Between Pleasure and Punishment: The Moral Vocabulary of Drug Use in Nigerian Digital Spaces
Notice bibliographique
Résumé
Drug use among Nigerian youth is increasingly treated as both a public health crisis and a moral failing. This study examines how the crisis is narrated in digital spaces through slang, sentiment, and moral language that not only reflect consumption patterns but shape them. We analyzed 5,240 text samples: Twitter posts (n = 3,100), Nairaland threads (n = 920), and lyrics from 45 hip-hop and street-pop tracks (n = 1,220 lines), collected between January 2021 and March 2024. Using targeted keywords including “high”, “loud,” “colorado,” “skushi,” “roachies,” “tramadol,” and “codeine.” Using sentiment analysis (VADER), an adapted moral foundations tagging approach, and close qualitative coding, we traced how different drugs are framed across class, gender, and emotional registers. Stimulants such as “loud” and “tramadol” are often aligned with masculinity, performance, and aspiration, while sedatives like “codeine” and “rohypnol” appear more often in narratives of feminine withdrawal, vulnerability, or social regulation. Imported substances (e.g., “Canadian Loud,” “SK”) evoke status and trend-savviness; locally mixed drugs (e.g., “monkey tail,” “gutter water”) mark degradation, addiction, or spiritual decline. First-person disclosures carry tones of defiance or fatalism, while third-party accounts invoke disgust, fear, and betrayal of purity or religious authority. These moral framings do not merely describe behavior; rather, they regulate it. If public health is to be effective, it must move beyond condemnation and engage with the lived vocabularies of those it seeks to reach.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».