Smart Tech, Scared Users: A Behavioral Analysis of AI-Powered Solutions for Cyberthreat-Induced Customer Complaints in Low-Income Countries
Notice bibliographique
Résumé
In the face of rising cyber incidents in digital banking, artificial intelligence (AI) has emerged as a critical tool for automating threat detection, enhancing response speed, and improving complaint resolution. However, the success of such technological interventions depends significantly on user behavior, perceptions, and willingness to use these systems. This study examines the behavioral determinants influencing the implementation of AI-powered solutions for cyberthreat-induced customer complaints for banks in low-income countries. Guided by the protection motivation theory (PMT), the study adopted a quantitative, cross-sectional survey design involving 350 respondents, comprising 315 bank customers and 35 frontline bank staff, across seven Nigerian banks with international authorization. PMT constructs were used to develop the Likert-based questionnaire. Data were analyzed using Ordinal Logistic Regression (OLR) model. The findings reveal that perceived severity (? = 0.455, p < 0.05), perceived vulnerability (? = 0.387, p < 0.05), response efficacy (? = 0.658, p < 0.05), and self-efficacy (? = 0.587, p < 0.05) have positive and significant effects on AI-powered solutions for cyberthreat-induced customer complaints. However, response cost (? = -0.405, p < 0.05) has negative and significant effects on AI-powered solutions for cyberthreat-induced customer complaints. This study contributes to the growing field of AI solutions for cyber related customer complaints in banks by offering a behaviorally grounded framework for understanding how threat appraisals and coping appraisals drive support for AI-powered cyber complaint solutions. The study recommends that banks in low-income countries should actively communicate the effectiveness and success rates of AI-powered tools such as chatbots, anomaly detection systems, and automated complaint resolution platforms to demonstrate how these systems resolve issues faster, more securely, and more accurately so as to build trust among users.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».