Enhancing Academic Cybersecurity: Integrated Framework with Network Penetration Testing
Notice bibliographique
Résumé
This study explores the realm of academic cybersecurity, focusing on the development of a comprehensive framework for network penetration testing tailored specifically to the academic environment. Cybersecurity in academia is of paramount importance, given the wealth of sensitive data and intellectual property stored within academic institutions. The objective of this research is to integrate technical assessments, user education, and policy recommendations into a holistic framework that addresses the unique challenges faced by academic networks. Respondents emphasized the importance of a comprehensive framework, with a focus on identifying and mitigating vulnerabilities (92.7%) and enhancing overall network security and data protection (82.9%). The proactive approach to threat identification (85.4%) and user education (85.4%) were also highly regarded. Regarding technical assessments, vulnerability scanning (80.5%) and penetration testing (75.6%) were considered highly effective methods. Respondents largely recommended quarterly assessments (73.2%) to maintain a proactive security posture. User education was deemed extremely important (70.7%), with training workshops or seminars (87.8%) emerging as the preferred method to promote cybersecurity awareness. Additionally, there was recognition of the significance of data protection and encryption (97.6%), access control and user privileges (87.8%), and security awareness training requirements (80.5%) in cybersecurity policies tailored to academia
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».