Detection of illicit online sales of fentanyls via Twitter
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
A counterfeit fentanyl crisis is currently underway in the United States. Counterfeit versions of commonly abused prescription drugs laced with fentanyl are being manufactured, distributed, and sold globally, leading to an increase in overdose and death in countries like the United States and Canada. Despite concerns from the U.S. Drug Enforcement Agency regarding covert and overt sale of fentanyls online, no study has examined the role of the Internet and social media on fentanyl illegal marketing and direct-to-consumer access. In response, this study collected and analyzed five months of Twitter data (from June-November 2015) filtered for the keyword "fentanyl" using Amazon Web Services. We then analyzed 28,711 fentanyl-related tweets using text filtering and a machine learning approach called a Biterm Topic Model (BTM) to detect underlying latent patterns or "topics" present in the corpus of tweets. Using this approach we detected a subset of 771 tweets marketing the sale of fentanyls online and then filtered this down to nine unique tweets containing hyperlinks to external websites. Six hyperlinks were associated with online fentanyl classified ads, 2 with illicit online pharmacies, and 1 could not be classified due to traffic redirection. Importantly, the one illicit online pharmacy detected was still accessible and offered the sale of fentanyls and other controlled substances direct-to-consumers with no prescription required at the time of publication of this study. Overall, we detected a relatively small sample of Tweets promoting illegal online sale of fentanyls. However, the detection of even a few online sellers represents a public health danger and a direct violation of law that demands further study.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 découle