La inteligencia artificial tiene el potencial de apoyar el diseño centrado en el ser humano al adaptar información compleja a grupos específicos. En este trabajo, nuestra información compleja son los informes de escaneo de un escáner de vulnerabilidades, y nuestros grupos objetivo son los administradores de sistemas locales (LSAs), que son responsables de corregir vulnerabilidades en entornos universitarios heterogéneos. Estos LSAs a menudo tienen tiempo limitado, conocimientos heterogéneos en seguridad informática y una autoevaluación inconsistente de sus habilidades para mitigar vulnerabilidades de seguridad complejas. Nuestro trabajo anterior ha demostrado que los LSAs son más capaces de mitigar estas vulnerabilidades cuando son apoyados por informes de escaneo que han sido reescritos y mejorados por un LLM. En este documento, presentamos nuestro trabajo en curso sobre la personalización de esta reescritura de LLM para cuatro grupos diferentes de LSA. En particular, desarrollamos cuatro estrategias de prompting de LLM diferentes, junto con un diseño de estudio, para examinar la medida en que los prompts revisados mejorarán la comprensibilidad, la utilidad percibida y el apoyo práctico de los informes de escaneo reescritos. Así, buscamos contribuir a las discusiones en curso sobre el papel de la IA en el apoyo a la usabilidad, la confianza y el despliegue efectivo en el contexto de la seguridad informática usable.
Hoffmann et al. (Jue,) estudiaron esta cuestión.