Unser Protokoll bietet eine umfassende, unaufdringliche und genaue Möglichkeit, um zu beschreiben, wie Menschen mit Online-Communities interagieren können, während sie sich von Drogen- und Alkoholabhängigkeit erholen. Diese Technik geht über den selbst gemeldeten Ansatz hinaus, der in früheren Studien verwendet wurde, so dass wir implizitere Marker der Erholung messen können. Laden Sie vor Beginn der Extraktion die erforderlichen Funktionen, Datasets oder kompilierten Code, mit denen Benutzer Daten in R analysieren, transformieren oder extrahieren und die externen Aufbewahrungs- und Benutzerdaten als Datenrahmen aus einer CSV-Datei in R laden können.
Wenn alle Pakete geladen wurden, verwenden Sie die Get-Group-Funktion von R Facebook, um Daten von der Social-Media-Seite der Interessengemeinschaft zu extrahieren und die Daten als Datenrahmen zu speichern. Mit der Get-Posts-Funktion von R Facebook, zusammen mit den gerade extrahierten Post-IDs, extrahieren Sie die Daten über Beiträge, die auf der Seite gemacht wurden. Extrahieren Sie mit der Get-Posts-Funktion von R Facebook und den extrahierten Post-IDs Daten zu den Kommentaren zu jedem Beitrag und speichern Sie diese Daten als Datenrahmen.
Extrahieren Sie mithilfe der Kommentar-IDs Daten zu den Kommentar-Likes, die bei jedem Beitrag gemacht wurden, und speichern Sie diese Daten als Datenrahmen. Kombinieren Sie dann die Beiträge, posten Sie Likes, Kommentare und Kommentare wie Daten in einem Datenrahmen, und fügen Sie eine monatliche Aufschlüsselung hinzu. Um die Social-Media-Aktivität zu berechnen, die von jedem Client gemacht und empfangen wird, berechnen Sie die Anzahl der Beiträge, Kommentare, Beiträge und Kommentare, die von jedem Client gemacht wurden, sowie die Anzahl der Beiträge, Kommentare, Beiträge und Kommentare, die von jedem Client empfangen wurden.
Verbinden Sie den Datenrahmen der Social-Media-Aktivität, die von jedem Client gemacht und empfangen wird, mit dem Aufbewahrungsdatenrahmen, und berechnen Sie den Unterschied zwischen Beiträgen und Kommentaren mit Likes und ohne Likes und den Unterschied zwischen Beiträgen mit Kommentaren und ohne Kommentare. Verbinden Sie die Daten wie Differenzdaten mit den Aufbewahrungsdaten und die Kommentare differenzien mit den Aufbewahrungsdaten. Berechnen Sie alle Von jedem Client vorgenommenen Vorlieben und alle Von jedem Client empfangenen Likes.
Identifizieren Sie dann, welche Nutzer nicht an der Social-Media-Gruppe teilgenommen haben. Um eine Analyse des sozialen Netzwerks durchzuführen, erstellen Sie eine Edge-Liste von Beziehungen innerhalb des sozialen Netzwerks, basierend auf den Wünschen von Beiträgen und Kommentaren zu Beiträgen und zum Kommentieren von Beiträgen, indem Sie sich zwei Spalten innerhalb des Datasets ansehen. Die erste Spalte enthält die anonyme ID der Person, die den Beitrag macht, während die zweite Spalte die anonyme ID der Person enthält, die den Beitrag mag oder kommentiert.
Erstellen Sie als Nächstes eine Scheitelpunktliste aller Personen in der Gruppe, indem Sie die beiden Spalten in der Liste der Beziehungen in eine Spalte konvertieren und alle doppelten anonymen IDs entfernen, sodass nur noch die eindeutige anonyme ID übrig bleibt. Erstellen Sie mithilfe des Diagrammdatenrahmens und des Abrufens von Adjacency-Funktionen im igraph-Paket Diagramm- und Diagrammmatrixobjekte aus den Kanten- und Scheitelpunktlisten. Verwenden Sie dann die Grad- und Zwischenfunktionen aus dem igraph-Paket, um den Netzwerkabschluss und die Zwischendatenderstatistiken der Online-Gruppe zu erhalten.
Um eine computergestützte Sprachanalyse in der Sprachabfrage-Word-Count-Software durchzuführen, exportieren Sie die Text-Social-Media-Daten und posten Sie die Spalte Kommentar-ID in CSV-Dateien. Importieren Sie die CSV-Dateien der Text-Social-Media-Daten in die Sprachanfrage-Wortanzahl oder LIWC-Software, indem Sie auf Text analysieren, Excel CSV-Datei und die Spalte mit den Beiträgen und Kommentaren klicken, um den zu analysierenden Text auszuwählen. Nachdem LIWC die Analyse der Textdaten abgeschlossen hat, speichern Sie die Ausgabe als neue CSV-Datei.
Importieren Sie die LIWC-Ergebnis-CSV-Datei in R, und führen Sie die Ergebnisse mit vorhandenen Daten zusammen. Den Daten wird die Spalte Post-Kommentar-ID zugeordnet, die sowohl in LIWC als auch in den vorhandenen Datenrahmen vorhanden ist. Berechnen Sie die gesamtliWC-Werte für jeden Benutzer in Beiträgen und Kommentaren, und verbinden Sie diese Werte mit den Aufbewahrungsdaten.
Berechnen Sie die gesamtliWC-Werte für jeden Benutzer in allen Textbeiträgen und Kommentaren kombinierten Daten, und verbinden Sie diese Werte mit den Aufbewahrungsdaten. Entfernen Sie dann alle Netzwerkanalysen aus dem Aufbewahrungsdatenrahmen. Um zu bestimmen, ob Indikatoren für die Interaktion mit der Online-Community die Aufbewahrung im Offline-Wiederherstellungsprogramm vorhersagen, verwenden Sie die IM-Funktion in Basis R, um eine lineare Regressionsanalyse der Aufbewahrungsdaten als abhängige Variable und der LIWC-Kategorien, Kommentare, Post-Likes und Kommentar-Likes als unabhängige Variablen durchzuführen.
Kombinieren Sie dann die Ergebnisse der Regressionsanalyse in einem Datenrahmen. Um eine monatliche Analysekarte für soziale Netzwerke zu erstellen, bereiten Sie Datenrahmen für Analysekarten für soziale Netzwerke vor, und erstellen Sie eine Edgeliste basierend auf der monatlichen kumulativen Social-Media-Aktivität. Erstellen Sie eine Scheitelpunktliste basierend auf der monatlichen kumulativen Social-Media-Aktivität, und erstellen Sie Diagramme und Diagrammmatrizen basierend auf der monatlichen kumulativen Social-Media-Aktivität.
Legen Sie das Layout von Analysekarten für soziale Netzwerke basierend auf der kumulativen Social-Media-Aktivität fest, und fügen Sie Farben basierend auf den Benutzerrollen hinzu. Erstellen Sie dann Karten für die Analyse sozialer Netzwerke, und speichern Sie die Karten in einer Datei. Für die Berechnung der monatlichen kumulativen Social-Media-Gruppe Social-Media-Aktivität, berechnen Sie die monatliche kumulative Social-Media-Aktivität von den Mitarbeitern, Kunden und anderen Mitgliedern der Social-Media-Gruppe.
Berechnen Sie dann die monatliche kumulative Social-Media-Aktivität aller Mitglieder der Social-Media-Gruppe, und schließen Sie sich den monatlichen kumulativen Social-Media-Aktivitätsdatenrahmen zusammen an. Hier wird eine visuelle Darstellung des sozialen Netzwerks und seiner Entwicklung über einen Zeitraum von acht Monaten in Form von Verbindungen zwischen allen Teilnehmern der Online-Community gezeigt. Die Anzahl der Verbindungen, die ein Agent im Netzwerk hat, bestimmt, wie zentral er im sozialen Netzwerk sein wird.
Diese repräsentativen Ergebnisse stützen das Argument, dass insgesamt positive soziale Interaktionen zwischen Mitgliedern einer Online-Recovery-Community den Wiederherstellungsprozess unterstützen. Die Interaktion der Teilnehmer mit der Online-Community wird gemessen, indem die Beiträge aller Teilnehmer in der Online-Community als Anzahl der Beiträge, Kommentare und Likes von Mitarbeitern, Kunden und breiteren Community-Mitgliedern berechnet werden. Wie die Ergebnisse zeigen, in dieser Analyse, die Ebenen der Online-Interaktion und in-Gruppe-Validierung, wie durch die Anzahl der Likes für Beiträge und Kommentare erhalten, prognostizieren die Programmbindung.
Die Programmbeibehaltung wird auch durch Identifikationsmarker vorhergesagt, wie sie durch die Verwendung des Pronomes, das wir in Beiträgen verwenden, und durch die Erfolgswörter in Beiträgen und Kommentaren erfasst werden. Schließlich stellt der Sitz der Teilnehmer innerhalb des sozialen Netzwerks auch einen wichtigen Aspekt der Bindung dar. Wenn wir diesen Ansatz verwenden, müssen wir uns daran erinnern, dass dies nur eine Möglichkeit ist, psychologische Prozesse in Online-Communities zu erfassen.
Idealerweise sollte auch auf andere Datenquellen zugegriffen werden. Diese Methode kann angepasst werden, um soziale Online-Interaktionen in anderen Arten von Online-Communities zu untersuchen, einschließlich Online-Foren, Diskussionsgruppen, Chatrooms usw.
