The problem of “white noise”: examining current prevention approaches to online fraud
Notice bibliographique
Résumé
Purpose The purpose of this paper is to examine the current prevention messages that exist surrounding the prevention of online fraud. In particular, it focuses on the amount and level of detail that is promoted for each type of potential fraudulent approach. Design/methodology/approach Multiple data sources are used to establish the main premise of this paper. This includes the publication entitled The Little Black Book of Scams , qualitative data from victims who have experienced online fraud, and materials collected through a police investigation into online fraud. Findings Results of this analysis indicate that current prevention messages are characterised by a large degree of detail about the various ways that (online) fraud can be perpetrated. This is argued to be ineffective, based on the experiences of victims who were unable to apply their previous knowledge about fraud to their experiences. Additionally, the categorisation of fraudulent approaches is highlighted as unimportant to offenders, who are focused on obtaining money by whatever means (or approach) possible. Practical implications This paper provides the impetus to evaluate the effectiveness of current prevention messages. It points to a simplification of existing prevention messages to focus more importantly on the transfer of money and the protection of personal information. Originality/value This paper argues that current prevention messages are characterised by too much “white noise”, in that they focus on an overwhelming amount of detail. This is argued to obscure what should be a straightforward message which could have a greater impact than current messages.
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 | 0,060 | 0,132 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,009 | 0,004 |
| Études des sciences et des technologies | 0,010 | 0,026 |
| Communication savante | 0,014 | 0,018 |
| Science ouverte | 0,003 | 0,010 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».