論文の概要: Who Falls for SMiSh? Learning Through Survey Data Where to Best Target Awareness Training for Mobile Messaging Attacks

• arxiv url: http://arxiv.org/abs/2608.24669v1
• Date: Tue, 25 Aug 2026 15:07:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:35.056884
• Title: Who Falls for SMiSh? Learning Through Survey Data Where to Best Target Awareness Training for Mobile Messaging Attacks
• Title（参考訳）: SMiShにとっての落とし穴は誰か? モバイルメッセージ攻撃のターゲット意識トレーニングの場所を調査データで学ぶ
• Abstract要約: ショートメッセージサービス(SMS)の後、SMiShing(あるいはスマイッシング)と呼ばれる詐欺は、フィッシングリンクをモバイルテキストで送信する詐欺師を巻き込む。 SMiShingの流行にもかかわらず、これらの攻撃に対して最も脆弱な人物に関する情報が不足している。 その結果,若年者や大学生は特に脆弱であることが示唆された。
• 参考スコア（独自算出の注目度）: 2.3714616729769724
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: As mobile phone adoption has surged, so have scams involving these devices. One such scam, known as SMiShing (or smishing) after Short Message Service (SMS), involves fraudsters sending phishing links via mobile texts. Despite the prevalence of SMiShing, there is a lack of data on who is most vulnerable to these attacks. Prior research on phishing (its email counterpart) suggests that susceptibility may vary by demographic and contextual factors. In two large-scale surveys, we use a previously published simulation method to collect data from representative samples of U.S. adult mobile phone users. Our findings indicate that younger individuals and college students are particularly vulnerable. Participants struggled to correctly identify legitimate messages, with the second study providing comparisons of financial message variants. Researchers, regulators, and telecoms can help users by creating mobile-specific interventions for under-24 and university customers and adding verifications and warnings.
• Abstract（参考訳）: 携帯電話の普及が進むにつれ、これらのデバイスを盗聴するケースも増えている。 ショートメッセージサービス(SMS)の後、SMiShing(あるいはスマイッシング)と呼ばれる詐欺には、モバイルテキスト経由でフィッシングリンクを送信する詐欺師が含まれる。 SMiShingの流行にもかかわらず、これらの攻撃に対して最も脆弱な人物に関する情報が不足している。 フィッシング(メールの相手)に関する以前の研究は、感受性は人口統計学的要因と文脈的要因によって異なる可能性があることを示唆している。 2つの大規模調査では、米国成人携帯電話利用者の代表例からデータを収集するために、以前に公表されたシミュレーション手法を用いている。 その結果,若年者や大学生は特に脆弱であることが示唆された。 参加者は、合法的なメッセージの正確な識別に苦労し、第2の研究は、財務的なメッセージの変種の比較を提供する。 研究者、規制当局、テレコムは、24歳未満と大学の顧客のためのモバイル固有の介入を作成し、検証と警告を追加することで、ユーザーを助けることができる。

関連論文リスト

• Read This Paper to Get $50 Million:* An Analysis of Mobile Messaging Scams Using Reddit Data [14.045441992987401]
  本研究では,モバイルメッセージング詐欺の動向と,商用およびオープンソース検出ツールの有効性を検証した。 私たちは、2020年6月から2025年12月までにRedditから175,430件のユーザー報告されたモバイルメッセージング詐欺のデータセットを収集し、測定しました。 回答ベースの詐欺は私たちのデータセットの50%に過ぎませんが、その複合的な成長率(99.98%)はクリックベースの詐欺の約2倍です。
  論文  参考訳（メタデータ） (2026-05-15T21:50:21Z)
• FraudShield: Knowledge Graph Empowered Defense for LLMs against Fraud Attacks [42.60338754083519]
  大規模言語モデル(LLM)は、重要な自動化プロセスに広く統合されている。 不正な情報による操作に影響を受けやすいため、有害な結果につながる可能性がある。 本稿では,不正コンテンツからLLMを保護するためのフレームワークであるFraudShieldを紹介する。
  論文  参考訳（メタデータ） (2026-01-30T02:48:52Z)
• Detection and Prevention of Smishing Attacks [0.0]
  本研究は,コンテンツに基づく分析手法を用いてスマイシング検出モデルを提案する。 テキスト通信におけるスラング、略語、短い形式によって引き起こされる課題に対処するため、モデルはこれらを標準形式に標準化する。 実験結果はモデルの有効性を示し、分類精度は97.14%、スマイッシングは96.12%、ハムメッセージは96.12%である。
  論文  参考訳（メタデータ） (2024-12-31T04:07:12Z)
• (Blind) Users Really Do Heed Aural Telephone Scam Warnings [42.93674984678535]
  本研究は,視覚障害者(n=36)と視覚障害者(n=36)の2つの集団が,自然主義的環境下での聴覚的電話詐欺警告にどのように反応するかを考察する。 我々は,電話詐欺警告の音声版を開発し,その内容に先行するベースライン(警告なし),ショート警告,コンテキスト警告の3つの条件でテストした。 法的に盲目と視力のある参加者の両方が、文脈上の警告を強力な使用可能なセキュリティ手段として見出した。
  論文  参考訳（メタデータ） (2024-12-05T09:47:38Z)
• Combating Phone Scams with LLM-based Detection: Where Do We Stand? [1.8979188847659796]
  本研究では,大規模言語モデル(LLM)による不正通話の検出の可能性について検討する。 LLMをベースとした検出器は、潜在的な詐欺の発生を検知し、ユーザに対して即時保護を提供する。
  論文  参考訳（メタデータ） (2024-09-18T02:14:30Z)
• Jäger: Automated Telephone Call Traceback [45.67265362470739]
  分散セキュアなコールトレースバックシステムであるJ"agerを紹介します。 J"agerは、部分的なデプロイであっても、数秒で呼び出しをトレースできる。
  論文  参考訳（メタデータ） (2024-09-04T16:09:28Z)
• Automatic Pseudo-Harmful Prompt Generation for Evaluating False Refusals in Large Language Models [41.00711032805581]
  安全性に配慮した大型言語モデル(LLM)は、時に「蚊を殺す方法」のような偽の有害なプロンプトを誤って拒否することがある。 ユーザーをイライラさせるだけでなく、アライメントが保護しようとする価値に対する大衆の反発を引き起こしている。 本稿では,多種多様・コンテンツ制御・モデル依存型擬似有害プロンプトの自動生成手法を提案する。
  論文  参考訳（メタデータ） (2024-09-01T03:25:59Z)
• A Quantitative Study of SMS Phishing Detection [0.0]
  参加者187名を対象に,スマイシング検出に関するオンライン調査を行った。 我々は16のSMSスクリーンショットを提示し、異なる要因がスマイシング検出における意思決定プロセスに与える影響を評価した。 参加者は偽のメッセージで67.1%、本物のメッセージで43.6%の精度で、偽のメッセージから本物のメッセージを見つけるのが困難であることが判明した。
  論文  参考訳（メタデータ） (2023-11-12T17:56:42Z)
• Viability of Mobile Forms for Population Health Surveys in Low Resource Areas [47.28991543521559]
  人口健康調査は、低資源コミュニティにおいて、限られた資源を効果的に割り当てるための重要なツールである。 このように収集されたデータは、集計と分析が難しい。 フィリピンでは,移動形態がより有効で効率的な調査方法であるかどうかを評価するために,一連のインタビューと実験を行った。
  論文  参考訳（メタデータ） (2023-10-11T20:51:28Z)
• Preliminary Results from a U.S. Demographic Analysis of SMiSh Susceptibility [1.8416014644193066]
  テキストメソッドをSmishing(SMShingまたはsmishing)と呼ぶ。 詐欺師はショートメッセージサービス(SMS)テキストを介してフィッシングリンクを電話に送信する。 SMiShingに最も脆弱な人物に関するデータは存在しない。
  論文  参考訳（メタデータ） (2023-09-12T15:32:36Z)
• Membership Inference Attacks against Synthetic Data through Overfitting Detection [84.02632160692995]
  我々は、攻撃者が基礎となるデータ分布についてある程度の知識を持っていると仮定する現実的なMIA設定について論じる。 生成モデルの局所的なオーバーフィッティングをターゲットとして,メンバシップを推論することを目的とした密度ベースMIAモデルであるDOMIASを提案する。
  論文  参考訳（メタデータ） (2023-02-24T11:27:39Z)
• Deep convolutional forest: a dynamic deep ensemble approach for spam detection in text [219.15486286590016]
  本稿では,スパム検出のための動的深層アンサンブルモデルを提案する。 その結果、このモデルは高い精度、リコール、f1スコア、98.38%の精度を達成した。
  論文  参考訳（メタデータ） (2021-10-10T17:19:37Z)
• Decentralized Privacy-Preserving Proximity Tracing [50.27258414960402]
  DP3TはSARS-CoV-2の普及を遅らせるための技術基盤を提供する。 システムは、個人やコミュニティのプライバシーとセキュリティのリスクを最小限にすることを目的としている。
  論文  参考訳（メタデータ） (2020-05-25T12:32:02Z)

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。