Digital innovation through cybersecurity learning factories
Notice bibliographique
Résumé
Globally, the cybersecurity workforce changes tremendous challenges. Shortages in specialised cybersecurity staff members essentially puts organisations at risk. New graduates can face difficulties in entering the cybersecurity domain due to a lack of experience and knowledge. However, with the advent of newer techniques for knowledge development, we find that learning factories offer a fresh perspective. Learning factories provide a mechanism to remove the barriers in the field of cybersecurity and cultivate a nurturing training environment. This paper looks at the modernisation of traditional training by covering the application of learning factories in the cybersecurity field. It aims to show how knowledge can be geared into more practical schemes to empower participants and expose them to critical cybersecurity skills. Through the paper, it will be demonstrated that learning factories can be used for real-world learning and information sharing. Learning factories embody the principles of knowledge sharing and promotes more efficient knowledge management. With the use of nominated tools and technologies cyber security learning factories can help measure the effectiveness of worker training as well provide for consistent facilitated training. Overall, learning factories can help to transform training and build knowledge application. Learning factories may be set up to tackle real industry challenges and are particularly useful in the field of cybersecurity. Using learning factories there is an opportunity to advance multi-dimensional cybersecurity skills and develop innovation in the field. Due to the added advantages of Information and Communication Technology (ICT) being virtually accessible, there is the added benefits of agility, responsiveness and increased engagement. Using a variety of modes, cybersecurity learning factories can combine the techniques of gamification, videos, multi-media and simulation. All of this provided an augmented and enriched experience for participants. Learning factories are a low-cost solution to replicating working environments thus assisting in skills development. Through the application of learning factories, a skilled workforce can be developed and cultivated.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,006 |
| Communication savante | 0,008 | 0,011 |
| Science ouverte | 0,001 | 0,010 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 0,003 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».