Notice bibliographique
Résumé
We use the cognitive science concept of mental models as a lens to identify issues relating to security in user interfaces.We speculate that more could be done by system designers to help users better understand the securityrelevant aspects of the software they use, which would enable better-informed (and hopefully safer) behaviour.This thesis presents studies and tools for helping system designers do so.The mental models literature posits that the ability to act successfully depends on one's understanding of how things in the world work, and with richer experience comes better understanding.Prior work has shown there are issues with user mental models of cybersecurity that can lead to unsafe behaviour.This is corroborated by our first study, in which we compare participant drawings of malware and regular software, and finding dangerous inaccuracies with implications for behaviour.The majority of this thesis then consists of the development and presentation of two conceptual models for improving support for security-related information in UIs, and their applications.The first is the 'Home-Away' model: a pattern of contexts and behaviours that help people protect valuable items while managing attentional resources.This model is established over the course of three studies: a focus group where the pattern was first discovered, and two follow-up studies which corroborated the early findings.We then identify a set of UI Design patterns that enable users to apply existing 'Home-Away' tendencies in less-familiar cybersecurity contexts.We then review the general relationship between UI design and security understanding, and propose the Security Awareness Visibility and Evaluation (SAVE) as a new paradigm for UI design that keeps users informed of relevant security issues without overburdening them.We design and implement a prototype SAVE application that communicates key information from web certificates to users to help them identify fraudulent websites, which we call Site Inspector.We test this prototype with users, finding encouraging preliminary signs of its effectiveness.• This paper presents a study of mental models of malware through diagramming exercises and a questionnaire.An adapted version of this paper appears in Chapter 3 of this document.
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 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,014 |
| Communication savante | 0,010 | 0,010 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».