Name: integrating computerized linguistic and social network analyses to capture addiction recovery capital in an online community
Uploaded: 2019-05-31T12:30:00
Duration: 8 min 53 s
Description: Watch this Scientific Journal Video about Integrating Computerized Linguistic and Social Network Analyses to Capture Addiction Recovery Capital in an Online Community at JoVE.com

Vi er taknemmelige for de kunder og medarbejdere i job, venner og huse, UK, der støttede og indvilligede i at deltage i vores forskning.

Den forskning, der er beskrevet her, blev godkendt af forsknings Ethics community på Sheffield Hallam University.
1. opsætning
Bemærk: der henvises til vedlagte R-script som supplerende fil 1.
<ol><li>Indlæs påkrævede pakker (Rfacebook9, dplyr10, igraph11og openxlsx12) i R. pakker refererer til funktioner, datasæt eller kompileret kode, der giver brugerne mulighed for at analysere, transformere eller udtrække data.</li>
	<li>Indlæs (ekstern) tilbageholdelse og brugerdata i R som en data ramme fra en CSV-fil. Bemærk: opbevarings data refererer til det antal dage, hvor en klient deltager i den offline (traditionelle) afhængighed opsving program. Det blev leveret af administratoren af (offline) Recovery program som optaget på en CSV-fil med deltageren navn og antallet af dage, de har været involveret i programmet. Deltager navnet blev erstattet af det anonyme ID-nummer, før det blev importeret til R.</li>
</ol>2. data udtræk fra online-Fællesskabet (den sociale side af en afhængighed opsving samfund)
Bemærk: denne protokol gælder for en social medie side, men den kan tilpasses forskellige typer af online fællesskaber. I tilfælde af Rfacebook pakke, det giver brugeren mulighed for at udtrække data fra de sociale medier side i R.
<ol><li>Opret et adgangstoken til sociale medier (Facebook) ved at følge vejledningen på det websted, der refereres til13.</li>
	<li>Opret adgangstoken i R.</li>
	<li>Ved hjælp af funktionen "getGroup" fra Rfacebook, udtrække data fra de sociale medier side af interesse Fællesskabet (f. eks indhold af post, antal kommentarer og synes godt om hver post, et unikt ID-nummer for hvert indlæg, osv.). Disse data gemmes derefter som en data ramme. Bemærk: en data ramme er i det væsentlige en tabel inden for R, der bruges til at lagre data.</li>
	<li>Ved hjælp af funktionen "getPosts" fra Rfacebook, sammen med post-id'er ekstraheret i trin 2,3, udtrække data om indlæg Likes lavet på siden.</li>
	<li>Ved hjælp af "getPosts" funktion fra Rfacebook, sammen med post-id'er ekstraheret i trin 2,3, udtrække data om de kommentarer, der er foretaget på hvert indlæg (f. eks bruger-id'er af folk kommentere stillingen, når kommentaren blev foretaget, hvor mange kan lide den post modtaget). Disse data gemmes derefter som en data ramme.</li>
	<li>Ved hjælp af kommentar-id'er ekstraheret i trin 2,5, udtrække data på "kommentar Likes" lavet på hvert indlæg (f. eks bruger-id'er af folk, der synes om kommentaren). Disse data gemmes derefter som en data ramme.</li>
	<li>Kombiner indlæg, opslag Likes, kommentarer og kommentar synes godt om data i én data ramme.</li>
	<li>Tilføj en månedlig opdeling (dvs. måned 1 til 8).</li>
</ol>3. beregning af sociale medier aktivitet foretaget og modtaget af hver klient
<ol><li>Beregn antallet af indlæg, kommentarer, post Likes og kommentar Likes lavet af hver klient.</li>
	<li>Beregn antallet af indlæg, kommentarer, post Likes og kommentar Likes modtaget af hver klient.</li>
	<li>Deltag i data rammen for den sociale medieaktivitet, der foretages og modtages af hver klient til opbevarings data rammen.</li>
	<li>Beregn forskellen mellem indlæg og kommentarer med Likes og ingen Likes.</li>
	<li>Beregn forskellen mellem indlæg med kommentarer og ingen kommentarer.</li>
	<li>Deltag i Likes forskel data til opbevaring data.</li>
	<li>Deltag i kommentarerne forskel data til opbevaring data.</li>
	<li>Beregn alle de Likes, der er lavet af hver klient.</li>
	<li>Beregn alle de Likes, som hver enkelt kunde har modtaget.</li>
	<li>Identificer, hvilke brugere der ikke deltog i den sociale mediegruppe (dvs. ingen aktivitet).</li>
</ol>4. gennemførelse af sociale netværk analyse
<ol><li>Opret en kantliste. En kantliste er en liste over relationer inden for det sociale netværk, som i dette tilfælde er baseret på 1) smag indlæg og kommentarer og 2) kommentere indlæg. Dette gøres ved at se på to kolonner i datasættet. Den første kolonne indeholder det anonyme ID for den person, som foretager opslaget, mens den anden indeholder det anonyme ID for den person, som synes godt om eller kommenterer indlægget.</li>
	<li>Opret en vertex-liste. En vertex liste er en liste over alle individer i gruppen. Dette gøres ved at konvertere de to kolonner på listen over relationer til en kolonne og fjerne dublerede anonyme id'er, så kun det entydige anonyme ID er tilbage.</li>
	<li>Ved hjælp af funktionerne "Graph. data. Frame" og "Get. kontinuerlig" i igraph-pakken skal du oprette graf-og graf matrix objekter fra listerne Edge og vertex.</li>
	<li>Ved hjælp af funktionerne "grad" og "mellemhed" fra igraph-pakken kan du få netstatistik (grad og mellemhed) i onlinegruppen.</li>
</ol>5. gennemførelse af edb-sproglig analyse i LIWC
<ol><li>Eksporter tekstmæssige sociale mediedata (dvs. indlæg og kommentarer) og post/kommentar-ID-kolonne til CSV-filer.</li>
	<li>Importer CSV-filer af tekstmæssige sociale medier data i den sproglige forespørgsel Ordtælling (LIWC) software.</li>
	<li>Generer LIWC kategorier og gemme til nye CSV-filer. Gøre dette ved at klikke på "Analysér tekst", derefter på "Excel/CSV-fil", og klikke på den kolonne, der indeholder de stillinger og kommentarer til at vælge den tekst, der skal analyseres. Når LIWC er færdig med at analysere tekstmæssige data, skal du gemme outputtet som en ny CSV-fil.</li>
	<li>Importer LIWC Results CSV-filen til R, og Flet med eksisterende data. Dataene matches af kolonnen post/kommentar-ID, som findes i både LIWC og eksisterende datarammer.</li>
	<li>Beregn samlede LIWC-scorer for hver bruger i indlæg og kommentarer, og Deltag derefter i opbevarings dataene.</li>
	<li>Beregn total LIWC scores for hver bruger i alle tekstmæssige data (indlæg og kommentarer kombineret), og derefter slutte sig til opbevaring data.</li>
	<li>Fjern NAs fra data rammen for opbevarings data.</li>
</ol>6. udførelse af regressionsanalyse (for at afgøre, om indikatorer for interaktion med online Fællesskabet forudser tilbageholdelse i offline genoprettelsesprogrammet)
<ol><li>Definer de uafhængige variabler.</li>
	<li>Ved hjælp af "LM"-funktionen i base R, gennemføre lineær regressionsanalyse ved hjælp af opbevarings data som den afhængige variabel, og LIWC kategorier, kommentarer, post Likes, og kommentar Likes som uafhængige variabler.</li>
	<li>Kombiner regressionsanalyse resultater i én data ramme.</li>
</ol>7. oprettelse af månedlige SNA Maps
<ol><li>Forbered datarammer for SNA Maps.</li>
	<li>Opret en kantliste baseret på månedlig kumulativ aktivitet på sociale medier.</li>
	<li>Opret en knude liste baseret på månedlig kumulativ aktivitet på sociale medier.</li>
	<li>Opret grafer og graf matricer baseret på månedlig kumulativ social medieaktivitet.</li>
	<li>Indstil layoutet af SNA Maps baseret på kumulative sociale medieaktiviteter.</li>
	<li>Tilføj farver baseret på brugerroller.</li>
	<li>Opret SNA Maps, og gem dem i en fil.</li>
</ol>8. beregning af den månedlige kumulative sociale medieaktivitet i gruppen af sociale medier
<ol><li>Beregn månedlig kumulativ aktivitet på sociale medier af medarbejdere, kunder og andre medlemmer af gruppen af sociale medier.</li>
	<li>Beregn månedlige kumulative sociale medier aktivitet af alle medlemmer af den sociale mediegruppe.</li>
	<li>Deltag i de månedlige kumulative sociale medier aktivitetsdata rammer sammen.</li>
</ol>

<ol>
	<li>Cloud, W., Granfield, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Conceptualizing+recovery+capital:+Expansion+of+a+theoretical+construct.">Conceptualizing recovery capital: Expansion of a theoretical construct.</a> Substance Use and Misuse. 43, 1971-1986 (2008).</li><li>Best, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Mapping+the+recovery+stories+of+drinkers+and+drug+users+in+Glasgow:+Quality+of+life+and+its+associations+with+measures+of+recovery+capital.">Mapping the recovery stories of drinkers and drug users in Glasgow: Quality of life and its associations with measures of recovery capital.</a> Drug and Alcohol Review. 31 (3), 334-341 (2012).</li><li>Laudet, A. B., White, W. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Recovery+capital+as+prospective+predictor+of+sustained+recovery,+life+satisfaction,+and+stress+among+former+poly-substance+users.">Recovery capital as prospective predictor of sustained recovery, life satisfaction, and stress among former poly-substance users.</a> Substance Use and Misuse. 43 (1), 27-54 (2008).</li><li>Moorhead, S. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+new+dimension+of+health+care:+systematic+review+of+the+uses,+benefits,+and+limitations+of+social+media+for+health+communication.">A new dimension of health care: systematic review of the uses, benefits, and limitations of social media for health communication.</a> Journal of Medical Internet Research. 15, e85 (2013).</li><li>White, M., Dorman, S. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Receiving+social+support+online:+implications+for+health+education.">Receiving social support online: implications for health education.</a> Health Education Research. 16, 693-707 (2001).</li><li>Best, D., Bliuc, A. M., Iqbal, M., Upton, K., Hodgkins, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Mapping+social+identity+change+in+online+networks+of+addiction+recovery.">Mapping social identity change in online networks of addiction recovery.</a> Addiction Research and Theory. 26 (3), 163-173 (2018).</li><li>Bliuc, A. M., Best, D., Beckwith, M., Iqbal, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Online+support+communities+in+addiction+recovery.">Online support communities in addiction recovery.</a> Addiction, behavioral change and social identity: The path to resilience and recovery. , 137 (2016).</li><li>Del Boca, F. K., Darkes, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+validity+of+self&#8208;reports+of+alcohol+consumption:+state+of+the+science+and+challenges+for+research.">The validity of self&#8208;reports of alcohol consumption: state of the science and challenges for research.</a> Addiction. 98, 1-12 (2003).</li><li>. Package &#8216;Rfacebook&#8217; Available from: <a target="_blank" href="https://cran.r-project.org/web/packages/Rfacebook/Rfacebook.pdf">https://cran.r-project.org/web/packages/Rfacebook/Rfacebook.pdf</a> (2017)</li><li>. Package &#8216;dplyr&#8217; Available from: <a target="_blank" href="https://cran.r-project.org/web/packages/dplyr/dplyr.pdf">https://cran.r-project.org/web/packages/dplyr/dplyr.pdf</a> (2018)</li><li>. Package &#8216;igraph&#8217; Available from: <a target="_blank" href="https://cran.r-project.org/web/packages/igraph/igraph.pdf">https://cran.r-project.org/web/packages/igraph/igraph.pdf</a> (2018)</li><li>. Package &#8216;openxlsx&#8217; Available from: <a target="_blank" href="https://cran.r-project.org/web/packages/openxlsx/openxlsx.pdf">https://cran.r-project.org/web/packages/openxlsx/openxlsx.pdf</a> (2018)</li><li>. How to get a Facebook access token which never expires Available from: <a target="_blank" href="https://smashballoon.com/custom-facebook-feed/access-token/">https://smashballoon.com/custom-facebook-feed/access-token/</a> (2018)</li><li>Bliuc, A. M., Best, D., Iqbal, M., Upton, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Building+addiction+recovery+capital+through+online+participation+in+a+recovery+community.">Building addiction recovery capital through online participation in a recovery community.</a> Social Science and Medicine. 193, 110-117 (2017).</li><li>Best, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Overcoming+alcohol+and+other+drug+addiction+as+a+process+of+social+identity+transition:+The+Social+Identity+Model+of+Recovery+(SIMOR).">Overcoming alcohol and other drug addiction as a process of social identity transition: The Social Identity Model of Recovery (SIMOR).</a> Addiction Research and Theory. 24, 111-123 (2016).</li><li>Frings, D., Albery, I. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+social+identity+model+of+cessation+maintenance:+Formulation+and+initial+evidence.">The social identity model of cessation maintenance: Formulation and initial evidence.</a> Addictive Behaviors. 44, 35-42 (2015).</li></ol>

Forfatterne har intet at afsløre.

Den fremgangsmåde, der er beskrevet her, er baseret på en ny metode til måling af, hvordan onlinegruppe processer kan påvirke fastholdelse i et afhængigheds gendannelsesprogram. Anvendelse af denne metode til et online community af nyttiggørelse fra afhængighed, blev det konstateret, at der var fire centrale aspekter forudsagt program fastholdelse: at være stærkt involveret i online-Fællesskabet, at være centrale i det online sociale netværk, positiv indflydelse udtrykt i kommunikation med andre medlemmer af online-Fællesskabet, og modtager validering fra andre for bidrag til netværket14. De resultater, som opnås ved hjælp af denne metode, understøtter eksisterende teoretiske modeller for nyttiggørelse. Det er to nøgle modeller i genopretnings litteraturen, den sociale identitetsmodel for Recovery15 og den sociale identitetsmodel for ophør af vedligeholdelse16, begge understreger betydningen af aktiv deltagelse i grupper, der støtter Opsving. Begge modeller antyder, at øget identifikation og engagement i sådanne grupper bidrager til at sænke den fremtidige kontakt med brug af grupper og deraf følgende tilbagefald.
Som illustreret i vores forskning, metoden tillod os at kort over forløbskurver for inddrivelse eller ændring af individuelle medlemmer af online-Fællesskabet14. Visualiseringer af de online sociale netværk og deres udvikling over tid kan give værdifulde oplysninger om bevægelsen af medlemmer af online-Fællesskabet fra periferien til midten af nettet og vice-versa (disse bevægelser i netværket indikerer ændringer i graden af engagement med online-Fællesskabet). I en 2017 undersøgelse14, interviews med medlemmer af online-community, der foretog de mest betydningsfulde ændringer i form af bevægelse fra periferien til centrum af nettene blev gennemført som en måde at triangulere vores resultater baseret på SNA, edb sproglig analyse og regression mod opbevarings data. Fremtidige undersøgelser kan i stedet fokusere på de medlemmer, der blev frigjort med online-Fællesskabet, på dem, der aldrig bliver engageret, eller på mere direkte målinger af resultater, såsom stofbrug og reulovlige. Denne metode kan yderligere finjusteres til at blive brugt i interventionsprogrammer, for eksempel til at vurdere rollen som moderatorer i hjælp fora.
Der er i øjeblikket ingen undersøgelser, som dokumenterer fordelene ved den beskrevne metode, når de anvendes i sig selv (den beskrevne metode blev anvendt sammen med opbevarings data og trianguleret med kvalitative data fra interviews med centrale online community medlemmer14), men denne tilgang kan give nøjagtige og skævhed-fri data, der kan supplere selvrapportering og andre foranstaltninger i undersøgelser af afhængighed opsving.
Denne metode blev anvendt til at undersøge online sociale interaktioner i forbindelse med en Social Media side etableret som en supplerende form for støtte til en standard, ansigt-til-ansigt opsving program. Men med mindre ændringer, metoden kan bruges til at undersøge online sociale interaktioner i andre typer af online-fællesskaber (online fora, diskussionsgrupper, chatrum, kommentarer hjemmesider, etc.). En af de vigtigste fordele ved denne metode er, at det kan tilpasses og anvendes til sammenhænge ud over samfund af afhængighed opsving til enhver online community. For eksempel, i vores egen politiske psykologi forskning, bruger vi en lignende metode (udviklet fra den metode, der er beskrevet her) til at fange kvaliteten af online-interaktioner og ændringer i disse interaktioner mellem medlemmer af højre-Right online fællesskaber. I realiteten kan metoden anvendes på alle online-fællesskaber, hvor data i form af forbindelser mellem medlemmer (som sociale netværksforbindelser) og sprogligt indhold kan udvindes.
Men i at få adgang til og arbejde med online data, forskere har brug for at være opmærksom på etiske spørgsmål, nogle, der gælder for selvrapportering og andre typer af data i almindelighed og nogle, som kun er stødt på i et online-miljø. I den forskning, der er beskrevet her (som blev godkendt af forskningsetik Fællesskabet på Sheffield Hallam University), samtykke blev indhentet fra den organisation, der forvalter genopretningsprogrammet, og strenge foranstaltninger blev truffet for at sikre fuldstændig anonymitet af deltagere på den åbne sociale medie side (f. eks. efter online-og fastholdelses datamatchning blev alle identifikationsoplysninger fjernet fra filerne, og der blev heller ikke benyttet nogen potentielt selv identificerende citater fra den offentligt tilgængelige online kommunikation).
Tæt kommunikation med organisationen sikrede også, at deltagerne i programmet var opmærksomme på undersøgelsen og forskningsresultater, og en af forskerne mødtes regelmæssigt med gruppen for at forklare undersøgelsen og dens resultater. I andre tilfælde, hvor online communities ikke er knyttet til specifikke offline programmer, kan det være sværere at afgøre, hvem der skal anmodes om samtykke vedrørende dataudtræk (gælder især i ikke-modererede fora, hvor folk i Recovery Søg online peer support). Selv om de generelle principper for etisk forskning vil finde anvendelse, skal forskerne anlægge en sag til sag-tilgang for at sikre, at udvinding og analyse af online data ikke udgør nogen væsentlig risiko for deltagerne (f. eks. at kompromittere privatlivets fred).

Den præsenterede metode er designet til at fange alkohol og andre stoffer (AOD) afhængighed opsving kapital i online-sammenhænge. På afhængigheds området er tilbagebetalings kapital blevet defineret som "summen af ens ressourcer, der kan bringes til at bære på initiering og vedligeholdelse af stofmisbrug ophør"1. Indvinding kapital er primært blevet målt gennem selv-rapporter2,3 i ansigt-til-ansigt sammenhænge. Denne fremgangsmåde giver en alternativ metode til måling af genoprettelses kapital i online kontekster ved at opfange kvaliteten og mængden af online interaktioner i online fællesskaber for inddrivelse.
I betragtning af den stadige stigning i brugen af online ressourcer i form af peer-support i en række sundhedsrelaterede spørgsmål4,5, er det nødvendigt at udvikle nye metoder til at fange kvaliteten af disse ressourcer. Online peer support sker i form af sociale interaktioner i online fora og samfund. Støttende sociale interaktioner i disse online-sammenhænge bidrager til at opbygge opsving kapital, som igen har en positiv indvirkning på inddrivelse proces6,7. Den foreslåede metode giver en række fordele i forhold til alternative metoder. For det første overvinder det nogle af de begrænsninger, der involverer brugen af selv-rapport foranstaltninger i afhængigheds forskning, især omkring tilbagekaldelse og selv-præsentationelle bias. Selv rapport foranstaltninger anses for at have en rimelig grad af pålidelighed og gyldighed, de er modtagelige for bias og unøjagtigheder. For at øge nøjagtigheden og minimere bias, er det blevet erkendt, at der er behov for at øge brugen af nye foranstaltninger og dataindsamlings situationer designet til at undgå eller minimere disse spørgsmål8. Ved at få adgang til data naturligt forekommende i sammenhænge, hvor folk i forskellige stadier af inddrivelse interagerer spontant, og ved hjælp af analysemetoder, der kan udtrække meningsfulde oplysninger fra disse data (i stand til at fange indikatorer for psykologiske tilstande), bias på grund af social ønskelig (selv-præsentationelle) og unøjagtigheder på grund af begrænsninger i tilbagekaldelse kan reduceres eller endda elimineres. For det andet er denne metode yderst effektiv og omkostningseffektiv, da den bygger på udvindingen af allerede eksisterende online data (dvs. i åbne online fora, der er offentligt tilgængelige).
Beskrevet næste er den metode, der blev anvendt til en undersøgelse af bygning opsving kapital i et online-fællesskab oprettet for at supplere en traditionel, ansigt-til-ansigt afhængighed opsving program for narkomaner i tidlige opsving stadier. I dette tilfælde, online (sociale medier) data blev knyttet til program opbevaring data, men metoden kan også bruges i tilfælde, hvor sammenkædning data er ikke tilgængelig eller tilgængelig.

<table>
	<tbody>
		<tr>
			<td>LIWC software</td>
			<td>Receptiviti</td>
			<td>https://liwc.wpengine.com/</td>
			<td>computerised linguistic analysis software</td>
		</tr>
		<tr>
			<td>R software</td>
			<td>n/a</td>
			<td>https://www.r-project.org/</td>
			<td>free statistical and data visualisation sofware</td>
		</tr>
	</tbody>
</table>

integrating computerized linguistic and social network analyses to capture addiction recovery capital in an online community

Artiklen beskriver en ny metode, der er designet med henblik på at finde en omfattende, diskret, og præcis måde at fange social genopretning kapital udvikling i online samfund af nyttiggørelse fra alkohol og narkotika (AOD) afhængighed. Inddrivelse kapital blev konceptualiseret som både engagement i online Recovery samfund og identifikation med Fællesskabet. For at måle opsving kapital udvikling, naturligt forekommende data blev udvundet fra den sociale medier side af et bestemt opsving program, med den side, der er oprettet som en ressource for et ansigt-til-ansigt opsving program. For at tilknytte interaktion med online Fællesskabet blev der udført social netværksanalyse (SNA), som indfanger online social interaktion. Social interaktion blev målt gennem forbindelserne mellem online bidragydere/medlemmer af online-community som repræsenteret af program klienter, medarbejdere og tilhængere fra det bredere samfund. For at fange markører for social identifikation med online-Fællesskabet, er edb-baseret sproglig analyse af tekstmæssige data (indhold fra indlæg og kommentarer) blevet gennemført. Genindvinding kapital erobret på denne måde blev analyseret mod opbevaring data (en proxy resultatindikator), som dage brugt i (Face-to-Face) opsving program. De udpakkede online data var knyttet til deltager data med hensyn til program fastholdelse for at teste forudsigelse af et nøgle gendannelses resultat. Denne tilgang gjorde det muligt at undersøge den rolle, online støtte samfund og vurdering af sammenslutningen mellem inddrivelse kapital (udviklet via online community of Recovery) og Recovery resultater.

En detaljeret beskrivelse af repræsentative resultater opnået ved hjælp af denne metode kan findes i vores seneste arbejde14, som blev revideret og modtaget fuld godkendelse fra forskningsetiske udvalg i den institution, hvor forskningen blev gennemført. I den rapport, der er beskrevet her, undersøgte undersøgelsen, om online deltagelse i et fællesskab af inddrivelse bidrager til inddrivelsesprocessen gennem genopretning af kapital (som følge af øget niveau og kvalitet af online sociale interaktioner og positiv identitets udvikling). Med andre ord, undersøgelsen undersøgt, om indikatorer for online opsving kapital udviklet i løbet af de otte måneder af online-data vurderet og også forventet tilbageholdelse i et opsving program designet til at fremme Fællesskabets engagement for narkomaner i de tidlige stadier af Opsving.
At kort gøre, hvordan deltagerne interagerede online, sociale netværk analyse (SNA) ved hjælp af data udtrukket fra den sociale medier side (n = 609) af et opsving samfund blev gennemført. En visuel repræsentation af det sociale netværk og dets udvikling er præsenteret i figur 1. Figuren illustrerer aktiviteten i online-Fællesskabet observeret hver måned i en periode på 8 måneder i form af forbindelser mellem alle deltagere i online-Fællesskabet (dvs., kommentere indlæg, lide indlæg, og synes godt om kommentarer). Antallet af forbindelser, som en "agent" i netværket har, afgør, hvor Central de vil være i det sociale netværk. Edb-sproglig analyse blev brugt til at vurdere de tekstmæssige data (opfange social identitet markører), og lineær regression analyse blev gennemført for at afgøre, om indikatorerne for inddrivelse kapital forudsagt program fastholdelse. Disse analyser indikerede, at program fastholdelse faktisk var forudsagt af: (a) niveauer af gruppe validering modtaget i form af kommentar Likes og alle Likes modtaget på den sociale medier side, (b) position i det sociale netværk (netværks centralitet), og (c) gruppe identitet og præstation (som det sproglige indhold i online kommunikation har taget hensyn til). Resultaterne støttede argumentet om, at generelt positive sociale interaktioner mellem medlemmer af et online opsving samfund støtter inddrivelse proces. Et resumé af disse resultater er præsenteret nedenfor.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/58851/58851fig1.jpg"> Figur 1: månedlige repræsentationer af det sociale netværk i online-Fællesskabet over 8 måneder tyder på ændringer i mønstret for sociale interaktioner mellem deltagerne. Disse repræsentationer illustrerer, hvordan i starten, de fleste af de klient medlemmer i online-community (klienter af offline opsving program) er for det meste afbrudt, og det er programmet personale og kun et lille antal kunder, der kører online-aktivitet. Men, dette gradvist ændringer, således at efter 8 måneder, klienterne er dem, der er mest forbundet (derfor den mest centrale), med det højeste antal forbindelser i netværket (figur er tilpasset fra en tidligere publikation)14. <a href="https://www.jove.com/files/ftp_upload/58851/58851fig1large.jpg" target="_blank">Venligst klik her for at se en større version af dette tal.</a>
Beskrivende statistik
Deltagernes engagement med online Fællesskabet blev målt ved at beregne bidragene fra alle deltagere i online Fællesskabet som antal stillinger, kommentarer og Likes, som medarbejderne, klienterne og de bredere medlemmer af Fællesskabet har foretaget. Tabel 1 viser fordelingen efter bidrags type (som foretaget af hver deltager kategori) i 8 måneder.
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody>
<tr>
<td>Gruppemedlemmer</td>
			<td>Type online bidrag</td>
			<td>Måned 1</td>
			<td>Måned 2</td>
			<td>Måned 3</td>
			<td>Måned 4</td>
			<td>Måned 5</td>
			<td>Måned 6</td>
			<td>Måned 7</td>
			<td>Måned 8</td>
		</tr>
<tr>
<td rowspan="3">Alle</td>
			<td>Indlæg og kommentarer</td>
			<td>382</td>
			<td>388 (770)</td>
			<td>579 (1349)</td>
			<td>369 (1718)</td>
			<td>530 (2248)</td>
			<td>581 (2829)</td>
			<td>796 (3625)</td>
			<td>674 (4299)</td>
		</tr>
<tr>
<td>Indlæg Likes given</td>
			<td>1167</td>
			<td>878 (2045)</td>
			<td>1856 (3901)</td>
			<td>1440 (5341)</td>
			<td>1880 (7221)</td>
			<td>1756 (8977)</td>
			<td>2667 (11644)</td>
			<td>1857 (13501)</td>
		</tr>
<tr>
<td>Kommentar synes godt om givet</td>
			<td>784</td>
			<td>970 (1604)</td>
			<td>825 (2429)</td>
			<td>171 (2600)</td>
			<td>634 (3234)</td>
			<td>970 (4204)</td>
			<td>825 (5029)</td>
			<td>171 (5200)</td>
		</tr>
<tr>
<td rowspan="3">Personale</td>
			<td>Indlæg og kommentarer</td>
			<td>129</td>
			<td>106 (235)</td>
			<td>170 (405)</td>
			<td>96 (501)</td>
			<td>185 (686)</td>
			<td>176 (862)</td>
			<td>227 (1089)</td>
			<td>316 (1405)</td>
		</tr>
<tr>
<td>Indlæg Likes given</td>
			<td>188</td>
			<td>147 (335)</td>
			<td>302 (637)</td>
			<td>209 (846)</td>
			<td>385 (1231)</td>
			<td>372 (1603)</td>
			<td>567 (2170)</td>
			<td>511 (2681)</td>
		</tr>
<tr>
<td>Kommentar synes godt om givet</td>
			<td>168</td>
			<td>303 (471)</td>
			<td>237 (708)</td>
			<td>69 (777)</td>
			<td>168 (945)</td>
			<td>303 (1248)</td>
			<td>237 (1485)</td>
			<td>69 (1554)</td>
		</tr>
<tr>
<td rowspan="3">Klienter</td>
			<td>Indlæg og kommentarer</td>
			<td>145</td>
			<td>155 (300)</td>
			<td>214 (514)</td>
			<td>132 (646)</td>
			<td>208 (854)</td>
			<td>286 (1140)</td>
			<td>419 (1559)</td>
			<td>253 (1812)</td>
		</tr>
<tr>
<td>Indlæg Likes given</td>
			<td>365</td>
			<td>252 (617)</td>
			<td>415 (1032)</td>
			<td>303 (1335)</td>
			<td>549 (1884)</td>
			<td>529 (2413)</td>
			<td>898 (3311)</td>
			<td>576 (3887)</td>
		</tr>
<tr>
<td>Kommentar synes godt om givet</td>
			<td>143</td>
			<td>318 (461)</td>
			<td>235 (696)</td>
			<td>33 (729)</td>
			<td>143 (872)</td>
			<td>318 (1190)</td>
			<td>235 (1425)</td>
			<td>33 (1458)</td>
		</tr>
<tr>
<td>Andre</td>
			<td>Indlæg og kommentarer</td>
			<td>108</td>
			<td>127 (235)</td>
			<td>195 (430)</td>
			<td>141 (571)</td>
			<td>137 (708)</td>
			<td>119 (827)</td>
			<td>150 (977)</td>
			<td>105 (1082)</td>
		</tr>
<tr>
<td></td>
			<td>Indlæg Likes given</td>
			<td>614</td>
			<td>479 (1093)</td>
			<td>1139 (2232)</td>
			<td>928 (3160)</td>
			<td>946 (4106)</td>
			<td>855 (4961)</td>
			<td>1202 (6163)</td>
			<td>770 (6933)</td>
		</tr>
<tr>
<td></td>
			<td>Kommentar synes godt om givet</td>
			<td>473</td>
			<td>349 (672)</td>
			<td>353 (1025)</td>
			<td>69 (1094)</td>
			<td>323 (1417)</td>
			<td>349 (1766)</td>
			<td>353 (2119)</td>
			<td>69 (2188)</td>
		</tr>
</tbody></table>Tabel 1: vist er antallet af online-bidrag efter type (indlæg og kommentarer, som gives til stillinger, og kan lide givet til kommentarer) af medlemmer af online-Fællesskabet på tværs 8 måneder. Medlemmerne af online-Fællesskabet er klassificeret som personale (support personale ansat af offline Recovery program), klienter (folk i Recover, der deltager i offline Recovery program), og andre (tilhængere og Pro-Recovery fortalere fra bredere fællesskab).
Determinanter for tilbageholdelse i programmet
Følgende hypoteser blev testet: (1) program fastholdelse bør være forbundet med indikatorer for genopretning kapital udvikling (dvs. afspejlet i mængden og kvaliteten af online interaktion), og (2) program fastholdelse bør også være forbundet med indikatorer for identitets ændringer (dvs. indikatorer for udvikling af positiv udviklings identitet). Mængden af online interaktion blev indikeret af a) antallet af stillinger, der er foretaget, b) antal kommentarer, c) antal indlæg Likes modtaget, d) antal kommentarer Likes modtaget, og e) antallet af alle Likes modtaget.
For at bestemme kvaliteten af online interaktion blev netværksstruktur og sprog indhold analyseret. Mere specifikt blev der benyttet grad-og mellemtgrads koefficienter afledt af social netværksanalyse (SNA) og sproglige indikatorer for positive konsekvenser af edb-baseret sproglig analyse. Som indikatorer for positiv identitets ændring (som identifikation med Recovery community) blev hyppigheden af brugen af pronomen "vi" og resultat ordene (f. eks. forsøg, mål, gevinst osv.) anvendt. Endelig blev den afhængige variabel (tilbageholdelse i programmet) angivet med det samlede antal dage i programmet (fra 86 til 464 dage her). Som det fremgår af resultaterne, niveauer af online interaktion og in-Group validering (som afspejles af antallet af Likes modtaget for stillinger og kommentarer) forventet program fastholdelse (tabel 2). Program fastholdelse blev også forudsagt ved identifikation markører (som fanget af brugen af pronomen "vi" i stillinger og af opfyldelsen ord i både indlæg og kommentarer). Endelig, hvor deltagerne er beliggende i det sociale netværk (dvs. graden af centralitet) også udgør et vigtigt aspekt af fastholdelse (tabel 2).
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody>
<tr>
<td>Variabel</td>
			<td>B</td>
			<td>SE</td>
			<td>Β</td>
			<td>R2</td>
		</tr>
<tr>
<td>Kommentar Likes modtaget</td>
			<td>0,43</td>
			<td>0,18</td>
			<td>.47*
</td>
			<td>0,22</td>
		</tr>
<tr>
<td>Likes modtaget (alle)</td>
			<td>0,08</td>
			<td>0,03</td>
			<td>.43*
</td>
			<td>0,18</td>
		</tr>
<tr>
<td>Kommentar-lignende forskel</td>
			<td>1,09</td>
			<td>0,5</td>
			<td>.43*
</td>
			<td>0,19</td>
		</tr>
<tr>
<td>Netværk grad</td>
			<td>0,01</td>
			<td>0</td>
			<td>.43*
</td>
			<td>0,18</td>
		</tr>
<tr>
<td>LIWC vi (post)</td>
			<td>3,89</td>
			<td>1,76</td>
			<td>.43*
</td>
			<td>0,19</td>
		</tr>
<tr>
<td>LIWC Achievement (post)</td>
			<td>0,56</td>
			<td>0,26</td>
			<td>.43*
</td>
			<td>0,18</td>
		</tr>
<tr>
<td>LIWC Achievement (alle)</td>
			<td>0,14</td>
			<td>0,07</td>
			<td>.42*
</td>
			<td>0,17</td>
		</tr>
</tbody></table>Tabel 2: retentionstiden som forudsagt af online engagement, netværksstatistik og sprog kategorier.

Watch this Scientific Journal Video about Integrating Computerized Linguistic and Social Network Analyses to Capture Addiction Recovery Capital in an Online Community at JoVE.com

Integrating Computerized Linguistic and Social Network Analyses to Capture Addiction Recovery Capital in an Online Community

Artiklen beskriver en ny tilgang til analyse af dynamiske online sociale interaktioner (i en online kontekst) eksemplificeret ved en undersøgelse af et online-fællesskab af nyttiggørelse fra alkohol og narkotikamisbrug.

Integrering af edb-baserede sproglige og sociale netværk analyser for at fange afhængighed opsving kapital i en online-community

The article describes a new methodology designed with the aim of finding a comprehensive, unobtrusive, and accurate way of capturing social recovery ...

Vores protokol giver en omfattende, diskret og præcis måde at beskrive, hvordan folk kan interagere med onlinefællesskaber, mens de er ved at komme sig efter narkotika- og alkoholafhængighed. Denne teknik går ud over den selv rapporterede tilgang, der er blevet brugt i tidligere undersøgelser, giver os mulighed for at måle mere implicitte markører for nyttiggørelse. Før udtrækningen påbegyndes, skal du indlæse de nødvendige funktioner, datasæt eller kompileret kode, der giver brugerne mulighed for at analysere, transformere eller udtrække data i R og indlæse de eksterne opbevarings- og brugerdata i R som en dataramme fra en CSV-fil.Når alle pakkerne er indlæst, skal du bruge hent-gruppefunktionen fra R Facebook til at udtrække data fra den sociale medieside i interessefællesskabet og gemme dataene som en dataramme. Brug få stillinger funktion fra R Facebook, sammen med de netop udtrukket post-id'er, udtrække data om post kan lide lavet på siden. Brug af funktionen få indlæg fra R Facebook og de udtrukne post-id'er, udtrække data om kommentarerne til hvert indlæg, og gemme disse data som en dataramme.Brug kommentar-id'erne til at udtrække data om synes godt om kommentaren på hvert indlæg og gemme disse data som en dataramme. Derefter kan du kombinere indlæg, indlæg synes godt om, kommentarer og kommentarer synes godt om data i én dataramme, og tilføj en månedlig opdeling. For at beregne de sociale medier aktivitet, der foretages og modtages af hver klient, beregne antallet af stillinger, kommentarer, indlæg kan lide, og kommentar kan lide foretaget af hver klient, og antallet af stillinger, kommentarer, indlæg kan lide, og kommentar synes godt om modtaget af hver klient.Deltag i datarammen for de sociale medier aktivitet lavet og modtaget af hver klient til opbevaring datarammen, og beregne forskellen mellem stillinger og kommentarer med Likes og ingen likes, og forskellen mellem stillinger med kommentarer og ingen kommentarer. Deltag i synes godt om-differencedata til opbevaringsdataene, og kommentarerne difference data til opbevaringsdata. Beregn alle de synes godt om, der er lavet af hver klient, og alle de synes godt om, som hver klient har modtaget.Identificer derefter, hvilke brugere der ikke deltog i gruppen på de sociale medier. Hvis du vil foretage en analyse af det sociale netværk, skal du oprette en kantliste over relationer inden for det sociale netværk baseret på at synes godt om indlæg og kommentarer til indlæg ved at se på to kolonner i datasættet. Den første kolonne indeholder det anonyme id for den person, der foretager opslaget, mens den anden kolonne indeholder det anonyme id for den person, der synes godt om eller kommenterer opslaget.Opret derefter en knudepunktsliste over alle personer i gruppen ved at konvertere de to kolonner på listen over relationer til én kolonne og fjerne eventuelle dublerede anonyme id'er, så kun det entydige anonyme id er tilbage. Brug grafdatarammen og hent gennemvejningsfunktioner i igraph-pakken til at oprette diagram- og grafmatrixobjekter fra kant- og knudepunktslisterne. Brug derefter graden og mellemfunktionerne fra igraph-pakken for at opnå onlinegruppens netværksgrad og mellemtæthedsstatistik.Hvis du vil foretage en computerbaseret sproglig analyse i software til sproglig forespørgselsordtælling, skal du eksportere de tekstmæssige data på sociale medier og sende kommentar-id-kolonnen til CSV-filer. Importer CSV-filerne for de tekstmæssige data på sociale medier til word count-softwaren For sproglig forespørgsel eller LIWC-softwaren ved at klikke på analyser tekst, Excel CSV-fil og den kolonne, der indeholder indlæg og kommentarer for at markere den tekst, der skal analyseres. Når LIWC har analyseret tekstdataene, skal du gemme outputtet som en ny CSV-fil.Importer CSV-filen til LIWC-resultater til R, og flette resultaterne med eksisterende data. Dataene matches af kolonnen Post comment ID, som findes i både LIWC og de eksisterende datarammer. Beregn de samlede LIWC-scorer for hver bruger i indlæg og kommentarer, og deltag i disse resultater med opbevaringsdataene.Beregn de samlede LIWC-scorer for hver bruger i alle de kombinerede data og kommentarer, og joiner disse resultater med opbevaringsdataene. Fjern derefter enhver netværksanalyse fra datarammen til opbevaring. Hvis du vil finde ud af, om indikatorer for interaktion med online community forudsiger opbevaring i offlinegenoprettelsesprogrammet, skal du bruge im-funktionen i base R til at udføre lineær regressionsanalyse af opbevaringsdataene som den afhængige variabel og LIWC-kategorierne, kommentarer, indlægslignende og kommentar synes godt om som uafhængige variabler.Kombiner derefter regressionsanalyseresultaterne i én dataramme. Hvis du vil oprette et månedligt kort over analyser af sociale netværk, skal du forberede datarammer til analysekort til sociale netværk og oprette en kantliste baseret på den månedlige kumulative aktivitet på sociale medier. Opret en knudepunktsliste baseret på den månedlige kumulative aktivitet på sociale medier, og opret grafer og grafmasker baseret på den månedlige kumulative aktivitet på sociale medier.Angiv layoutet af analysetilknytninger på sociale netværk baseret på den kumulative aktivitet på sociale medier, og tilføj farver baseret på brugerrollerne. Opret derefter kort over analysekort til sociale netværk, og gem kortene i en fil. Til beregning af den månedlige kumulative aktivitet for sociale medier på sociale medier skal du beregne den månedlige kumulative aktivitet på sociale medier af personale, kunder og andre medlemmer af den sociale mediegruppe.Beregn derefter den månedlige kumulative aktivitet på sociale medier af alle medlemmerne af gruppen sociale medier, og deltag i de månedlige kumulative datarammer for aktivitet på sociale medier sammen. Her vises en visuel repræsentation af det sociale netværk og dets udvikling over en periode på otte måneder i form af forbindelser mellem alle deltagerne i online-fællesskabet. Antallet af forbindelser, som en agent i netværket har, bestemmer, hvor centrale de vil være i det sociale netværk.Disse repræsentative resultater understøtter argumentet om, at generelle, positive sociale interaktioner mellem medlemmer af en online opsving samfund støtter inddrivelsesprocessen. Deltagernes engagement i onlinefællesskabet måles ved at beregne bidragene fra alle deltagerne i onlinefællesskabet som antallet af indlæg, kommentarer og synes godt om, som medarbejdere, kunder og medlemmer af det bredere fællesskab har foretaget. Som det fremgår af resultaterne, i denne analyse, niveauer af online interaktion og in-group validering, som afspejles af antallet af likes modtaget for stillinger og kommentarer, forudsige programmet opbevaring.Program opbevaring er også forudsagt af identifikation markører, som fanget af brugen af pronoordet vi i stillinger, og af opfyldelsen ord i både stillinger og kommentarer. Endelig, hvor deltagerne er placeret inden for det sociale netværk også udgør et vigtigt aspekt af fastholdelse. Når vi bruger denne tilgang, skal vi huske, at dette kun er én måde at fange psykologiske processer i online-fællesskaber.Ideelt set bør der også være adgang til andre datakilder. Denne metode kan tilpasses til at undersøge online sociale interaktioner i andre typer af online-fællesskaber, herunder online fora, diskussionsgrupper, chatrooms, og så videre.

Research

Education

JoVE Journal

JoVE Core

Social Psychology

Behavior

Foundations of Social Psychology

Group Dynamics

SCIENTISTS IN ACTION

Fat Preference: A Novel Model of Eating Behavior in Rats

Fat præference: A Novel Model af spiseadfærd i rotter

Obesity is a growing problem in the United States of America, with more than a third of the population classified as obese. One factor contributing to ...

Measuring Neural and Behavioral Activity During Ongoing Computerized Social Interactions: An Examination of Event-Related Brain Potentials

Måling Neural og adfærdsmæssige aktivitet under Igangværende Edb sociale interaktioner: En undersøgelse af event-relaterede hjernepotentialer

Social exclusion is a complex social phenomenon with powerful negative consequences. Given the impact of social exclusion on mental and emotional health, ...

Methods to Test Visual Attention Online

Metoder til Test Visual Attention Online

Online data collection methods have particular appeal to behavioral scientists because they offer the promise of much larger and much more representative ...

The Modified Hole Board - Measuring Behavior, Cognition and Social Interaction in Mice and Rats

Den modificerede Hole Board - Måling Behavior, Erkendelse og social interaktion hos mus og rotter

This protocol describes the modified hole board (mHB), which combines features from a traditional hole board and open field and is designed to measure ...

Assessment of Social Cognition in Non-human Primates Using a Network of Computerized Automated Learning Device (ALDM) Test Systems

Assessment of Social Cognition in Non-human Primates Using a Network of Computerized Automated Learning Device ALDM Test Systems

Vurdering af Social Cognition i ikke-menneskelige primater Ved hjælp af en netværk af edb Automated Learning Device (ALDM) Test Systems

Fagot &#38; Paleressompoulle1 and Fagot &#38; Bonte2 have published an automated learning device (ALDM) for the study of cognitive abilities of monkeys ...

The Social Dimension of Stress: Experimental Manipulations of Social Support and Social Identity in the Trier Social Stress Test

Den sociale dimension af stress: Eksperimentelle manipulationer af social støtte og social identitet i Trier Social stresstesten

In many situations humans are influenced by the behavior of other people and their relationships with them. For example, in stressful situations ...

A Visual Guide for Studying Behavioral Defenses to Pathogen Attacks in Leaf-Cutting Ants

En visuel Guide til at studere adfærdsmæssige forsvar og patogen angriber i blad-skæring myrer

The complex lifestyle, evolutionary history of advanced cooperation, and disease defenses of leaf-cutting ants are well studied. Although numerous studies ...

Using Facial Electromyography to Assess Facial Muscle Reactions to Experienced and Observed Affective Touch in Humans

Ved hjælp af Facial Elektromyografi at vurdere Facial muskel reaktioner til erfarne og observerede affektive Touch hos mennesker

"Affective" touch is believed to be processed in a manner distinct from discriminatory touch and to involve activation of C-tactile (CT) afferent fibers. ...

A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment

En tilgang til maskinel indlæring for at designe en effektiv selektiv screening af mild kognitiv svækkelse

Mild cognitive impairment (MCI) is the first sign of dementia among elderly populations and its early detection is crucial in our aging societies. Common ...

Transcranial Direct Current Stimulation for Online Gamers

Transcranial direkte strøm stimulering til online gamere

Transcranial direct current stimulation (tDCS) is a noninvasive brain stimulation technique that applies a weak electric current to the scalp to modulate ...