Do they all act the same? : identification of the strategies associated with different types of online sex solicitors' discourses
Bibliographic record
Abstract
L’avancement des technologies a permis aux agresseurs sexuels de mineurs d’avoir de nouvelles opportunités de commettre des infractions à caractère sexuel en ligne (Fortin, Paquette, & Dupont, 2018; Seto, Hanson, & Babchishin, 2011). Avec un nombre de plaintes criminelles croissant (Wolak, Finkelhor, & Mitchell, 2012), le phénomène du leurre informatique pose de nombreux défis pour les enquêteurs qui doivent développer des méthodes d'enquête pour distinguer les dossiers ayant le plus de risque de passage à l’acte afin d’assurer la protection du public. Le projet de recherche vise à distinguer les différents types de cyber-relations basées sur les stratégies utilisées dans les discours d’auteurs de leurre. En analysant les différences entre les auteurs de leurre qui ne demande pas un contact hors ligne, ceux qui n’ont pas été capables d’obtenir un contact et ceux qui ont obtenu un contact hors ligne, on vise à identifier les stratégies associées aux discoures des interactions menant aux contacts hors ligne. L’étude utilise une combinaison d’approche qualitative et quantitative. L’analyse des conversations en ligne a été faite à partir de données policières de la Surêté du Québec . La transformation des données qualitatives en quantitative a été fait pour conduire les analyses statistiques. Les résultats suggèrent que les stratégies associées aux interactions qui ont mené au passage hors ligne sont : la persistance, la pratique en ligne des fantaisies sexuelles et d’avoir des opportunités à risque limité de détection d’une figure faisant autorité. Les auteurs de leurre avec contact ont utilisé ces stratégies de manière plus récurrente que les auteurs de leurre sans contact. En outre, les victimes qui participent plus et qui résistent le plus ont été associées à des relations menant au contact hors ligne. Les auteurs de leurre ayant eu un contact hors ligne avec leurs victimes avaient un plus grand nombre de conversations, en moyenne. Donc, ils avaient plus de temps pour utiliser différentes stratégies pour surpasser les résistances des victimes. Les implications de cette recherche suggèrent que les typologies identifiées dans la littérature scientifique n’ont pas trouver les caractéristiques scientifiquement associées à chacun des types.
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 | 0.007 | 0.018 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.006 | 0.014 |
| Scholarly communication | 0.011 | 0.011 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 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".