Thèse : Ingénierie Sociale : Application des théories de psychologie sociale à la cybersécurité
- Candidat·e :
- Antony Dalmiere
- Date :
- 23 juin 2026 10:30
- Lieu :
- LAAS-CNRS - Salle de Conférences 7 avenue du colonel Roche 31077 TOULOUSE Cedex 4
- Unités :
- trust
- Délivré par :
- INSA, EDMITT
- Mots clefs :
- LLM, Ingénierie Sociale, Psychologie
Composition du jury
- Directeur·ice·s :
- Guillaume Auriol, Maitre de conférence, LAAS-CNRS
Pascal Marchand, Professeur des universités, LERASS - Université de Toulouse
Vincent Nicomette, Professeur, INSA Toulouse - Rapporteur·ice·s :
- Christophe Rosenberger, Professeur d’Université, ENSICAEN
Valérie Fointiat, Professeur d'université, Aix Marseille Université - Examinateur·ice·s :
- Francesca Musiani, Directrice de Recherche, CNRS
Jean-Yves Marion, Professeur des universités, Université de Lorraine - Invité·e·s :
- Nicolas Porquet, Cadre Scientifique, CNRS
Résumé
Cette thèse interdisciplinaire applique les théories de psychologie sociale au domaine de la cybersécurité, sous l'angle de l'ingénierie sociale. Face à un état de l'art centré sur la protection technologique des réseaux, ce travail repositionne la vulnérabilité humaine comme facteur central des cyberattaques réussies. À partir d'un corpus d'emails phishing réels nous avons : (1) quantifié les techniques d'offuscation contournant les filtres anti-spam ; (2) classifié les techniques de manipulation psychosociale mobilisées (curiosité, promesse, demande de faveur, etc.) ; (3) automatisé cette classification via un LLM en in-context learning.
Abstract
This interdisciplinary thesis applies social psychology theories to cybersecurity through the lens of social engineering. While the state of the art focuses on the technological protection of networks, this work repositions human vulnerability as the central factor in successful cyberattacks. Using a corpus of real phishing emails, we: (1) quantified obfuscation techniques bypassing spam filters; (2) classified the psychosocial manipulation techniques employed (curiosity, promise, favour request, etc.); (3) automated this classification using an LLM via in-context learning.