이 연구는 LLM 기반 사이버보안 어시스턴트의 답변을 사용자 맞춤화(personalization)했을 때 이해도·실행 가능성, 특히 보안 권고를 실제로 따르게 만드는 설득력이 얼마나 개선되는지 분석했다. 정적 사용자 프로필부터 대화 이력 기반 맞춤화까지 4가지 전략을 실제 보안 질문 1045건과 참가자 57명·질문 1066건의 7일간 실험 데이터로 비교했다. 대규모 LLM 기반 평가와 인간 평가 모두에서 대화 기반 개인화 전략이 유용성과 보안 조언 준수 의향에서 가장 높은 평가를 받았으며, 두 평가 방식의 경향이 서로 일치해 LLM 평가가 값비싼 사용자 연구 이전의 확장 가능한 대안이 될 수 있음을 시사했다. 연구진은 행동 기반 개인화가 LLM 보안 어시스턴트 설계에서 유망한 방향이라고 결론지었다.

• •실제 보안 질문 1045건과 참가자 57명이 참여한 7일간 실험(질문 1066건)으로 4가지 개인화 전략을 비교
• •대화 이력 기반 개인화가 정적 프로필 방식보다 유용성·보안 권고 준수 의향에서 일관되게 높은 평가
• •대규모 LLM 기반 평가 결과가 인간 평가 결과와 유사한 경향을 보여 LLM 평가의 확장 가능성 확인
• •행동 기반(behavior-driven) 개인화를 사이버보안 어시스턴트 설계의 유망한 방향으로 제시