“Like aspirin for arthritis”: A qualitative study of conditional cyber‐deterrence associated with police crackdowns on the dark web
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
Abstract Research summary Crackdowns are law enforcement strategies based on the principles of deterrence theory, which stipulates that offenders are rational actors who will refrain from crime if perceived risks are higher than perceived benefits. Studies have shown that the effects of police street drug crackdowns are mostly short termed and followed by considerable displacement. In the early 2010s, an important part of illicit drug trades moved online to cryptomarkets, and law enforcement agencies have responded by engaging in online drug crackdowns. In this study, we focus on the perceptions of dark web users in order to determine, from a qualitative “data‐driven” perspective, whether police online crackdowns may have a cyber‐deterrent effect by analyzing 1796 forum posts. Our results show that these events trigger psychological and practical consequences that participants claim to have a conditional, although minor, deterrent effect. In the majority of cases, dark web users claimed to engage in several forms of spatial and tactical displacement. Policy implications Our study suggests that police crackdowns on the dark web have limited, short‐term effectiveness in curbing illicit activities. It proposes that innovative policing approaches such as problem‐oriented policing and “pulling levers/focused deterrence” strategies, which involve identifying key actors and engaging with them, be potentially extended to the dark web. While this approach is promising, it emphasizes the need for further research to assess its efficacy in the online realm, as it is a largely uncharted territory for law enforcement.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle