The dark web trades wildlife, but mostly for use as drugs
Notice bibliographique
Résumé
Abstract Contemporary wildlife trade is massively facilitated by the Internet. By design, the dark web is one layer of the Internet that is difficult to monitor and continues to lack thorough investigation. Here, we accessed a comprehensive database of dark web marketplaces to search across c . 2 million dark web advertisements over 5 years using c . 7 k wildlife trade‐related search terms. We found 153 species traded in 3332 advertisements ( c . 600 advertisements per year). We characterized a highly specialized wildlife trade market, where c . 90% of dark‐web wildlife advertisements were for recreational drugs. We verified that 68 species contained chemicals with drug properties. Species advertised as drugs mostly comprised of plant species, however, fungi and animals were also traded as drugs. Most species with drug properties were psychedelics (45 species), including one genera of fungi, Psilocybe , with 19 species traded on the dark web. The native distribution of plants with drug properties were clustered in Central and South America. A smaller proportion of trade was for purported medicinal properties of wildlife, clothing, decoration, and as pets. Synthesis and applications . Our results greatly expand on what wildlife species are currently traded on the dark web and provide a baseline to track future changes. Given the low number of advertisements, we assume current conservation and biosecurity risks of the dark web are low. While wildlife trade is rampant on other layers of the Internet, particularly on e‐commerce and social media sites, trade on the dark web may still increase if these popular platforms are rendered less accessible to traders (e.g., via an increase in enforcement). We recommend focussing on surveillance of e‐commerce and social media sites, but we encourage continued monitoring of the dark web periodically to evaluate potential shifts in wildlife trade across this more occluded layer of the Internet. Read the free Plain Language Summary for this article on the Journal blog.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».