Évaluation de l’impact de la légalisation du cannabis sur les vendeurs canadiens actifs sur les cryptomarchés dans les trois mois suivant la légalisation
Bibliographic record
Abstract
Le 17 octobre 2018, le gouvernement libéral du Canada a légalisé le cannabis à usage récréatif dans le but d’offrir un accès sécuritaire et contrôlé à un produit de qualité, tout en empêchant les criminels de jouir des bénéfices associés au commerce de la drogue. De telles modifications au cadre légal ont soulevé de nombreuses inquiétudes de la part du public, notamment à l’effet d’une augmentation potentielle de la consommation. Le présent mémoire répond à une autre préoccupation; celle de la prolifération du marché noir. À ce jour, on ignore comment les trafiquants de cannabis réagiront à la légalisation de la drogue qu’ils fournissent. Les quelques recherches existantes, basées sur des données officielles et autorapportées, ne font pas consensus quant à l’effet de la légalisation sur l’offre illicite de cannabis. D’ailleurs, aucune étude n’a été réalisée dans le contexte particulier de la légalisation du cannabis au Canada, alors qu’il s’agit d’une réforme sans précédent en Amérique du Nord. Ce mémoire adopte une approche novatrice en utilisant les « traces numériques » collectées sur le cryptomarché Dream Market, un marché virtuel anonyme consacré à la vente de drogues illicites, pour décrire et comprendre l’impact de la légalisation sur les vendeurs de marijuana canadiens actifs sur ce marché. Des modèles de régression nous ont permis d’estimer l’effet de la légalisation sur la disponibilité du produit, le nombre de vendeurs et les revenus générés par la vente de marijuana. Ces mêmes analyses ont été utilisées pour déceler la présence d’un déplacement tactique, de cible et de substance par les vendeurs. Cette étude montre qu’à court terme, la légalisation a eu un effet sur les activités des vendeurs de marijuana canadiens, mais cet effet n’est pas celui escompté au regard des objectifs de santé et de sécurité publique du gouvernement. Au cours du premier trimestre de la légalisation, l’offre canadienne de marijuana dans le cryptomarché a augmenté de manière significative. De plus, contrairement à ce qui avait été anticipé par le législateur, les revenus des vendeurs de marijuana canadiens n’ont pas subi de baisses significatives après la légalisation. Enfin, les vendeurs semblent avoir anticipé les impacts de la légalisation sur leur chiffre d’affaires à plus long terme et ont choisi de se positionner favorablement dans d’autres types de marchés. Plus spécifiquement, les vendeurs font davantage de publicité dans le marché américain et dans d’autres sous-marchés de drogues, principalement les stimulants, les produits dérivés du cannabis et les psychédéliques.
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 | 0.006 | 0.016 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.013 | 0.001 |
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".