Les marchés de drogues sur le darkweb : impacts des opérations de perturbation de la police
Notice bibliographique
Résumé
L’émergence des cryptomarchés, ayant mené au développement de nouvelles méthodes de distribution de drogues et autres produits et services illicites (Walsh et Phil, 2011), pose divers défis aux forces de l’ordre. Ces dernières, souhaitant limiter la portée de leurs actions, adoptent habituellement des stratégies similaires à celles utilisées auprès de réseaux de drogues traditionnels (Décary-Hétu et Giommoni, 2016). Toutefois, les différences entre ces marchés et ceux en ligne génèrent des questionnements quant à l’efficacité de ces techniques. Jusqu’à présent, peu d’études s’y sont intéressées, mais celles qui ont été recensées sont effectivement parvenues à des résultats peu enthousiastes. Ces recherches ont conclu que les activités tentées jusqu’à présent par la police n’avaient pas influencé le marché de façon significativement durable (Décary-Hétu et Giommoni, 2016; Van Buskirk, Roxburgh, Farrell et Burns; 2014; Soska et Christin, 2015). Dans cette optique, ce mémoire pose un regard sur l’impact d’une opération policière n’ayant toujours pas été analysée à ce jour, qui, en collaboration avec les services postaux, a mené à une arrestation et à plusieurs saisies en lien avec des vendeurs de cannabis canadiens opérant sur les cryptomarchés. Après avoir analysé les données recueillies selon un modèle d’évaluation d’impact considérant l’offre, la demande et le prix, les résultats démontrent qu’au contraire de ce que nous dicte la littérature, l’opération a eu pour effet de diminuer significativement à long terme certains indicateurs tels que le nombre de transactions, les parts des marchés de transactions, le nombre de vendeurs actifs, les revenus engendrés et les parts de marchés de revenus, le tout au sein du marché de cannabis canadien. Le modèle de prédiction utilisé, se basant sur des analyses de séries chronologiques interrompues (ARIMA), nous a permis de déterminer que l’opération étudiée avait contribué à éviter 2452 transactions sur ce qui était normalement prévu par la tendance pré-intervention, soulignant une baisse considérable de 101%, versus 91% internationalement (différence de 10%) 18 mois après le début de l’intervention.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 0,003 |
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 source (Gemma direct ou Codex distillé), 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 ».