Uppsats

Universitetsstudenters bedömning av nätfiskemejl

Kandidat-uppsats

Stockholms universitet/Institutionen för data- och systemvetenskap

Publicerad: 2025

Språk: Svenska

Sammanfattning

Den utbredda användningen av e-post som kommunikationsverktyg har gjort den till en vanlig attackvektor för nätfiske. Med de senaste framstegen inom generativ artificiell intelligens (AI) och Phishing-as-a-Service (PhaaS) har nätfiskemejl blivit alltmer sofistikerade, vilket utmanar traditionella användarstrategier för att identifiera bluffmejl. Tidigare vanliga metoder, som att kontrollera stavfel eller misstänkta webbadresser, har blivit mindre tillförlitliga. Att förstå vilka detekteringsmetoder som fortfarande fungerar är avgörande för att utveckla effektivare säkerhetsutbildningar och tekniska skydd. Universitetsstudenter är ofta en studerad målgrupp inom cybersäkerhetsforskning, men deras reaktioner på moderna nätfiskeattacker, särskilt sådana som genererats med AI eller skapats via PhaaS, är outforskat. Deras höga digitala aktivitet och varierande formella utbildning gör dem till en relevant grupp för att undersöka hur etablerade heuristiker står sig emot dagens hot. Denna studie syftar till att undersöka hur användares heuristiker fungerar när de tillämpas på nätfiskemejl med olika nivå av sofistikation. Fyra typer av mejl analyserades: ett klassiskt nätfiskemejl (före 2015), ett PhaaS-baserat mejl, ett AI-genererat mejl samt legitimt mejl som kontrollgrupp. Studien använde en kvalitativ metod där data samlades in genom think-aloud-sessioner följt av korta intervjuer. Materialet analyserades tematiskt. Resultaten visar att deltagarna generellt identifierade det klassiska bluffmejlet korrekt, medan de ofta missbedömde de PhaaS-baserade och AI-genererade mejlen. Deras professionella språk, visuella kvalitet och relevanta innehåll bidrog till att de uppfattades som legitima. Studien visar att traditionella heuristiker har blivit allt mindre tillförlitliga.

Information

Lärosäte / institution
Stockholms universitet/Institutionen för data- och systemvetenskap
Publiceringsdatum
2025
Uppsatstyp
Kandidat-uppsats
Språk
Svenska

Utforska vidare

Liknande uppsatser

Uppsatser med liknande ämnen och nyckelord.