Phishing detection in multitasking contexts: the impact of working memory load, goal activation, and message framing cue on detection performance
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Phishing, a prevalent cyber threat leveraging social engineering, poses significant challenges in the digital landscape. Despite advancements in security technologies, phishing continues to exploit human vulnerabilities, underscoring the need to understand how individuals detect such attacks. Existing research often assumes phishing detection occurs in isolation, overlooking real-world multitasking contexts where competing cognitive demands can hinder detection. This study fills this gap by examining phishing detection in the multitasking context and theorizing the relevant cognitive mechanisms and phishing-specific factors that influence phishing detection performance. Drawing on the memory-for-goals theory, we investigate the effects of working memory load (WML) from the primary task, goal activation (GA) towards phishing detection on performance, and message framing of phishing attacks. Findings from two online experiments reveal that increased WML impairs detection accuracy, while GA improves performance and reduces the negative impact of WML; furthermore, GA plays a more significant role in gain-framed phishing emails compared to loss-framed ones. Our research shifts the focus from message characteristics to the influence of multitasking on phishing detection. The results highlight the need for context-aware interventions that better align with real-world user behaviour, which provides a foundation for designing more effective phishing defences in multitasking digital environments.
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.
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 | 0,009 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,004 |
| 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 découle