Les marchés de drogues sur le darkweb : impacts des opérations de perturbation de la police
Bibliographic record
Abstract
L’émergence des cryptomarchés, ayant mené au développement de nouvelles méthodes de distribution de drogues et autres produits et services illicites (Walsh et Phil, 2011), pose divers défis aux forces de l’ordre. Ces dernières, souhaitant limiter la portée de leurs actions, adoptent habituellement des stratégies similaires à celles utilisées auprès de réseaux de drogues traditionnels (Décary-Hétu et Giommoni, 2016). Toutefois, les différences entre ces marchés et ceux en ligne génèrent des questionnements quant à l’efficacité de ces techniques. Jusqu’à présent, peu d’études s’y sont intéressées, mais celles qui ont été recensées sont effectivement parvenues à des résultats peu enthousiastes. Ces recherches ont conclu que les activités tentées jusqu’à présent par la police n’avaient pas influencé le marché de façon significativement durable (Décary-Hétu et Giommoni, 2016; Van Buskirk, Roxburgh, Farrell et Burns; 2014; Soska et Christin, 2015). Dans cette optique, ce mémoire pose un regard sur l’impact d’une opération policière n’ayant toujours pas été analysée à ce jour, qui, en collaboration avec les services postaux, a mené à une arrestation et à plusieurs saisies en lien avec des vendeurs de cannabis canadiens opérant sur les cryptomarchés. Après avoir analysé les données recueillies selon un modèle d’évaluation d’impact considérant l’offre, la demande et le prix, les résultats démontrent qu’au contraire de ce que nous dicte la littérature, l’opération a eu pour effet de diminuer significativement à long terme certains indicateurs tels que le nombre de transactions, les parts des marchés de transactions, le nombre de vendeurs actifs, les revenus engendrés et les parts de marchés de revenus, le tout au sein du marché de cannabis canadien. Le modèle de prédiction utilisé, se basant sur des analyses de séries chronologiques interrompues (ARIMA), nous a permis de déterminer que l’opération étudiée avait contribué à éviter 2452 transactions sur ce qui était normalement prévu par la tendance pré-intervention, soulignant une baisse considérable de 101%, versus 91% internationalement (différence de 10%) 18 mois après le début de l’intervention.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.009 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.005 | 0.004 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.020 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".