Semantic Hacking and Intelligence and Security Informatics (Extended Abstract).
Notice bibliographique
Résumé
In the context of information warfare Libicki first characterized at- tacks on computer systems as being physical, syntactic, and semantic, where software agents were misled by an adversary's misinformation (1). Recently cognitive hacking was defined as an attack directed at the mind of the user of a computer system (2). Countermeasures against cognitive and semantic attacks are expected to play an important role in a new science of intelligence and secu- rity informatics. Information retrieval, or document retrieval, developed histori- cally to serve the needs of scientists and legal researchers, among others. In these domains, documents are expected to be honest representations of attempts to discover scientific truths, or to make sound legal arguments. This assumption does not hold for intelligence and security informatics. Intelligence and security informatics will be supported by data mining, visuali- zation, and link analysis technology, but intelligence and security analysts should also be provided with an analysis environment supporting mixed- initiative, utility-theoretic interaction with both raw and aggregated data. This environment should include toolkits of semantic hacking countermeasures. For example, faced with a potentially deceptive news item, an automated counter- measure might provide an alert using adaptive fraud detection algorithms (3), or through a retrieval mechanism allow the analyst to quickly assemble and ana- lyze related documents bearing on the potential misinformation. The author is currently developing such countermeasures.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,008 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».