論文の概要: CurricuLLM: Designing Personalized and Workforce-Aligned Cybersecurity Curricula Using Fine-Tuned LLMs

• arxiv url: http://arxiv.org/abs/2601.04940v1
• Date: Thu, 08 Jan 2026 13:43:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 17:01:53.220278
• Title: CurricuLLM: Designing Personalized and Workforce-Aligned Cybersecurity Curricula Using Fine-Tuned LLMs
• Title（参考訳）: CurricuLLM: 微調整LDMを用いたパーソナライズ・ワークフォース対応サイバーセキュリティカリキュラムの設計
• Authors: Arthur Nijdam, Harri Kähkönen, Valtteri Niemi, Paul Stankovski Wagner, Sara Ramezanian,
• Abstract要約: CurricuLLMは、サイバーセキュリティカリキュラムの自動設計と分析のためのフレームワークである。 提案手法は,(1)個別のカリキュラム設計の自動化,(2)産業要求に沿ったデータ駆動パイプライン,(3)カリキュラム開発における微調整 LLM の活用のための総合的な方法論,の3つの重要な貢献を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The cybersecurity landscape is constantly evolving, driven by increased digitalization and new cybersecurity threats. Cybersecurity programs often fail to equip graduates with skills demanded by the workforce, particularly concerning recent developments in cybersecurity, as curriculum design is costly and labor-intensive. To address this misalignment, we present a novel Large Language Model (LLM)-based framework for automated design and analysis of cybersecurity curricula, called CurricuLLM. Our approach provides three key contributions: (1) automation of personalized curriculum design, (2) a data-driven pipeline aligned with industry demands, and (3) a comprehensive methodology for leveraging fine-tuned LLMs in curriculum development. CurricuLLM utilizes a two-tier approach consisting of PreprocessLM, which standardizes input data, and ClassifyLM, which assigns course content to nine Knowledge Areas in cybersecurity. We systematically evalu- ated multiple Natural Language Processing (NLP) architectures and fine-tuning strategies, ultimately selecting the Bidirectional Encoder Representations from Transformers (BERT) model as ClassifyLM, fine-tuned on founda- tional cybersecurity concepts and workforce competencies. We are the first to validate our method with human experts who analyzed real-world cybersecurity curricula and frameworks, motivating that CurricuLLM is an efficient solution to replace labor-intensive curriculum analysis. Moreover, once course content has been classified, it can be integrated with established cybersecurity role-based weights, enabling alignment of the educational program with specific job roles, workforce categories, or general market needs. This lays the foundation for personalized, workforce-aligned cybersecurity curricula that prepare students for the evolving demands in cybersecurity.
• Abstract（参考訳）: サイバーセキュリティの世界は、デジタル化と新たなサイバーセキュリティの脅威によって、常に進化している。 サイバーセキュリティプログラムは、特に最近のサイバーセキュリティの進展に関して、労働者が要求するスキルを卒業生に課すことに失敗することが多い。 この誤りに対処するために,CurricuLLM と呼ばれるサイバーセキュリティキュリキュラの自動設計と解析のための新しいLarge Language Model (LLM) ベースのフレームワークを提案する。 提案手法は,(1)個別のカリキュラム設計の自動化,(2)産業要求に沿ったデータ駆動パイプライン,(3)カリキュラム開発における微調整 LLM の活用のための総合的な方法論,の3つの重要な貢献を提供する。 CurricuLLMは、入力データを標準化するPreprocessLMと、サイバーセキュリティの9つの知識領域にコース内容を割り当てるClassifyLMという2層アプローチを採用している。 我々は、NLPアーキテクチャと微調整戦略を体系的に評価し、最終的に変換器(BERT)モデルから双方向エンコーダ表現をClassifyLMとして選択した。 我々は,現実のサイバーセキュリティカリキュラムとフレームワークを分析した人間専門家と,我々の手法を最初に検証し,CurricuLLMが労働集約型カリキュラム分析に代わる効率的なソリューションであることを示す。 さらに、コース内容が分類されると、既存のサイバーセキュリティロールベースの重み付けと統合でき、特定の職種、従業員カテゴリー、一般市場のニーズに教育プログラムをアライメントすることができる。 これは、サイバーセキュリティの進化する要求に備えて学生を準備する、パーソナライズされた、従業員対応のサイバーセキュリティカリキュラムの基礎を築いた。

関連論文リスト

• Agentic AI for Cyber Resilience: A New Security Paradigm and Its System-Theoretic Foundations [20.297163645916157]
  サイバーセキュリティは、ファンデーションモデルに基づく人工知能によって根本的に作り直されている。 この章は、予防中心のセキュリティからエージェントサイバーレジリエンスへの移行を主張する。
  論文  参考訳（メタデータ） (2025-12-28T11:17:36Z)
• Bridging Cybersecurity Practice and Law: a Hands-on, Scenario-Based Curriculum Using the NICE Framework to Foster Skill Development [0.2555114504478013]
  本稿では,中小企業(SMB)における最頻攻撃ベクトルについて述べる。 NICE Frameworkの技術的・非技術的タスク、知識、スキル、能力(TKSA)の実用的なモデルを提案する。 現実的なサイバー脅威シナリオに学習者を没入させることで、サイバーセキュリティインシデントに対応するための実践的理解と準備が強化される。
  論文  参考訳（メタデータ） (2025-09-21T22:36:30Z)
• SEAgent: Self-Evolving Computer Use Agent with Autonomous Learning from Experience [71.82719117238307]
  本稿では,コンピュータ利用エージェントが不慣れなソフトウェアとのインタラクションを通じて進化することを可能にするエージェント型自己進化フレームワークSEAgentを提案する。 我々は、OS-World内の5つの新しいソフトウェア環境におけるSEAgentの有効性を検証する。 当社のアプローチは,競合するオープンソースCUAに比べて,11.3%から34.5%という,23.2%の大幅な改善を実現している。
  論文  参考訳（メタデータ） (2025-08-06T17:58:46Z)
• Can LLMs effectively provide game-theoretic-based scenarios for cybersecurity? [51.96049148869987]
  大規模言語モデル(LLM)は、コンピュータシステムのセキュリティに新しいツールと課題を提供する。 従来のゲーム理論フレームワークが,LLM駆動型アクターやボットの動作を効果的に捉えることができるかどうかを検討する。
  論文  参考訳（メタデータ） (2025-08-04T08:57:14Z)
• Llama-3.1-FoundationAI-SecurityLLM-Base-8B Technical Report [50.268821168513654]
  我々は,Llama 3.1アーキテクチャ上に構築された,サイバーセキュリティにフォーカスした大規模言語モデル(LLM)であるFoundation-Sec-8Bを紹介する。 我々は、Llama 3.1-70B と GPT-4o-mini がサイバーセキュリティ固有のタスクで一致していることを示し、確立された新しいサイバーセキュリティベンチマークと新しいサイバーセキュリティベンチマークの両方で評価した。 当社のモデルを一般公開することで、公開とプライベート両方のサイバーセキュリティ状況において、AI駆動ツールの進歩と採用を加速することを目指しています。
  論文  参考訳（メタデータ） (2025-04-28T08:41:12Z)
• The Digital Cybersecurity Expert: How Far Have We Come? [49.89857422097055]
  我々は,サイバーセキュリティの専門家が期待する345の知識ポイントに基づいた,きめ細かいサイバーセキュリティ評価フレームワークであるCSEBenchmarkを開発した。 CSEBenchmarkで12のポピュラーな大言語モデル(LLM)を評価し、最高のパフォーマンスモデルでさえ全体の精度は85.42%に過ぎなかった。 各LSMにおける特定の知識ギャップを特定し,対処することにより,事前の誤り予測の修正において最大84%の改善が達成される。
  論文  参考訳（メタデータ） (2025-04-16T05:36:28Z)
• CyberPal.AI: Empowering LLMs with Expert-Driven Cybersecurity Instructions [0.2999888908665658]
  大規模言語モデル(LLM)は、非常に高度な自然言語処理(NLP)機能を持ち、様々なアプリケーションにまたがる汎用機能を提供する。 しかし、サイバーセキュリティのような複雑なドメイン固有のタスクへの応用は、しばしば重大な課題に直面している。 本研究では,SecKnowledgeとCyberPal.AIを紹介し,これらの課題に対処し,セキュリティ専門家のLSMを訓練する。
  論文  参考訳（メタデータ） (2024-08-17T22:37:39Z)
• Large Language Models for Cyber Security: A Systematic Literature Review [17.073186844004148]
  大規模言語モデル(LLM)は、サイバーセキュリティを含むさまざまなアプリケーションドメインで人工知能を活用する新たな機会を開いた。 LLMは、脆弱性検出、マルウェア分析、ネットワーク侵入検出など、幅広いサイバーセキュリティタスクに適用されている。 LLMベースの自律エージェントは、シングルタスク実行から複雑なマルチステップセキュリティのオーケストレーションへのパラダイムシフトを表している。
  論文  参考訳（メタデータ） (2024-05-08T02:09:17Z)
• Graph Mining for Cybersecurity: A Survey [61.505995908021525]
  マルウェア、スパム、侵入などのサイバー攻撃の爆発的な増加は、社会に深刻な影響をもたらした。 従来の機械学習(ML)ベースの手法は、サイバー脅威の検出に広く用いられているが、現実のサイバーエンティティ間の相関をモデル化することはほとんどない。 グラフマイニング技術の普及に伴い、サイバーエンティティ間の相関を捉え、高いパフォーマンスを達成するために、多くの研究者がこれらの手法を調査した。
  論文  参考訳（メタデータ） (2023-04-02T08:43:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。