Notre protocole fournit un moyen complet, discret et précis de décrire comment les gens peuvent s’engager avec les communautés en ligne pendant qu’ils se remettent de la toxicomanie et de l’alcoolisme. Cette technique va au-delà de l’approche autodé déclarée qui a été utilisée dans des études antérieures, ce qui nous permet de mesurer des marqueurs plus implicites de récupération. Avant de commencer l’extraction, chargez les fonctions, les ensembles de données ou le code compilé requis qui permettent aux utilisateurs d’analyser, de transformer ou d’extraire des données en R, et de charger les données externes de rétention et d’utilisateur en R, comme cadre de données à partir d’un fichier CSV.
Lorsque tous les paquets ont été chargés, utilisez la fonction get group de R Facebook pour extraire des données de la page des médias sociaux de la communauté d’intérêt, et enregistrer les données comme cadre de données. En utilisant la fonction get posts de R Facebook, ainsi que les iD post juste extrait, extraire les données sur les likes post fait sur la page. En utilisant la fonction get posts de R Facebook et les iD post extraits, extraire des données sur les commentaires faits sur chaque message, et enregistrer ces données comme un cadre de données.
À l’aide des ID de commentaires, extraire des données sur les commentaires j’aime faits sur chaque publication, et enregistrer ces données comme cadre de données. Ensuite, combinez les publications, publiez des likes, des commentaires et des commentaires j’aime les données dans un cadre de données, et ajoutez une ventilation mensuelle. Pour calculer l’activité des médias sociaux effectuée et reçue par chaque client, calculez le nombre de messages, commentaires, publications et commentaires similaires effectués par chaque client, ainsi que le nombre de publications, commentaires, publications et commentaires similaires reçus par chaque client.
Rejoignez le cadre de données de l’activité de médias sociaux faite et reçue par chaque client dans le cadre de données de rétention, et calculez la différence entre les publications et les commentaires avec des j’aime et pas de j’aime, et la différence entre les messages avec des commentaires et aucun commentaire. Rejoignez les données de différence similaires aux données de conservation, et les données de différence de commentaires aux données de conservation. Calculez tous les likes faits par chaque client, et tous les likes reçus par chaque client.
Ensuite, identifiez les utilisateurs qui n’ont pas participé au groupe des médias sociaux. Pour effectuer une analyse de réseau social, créez une liste de relations de bord au sein du réseau social, basée sur les messages et commentaires de goût et de commenter les messages en regardant deux colonnes dans l’ensemble de données. La première colonne contient l’identité anonyme de la personne qui fait le message, tandis que la deuxième colonne contient l’id anonyme de la personne aimant ou commentant le message.
Ensuite, créez une liste vertex de toutes les personnes du groupe en convertissant les deux colonnes de la liste des relations en une seule colonne, et en supprimant les pièces d’identité anonymes en double, de sorte qu’il ne reste plus que l’ID anonyme unique. À l’aide du cadre de données graphique et obtenir des fonctions d’adjacency dans le paquet igraphe, créer des objets matriciels graphiques et graphiques à partir du bord et des listes vertex. Ensuite, utilisez les fonctions de degré et d’entre-deux de l’ensemble igraph, pour obtenir le degré de réseau et les statistiques de betweenness du groupe en ligne.
Pour effectuer une analyse linguistique informatisée dans le logiciel Linguistic Inquiry Word Count, exportez les données textuelles des médias sociaux et publiez la colonne d’identification des commentaires dans les fichiers CSV. Importez les fichiers CSV des données textuelles des médias sociaux dans le compte de mots d’enquête linguistique ou le logiciel LIWC, en cliquant sur analyser le texte, le fichier Excel CSV et la colonne contenant les publications et les commentaires pour sélectionner le texte à analyser. Une fois que LIWC a terminé l’analyse des données textuelles, enregistrez la sortie sous la forme d’un nouveau fichier CSV.
Importez le fichier CSV des résultats LIWC en R et fusionnez les résultats avec les données existantes. Les données seront appariées par la colonne d’identification des commentaires postaux, qui existe à la fois dans liwc et les images de données existantes. Calculez le total des scores LIWC pour chaque utilisateur dans les publications et les commentaires, et rejoignez ces scores aux données de rétention.
Calculez le total des scores LIWC pour chaque utilisateur dans tous les messages textuels et commentaires combinés des données, et rejoignez ces scores aux données de conservation. Ensuite, supprimez toute analyse réseau du cadre de données de rétention. Pour déterminer si les indicateurs d’engagement avec la communauté en ligne prédisent la rétention dans le programme de récupération hors ligne, utilisez la fonction GI dans la base R pour effectuer une analyse linéaire de régression des données de rétention comme variable dépendante, et les catégories LIWC, commentaires, post aime, et les commentaires aime comme variables indépendantes.
Ensuite, combinez les résultats de l’analyse de régression en un seul cadre de données. Pour créer une carte mensuelle d’analyse des réseaux sociaux, préparez des images de données pour les cartes d’analyse des réseaux sociaux et créez une liste de bord s’appuyant sur l’activité mensuelle cumulative des médias sociaux. Créez une liste vertex basée sur l’activité cumulée mensuelle des médias sociaux, et créez des graphiques et des graphiques matrices basés sur l’activité mensuelle cumulative des médias sociaux.
Définissez la disposition des cartes d’analyse des réseaux sociaux en fonction de l’activité cumulative des médias sociaux et ajoutez des couleurs en fonction des rôles des utilisateurs. Ensuite, créez des cartes d’analyse des réseaux sociaux et enregistrez les cartes dans un fichier. Pour le calcul de l’activité cumulative mensuelle des médias sociaux, calculez l’activité cumulative mensuelle des médias sociaux par le personnel, les clients et les autres membres du groupe des médias sociaux.
Ensuite, calculez l’activité cumulative mensuelle des médias sociaux par tous les membres du groupe de médias sociaux et rejoignez les images cumulatives mensuelles des données d’activité des médias sociaux. Ici, une représentation visuelle du réseau social et de son évolution sur une période de huit mois sous forme de connexions entre tous les participants à la communauté en ligne, est montrée. Le nombre de connexions qu’un agent dans le réseau a détermine à quel point ils seront centraux dans le réseau social.
Ces résultats représentatifs appuient l’argument selon lequel, dans l’ensemble, les interactions sociales positives entre les membres d’une communauté de rétablissement en ligne appuient le processus de rétablissement. Les niveaux d’engagement des participants auprès de la communauté en ligne sont mesurés en calculant les contributions de tous les participants de la communauté en ligne comme le nombre de messages, de commentaires et d’aime faits par le personnel, les clients et les membres de la communauté en général. Comme le montrent les résultats, dans cette analyse, les niveaux d’interaction en ligne et de validation en groupe, tels que reflétés par le nombre de j’aime reçues pour les messages et les commentaires, prédisent la rétention du programme.
La rétention du programme est également prédite par les marqueurs d’identification, tels que capturés par l’utilisation du pronom que nous avons dans les messages, et par les mots d’accomplissement dans les messages et les commentaires. Enfin, lorsque les participants sont situés au sein du réseau social représente également un aspect important de la rétention. Lorsque nous utilisons cette approche, nous devons nous rappeler que ce n’est qu’une façon de saisir les processus psychologiques dans les communautés en ligne.
Idéalement, d’autres sources de données devraient également être consultées. Cette méthode peut être adaptée pour étudier les interactions sociales en ligne dans d’autres types de communautés en ligne, y compris les forums en ligne, les groupes de discussion, les salles de chat, et ainsi de suite.
