MétaCan
Menu
Retour à la cohorte
Enregistrement W3121300743 · doi:10.3968/11946

Multilateral Responses to Cybercrimes in the SADC Region: The Case of Zimbabwe and South Africa

2020· article· en· W3121300743 sur OpenAlexvenueno aff
Muzariri Jenalda, Jeffrey Kurebwa

Notice bibliographique

RevueCanadian social science · 2020
Typearticle
Langueen
DomaineComputer Science
ThématiqueCybercrime and Law Enforcement Studies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésExtortionPolitical scienceLaw enforcementQualitative researchPovertyPublic relationsEconomic growthBusinessLawSociologySocial scienceEconomics

Résumé

récupéré en direct d'OpenAlex

This study sought to understand the multilateral responses to cyber crimes in the SADC region with specific reference to Zimbabwe and South Africa. The research examined the concept of cybercrimes, its causes, motivations, and implications. The research further examined mechanisms and legislative frameworks available to curb cybercrimes. The qualitative research methodologies were used for the study. Data was purposively collected from information technology experts, academia, the security sector, lawyers, law enforcement agencies, journalists, and diplomats. The key findings of the research revealed that the understanding of cybercrimes is not consistent as the term has no specific referent in law. The study deduced that although cyber espionage, extortion, fame and entertainment are some of the motivations behind cybercrimes in the SADC region are attributed to high unemployment rates, especially among educated ICT graduates and poverty in general. The study also established that SADC countries lack a comprehensive legal framework to combat cyber crimes.

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.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,513
Score d'incertitude au seuil0,991

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,001
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,050
Tête enseignante GPT0,272
Écart entre enseignants0,222 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCanadian social scienceMême sujetCybercrime and Law Enforcement StudiesTravaux en français237 207