Can It Clean Up Your Inbox? Evidence from South Korean Anti‐spam Legislation
Notice bibliographique
Résumé
Although spam email messages have been the primary source of cybercrime since the early Internet era, there is no quick fix to this problem. Governments have established anti‐spam legislation, but surprisingly, there has been no measurement of policy impact. This study aims to fill the gap by utilizing a quasi‐experimental setting in South Korea, where the anti‐spam policy was substantially amended in November 2014. A significant change was in the default setting, switching from an opt‐out to an opt‐in scheme, which required that commercial email senders obtain recipients' prior consent. Also, the law notably escalated the deterrent penalties for perpetrators. To empirically examine the policy effectiveness, we use a large‐scale data set of 5.61 billion spam emails originating from over 38,000 spammers in 226 countries during twenty months in 2014–2015. Our findings suggest that the amended policy adopting the opt‐in scheme decreased the volume of spam originating from Korea by 16.1%. The expected economic gain from the increased productivity of recipients is 7.649 million USD per year. This study contributes to the literature by highlighting that a well‐designed policy can lower cybersecurity incidents that threaten organizations, operations, and individuals. Our finding also provides important implications for policymakers and managers in designing effective policies with data‐driven evidence.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».