Empowered to Detect: How Vigilance and Financial Literacy Shield Us from the Rising Tide of Financial Frauds
Notice bibliographique
Résumé
According to the literature, the advancement of information and communication technology (ICT) has increased individual exposure to scams, turning fraud victimization into a significant concern. While prior research has primarily focused on socio-demographic predictors of fraud victimization, this study adopts a behavioral perspective that is grounded in the Signal Detection Theory (SDT) to investigate the likelihood determinants of individuals becoming fraud victims. Using survey data of 671 Indonesian respondents analyzed with the Partial Least Squares Structural Equation Modeling (PLS-SEM), we explored the roles of vigilance and financial literacy in moderating the relationship between fraud exposure and victimization. Our findings substantiate the notion that higher exposure to fraudulent activity significantly increases the likelihood of victimization. The results also show that vigilance negatively moderates the relationship between fraud exposure and fraud victimization, suggesting that individuals with higher vigilance are better at identifying scams, thereby decreasing their likelihood of becoming fraud victims. Furthermore, financial literacy is positively related to vigilance, indicating that financially literate individuals are more aware of potential scams. However, the predictive power of financial literacy on vigilance is relatively low. Hence, while literacy helps a person sharpen their indicators for detecting fraud, psychological, behavioral, and contextual factors may also affect their vigilance and decision-making.
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 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».