Notice bibliographique
Résumé
How do end users understand social engineering attacks, and how do their mental models differ from reality?To investigate, we have proposed a new social engineering attack framework, and ran two studies using the framework as the foundation.In the first study, we conducted 30 interviews to investigate social engineering mental models, and found that confidence and accuracy are underlying themes that affect users' mental models.In the second survey, we quantified how confidence and accuracy impact mental models at different stages of an attack.We found that users tend to be overconfident in their ability to understand social engineering attacks, but hold inaccurate beliefs.They hold major misconceptions of what constitutes as social engineering, and the threat levels of these attacks.Based on our results, we have proposed various educational and design opportunities to match social engineering mitigation strategies to end user mental models of social engineering.Screenshot of an SMS social engineering attack we showed participants.This example is a generalized attack trying to elicit fear to gain money from users. . . . . . . . . . . . . . . . . . .49 5.2 Screenshot of a social media social engineering attack we showed participants.This example is a targeted attack trying to appeal to greed to gain money. . . . . . . . . . . . . . . . . . . . . . .50 5.3 Accuracy rates by the stages of the framework. . . . . . . . . .55 5.4 Distributions of aggregated confidence and accuracy scores by the stages of the framework. . . . . . . . . . . . . . . . . . . .58 5.5 Distributions of aggregated confidence and accuracy scores by attack vector. . . . . .
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 | 0,010 | 0,039 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,007 | 0,006 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».