The Most Popular Chemical Categories of NPS in Four Leading Countries of the Developed World: An Integrative Analysis of Trends Databases, Surface Web, and the Deep Web
Notice bibliographique
Résumé
BACKGROUND: New psychoactive substances are very diverse; hundreds exist today. Several schemes exist to categorise them; NPS can be classified into Cannabinoids and Cannabimimetics (1), Phenethylamines (2), Cathinones (3), Tryptamines (4), Piperazines (5), Pipradrol derivatives (6), and miscellaneous substances (7)MATERIALS & METHODS: Observational analyses via multiple internet snapshots will be carried out on the surface web and the deep web. The analyses will be hierarchical and integrative to infer the most popular categories of NPS based on the attentiveness (interest) of web users.RESULTS: Analysis of Google Trends from 2012 to the end of 2016, shows that interest in cannabinoids was the highest (98%), while all other chemical categories of NPS summed up to a tiny fragment (2%). The trends were highly oscillating over the years and shooting up during holiday seasons. Geo-mapping and localisation of the Middle East were not possible (not allowed) via Google Trends, while trends were attributed to four major leading countries of the developed world; US (35%), UK (17%), Canada (26%), and Australia (22%). Cannabinoids and stimulants were also found to be the most popular on the darknet.CONCLUSION: A novel method is proposed in this study; it has been carried out to provide an updated extrapolation on the most favoured chemical categories of NPS. This method is based on a combinatory examination at multiple levels of the surface web and the deep web. Furthermore, this method when potentially combined with data mining tools should provide unprecedented real-time analyses of high quality.
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 | 0,008 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,008 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».