Contribution to the harm assessment of darknet markets: topic modelling drug reviews on Dark0de Reborn
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 Amid the global opioid crisis, the volume of drug trade via darknet markets has risen to an all-time high. The steady increase can be explained by the reliable operation of darknet markets, affected by community-building trust factors reducing the risks during the process of the darknet drug trade. This study was designed to explore the risk reduction efforts of the community of a selected darknet market and therefore contribute to the harm assessment of darknet markets. We performed Latent Dirichlet Allocation topic modelling on customer reviews of drug products ( n = 25,107) scraped from the darknet market Dark0de Reborn in 2021. We obtained a model resulting in 4 topics (coherence score = 0.57): (1) feedback on satisfaction with the transaction; (2) report on order not received; (3) information on the quality of the product; and (4) feedback on vendor reliability. These topics identified in the customer reviews suggest that the community of the selected darknet market implemented a safer form of drug supply, reducing risks at the payment and delivery stages and the potential harms of drug use. However, the pitfalls of this form of community-initiated safer supply support the need for universally available and professional harm reduction and drug checking services. These findings, and our methodological remarks on applying text mining, can enhance future research to further examine risk and harm reduction efforts across darknet markets.
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 | 0,003 | 0,000 |
| 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 | 0,000 | 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