Käytettävyyden merkitys kyberturvallisuudessa Suomen kontekstissa
Bibliographic record
Abstract
Kyberturvallisuus on alati kasvava ala, johon liittyy paljon haasteita. Se on uu-si ala, joka tarvitsee kipeästi uutta tutkimusta. Uuden tutkimuksen avulla voidaan luoda entistäkin turvallisempia järjestelmiä. Näiden uusien järjestelmien tietoturvaa suunniteltaessa ja toteutettaessa pitää kuitenkin ottaa huomioon myös käytettävyysnäkökulma. Jos käytettävyyttä ei huomioida tarpeeksi, niin järjestelmän toteutus voi jopa täysin epäonnistua tai järjestelmää voi olla mahdotonta käyttää tietoturvallisesti. Käytettävyys on perusta järjestelmän turvalliselle käytölle. Kyberturvallisuudessa on tehty erilaisia ohjenuoria ja säädöksiä siitä, miten kyberturvallisia tietojärjestelmäympäristöjä tulisi toteuttaa. Ottavatko nämä ohjeistukset kantaa järjestelmän käytettävyyteen? Suljetaanko merkittävä osa järjestelmän koko-naisturvallisuudesta ulkopuolelle ohjeistuksissa, kun käytettävyydelle ei anneta sitä merkitystä, mikä sillä pitäisi olla? Mitä Suomen valtionhallinto linjaa tietoturvaohjeistuksissaan käytettävyydestä? Tässä kandidaatintutkielmassa tarkoituksenani on tutkia, mikä merkitys käytettävyydellä on kyberturvallisuudessa. Aiheesta löytyy jo jonkin verran tieteellistä tutkimusta, mutta on tärkeää laatia niistä yhteenveto. Tutkielmassa otetaan esille käytettävyyden merkitys kyberturvallisuudessa ja tutkitaan myös, mitä Suomen valtionhallinnon linjaukset kyberturvallisuudesta ja tietoturvasta sanovat käytettävyydestä.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.007 | 0.003 |
| Scholarly communication | 0.013 | 0.007 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.003 | 0.006 |
| Insufficient payload (model declined to judge) | 0.108 | 0.061 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".