How accurate are drug cryptomarket listings by content, weight, purity and repeat purchase?
Notice bibliographique
Résumé
Purpose Drug cryptomarkets increase information available to market actors, which should reduce information asymmetry and increase market efficiency. This study aims to determine whether cryptomarket listings accurately represent the advertised substance, weight or number and purity, and whether there are differences in products purchased from the same listing multiple times. Design/methodology/approach Law enforcement drug purchases – predominantly cocaine, methamphetamine, MDMA and heroin – from Australian cryptomarket vendors (n = 38 in 2016/2017) were chemically analysed and matched with cryptomarket listings (n = 23). Descriptive and comparative analyses were conducted. Findings Almost all samples contained the advertised substance. In most of these cases, drugs were either supplied as-advertised-weight or number, or overweight or number. All listings that quantified purity overestimated the actual purity. There was no consistent relationship between advertised purity terms and actual purity. Across the six listings purchased from multiple times, repeat purchases from the same listing varied in purity, sometimes drastically, with wide variation detected on listings purchased from only one month apart. Research limitations/implications In this data set, cryptomarket listings were mostly accurate, but the system was far from perfect, with purity overestimated. A newer, larger, globally representative sample should be obtained to test the applicability of these findings to currently operating cryptomarkets. Originality/value This paper reports on the largest data set of forensic analysis of drug samples obtained from cryptomarkets, where data about advertised drug strength/dose were obtained.
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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».