Decrypting the cryptomarkets: Trends over a decade of the Dark Web drug trade
Notice bibliographique
Résumé
Introduction The Dark Web is a subsection of the Internet only accessible through specific search engines, making it impossible to trace users. Due to extensive anonymity, the drug trade on the Dark Web makes regulation complicated. We sought to uncover the scope of the online drug trade on the Dark Web and the impact it may have on the dynamics of global drug trafficking. Methods We conducted a literature review to elucidate the availability and distribution of drugs on the Dark Web based on data reported in existing literature ( n = 14) between September 2012 and June 2019. We simultaneously collected data about substances and listings from Dark Web cryptomarkets ( n = 13) active between August 2022 and January 2023. Data from the literature review and the Dark Web scrape were combined to draw trends in the chronological availability and distribution of drugs between 2012 and 2023. Results The data collected from 13 cryptomarkets between late 2022 and early 2023 showed a relative change in substance distribution compared to 2012–2019, with a decrease in prescription drugs (from >20% to <5%) and a doubling of opioid listings (from 5.5% to 9.25%), while no major changes were observed on average during 2012–2019 according to literature. Conclusions The Dark Web warrants more attention in the analysis of the global drug trade. Understanding Dark Web drug markets can inform targeted interventions and strategies to reduce drug-related harms, while ongoing research is necessary to anticipate and respond to future changes in the landscape of the illicit drug trade.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| 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 ».