Cybercrime Investigation and Prosecution in Nigeria: Bridging the Gaps
Notice bibliographique
Résumé
Abstract The investigatory framework of cybercrime is as essential as the legal and institutional framework governing cybercrime. This article argues that an effective investigation process is fundamental to the effective prosecution of cybercrime offences. Cybercrime investigation involves digital forensics, intelligence gathering, lawful interception, and use of communication data and internet networks. At its core, cybercrime investigation necessitates a comprehensive cybercrime investigation framework backed by a legal framework that ensures effective evidence collection, preservation, and analysis. This article evaluates the cybercrime investigation structure in Nigeria and highlights the gaps in Nigeria’s regulatory framework. It identifies the challenges that hinder Nigeria’s successful investigation and prosecution of cybercrime offences. The study adopts a comparative methodology by juxtaposing cybercrime investigation in Nigeria with the law and practice in the United Kingdom (UK). The UK has a robust cybercrime investigation framework, strengthened by its Cyber Security Strategy 2022. The findings show that, unlike the UK’s Regulation of Investigatory Powers Act, 2000 and the Investigatory Powers Act, 2016, the Nigerian Cybercrimes (Amendment) Act, 2024, the Administration of Criminal Justice Act, 2015 and other laws, are silent on essential investigatory initiatives, steps and specialised powers. The study proposes a practical cybercrime investigation framework to implement Nigeria’s effective prosecution of cybercrime offences.
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 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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».