Developing an identity fraud measurement model: a factor analysis approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose Though many studies and reports have been published about the scale of identity fraud (IDF), no work has been done on developing models to measure IDF. The purpose of this paper is to propose a measurement model for IDF and test the validity of that measurement model. Design/methodology/approach After providing a background on the concepts of IDF, the paper discusses the related term, identity theft. Next, a measurement model is developed, based on the current practice of measurement of IDF in four countries. Exploratory factor analysis (EFA) is used in identifying the indicators and factors of IDF. After the EFA is conducted, confirmatory factor analysis is employed to test the validity of the measurement model. These tests are conducted using the data collected from Canadian financial institutions. Findings The review of the current empirical studies suggests that IDF should be assessed using a measurement model with 33 indicators to measure five factors of IDF. However, the analysis of Canadian financial institutions suggests that a measurement model that includes 27 indicators and four factors is most appropriate for the data. Research limitations/implications The measurement model developed in the present paper is based on an examination of a sample of financial institutions in Canada. Hence, the results of this paper cannot be generalized to organizations in other sectors of the economy. Further studies in other sectors of the economy are required to identify industry‐specific measurement model. Practical implications This paper is the first approach toward developing a model for measuring IDF. Originality/value This paper is the first study that attempts to scientifically identify and validate a measurement system in the area of IDF.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle