文章主要内容总结本文聚焦于大型语言模型（LLMs）在提升钓鱼防御中的应用，通过大规模对照实验评估LLM生成钓鱼警告解释的效果。研究背景为：传统钓鱼警告因解释模糊、内容静态，防御效果有限，而人工生成的解释虽有效但维护成本高、难以适应威胁变化。研究设计了包含750名参与者的组间实验，对比了人工生成的警告解释与两种LLM（Claude 3.5 Sonnet和Llama 3.3 70B）生成的解释，且两种LLM均采用两种解释风格（基于特征和反事实）。通过分析用户点击率（行为指标）和信任、风险感知等（感知指标），得出以下核心结论：LLM生成的解释效果与人工生成的相当，甚至更优（Claude表现尤为突出）；基于特征的解释在真实钓鱼攻击中更有效，反事实解释能降低误报率；用户的工作量、性别、对警告的熟悉度等因素显著影响警告效果。创新点首次大规模验证LLM在钓鱼警告生成中的有效性：通过750人实验，系统对比了LLM（Claude和Llama）与人工生成的钓鱼警告解释，证明LLM生成的解释具备实用性和可扩展性。探索两种解释风格的差异：首次在钓鱼防御场景中对比基于特征（强调钓鱼特征）和反事实（说明“如何修改可避免被标记”）的解释效果，发现二者在真实攻击和误报场景中各有优势。揭示用户相关因素的影响：深入分析了性别、认知负荷、对警告的熟悉度等因素对防御效果的调节作用，为个性化钓鱼防御提供了依据。/