論文の概要: Breaking Bad Email Habits: Bounding the Impact of Simulated Phishing Campaigns

• arxiv url: http://arxiv.org/abs/2603.04324v1
• Date: Wed, 04 Mar 2026 17:45:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-05 21:29:15.432693
• Title: Breaking Bad Email Habits: Bounding the Impact of Simulated Phishing Campaigns
• Title（参考訳）: 悪質なメールの習慣を破る:シミュレートされたフィッシングキャンペーンの影響
• Authors: Muhammad Zia Hydari, Idris Adjerid, Yingda Lu, Narayan Ramasubbu,
• Abstract要約: シミュレーションフィッシングキャンペーンは広く展開されているが、それらが生成する行動データは内因性である。 トレーニングはクリックによって引き起こされるため、介入を受けた従業員は、すでに感受性を示している。 この内在性は、実際の習慣形成を安定した個人差から切り離すことの難しさと相まって、標準的な分析がプログラムの有効性を誤ることを意味する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Simulated phishing campaigns are widely deployed, yet the behavioral data they produce is endogenous: because training is triggered by clicking, the employees receiving intervention have already demonstrated susceptibility. This endogeneity, combined with the difficulty of separating genuine habit formation from stable individual differences, means standard analyses can mischaracterize program effectiveness. In this Research Note, we develop a generalizable analytic framework addressing both biases simultaneously. We utilize marginal structural models (MSMs) to correct for the endogenous, click-triggered assignment of training, while integrating correlated random effects (CRE) to disentangle true state dependence from stable employee heterogeneity. Applying the MSM+CRE estimator to logs from 17 campaigns delivered to university staff (192,840 observations) reveals that analyses ignoring stable differences overstate the causal persistence of clicking; most repeat clicking reflects who employees are, not the effect of recent failures. This persistence is context-dependent, amplifying when successive campaigns share persuasion cues. Teachable-moment features also matter: emotion framing and explicit reporting pitches can largely eliminate persistence, while annotated-email cues modestly exacerbate it. Finally, employees engaging with the education page exhibit greater persistence than those dismissing it, consistent with an emboldening mechanism. We contribute methodologically by integrating MSMs and CRE into a portable framework for analyzing standard simulation logs, and practically by identifying specific design levers so organizations can better sequence and evaluate their phishing programs.
• Abstract（参考訳）: シミュレーションフィッシングキャンペーンは広く展開されているが、それらが生み出す行動データは内在的である。 この内在性は、実際の習慣形成を安定した個人差から切り離すことの難しさと相まって、標準的な分析がプログラムの有効性を誤ることを意味する。 本研究ノートでは、両方のバイアスに同時に対処する一般化可能な分析フレームワークを開発する。 我々は,内因性,クリックトリガーによるトレーニングの割り当てを補正するために限界構造モデル(MSM)を用い,相関ランダム効果(CRE)を統合して,安定した従業員の不均一性から真の状態依存を解き放つ。 MSM+CRE推定器を大学職員に提供した17のキャンペーン(192,840件の観察)に応用すると、クリックの因果的持続性よりも安定した違いを無視する分析が、最近の失敗の影響ではなく、従業員が誰であるかを反映していることが明らかになった。 この永続化はコンテキスト依存であり、連続したキャンペーンが説得方法を共有することを増幅する。 感情のフレーミングと明示的なレポーティングピッチは、持続性を大幅に排除し、注釈付きメールはわずかに悪化させる。 最後に、教育ページに関わる従業員は、廃止する従業員よりも永続性が高い。 我々は,MSMとCREを標準シミュレーションログを解析するための携帯型フレームワークに統合し,組織がフィッシングプログラムをより適切にシーケンスし,評価できるように,具体的な設計レバーを同定し,方法論的に貢献する。

関連論文リスト

• Balancing Faithfulness and Performance in Reasoning via Multi-Listener Soft Execution [79.98699884805636]
  Reasoning Execution by Multiple Listeners (REMUL) は多人数の強化学習手法である。 REMULは、推論が他の当事者に従えるかがより忠実になるという仮説に基づいている。 スピーカーは、リスナーにとって明らかな推論を生み出すことで報われます。
  論文  参考訳（メタデータ） (2026-02-18T02:55:55Z)
• Causal Imitation Learning Under Measurement Error and Distribution Shift [6.038778620145853]
  ノイズ測定によってのみ、決定関連状態の一部が観察される場合、オフライン模倣学習(IL)について検討する。 本稿では,変数間の因果関係を明示的にモデル化することによって,測定誤差下でのILの一般的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-29T18:06:53Z)
• On the Paradoxical Interference between Instruction-Following and Task Solving [50.75960598434753]
  次の命令は、大規模言語モデル(LLM)を、タスクの実行方法に関する明示的な制約を指定することで、人間の意図と整合させることを目的としている。 我々は,LLMのタスク解決能力にパラドックス的に干渉する命令に従うという,直感に反する現象を明らかにした。 本稿では,タスク解決に追従する命令の干渉を定量化する指標として,SUSTAINSCOREを提案する。
  論文  参考訳（メタデータ） (2026-01-29T17:48:56Z)
• Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
  コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。 シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。 マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
  論文  参考訳（メタデータ） (2025-10-09T04:48:49Z)
• Toward Causal-Visual Programming: Enhancing Agentic Reasoning in Low-Code Environments [6.0333285356716]
  Causal-Visual Programming (CVP)は、ワークフローモジュールのためのシンプルな"世界モデル"を、直感的にローコードインターフェースで定義することができる。 この因果グラフは、エージェントの推論プロセスにおいて重要な制約として機能し、その決定をユーザ定義因果構造に固定する。 CVPは、より解釈可能で信頼性があり、信頼できるAIエージェントを構築するための実行可能な道を提供する。
  論文  参考訳（メタデータ） (2025-09-29T08:01:31Z)
• Every Subtlety Counts: Fine-grained Person Independence Micro-Action Recognition via Distributionally Robust Optimization [36.230001277076376]
  マイクロアクション認識は、心理的アセスメントと人間とコンピュータの相互作用に不可欠である。 既存の手法は現実のシナリオで失敗することが多い。 本稿では、分散ロバスト最適化の原則を取り入れた個人独立ユニバーサルマイクロアクション認識フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-25T14:54:24Z)
• Mixstyle-Entropy: Domain Generalization with Causal Intervention and Perturbation [38.97031630265987]
  ドメイン一般化(DG)は、ドメイン関連情報に依存しない表現を学習することでこの問題を解決し、未知の環境への外挿を容易にする。 既存のアプローチは典型的には、ソースデータから共有された特徴を抽出するための調整済みのトレーニング目標の定式化に重点を置いている。 InPerという因果性に基づく新しいフレームワークを提案する。これは、訓練中の因果的介入と試験中の因果的摂動を組み込むことにより、モデル一般化を強化するために設計された。
  論文  参考訳（メタデータ） (2024-08-07T07:54:19Z)
• Can Active Sampling Reduce Causal Confusion in Offline Reinforcement Learning? [58.942118128503104]
  因果的混乱(英: Causal confusion)とは、エージェントがデータ中の不完全な急激な相関を反映するポリシーを学ぶ現象である。 この現象は特にロボット工学などの領域で顕著である。 本稿では,オフライン強化学習における因果的混乱について検討する。
  論文  参考訳（メタデータ） (2023-12-28T17:54:56Z)
• Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
  クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。 我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
  論文  参考訳（メタデータ） (2023-12-27T09:03:43Z)
• Stateful Offline Contextual Policy Evaluation and Learning [88.9134799076718]
  我々は、シーケンシャルデータから、政治以外の評価と学習について研究する。 動的パーソナライズされた価格設定などの問題の因果構造を形式化する。 本報告では,本クラスにおけるアウト・オブ・サンプル・ポリシーの性能改善について述べる。
  論文  参考訳（メタデータ） (2021-10-19T16:15:56Z)

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。