Approaches for cybersecurity education: a South African military science perspective
Notice bibliographique
Résumé
Cybersecurity threats have escalated in South Africa, highlighting vulnerabilities across government, industry, and national infrastructure. This paper is a position article that synthesises and critiques literature and institutional practices to propose optimal, actionable approaches for cybersecurity education in a South African military context. This paper aims to identify optimal approaches for cybersecurity education in South Africa, with focused recommendations for the Faculty of Military Science and other higher education institutions. A position paper methodology synthesises recent literature, policy documents, and the National Initiative for Cybersecurity Education (NICE) curricular framework, evaluating educational models, student profiles, industry engagement, and active learning tools relevant to the South African context. Effective cybersecurity education requires multidisciplinary curricula, integration of technical and social science perspectives, practical exercises (like CTF and cyber ranges), and strong collaboration with industry and government. Student profiles should emphasise both technical acumen and soft skills. South African needs are best addressed by mapping local competencies to international frameworks while contextualising to national security priorities. Curricula must be updated to reflect multidisciplinary competencies, provide practical training, align with international standards, and foster industry/government partnerships to build resilience and professional capacity in South Africa’s cybersecurity workforce.
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 | 0,006 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,006 | 0,003 |
| Études des sciences et des technologies | 0,010 | 0,019 |
| Communication savante | 0,010 | 0,009 |
| Science ouverte | 0,001 | 0,010 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».