論文の概要: Organizational Learning in Industry 4.0: Applying Crossan's 4I Framework with Double Loop Learning

• arxiv url: http://arxiv.org/abs/2512.21813v1
• Date: Fri, 26 Dec 2025 00:54:01 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-29 11:51:56.033615
• Title: Organizational Learning in Industry 4.0: Applying Crossan's 4I Framework with Double Loop Learning
• Title（参考訳）: 産業における組織的学習 4.0: Crossan の 4I フレームワークと二重ループ学習の適用
• Authors: Nimra Akram, Atif Ahmad, Sean B Maynard,
• Abstract要約: 先進的動的セキュリティ学習プロセスモデル(Advanced Dynamic Security Learning Process Model)は、この論文で提案されている4.0のサイバーセキュリティインシデント対応アーキテクチャである。 このモデルは、ArgyrisとSchnの二重ループ学習理論とCrossianの4I組織学習フレームワークを組み合わせることで、複雑なサイバー物理システムにおける積極的な、反射的なサイバーセキュリティガバナンスに対処する。
• 参考スコア（独自算出の注目度）: 0.09176056742068811
• License:
• Abstract: The Advanced Dynamic Security Learning (DSL) Process Model is an Industry 4.0 cybersecurity incident response architecture proposed in this paper. This model addresses proactive and reflective cybersecurity governance across complex cyber-physical systems by combining Argyris and Schön's double-loop learning theory with Crossan's 4I organizational learning framework. Given that 65% of industrial companies suffer ransomware attacks annually and many of them lack cybersecurity awareness, this reveals the gravity of cyber threats. Feedforward and feedback learning loops in this paradigm help promote strategic transformation and ongoing growth. The DSL model helps Industry 4.0 organizations adapt to growing challenges posed by the projected 18.8 billion IoT devices by bridging operational obstacles and promoting systemic resilience. This research presents a scalable, methodical cybersecurity maturity approach based on a comprehensive analysis of the literature and a qualitative study.
• Abstract（参考訳）: 先進的動的セキュリティ学習(DSL)プロセスモデル(Advanced Dynamic Security Learning (DSL) Process Model)は、この論文で提案されている4.0のサイバーセキュリティインシデント対応アーキテクチャである。 このモデルは、ArgyrisとSchönの二重ループ学習理論とCrossianの4I組織学習フレームワークを組み合わせることで、複雑なサイバー物理システムにおける積極的な、反射的なサイバーセキュリティガバナンスに対処する。 産業企業の65%がランサムウェア攻撃に悩まされており、その多くはサイバーセキュリティの意識が欠如していることを考えると、これはサイバー脅威の重大さを浮き彫りにしている。 このパラダイムのフィードフォワードとフィードバック学習ループは、戦略的変革と継続的な成長を促進するのに役立つ。 DSLモデルは、産業用4.0組織が、運用上の障害を埋め、システム的レジリエンスを促進することによって、188億のIoTデバイスが生み出す課題に適応するのに役立つ。 本研究は,文献の包括的分析と質的研究に基づく,スケーラブルで方法論的なサイバーセキュリティ成熟度アプローチを提案する。

関連論文リスト

• PACEbench: A Framework for Evaluating Practical AI Cyber-Exploitation Capabilities [42.61805002268063]
  我々は,実践的なAIサイバー探索ベンチマークであるPACEbenchを紹介する。 PACEbenchは、シングル、ブレンド、チェーン、防御脆弱性のエクスプロイトにまたがる4つのシナリオで構成されている。 PACEagentは,多相偵察,解析,利用の支援により,ヒトの浸透試験をエミュレートする新しいエージェントである。
  論文  参考訳（メタデータ） (2025-10-13T17:50:25Z)
• Enabling Cyber Security Education through Digital Twins and Generative AI [1.2619493260255112]
  Digital Twins(DT)は、複雑なITインフラストラクチャを複製する能力によって、サイバーセキュリティにおいて注目を集めている。 本研究では,DTを浸透試験ツールと統合し,LLM(Large Language Models)がサイバーセキュリティ教育を強化する方法について検討した。
  論文  参考訳（メタデータ） (2025-07-23T13:55:35Z)
• Llama-3.1-FoundationAI-SecurityLLM-Base-8B Technical Report [50.268821168513654]
  我々は,Llama 3.1アーキテクチャ上に構築された,サイバーセキュリティにフォーカスした大規模言語モデル(LLM)であるFoundation-Sec-8Bを紹介する。 我々は、Llama 3.1-70B と GPT-4o-mini がサイバーセキュリティ固有のタスクで一致していることを示し、確立された新しいサイバーセキュリティベンチマークと新しいサイバーセキュリティベンチマークの両方で評価した。 当社のモデルを一般公開することで、公開とプライベート両方のサイバーセキュリティ状況において、AI駆動ツールの進歩と採用を加速することを目指しています。
  論文  参考訳（メタデータ） (2025-04-28T08:41:12Z)
• LLM-Assisted Proactive Threat Intelligence for Automated Reasoning [2.0427650128177]
  本研究は、リアルタイムサイバーセキュリティ脅威の検出と応答を強化する新しいアプローチを提案する。 我々は,大規模言語モデル (LLM) とレトリーバル拡張生成システム (RAG) を連続的な脅威知能フィードに統合する。
  論文  参考訳（メタデータ） (2025-04-01T05:19:33Z)
• Foundations of Cyber Resilience: The Confluence of Game, Control, and Learning Theories [15.764094200832071]
  サイバーレジリエンスは、予防が難しいサイバー脅威の準備、対応、回復に焦点を当てている。 ゲーム理論、制御理論、学習理論は、サイバーレジリエンス機構の設計のための3つの主要な柱である。 この章では、動的非対称ゲーム、移動地平線制御、客観学習、メタラーニングなど、様々な理論パラダイムを提示している。
  論文  参考訳（メタデータ） (2024-04-01T16:02:21Z)
• Adversarial Attacks and Defenses in Fault Detection and Diagnosis: A Comprehensive Benchmark on the Tennessee Eastman Process [39.677420930301736]
  機械学習をACS(Automated Control Systems)に統合することで、産業プロセス管理における意思決定が促進される。 これらの技術を広く採用する際の制限の1つは、敵の攻撃に対するニューラルネットワークの脆弱性である。 本研究では、テネシー・イーストマン・プロセス・データセットを用いて、ACSにおける障害診断のためのディープラーニングモデルをデプロイする際の脅威について検討する。
  論文  参考訳（メタデータ） (2024-03-20T10:59:06Z)
• Purple Llama CyberSecEval: A Secure Coding Benchmark for Language Models [41.068780235482514]
  本稿では,Large Language Models (LLMs) のプログラミングアシスタントとしてのサイバーセキュリティを促進するために開発された,包括的なベンチマークであるCyberSecEvalを提案する。 CyberSecEvalは、2つの重要なセキュリティ領域におけるLSMの徹底的な評価を提供する。
  論文  参考訳（メタデータ） (2023-12-07T22:07:54Z)
• Review: Deep Learning Methods for Cybersecurity and Intrusion Detection Systems [6.459380657702644]
  人工知能(AI)と機械学習(ML)はサイバー防衛の鍵となる技術として活用することができる。 本稿では,ネットワーク侵入検出に使用される様々な深層学習手法について検討する。
  論文  参考訳（メタデータ） (2020-12-04T23:09:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。