(Kwetsbare) hackers in het politieverhoor.
Bibliographic record
Abstract
“De politie heeft – mede vanwege de zwijgende houding van de verdachte – een omvangrijk onderzoek moeten uitvoeren”.1 In voorgenoemde zaak stond een verdachte terecht voor onder meer het hacken van e-mailaccounts van ondernemers en het versturen van valse facturen naar klanten van deze bedrijven. Cybercrime, met name hacking, is een groeiend probleem in de huidige digitale maatschappij. Door de opkomst van cybercrime krijgen rechercheurs in het politieverhoor2 te maken met een nieuwe groep verdachten: verdachten van hackdelicten. Hackverdachten zijn veelal mannelijk, jong en kunnen een psychische aandoening als een Autisme Spectrum Stoornis (hierna: autisme) hebben. Zij variëren op het gebied van technische vaardigheden, opleiding en motivatie. In hackzaken lijkt met name technisch bewijs een grote rol te spelen. Dit roept de vraag op of een verdachtenverklaring noodzakelijk is in het opsporingsonderzoek. En zo ja, hoe ziet het verhoorproces eruit? Hoe zorgen rechercheurs ervoor dat (technisch onderlegde) hackverdachten betrouwbaar verklaren? Tot op heden is nog geen onderzoek gedaan naar het verhoorproces van hackverdachten. Om daar inzicht in te krijgen, is een onderzoek uitgevoerd op basis van interviews met officieren van justitie, advocaten en respondenten die werkzaam zijn bij cybercrimeteams.
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 | 0.004 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.010 | 0.020 |
| Scholarly communication | 0.016 | 0.017 |
| Open science | 0.001 | 0.015 |
| Research integrity | 0.007 | 0.010 |
| Insufficient payload (model declined to judge) | 0.046 | 0.007 |
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".