The NPS Phenomenon and the Deep Web: Internet Snapshots of the Darknet and Potentials of Data Mining
Notice bibliographique
Résumé
BACKGROUND: The illegal electronic trade of NPS substances on the deep web and the darknet have never been thoroughly mapped. This study will propose and illustrate a blueprint for mapping of the darknet e-marketplace, including activities originating from the Middle East.MATERIALS & METHODS: Multiple Internet snapshots were taken for the darkest e-marketplace, e-markets, Grams search engine, and e-vendors. In relation to the most popular and high-risk NPS substances, the most dominant e-market will be identified. Special correlation will be carried out with the; population count of shipping countries of NPS, the incidence of rape and sexual assaults, and religious affiliation.RESULTS: The most popular high-risk NPS were identified; cannabis and cannabimimetic, MDMA, crack, Meth, and LSD. These were geo-mapped primarily into; Netherlands, US, UK, Germany, Australia, Canada, France, and Spain. AlphaBay e-market was found to be a proper representative for the darknet e-marketplace; the main advertised NPS were categorised into cannabis and cannabinoids (1), stimulants (2), empathogens (3), psychedelics (4), benzodiazepines (5), opioids (6), and prescription-related substances (7). The contributing Middle Eastern and Arabic countries included; UAE, Oman, Morocco, Egypt, and Cyprus.CONCLUSION: The e-commerce activities on the darknet have been ever evolving. Future attempts to study this e-marketplace should be innovative and rely on statistical inference. A blueprint is required for geo-mapping of the shipping countries, including those from the region of the Middle East. Principles of social sciences, including the analysis of the individual basis of power, should be considered.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,004 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».