Generative AI for Cybersecurity Awareness Training
Notice bibliographique
Résumé
Human errors remain one of the leading causes of cybersecurity breaches during the rapid growth of cyber-attack techniques recently, underscoring the need for adaptive and personalized training programs. Traditional Cybersecurity Awareness Training (CSAT) programs often rely on static content, lack of personalization, and struggle remain in the face of evolving threats. This study presents an AI driven CSAT framework that integrates Generative Artificial Intelligence (GAI), Online Machine Learning, and adaptive data processing to deliver personalized, scalable, and real-time training contents. The proposed model utilizes GAI to dynamically generate interactive training contents tailored to individual user profiles based on job roles, behavioural risk indicators, impact assessment scores, and the pre-assessment outcomes. An online Naïve Bayes algorithm enables continuous risk profiling and content adaptation according to user performance, while windowing technique and integrated search engine ensure up-to-date and contextually relevant training materials. The proposed system aligns with Bloom’s Taxonomy and MITRE ATT&CK framework to ensure cognitive depth and real-world attack vector relevance. The research demonstrates that the integration of GAI with adaptive learning technologies significantly improves knowledge retention, enhance user engagement, and delivers cost-effective training solution. Further this study highlights the potential of GAI in revolutionizing cybersecurity training, ensuring resilience against evolving cyber-threats.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 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 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 ».