整合计算机语言和社交网络分析,在在线社区中捕捉成瘾恢复资本

我们的协议提供了一种全面、不显眼和准确的方式来描述人们在从吸毒和酗酒成瘾中恢复时如何与在线社区互动。这种技术超越了以前研究中使用的自报告方法，使我们能够测量更多的隐式恢复标记。在开始提取之前，加载所需的函数、数据集或编译的代码，这些代码允许用户分析、转换或提取 R 中的数据，并将外部保留和用户数据加载到 R 中，作为 CSV 文件中的数据框。

加载所有包后，使用 R Facebook 中的 get 组功能从感兴趣的社区的社交媒体页面中提取数据，并将数据保存为数据框。使用来自 R Facebook 的 get 帖子功能，以及刚刚提取的帖子 ID，提取页面上发布赞的数据。使用来自 R Facebook 和提取的帖子 ID 的 get 帖子功能，提取每个帖子上的评论数据，并保存此数据作为数据框。

使用注释 ID 提取每个帖子上注释赞的数据，并保存此数据作为数据框。然后，将帖子、帖子赞、评论和评论赞组合到一个数据框中，并添加每月细分。要计算每个客户制作和接收的社交媒体活动，请计算每个客户发布的帖子、评论、帖子赞和评论赞数，以及每个客户收到的帖子、评论、帖子赞和评论赞数。

将每个客户制作和接收的社交媒体活动的数据框加入到保留数据框中，并计算包含赞和不喜欢的帖子和评论之间的差异，以及具有评论和没有评论的帖子之间的差异。将赞的差异数据与保留数据联接，将注释差异数据与保留数据联接。计算每个客户端制作的所有赞，以及每个客户端收到的所有赞。

然后，确定哪些用户未参与社交媒体组。若要进行社交网络分析，请根据喜欢的帖子和评论以及通过查看数据集中的两列来创建社交网络内关系的边缘列表。第一列包含发布者匿名 ID，而第二列包含喜欢或评论该帖子的个人的匿名 ID。

接下来，通过将关系列表中的两列转换为一列，并删除任何重复的匿名 ID，创建组中所有个人的顶点列表，以便仅留下唯一的匿名 ID。使用图形数据框并在 igraph 包中获取邻接函数，从边缘和顶点列表中创建图形和图形矩阵对象。然后，利用 igraph 包中的程度和之间的功能，获取在线组的网络度和间度统计。

要在语言查询单词计数软件中进行计算机化语言分析，请导出文本社交媒体数据，并在 CSV 文件中发布注释 ID 列。通过单击分析文本、Excel CSV 文件和包含帖子和注释的列，将文本社交媒体数据的 CSV 文件导入语言查询字数或 LIWC 软件，以选择要分析的文本。LIWC 完成文本数据分析后，将输出保存为新的 CSV 文件。

将 LIWC 结果 CSV 文件导入 R，并将结果与现有数据合并。数据将由帖子注释 ID 列匹配，该列存在于 LIWC 和现有数据帧中。计算帖子和评论中每个用户的 LIWC 总分，并加入这些分数到保留数据。

计算所有文本帖子和注释组合数据中每个用户的 LIWC 总分数，并加入这些分数到保留数据。然后，从保留数据框架中删除任何网络分析。要确定与在线社区的接触指标是否预测脱机恢复计划的保留率，请使用基础 R 中的 IM 函数对保留数据进行线性回归分析，将保留数据作为依赖变量，而 LIWC 类别、注释、帖子赞和注释喜欢作为独立变量。

然后，将回归分析结果合并到一个数据框中。要创建每月社交网络分析地图，请为社交网络分析地图准备数据框，并基于每月累积的社交媒体活动创建边缘列表。基于每月累积社交媒体活动创建顶点列表，并基于每月累积社交媒体活动创建图形和图形矩阵。

根据累积的社交媒体活动设置社交网络分析地图的布局，并基于用户角色添加颜色。然后，创建社交网络分析地图，然后将地图保存到文件中。要计算每月累积的社交媒体组社交媒体活动，计算社交媒体组的工作人员、客户和其他成员的每月累计社交媒体活动。

然后，计算社交媒体组所有成员的每月累计社交媒体活动，并一起加入每月累积的社交媒体活动数据框。在这里，以在线社区中所有参与者之间的连接形式，展示了社交网络及其在八个月内演变的可视化表现。网络中的代理连接数决定了它们在社交网络中的中心位置。

这些代表性的结果支持这样一种观点，即在线恢复社区成员之间的总体、积极的社会互动支持恢复过程。参与者与在线社区的接触程度是通过计算在线社区中所有参与者的贡献，以及员工、客户和更广泛的社区成员的帖子、评论和赞数来衡量的。如结果所示，在此分析中，在线交互和组中验证级别（如收到的帖子和评论赞数）可预测程序保留。

程序保留也通过标识标记进行预测，如使用我们在帖子中的代词，以及帖子和评论中的成就词。最后，参与者位于社交网络中，这也是保留的一个重要方面。使用这种方法时，我们需要记住，这只是捕获在线社区中心理过程的一种方式。

理想情况下，还应访问其他数据源。此方法可以调整为调查其他类型的在线社区中的在线社交互动，包括在线论坛、讨论组、聊天室等。