ensino universitário e em pesquisas futuras, enfatizando a necessidade de medidas validadas, avaliações comportamentais prospectivas e avaliações baseadas em tarefas, em vez de depender apenas de escalas de concordância autorrelatadas. O estudo serve como uma cautela metodológica contra a suposição de uma sequência linear da informação para a conduta mais segura sem verificação empírica dos links comportamentais específicos.