ONLINE SECURITY BEHAVIORS PREDICT SCAM DETECTION ABILITY IN OLDER AND YOUNGER ADULTS
Notice bibliographique
Résumé
Older adults are the fastest growing group of technology adopters (Anderson & Perrin, 2017). While this can open doors to many exciting opportunities, it also comes with security concerns. According to the Federal Trade Commission, internet scams are now more common than those that take place through any other type of modality (Anderson, 2013). Fraudsters can reach thousands of targets with very little effort or cost (Symantec, 2017). The internet offers a unique scamming context as deception cues like tone of voice and facial expressions are lost. Therefore, it is important to understand how people of all ages interact with potential scam emails. 160 healthy older (60–90 years of age) and younger adults (18–30 years of age) completed a scam detection task, during which they were asked to identify emails as either legitimate or fraudulent. They also answered questions about their technology behaviors outside of the lab and completed cognitive testing (Heaton et al., 2014). For both younger and older adults, internet security behavior (i.e. installing a pop-up blocker, using secure passwords) was the strongest predictor of scam detection ability, above and beyond demographic and cognitive factors (p < .001). The findings suggest that not only are there differences in the ability to accurately identify an email scam, but those who are worse at this skill may also be putting themselves at risk in other online contexts. Multi-context approaches to online safety behavior may be particularly helpful for fraud prevention programs.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».