Do malware warnings reduce the likelihood of installing bad software? The case of the Trojan Horse
Notice bibliographique
Résumé
My research focused on increasing computer security by reducing users' likelihood of installing Trojan Horses: malware hiding inside attractive software.Social cognition research suggests that reading security warnings in software reviews could reduce the likelihood of installing malware.In Study 1, 43 undergraduates viewed 30 user reviews of hypothetical games.Half the reviews were malware warnings.Ratings of the warnings' strength were used to select strong and weak warnings for Study 2. In Study 2, 45 undergraduates viewed descriptions and reviews of real computer games.I manipulated the strength and number of warnings in the reviews.Results indicated that the likelihood of installing a game was influenced by both the number and strength of malware warnings in reviews: two warnings reduced ratings of installation likelihood more than did one warning; strong warnings reduced the ratings more than did weak ones.Implications and limitations of the findings for social contributions to computer security are discussed.iii Acknowledgements "Real life isn't always going to be perfect or go our way, but the recurring acknowledgement of what is working in our lives can help us not only to survive but surmount our difficulties" -anonymous Apart from my yearlong effort, this thesis materialized because of the continuous guidance, support, and encouragement of many people.The small space of this page is not enough to elaborate on and to do justice to their contributions, but I want to express my gratitude to each one of them.First, I would like to thank my co-supervisors, Dr. Robert Biddle and Dr. Warren Thorngate, who met with me weekly since September, 2011 to discuss my thesis.Their enthusiastic comments and feedback developed my thesis towards completion.Next, I want to thank the members of
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 | 0,005 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».