Cybersecurity Compliance and Other Factors Influencing Employee Protective Behavior: A Case Study of Bank X in Indonesia
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
Indonesia's banking sector faces over 1 million daily cyberattacks, with human error causing 80% of security breaches, yet existing cybersecurity research predominantly focuses on technology solutions rather than employee behavior within high-regulation environments.This study addresses a critical research gap by investigating how organizational levers-policy provision and Security Education, Training, and Awareness (SETA) programs-influence employee cybersecurity compliance behavior in Indonesia's banking industry.We surveyed 360 employees from Bank X (a consortium of Indonesia's three largest state-owned banks) using PLS-SEM analysis.Our theoretical framework integrates Protection Motivation Theory and Theory of Planned Behavior to examine pathways from organizational interventions through cybersecurity awareness, compliance attitude, and ISPC intention to protective behavior.Nine of ten hypotheses were supported: policy provision and SETA programs significantly enhance cybersecurity awareness, cascading through compliance attitude and ISPC intention to drive protective behavior.Notably, protection motivation does not directly influence behavior, revealing a boundary condition for PMT in hierarchical contexts.This study delivers the first largescale evidence from Indonesia's banking industry, demonstrating that clear policies and sustained SETA investment can turn human vulnerabilities into organizational resilience.Financial institutions should prioritize clear policies and comprehensive SETA programs as primary cybersecurity culture drivers.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découle