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

Wir danken den Kunden und Mitarbeitern von Jobs, Friends and Houses, UK, die unsere Forschung unterstützt und sich bereit erklärt haben, an unserer Forschung teilzunehmen.

Die hier beschriebene Forschung wurde von der Forschungsethik-Gemeinschaft der Sheffield Hallam University genehmigt.
1. Setup
HINWEIS: Bitte beachten Sie das angehängte R-Skript, das als Zusatzdatei 1bereitgestellt wird.
<ol><li>Laden Sie erforderliche Pakete (Rfacebook9, dplyr10, igraph11und openxlsx12) in R. Pakete beziehen sich auf Funktionen, Datasets oder kompilierten Code, mit dem Benutzer Daten analysieren, transformieren oder extrahieren können.</li>
	<li>Laden (externer) Aufbewahrungs- und Benutzerdaten als Datenrahmen aus einer CSV-Datei in R. HINWEIS: Aufbewahrungsdaten beziehen sich auf die Anzahl der Tage, an denen ein Client am Offline-Programm zur (traditionellen) Suchtwiederherstellung teilnimmt. Es wurde vom Administrator des (Offline-)Wiederherstellungsprogramms bereitgestellt, wie es auf einer CSV-Datei mit dem Namen des Teilnehmers und der Anzahl der Tage aufgezeichnet wurde, an denen sie am Programm beteiligt waren. Der Teilnehmername wurde vor dem Import in R durch die anonyme ID-Nummer ersetzt.</li>
</ol>2. Datenextraktion aus der Online-Community (die soziale Seite einer Sucht-Recovery-Community)
HINWEIS: Dieses Protokoll gilt für eine Social-Media-Seite, kann aber an verschiedene Arten von Online-Communities angepasst werden. Im Falle des Rfacebook-Pakets ermöglicht es dem Benutzer, Daten von der Social-Media-Seite in R zu extrahieren.
<ol><li>Erstellen Sie ein Social Media (Facebook) Zugriffstoken, indem Sie dem Leitfaden auf der referenzierten Website13folgen.</li>
	<li>Erstellen Sie das Zugriffstoken in R.</li>
	<li>Extrahieren Sie mit der Funktion "getGroup" von Rfacebook Daten von der Social-Media-Seite der Interessengemeinschaft (z.B. Postinhalt, Anzahl der Kommentare und Likes für jeden Beitrag, eine eindeutige ID-Nummer für jeden Beitrag usw.). Diese Daten werden dann als Datenrahmen gespeichert. HINWEIS: Ein Datenrahmen ist im Wesentlichen eine Tabelle innerhalb von R, die zum Speichern von Daten verwendet wird.</li>
	<li>Mit der "getPosts"-Funktion von Rfacebook, zusammen mit den Post-IDs in Schritt 2.3 extrahiert, extrahieren Sie Daten über Beiträge wie auf der Seite gemacht.</li>
	<li>Mit der "getPosts"-Funktion von Rfacebook, zusammen mit den Post-IDs extrahiert in Schritt 2.3, extrahieren Sie Daten über die Kommentare auf jedem Beitrag gemacht (z. B. Benutzer-IDs von Personen, die den Beitrag kommentieren, wenn der Kommentar gemacht wurde, wie viele mag den Beitrag erhalten). Diese Daten werden dann als Datenrahmen gespeichert.</li>
	<li>Extrahieren Sie mithilfe der in Schritt 2.5 extrahierten Kommentar-IDs Daten zu den "Kommentar-Gefällt mir"-Angaben, die auf jedem Beitrag gemacht wurden (z. B. Benutzer-IDs von Personen, die den Kommentar mögen). Diese Daten werden dann als Datenrahmen gespeichert.</li>
	<li>Kombinieren Sie die Beiträge, Posten Vonlikes, Kommentare und Kommentar-Likes-Daten in einem Datenrahmen.</li>
	<li>Fügen Sie eine monatliche Aufschlüsselung hinzu (d. h. Monat 1 bis 8).</li>
</ol>3. Berechnung der Social-Media-Aktivitäten, die von jedem Kunden gemacht und empfangen werden
<ol><li>Berechnen Sie die Anzahl der Beiträge, Kommentare, Beiträge und Kommentare, die von jedem Client gemacht werden.</li>
	<li>Berechnen Sie die Anzahl der Beiträge, Kommentare, Beiträge und Kommentare, die von jedem Kunden empfangen werden.</li>
	<li>Verbinden Sie den Datenrahmen der Social-Media-Aktivitäten, die von jedem Client gemacht und empfangen werden, an den Aufbewahrungsdatenrahmen.</li>
	<li>Berechnen Sie den Unterschied zwischen Beiträgen und Kommentaren mit Likes und ohne Likes.</li>
	<li>Berechnen Sie den Unterschied zwischen Beiträgen mit Kommentaren und ohne Kommentare.</li>
	<li>Verbinden Sie die Gleichgesinnungsdaten mit den Aufbewahrungsdaten.</li>
	<li>Verbinden Sie die Kommentardifferenzdaten mit den Aufbewahrungsdaten.</li>
	<li>Berechnen Sie alle Von jedem Client vorgenommenen Likes.</li>
	<li>Berechnen Sie alle Von jedem Client empfangenen Likes.</li>
	<li>Identifizieren Sie, welche Benutzer nicht an der Social-Media-Gruppe teilgenommen haben (d. h. keine Aktivität).</li>
</ol>4. Durchführung von Analysen sozialer Netzwerke
<ol><li>Erstellen Sie eine Edgeliste. Eine Edge-Liste ist eine Liste von Beziehungen innerhalb des sozialen Netzwerks, die in diesem Fall auf 1) Gefallen Beiträge und Kommentare und 2) Kommentare zu Beiträgen basiert. Dies geschieht, indem Sie zwei Spalten innerhalb des Datasets betrachten. Die erste Spalte enthält die anonyme ID der Person, die den Beitrag macht, während die zweite die anonyme ID der Person enthält, die den Beitrag mag oder kommentiert.</li>
	<li>Erstellen Sie eine Scheitelpunktliste. Eine Scheitelpunktliste ist eine Liste aller Personen in der Gruppe. Dies geschieht, indem die beiden Spalten in der Liste der Beziehungen in eine Spalte konvertiert und doppelte anonyme IDs entfernt werden, sodass nur noch die eindeutige anonyme ID übrig bleibt.</li>
	<li>Erstellen Sie mithilfe der Funktionen "graph.data.frame" und "get.adjacency" im igraph-Paket Graphen- und Diagrammmatrixobjekte aus den Kanten- und Scheitelpunktlisten.</li>
	<li>Mit den Funktionen "Grad" und "Zwischenstand" aus dem igraph-Paket erhalten Sie die Netzwerkstatistiken (Grad und Zwischenstand) der Online-Gruppe.</li>
</ol>5. Durchführung einer computergestützten Sprachanalyse in LIWC
<ol><li>Exportieren Sie Text-Social-Media-Daten (d. h. Beiträge und Kommentare) und post/comment ID-Spalte in CSV-Dateien.</li>
	<li>Importieren Sie die CSV-Dateien textueller Social-Media-Daten in die LIWC-Software (Linguistic Inquiry Word Count).</li>
	<li>Generieren Sie LIWC-Kategorien und speichern Sie sie in neuen CSV-Dateien. Klicken Sie hierzu auf "Text analysieren", dann auf "Excel/CSV-Datei" und klicken Sie auf die Spalte mit den Beiträgen und Kommentaren, um den zu analysierenden Text auszuwählen. Nachdem LIWC die Analyse der Textdaten abgeschlossen hat, speichern Sie die Ausgabe als neue CSV-Datei.</li>
	<li>Importieren Sie die LIWC-Ergebnis-CSV-Datei in R, und führen Sie mit vorhandenen Daten zusammen. Den Daten wird die Spalte post/comment ID zugeordnet, die sowohl in LIWC als auch in vorhandenen Datenrahmen vorhanden ist.</li>
	<li>Berechnen Sie die gesamtliWC-Werte für jeden Benutzer in Beiträgen und Kommentaren, und verbinden Sie sich dann mit den Aufbewahrungsdaten.</li>
	<li>Berechnen Sie die gesamtliWC-Werte für jeden Benutzer in allen Textdaten (Post und Kommentare kombiniert), und verbinden Sie sich dann mit den Aufbewahrungsdaten.</li>
	<li>Entfernen Sie NAs aus dem Datenrahmen für Aufbewahrungsdaten.</li>
</ol>6. Durchführung von Regressionsanalysen (um festzustellen, ob Indikatoren für die Zusammenarbeit mit der Online-Community die Beibehaltung im Offline-Recovery-Programm vorhersagen)
<ol><li>Definieren Sie die unabhängigen Variablen.</li>
	<li>Führen Sie mithilfe der Funktion "lm" in Basis R eine lineare Regressionsanalyse mithilfe der Aufbewahrungsdaten als abhängige Variable und LIWC-Kategorien, Kommentare, Post-Likes und Kommentar-Likes als unabhängige Variablen durch.</li>
	<li>Kombinieren Sie Regressionsanalyseergebnisse in einem Datenrahmen.</li>
</ol>7. Erstellen monatlicher SNA-Karten
<ol><li>Bereiten Sie Datenrahmen für SNA Maps vor.</li>
	<li>Erstellen Sie eine Edgeliste basierend auf der monatlichen kumulativen Social-Media-Aktivität.</li>
	<li>Erstellen Sie eine Scheitelpunktliste basierend auf der monatlichen kumulativen Social-Media-Aktivität.</li>
	<li>Erstellen Sie Diagramme und Diagrammmatrizen basierend auf monatlichen kumulativen Social-Media-Aktivitäten.</li>
	<li>Legen Sie das Layout von SNA-Karten basierend auf kumulativen Social-Media-Aktivitäten fest.</li>
	<li>Fügen Sie Farben basierend auf Benutzerrollen hinzu.</li>
	<li>Erstellen Sie SNA-Maps und speichern Sie sie in einer Datei.</li>
</ol>8. Berechnung der monatlichen kumulativen Social-Media-Aktivität der Social-Media-Gruppe
<ol><li>Berechnen Sie die monatliche kumulative Social-Media-Aktivität nach Mitarbeitern, Kunden und anderen Mitgliedern der Social-Media-Gruppe.</li>
	<li>Berechnen Sie die monatliche kumulative Social-Media-Aktivität aller Mitglieder der Social-Media-Gruppe.</li>
	<li>Schließen Sie sich den monatlichen kumulativen Social-Media-Aktivitätsdatenrahmen zusammen.</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>

Die Autoren haben nichts zu verraten.

Der hier beschriebene Ansatz basiert auf einer neuen Methode zur Messung, wie Online-Gruppenprozesse die Retention in einem Suchterholungsprogramm beeinflussen können. Anwendung dieser Methode auf eine Online-Community der Genesung von Dersucht, wurde festgestellt, dass es vier Schlüsselaspekte vorhergesagt Programm Bindung: stark in der Online-Community beteiligt, zentral in der Online-sozialen Netzwerk, positive Wirkung ausgedrückt in Der Kommunikation mit anderen Mitgliedern der Online-Community und der Validierung von anderen für Beiträge zum Netzwerk14. Die mit dieser Methode gewonnenen Erkenntnisse unterstützen bestehende theoretische Modelle der Wiederherstellung. Das heißt, zwei Schlüsselmodelle in der Wiederherstellungsliteratur, das Social Identity Model of Recovery15 und das Social Identity Model of Cessation Maintenance16, betonen beide die Bedeutung der aktiven Teilnahme an Gruppen, die Genesung. Beide Modelle deuten darauf hin, dass eine verstärkte Identifikation und ein verstärktes Engagement für solche Gruppen dazu beitragen, den zukünftigen Kontakt mit der Verwendung von Gruppen und den daraus resultierenden Rückfall zu senken.
Wie in unserer Forschung dargestellt, ermöglichte die Methode uns, Die Bahnen der Erholung oder Veränderung einzelner Mitglieder der Online-Community14zu kartieren. Visualisierungen der sozialen Online-Netzwerke und ihre Entwicklung im Laufe der Zeit können wertvolle Informationen über die Bewegung von Mitgliedern der Online-Community von der Peripherie in sernische Mitte des Netzwerks liefern und umgekehrt (diese Bewegungen im Netzwerk zeigen Veränderungen in der Interaktion mit der Online-Community). In einer Studie aus dem Jahr 201714, Interviews mit Mitgliedern der Online-Community, die die wichtigsten Veränderungen in Bezug auf die Bewegung von der Peripherie in die Mitte der Netzwerke durchgeführt wurden, um unsere Ergebnisse auf der Grundlage von SNA triangulieren, computerisiert sprachlich und Regression gegen Aufbewahrungsdaten. Zukünftige Studien können sich stattdessen auf jene Mitglieder konzentrieren, die sich mit der Online-Community abgekoppelt haben, auf diejenigen, die sich nie engagieren, oder auf direktere Messgrößen wie Substanzkonsum und Wiederbestrafung. Diese Methode kann weiter verfeinert werden, um in Interventionsprogrammen verwendet zu werden, z. B. zur Bewertung der Rolle von Moderatoren in Hilfsforen.
Es gibt derzeit keine Studien, die Beweise für die Vorteile der hier beschriebenen Methode liefern, wenn sie von selbst verwendet wird (die beschriebene Methode wurde in Verbindung mit Aufbewahrungsdaten verwendet und mit qualitativen Daten aus Interviews mit wichtigen Online-Communitys trianguliert. Mitglieder14), aber dieser Ansatz kann genaue und voreingenommene Daten liefern, die Selbstanzeige und andere Maßnahmen in Studien zur Suchtwiederherstellung ergänzen können.
Diese Methode wurde angewendet, um soziale Online-Interaktionen im Kontext einer Social-Media-Seite zu untersuchen, die als ergänzende Form der Unterstützung eines standardmäßigen, persönlichen Wiederherstellungsprogramms eingerichtet wurde. Bei geringfügigen Änderungen kann die Methode jedoch verwendet werden, um soziale Online-Interaktionen in anderen Arten von Online-Communities (Online-Foren, Diskussionsgruppen, Chatrooms, Kommentar-Websites usw.) zu untersuchen. Einer der Hauptvorteile dieser Methode ist, dass sie angepasst und auf Kontexte außerhalb von Gemeinschaften der Suchtwiederherstellung an jede Online-Community angewendet werden kann. In unserer eigenen politikpsychologischen Forschung verwenden wir beispielsweise eine ähnliche Methode (entwickelt aus der hier beschriebenen Methode), um die Qualität von Online-Interaktionen und Veränderungen in diesen Interaktionen zwischen Mitgliedern rechtsextremer Online-Communities zu erfassen. In der Tat kann die Methode auf jede Online-Community angewendet werden, in der Daten in Form von Verbindungen zwischen Mitgliedern (als Soziale Netzwerkverknüpfungen) und sprachlichen Inhalten extrahiert werden können.
Beim Zugriff auf und bei der Arbeit mit Online-Daten müssen sich die Forscher jedoch über ethische Fragen im Klaren sein, die einige für die Selbstanzeige und andere Arten von Daten im Allgemeinen und einige, die nur in einer Online-Umgebung auftreten, gelten. In der hier beschriebenen Forschung (die von der Forschungsethik-Community der Sheffield Hallam University genehmigt wurde), wurde die Zustimmung von der Organisation eingeholt, die das Wiederherstellungsprogramm verwaltete, und es wurden strenge Maßnahmen ergriffen, um eine vollständige Anonymität der Teilnehmer der offenen Social-Media-Seite (z.B. nach Online- und Aufbewahrungsdatenabgleich wurden alle identifizierenden Informationen aus den Dateien entfernt und auch keine potenziell selbstidentifizierenden Zitate aus der öffentlich zugänglichen Online-Kommunikation verwendet).
Eine enge Kommunikation mit der Organisation sorgte auch dafür, dass die Teilnehmer des Programms über die Studien- und Forschungsergebnisse Informiert waren, und einer der Forscher traf sich regelmäßig mit der Gruppe, um die Studie und ihre Ergebnisse zu erklären. In anderen Fällen jedoch, in denen Online-Communities nicht mit bestimmten Offline-Programmen in Verbindung gebracht werden, kann es schwieriger sein, zu bestimmen, wer um Zustimmung in Bezug auf die Datenextraktion gebeten werden sollte (gilt insbesondere in nicht moderierten Foren, in denen Personen in der Wiederherstellung Online-Peer-Support) Während die allgemeinen Grundsätze der ethischen Forschung gelten, müssen die Forscher einen Fall-für-Fall-Ansatz wählen, um sicherzustellen, dass die Extraktion und Analyse von Online-Daten keine signifikanten Risiken für die Teilnehmer darstellt (z. B. Kompromisse beim Datenschutz).

Die vorgestellte Methode wurde entwickelt, um Alkohol und andere Drogen (AOD) Sucht Erholung Kapital in Online-Kontexte zu erfassen. Im Bereich der Sucht wurde das Rückgewinnungskapital als "die Summe der eigenen Ressourcen definiert, die bei der Einleitung und Aufrechterhaltung der Beendigung des Drogenmissbrauchs zum Tragen kommen kann"1. Das Erholungskapital wurde in erster Linie durch Selbstberichte2,3 in face-to-face-Kontexten gemessen. Dieser Ansatz bietet eine alternative Methode zur Messung des Wiederherstellungskapitals in Online-Kontexten, indem die Qualität und Quantität von Online-Interaktionen in Online-Gemeinschaften der Erholung erfasst wird.
Angesichts der stetigen Zunahme der Nutzung von Online-Ressourcen in Form von Peer-Support in einer Reihe von gesundheitsbezogenen Fragen4,5ist es notwendig, neue Methoden zu entwickeln, um die Qualität dieser Ressourcen zu erfassen. Online-Peer-Support erfolgt in Form von sozialen Interaktionen in Online-Foren und Communities. Unterstützende soziale Interaktionen in diesen Online-Kontexten tragen zum Aufbau von Erholungskapital bei, was sich wiederum positiv auf den Erholungsprozess auswirkt6,7. Die vorgeschlagene Methode bietet eine Reihe von Vorteilen gegenüber alternativen Methoden. Erstens überwindet sie einige der Beschränkungen, die den Einsatz von Selbsthilfemaßnahmen in der Suchtforschung beinhalten, insbesondere im Zusammenhang mit Rückruf- und Selbstdarstellungsvoreingenommenheiten. Selbstanzeigemaßnahmen gelten zwar als angemessen zuverlässig und validitätswirksam, sind jedoch anfällig für Verzerrungen und Ungenauigkeiten. Um die Genauigkeit zu verbessern und Verzerrungen zu minimieren, wurde erkannt, dass es notwendig ist, die Verwendung neuer Maßnahmen und Datenerhebungssituationen zu erhöhen, um diese Probleme zu vermeiden oder zu minimieren8. Durch den Zugriff auf Daten, die natürlicherweise in Kontexten vorkommen, in denen Menschen in verschiedenen Phasen der Wiederherstellung spontan interagieren, und durch die Verwendung von Analysemethoden, die aussagekräftige Informationen aus diesen Daten extrahieren können (in der Lage, Indikatoren für psychologische Zustände zu erfassen), Vorurteile aufgrund sozialer Begehrlichkeiten (Selbstdarstellung) und Ungenauigkeiten aufgrund von Rückrufbeschränkungen können reduziert oder sogar beseitigt werden. Zweitens ist diese Methode hocheffizient und kostengünstig, da sie auf der Extraktion bereits vorhandener Online-Daten beruht (d. h. in offenen Online-Foren, die öffentlich zugänglich sind).
Als nächstes wird die Methode beschrieben, die auf eine Studie über den Aufbau von Erholungskapital in einer Online-Community angewendet wurde, die gegründet wurde, um ein traditionelles, persönliches Suchterholungsprogramm für Süchtige in frühen Genesungsstadien zu ergänzen. In diesem Fall wurden Online-Daten (Social Media) mit Programmdaten verknüpft, die Methode kann aber auch in Fällen verwendet werden, in denen Linkage-Daten nicht verfügbar oder zugänglich sind.

<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

Der Artikel beschreibt eine neue Methodik, die mit dem Ziel entwickelt wurde, eine umfassende, unaufdringliche und genaue Methode zu finden, um die Entwicklung des Kapitals der sozialen Erholung in Online-Gemeinschaften der Erholung von Alkohol- und Drogenabhängigkeit (AOD) zu erfassen. Das Wiederherstellungskapital wurde sowohl als Engagement in der Online-Recovery-Community als auch als Identifikation mit der Community konzipiert. Um die Entwicklung des Wiederherstellungskapitals zu messen, wurden natürlich vorkommende Daten von der Social-Media-Seite eines bestimmten Wiederherstellungsprogramms extrahiert, wobei die Seite als Ressource für ein face-to-face Recovery-Programm eingerichtet wurde. Um die Interaktion mit der Online-Community zu kartieren, wurde eine Analyse sozialer Netzwerke (SNA) durchgeführt, die soziale Online-Interaktion erfasst. Die soziale Interaktion wurde durch die Verbindungen zwischen den Online-Mitwirkenden/Mitgliedern der Online-Community gemessen, die von Programmkunden, Mitarbeitern und Unterstützern aus der breiteren Community vertreten werden. Um Marker der sozialen Identifikation mit der Online-Community zu erfassen, wurde eine computergestützte linguistische Analyse der Textdaten (Inhalte aus Beiträgen und Kommentaren) durchgeführt. Das auf diese Weise erfasste Wiederherstellungskapital wurde anhand von Aufbewahrungsdaten (einem Proxy-Ergebnisindikator) analysiert, da die Tage im (face-to-face)-Wiederherstellungsprogramm verbracht wurden. Die extrahierten Online-Daten wurden mit Teilnehmerdaten in Bezug auf die Programmaufbewahrung verknüpft, um die Vorhersage eines wichtigen Wiederherstellungsergebnisses zu testen. Dieser Ansatz ermöglichte die Untersuchung der Rolle von Online-Unterstützungsgemeinschaften und die Bewertung des Zusammenhangs zwischen Wiedereinziehungskapital (entwickelt über die Online-Community der Erholung) und Recovery-Ergebnissen.

Eine detaillierte Beschreibung der repräsentativen Ergebnisse, die mit dieser Methode erzielt wurden, finden Sie in unserer jüngsten Arbeit14, die überprüft wurde und die volle Zustimmung der Forschungsethikkommission der Institution erhielt, an der die Forschung durchgeführt wurde. In dem hier beschriebenen Bericht untersuchte die Studie, ob die Online-Teilnahme an einer Erholungsgemeinschaft zum Erholungsprozess durch den Aufbau von Recovery-Kapital beiträgt (wie durch erhöhte S-Werte und Qualität der sozialen Online-Interaktionen und positive Identitätsentwicklung). Mit anderen Worten, die Studie untersuchte, ob Indikatoren für Online-Recovery-Kapital in den acht Monaten der Online-Daten bewertet und auch prognostiziert Retention in einem Erholungsprogramm zur Förderung der Gemeinschaft Beteiligung für Süchtige in frühen Stadien der Genesung.
Um zu kartieren, wie die Teilnehmer online interagierten, wurde eine Analyse sozialer Netzwerke (SNA) mit Daten durchgeführt, die von der Social-Media-Seite (n = 609) einer Recovery-Community extrahiert wurden. Eine visuelle Darstellung des sozialen Netzwerks und seiner Entwicklung ist in Abbildung 1dargestellt. Die Abbildung veranschaulicht die Aktivität in der Online-Community, die jeden Monat für einen Zeitraum von 8 Monaten in Form von Verbindungen zwischen allen Teilnehmern der Online-Community beobachtet wird (d. h. Kommentare zu Beiträgen, Gefallene und Kommentare). Die Anzahl der Verbindungen, die ein "Agent" im Netzwerk hat, bestimmt, wie zentral sie im sozialen Netzwerk sein werden. Computergestützte linguistische Analysen wurden verwendet, um die Textdaten zu bewerten (Erfassung von sozialen Identitätsmarkern), und eine lineare Regressionsanalyse wurde durchgeführt, um festzustellen, ob die Indikatoren des Erholungskapitals die Programmbeibehaltung vorhersagten. Diese Analysen zeigten, dass die Programmbindung tatsächlich durch folgende Werte vorhergesagt wurde: (a) Ebenen der Gruppenvalidierung, die in Form von Kommentar-Likes und allen auf der Social-Media-Seite empfangenen Likes und allen Likes empfangen wurden, (b) Position im sozialen Netzwerk (Netzwerkzentralität) und (c) Gruppengruppen Identität und Leistung (wie sie durch den sprachlichen Inhalt der Online-Kommunikation erfasst wird). Die Ergebnisse stützten das Argument, dass insgesamt positive soziale Interaktionen zwischen Mitgliedern einer Online-Recovery-Community den Wiederherstellungsprozess unterstützen. Im Folgenden wird eine Zusammenfassung dieser Ergebnisse dargestellt.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/58851/58851fig1.jpg"> Abbildung 1: Monatliche Darstellungen des sozialen Netzwerks der Online-Community über 8 Monate deuten auf Veränderungen im Muster der sozialen Interaktionen zwischen den Teilnehmern hin. Diese Darstellungen veranschaulichen, wie die meisten Kundenmitglieder in der Online-Community (Clients des Offline-Wiederherstellungsprogramms) am Anfang größtenteils getrennt sind, und es sind die Programmmitarbeiter und nur eine kleine Anzahl von Clients, die die Online-Aktivität vorantreiben. Dies ändert sich jedoch allmählich, so dass nach 8 Monaten die Clients am meisten verbunden sind (daher die zentralsten), mit der höchsten Anzahl von Verbindungen im Netzwerk (Abbildung ist aus einer früheren Publikation angepasst)14. <a href="https://www.jove.com/files/ftp_upload/58851/58851fig1large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
Beschreibende Statistiken
Das Engagement der Teilnehmer mit der Online-Community wurde gemessen, indem die Beiträge aller Teilnehmer in der Online-Community als Anzahl von Beiträgen, Kommentaren und Likes von Mitarbeitern, Kunden und breiteren Community-Mitgliedern berechnet wurden. Tabelle 1 enthält eine Aufschlüsselung nach Beitragsart (wie von jeder Teilnehmerkategorie vorgenommen) über einen Zeitraum von 8 Monaten.
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody>
<tr>
<td>Gruppenmitglieder</td>
			<td>Art des Online-Beitrags</td>
			<td>Monat 1</td>
			<td>Monat 2</td>
			<td>Monat 3</td>
			<td>Monat 4</td>
			<td>Monat 5</td>
			<td>Monat 6</td>
			<td>Monat 7</td>
			<td>Monat 8</td>
		</tr>
<tr>
<td rowspan="3">ganz</td>
			<td>Beiträge und Kommentare</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>Post mag gegeben</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 mag gegeben</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">personal</td>
			<td>Beiträge und Kommentare</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>Post mag gegeben</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 mag gegeben</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">Kunden</td>
			<td>Beiträge und Kommentare</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>Post mag gegeben</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 mag gegeben</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>Andere</td>
			<td>Beiträge und Kommentare</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>Post mag gegeben</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 mag gegeben</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>Tabelle 1: Gezeigt wird die Anzahl der Online-Beiträge nach Art (Post und Kommentare gemacht, Likes, um Beiträge gegeben, und mag Kommentare gegeben) von Mitgliedern der Online-Community auf den über 8 Monate. Die Mitglieder der Online-Community werden als Mitarbeiter (Support-Mitarbeiter des Offline-Recovery-Programms), Kunden (Wiederherstellungspersonen, die am Offline-Recovery-Programm teilnehmen) und anderen (Unterstützer und Befürworter der Wiederherstellung von breitere Gemeinschaft).
Determinanten der Aufbewahrung im Programm
Folgende Hypothesen wurden getestet: (1) Die Programmbindung sollte mit Indikatoren für die Entwicklung des Erholungskapitals in Verbindung gebracht werden (d. h. sich in der Quantität und Qualität der Online-Interaktion widerspiegeln), und (2) die Programmbindung sollte auch mit Indikatoren für Identitätsänderungen (d. h. Indikatoren für die positive Identitätsentwicklung der Wiederherstellung). Die Anzahl der Online-Interaktionen wurde durch die a) Anzahl der Beiträge angegeben, b) die Anzahl der kommentaregemachten, c) Anzahl der erhaltenen Beiträge, d) die Anzahl der eingegangenen Kommentar-Likes und e) die Anzahl aller eingegangenen Likes.
Um die Qualität der Online-Interaktion zu bestimmen, wurden Netzwerkstruktur und Sprachinhalte analysiert. Insbesondere wurden Grad- und Zwischeneffekte koeffizienten verwendet, die aus der Analyse sozialer Netzwerke (SNA) abgeleitet wurden, und sprachliche Indikatoren für positive Auswirkungen, die aus der computergestützten linguistischen Analyse abgeleitet wurden. Als Indikatoren für eine positive Identitätsänderung (als Identifikation mit der Recovery-Community) wurden die Häufigkeit der Verwendung des Pronouns "wir" und Erfolgswörter (z. B. Try, Ziel, Win, etc.) verwendet. Schließlich wurde die abhängige Variable (Aufbewahrung im Programm) durch die Gesamtzahl der im Programm verbrachten Tage (hier zwischen 86 und 464 Tagen) angegeben. Wie die Ergebnisse zeigen, prognostizierten die Ebenen der Online-Interaktion und der Gruppenvalidierung (wie sich in der Anzahl der für Beiträge und Kommentare erhaltenen Likes widerspiegelt) die Programmbindung (Tabelle 2). Die Programmbeibehaltung wurde auch durch Identifikationsmarker vorhergesagt (wie durch die Verwendung des Pronouns "wir" in Beiträgen und von Erfolgswörtern in Beiträgen und Kommentaren erfasst). Schließlich stellt der Sitz der Teilnehmer innerhalb des sozialen Netzwerks (d. h. der Grad der Zentralität) auch einen wichtigen Aspekt der Beibehaltung dar (Tabelle 2).
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody>
<tr>
<td>veränderlich</td>
			<td>B</td>
			<td>Se</td>
			<td>Β</td>
			<td>R2</td>
		</tr>
<tr>
<td>Kommentar mag erhalten</td>
			<td>0,43</td>
			<td>0,18</td>
			<td>.47*
</td>
			<td>0,22</td>
		</tr>
<tr>
<td>Likes erhalten (alle)</td>
			<td>0,08</td>
			<td>0,03</td>
			<td>.43*
</td>
			<td>0,18</td>
		</tr>
<tr>
<td>Kommentar-ähnliche Differenz</td>
			<td>1,09</td>
			<td>0,5</td>
			<td>.43*
</td>
			<td>0,19</td>
		</tr>
<tr>
<td>Netzwerk-Grad</td>
			<td>0,01</td>
			<td>0</td>
			<td>.43*
</td>
			<td>0,18</td>
		</tr>
<tr>
<td>LIWC Wir (Post)</td>
			<td>3,89</td>
			<td>1.76</td>
			<td>.43*
</td>
			<td>0,19</td>
		</tr>
<tr>
<td>LIWC-Erfolg (Post)</td>
			<td>0,56</td>
			<td>0,26</td>
			<td>.43*
</td>
			<td>0,18</td>
		</tr>
<tr>
<td>LIWC-Erfolg (Alle)</td>
			<td>0,14</td>
			<td>0,07</td>
			<td>.42*
</td>
			<td>0,17</td>
		</tr>
</tbody></table>Tabelle 2: Aufbewahrungszeit, wie sie durch Online-Engagement, Netzwerkstatistiken und Sprachkategorien vorhergesagt wird.

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

Der Artikel beschreibt einen neuartigen Ansatz zur Analyse dynamischer sozialer Online-Interaktionen (in einem Online-Kontext), der durch eine Studie einer Online-Community zur Genesung von Alkohol- und Drogenabhängigkeit veranschaulicht wird.

Integration computerisierter Linguistischer und sozialer Netzwerkanalysen zur Erfassung von Suchtwiederherstellungskapital in einer Online-Community

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

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.

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 Vorlieben: A Novel Modell des Essverhaltens bei Ratten

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 ...

Forschung

Verhalten

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

Mess Neural and Behavioral Aktivität während des laufenden Computerized Soziale Interaktionen: Eine Untersuchung der ereignisbezogenen Hirnpotenziale

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

Methoden zur Visuelle Aufmerksamkeit Online Testen

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

Der modifizierte Loch Board - Mess Verhalten, Kognition und Sozialinteraktion an Mäusen und Ratten

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

Beurteilung der sozialen Kognition in nicht-menschlichen Primaten Mit einem Netzwerk von Computermated Learning-Gerät (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

Die soziale Dimension der Stress: experimentelle Manipulationen an sozialer Unterstützung und Sozial Identität in der Trier Social Belastungsprobe

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

Ein visueller Leitfaden für das Studium des Verhaltens Abwehr zu Erreger greift in Blatt-schneiden-Ameisen

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

Verwendung von Gesichts Elektromyographie Gesichtsmuskel Reaktionen auf erfahrene und beobachteten affektive Berührung beim Menschen bewerten

"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

Ein machine Learning-Ansatz zur Entwicklung eines effizienten selektiven Screenings leichter kognitiver Beeinträchtigungen

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

Transkranielle Gleichstromstimulation für Online-Spieler

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