Analyse du modus operandi des cyberdélinquants sollicitant sexuellement des mineurs sur Internet
Bibliographic record
Abstract
L’utilisation des technologies de communications en ligne est en constante augmentation, ainsi offrant un lot d’opportunités criminelles aux délinquants sexuels en ligne. Une préoccupation majeure pour les autorités d’application de la loi est en lien avec le leurre d’enfant. Pour les autorités, l’augmentation des plaintes de leurres informatiques vient justifier l’étude du phénomène (gouvernement du Québec, 2022). En effet, avec cette augmentation de plaintes, les défis pour les corps policiers en matière d’enquête sont de plus en plus grands. Afin d’identifier les différentes stratégies du leurre, cette étude s’intéresse au mode opératoire des cyberdélinquants sollicitant sexuellement des mineurs sur Internet. L’objectif de ce mémoire est de comparer ce que les cyberdélinquants partagent comme conseils sur les forums de discussion sur le Dark web avec ce qui se passe dans la réalité dans un clavardage entre un cyberdélinquant et une victime. En analysant les stratégies partager sur les forums de discussions sur le Dark web et les cas réels, il sera possible de comparer si ce qui est véhiculé sur les forums coïncide avec ce que les auteurs de crimes sexuels font en réalité. Pour ce faire deux bases de données ont été analysées, soit des signalements de sollicitations sexuelles faites auprès du Centre canadien de la protection de l’enfance (CCPE) et des échanges entre cyberdélinquants sur le Dark web concernant le leurre. Une analyse thématique a été effectuée avec les deux bases de données afin de comparer les stratégies mentionnées sur le Dark web et celles utilisées par les délinquants dans les signalements. Les résultats de cette étude démontrent que les stratégies partagées sur le Dark web diffèrent des stratégies codifiées dans les signalements. Les échanges sur le Dark web suivent les principes des théories du leurre traditionnel, dont la construction d’une relation d’amitié, puis amoureuse et finalement l’introduction du contenu sexuel. Les données de signalement au CCPE démontrent que les délinquants introduisent rapidement le contenu sexuel sans nécessairement construire une relation avec la victime. Les motivations de ces délinquants sont principalement axées sur l’argent, ce qui peut expliquer la divergence dans les deux banques de données. Les implications de cette étude suggèrent que les stratégies de leurres dans des cas réels diffèrent des stratégies traditionnelles abordées dans la littérature et sur les forums du Dark web.
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 | 0.002 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.016 | 0.002 |
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".