该论文研究了上下文特定的短信诈骗警告如何影响用户的推理和决策。传统上，诈骗警告往往只是简单地提醒用户“小心”，而本研究探索了更详细的解释性警告（例如“这里是为什么这是诈骗”）是否能更有效地帮助用户识别和防范诈骗。作者通过用户实验，让参与者面对不同的短信诈骗场景，并展示不同类型的警告信息，随后评估参与者的推理过程、信任度以及是否采取行动。实验结果表明，提供具体解释的警告比仅仅提示“小心”更能提升用户的辨识能力，并减少被欺骗的可能性。研究还发现，警告信息中提供的具体线索（如语法错误、异常链接等）与用户的批判性思维之间存在正相关。论文的核心贡献在于量化了上下文特定警告对用户行为的影响，并为设计更有效的反诈骗提示提供了实证依据。

该论文聚焦于多轮短信诈骗（smishing）检测，针对此前工作中提出的合成对话数据集COVA（3,201条标注对话）的局限性进行了扩展。作者指出COVA存在数据污染、标签不匹配、阶段指示泄露以及提示设计缺陷等问题，导致Transformer模型（如BERT）因输入截断和训练数据不足而表现不佳，而基于TF-IDF特征的XGBoost反而取得了最佳性能（准确率72.5%，macro F1 0.691）。为此，论文提出了COVA-X扩展数据集，包含10,985条对话，覆盖8种针对老年人的诈骗类型。通过改进的生成流程，标签纠错率从49.8%提升至3.9%（改善12.7倍），虚拟绑架类对话的人为痕迹率从67.1%降至46.5%。在扩展数据集上重新训练所有分类器后，核心发现是Longformer模型全面超越XGBoost，准确率达到79.71%，macro F1 0.7786，而XGBoost为78.43%和0.7563。这直接证实Transformer模型需要更大规模的对话语料才能发挥其上下文优势。此外，论文还进行了每类诈骗的结果分析，表明诈骗类别对检测效果有机制一致的影响；清洗前后的敏感性分析证实，数据精炼在所有三种分类器架构上都能恢复真正的标签相关信号。该研究为多轮短信诈骗检测提供了更高质量的数据集和更强的基线模型。

该论文针对移动短信钓鱼（SMiShing）攻击的用户易感性开展研究。作者通过在美国进行的半结构化访谈，探索手机用户如何判断文本信息的真伪，以及哪些因素影响其决策过程。研究发现，用户主要依赖内容线索（如拼写错误、链接域名）、上下文（如与已知联系人的对话历史）以及直觉（如“感觉不对”）来识别钓鱼短信。同时，用户普遍存在过度自信和低估威胁的倾向。该工作揭示了用户认知与攻击者策略之间的差距，为设计更有效的反钓鱼培训和工具提供了实证基础。