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

Siamo grati ai clienti e al personale di Jobs, Friends and Houses, UK, che hanno sostenuto e accettato di partecipare alla nostra ricerca.

La ricerca qui descritta è stata approvata dalla comunità etica della ricerca della Sheffield Hallam University.
1. Configurazione
NOTA: si prega di fare riferimento allo script R allegato fornito come File supplementare 1.
<ol><li>Caricare i pacchetti richiesti (Rfacebook9, dplyr10, igraph11e openxlsx12) in R. Pacchetti fanno riferimento a funzioni, set di dati o codice compilato che consentono agli utenti di analizzare, trasformare o estrarre dati.</li>
	<li>Caricare la conservazione (esterna) e i dati utente in R come frame di dati da un file CSV. NOTA: i dati di conservazione si riferiscono al numero di giorni in cui un cliente partecipa al programma di recupero dalle dipendenze offline (tradizionale). È stato fornito dall'amministratore del programma di recupero (offline) come registrato su un file CSV con il nome del partecipante e il numero di giorni in cui sono stati coinvolti nel programma. Il nome del partecipante è stato sostituito dal numero ID anonimo prima di essere importato in R.</li>
</ol>2. Estrazione dei dati dalla comunità online (la pagina sociale di una comunità di recupero dalle dipendenze)
NOTA: questo protocollo si applica a una pagina di social media, ma può essere adattato a diversi tipi di comunità online. Nel caso del pacchetto Rfacebook, permette all'utente di estrarre i dati dalla pagina dei social media in R.
<ol><li>Creare un token di accesso ai social media (Facebook) seguendo la guida sul sito Web di riferimento13.</li>
	<li>Creare il token di accesso in R.Create access token in R.</li>
	<li>Utilizzando la funzione "getGroup" da Rfacebook, estrarre i dati dalla pagina dei social media della comunità di interesse (ad esempio, il contenuto del post, il numero di commenti e mi piace per ogni post, un numero ID univoco per ogni post, ecc.). Questi dati vengono quindi salvati come frame di dati. NOTA: un frame di dati è essenzialmente una tabella all'interno di R utilizzata per archiviare i dati.</li>
	<li>Utilizzando la funzione "getPosts" da Rfacebook, insieme con gli ID post estratti nel passaggio 2.3, estrarre i dati sui post mi piace fatti sulla pagina.</li>
	<li>Utilizzando la funzione "getPosts" di Rfacebook, insieme agli ID post estratti nel passaggio 2.3, estrarre i dati sui commenti effettuati su ogni post (ad esempio, gli ID utente delle persone che commentano il post, quando è stato fatto il commento, quanti mi piace il post ricevuto). Questi dati vengono quindi salvati come frame di dati.</li>
	<li>Utilizzando gli ID di commento estratti nel passaggio 2.5, estrarre i dati sui "mi piace commenti" fatti su ogni post (ad esempio, gli ID utente delle persone che amano il commento). Questi dati vengono quindi salvati come frame di dati.</li>
	<li>Combina i post, pubblica Mi piace, commenta e commenta i dati in un unico frame di dati.</li>
	<li>Aggiungere una ripartizione mensile (ad esempio, il mese 1 a 8).</li>
</ol>3. Calcolo dell'attività sui social media effettuata e ricevuta da ciascun cliente
<ol><li>Calcola il numero di post, commenti, mi piace e mi piace dei post fatti da ogni cliente.</li>
	<li>Calcola il numero di post, commenti, mi piace e mi piace dei commenti ricevuti da ogni cliente.</li>
	<li>Unisciti al frame di dati di social media realizzato e ricevuto da ogni cliente al frame dei dati di conservazione.</li>
	<li>Calcola la differenza tra post e commenti senza "Mi piace" e senza "Mi piace".</li>
	<li>Calcola la differenza tra i post con commenti e senza commenti.</li>
	<li>Unisci i dati delle differenze tra i "Mi piace" ai dati di conservazione.</li>
	<li>Unire i dati delle differenze dei commenti ai dati di conservazione.</li>
	<li>Calcola tutti i "Mi piace" realizzati da ogni cliente.</li>
	<li>Calcola tutti i "Mi piace" ricevuti da ogni cliente.</li>
	<li>Identificare quali utenti non hanno partecipato al gruppo di social media (ad esempio, nessuna attività).</li>
</ol>4. Condurre analisi sui social network
<ol><li>Creare un elenco di spigoli. Un elenco di bordi è un elenco di relazioni all'interno del social network, che in questo caso si basa su 1) gradimento post e commenti e 2) commentare i post. Questa operazione viene eseguita esaminando due colonne all'interno del set di dati. La prima colonna contiene l'ID anonimo della persona che effettua il post, mentre la seconda contiene l'ID anonimo della persona che gradisse o commenta il post.</li>
	<li>Creare un elenco di vertici. Un elenco di vertici è un elenco di tutti gli individui del gruppo. Questa operazione viene eseguita convertendo le due colonne nell'elenco di relazioni in una colonna e rimuovendo gli ID anonimi duplicati in modo che rimane solo l'ID anonimo univoco.</li>
	<li>Utilizzando le funzioni "graph.data.frame" e "get.adjacency" nel pacchetto igraph, creare oggetti a matrice di grafici e grafici dagli elenchi di bordi e vertici.</li>
	<li>Utilizzando le funzioni "grado" e "interità" dal pacchetto igraph, ottenere le statistiche di rete (grado e interlodenza) del gruppo online.</li>
</ol>5. Condurre analisi linguistiche computerizzate in LIWC
<ol><li>Esporta i dati dei social media testuali (ad es. post e commenti) e la colonna ID post/commento in file CSV.</li>
	<li>Importa i file CSV dei dati testuali dei social media nel software LIWC (Linguistic Inquiry Word Count).</li>
	<li>Genera categorie LIWC e salvali in nuovi file CSV. Fai questo cliccando su "Analizza testo", poi su "File Excel/CSV" e cliccando sulla colonna contenente i post e i commenti per selezionare il testo da analizzare. Dopo che LIWC ha completato l'analisi dei dati testuali, salvare l'output come nuovo file CSV.</li>
	<li>Importare il file CSV dei risultati LIWC in R e unire con i dati esistenti. I dati vengono associati alla colonna ID post/commento, che esiste sia in LIWC che in frame di dati esistenti.</li>
	<li>Calcola i punteggi LIWC totali per ogni utente nei post e nei commenti, quindi iscriviti ai dati di conservazione.</li>
	<li>Calcola i punteggi LIWC totali per ogni utente in tutti i dati testuali (posta e commenti combinati), quindi iscriviti ai dati di conservazione.</li>
	<li>Rimuovere i NA dal frame dei dati di conservazione.</li>
</ol>6. Condurre analisi di regressione (per determinare se gli indicatori di coinvolgimento con la comunità online prevedono la fidelizzazione nel programma di recupero offline)
<ol><li>Definire le variabili indipendenti.</li>
	<li>Utilizzando la funzione "lm" in base R, eseguire l'analisi di regressione lineare utilizzando i dati di conservazione come variabile dipendente e le categorie LIWC, i commenti, i "Mi piace" post e i like come variabili indipendenti.</li>
	<li>Combinare i risultati dell'analisi di regressione in un unico frame di dati.</li>
</ol>7. Creazione di mappe SNA mensili
<ol><li>Preparare i frame di dati per le mappe SNA.</li>
	<li>Crea un elenco di edge in base all'attività di social media cumulativa mensile.</li>
	<li>Creare un elenco di vertici basato sull'attività dei social media cumulativa mensile.</li>
	<li>Crea grafici e matrici di grafici in base all'attività cumulativa mensile dei social media.</li>
	<li>Impostare il layout delle mappe SNA in base all'attività cumulativa dei social media.</li>
	<li>Aggiungere colori in base ai ruoli utente.</li>
	<li>Creare mappe SNA e salvarle in un file.</li>
</ol>8. Calcolo dell'attività dei social media cumulativa mensile del gruppo dei social media
<ol><li>Calcola l'attività cumulativa mensile dei social media da parte del personale, dei clienti e di altri membri del gruppo di social media.</li>
	<li>Calcola l'attività cumulativa mensile dei social media da parte di tutti i membri del gruppo dei social media.</li>
	<li>Unisciti ai frame di dati mensili cumulativi dell'attività sui social media.</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>

Gli autori non hanno nulla da rivelare.

L'approccio qui descritto si basa su un nuovo metodo per misurare il modo in cui i processi di gruppo online possono influire sulla ritenzione in un programma di recupero dalle dipendenze. Applicando questo metodo a una comunità online di recupero dalla dipendenza, si è scoperto che c'erano quattro aspetti chiave prevista fidelizzazione del programma: essere altamente coinvolti nella comunità online, essere centrale nel social network online, effetto positivo espresso in comunicazione con altri membri della comunità online, e ricevendo la convalida da altri per i contributi alla rete14. I risultati ottenuti utilizzando questo metodo supportano i modelli teorici di recupero esistenti. Ovvero, due modelli chiave nella letteratura di recupero, il social identity Model of Recovery15 e il Social Identity Model of Cessation Maintenance16, sottolineano entrambi l'importanza della partecipazione attiva in gruppi che sostengono guarigione. Entrambi i modelli suggeriscono che una maggiore identificazione e impegno per tali gruppi contribuiscano a ridurre il contatto futuro con l'uso dei gruppi e le conseguenti ricadute.
Come illustrato nella nostra ricerca, il metodo ci ha permesso di mappare le traiettorie di recupero o di cambiamento di singoli membri della comunità online14. Le visualizzazioni dei social network online e la loro evoluzione nel tempo possono fornire preziose informazioni sul movimento dei membri della comunità online dalla periferia al centro della rete e viceversa (questi movimenti nella rete indicano cambiamenti nei livelli di coinvolgimento con la comunità online). In uno studio del 201714, interviste con i membri della comunità online che hanno intrapreso i cambiamenti più significativi in termini di cambiamento in termini di movimento dalla periferia al centro delle reti sono stati condotti come un modo di triangolare i nostri risultati basati su SNA, computerizzato l'analisi linguistica e la regressione contro i dati di conservazione. Studi futuri possono invece concentrarsi su quei membri che si sono disimpegnati con la comunità online, su coloro che non si impegnano mai, o su misure più dirette di risultato come l'uso di sostanze e la recidiva. Questa metodologia può essere ulteriormente messa a punto per essere utilizzata nei programmi di intervento, ad esempio per valutare il ruolo dei moderatori nei forum di assistenza.
Attualmente non ci sono studi che forniscono prove sui benefici del metodo qui descritto quando utilizzato da solo (il metodo descritto è stato utilizzato in combinazione con i dati di conservazione e triangulated con dati qualitativi da interviste con la comunità online chiave membri14), ma questo approccio può fornire dati accurati e privi di bias che possono integrare l'auto-segnalazione e altre misure negli studi sul recupero dalle dipendenze.
Questo metodo è stato applicato per esaminare le interazioni sociali online nel contesto di una pagina di social media stabilita come forma complementare di supporto a un programma di recupero faccia a faccia standard. Tuttavia, con piccole modifiche, il metodo può essere utilizzato per indagare sulle interazioni sociali online in altri tipi di comunità online (forum online, gruppi di discussione, chat room, siti di commento, ecc.). Uno dei principali vantaggi di questo metodo è che può essere adattato e applicato a contesti che vanno oltre le comunità di recupero dalle dipendenze a qualsiasi comunità online. Ad esempio, nella nostra ricerca sulla psicologia politica, usiamo un metodo simile (sviluppato dal metodo qui descritto) per catturare la qualità delle interazioni online e i cambiamenti in queste interazioni tra i membri delle comunità online di estrema destra. In effetti, il metodo può essere applicato a qualsiasi comunità online in cui è possibile estrarre i dati sotto forma di connessioni tra i membri (come collegamenti di social network) e contenuti linguistici.
Tuttavia, nell'accesso e nell'utilizzo dei dati online, i ricercatori devono essere consapevoli di questioni etiche, alcune che si applicano all'auto-segnalazione e ad altri tipi di dati in generale e ad altri che si incontrano solo in un ambiente online. Nella ricerca qui descritta (che è stata approvata dalla comunità etica della ricerca della Sheffield Hallam University), è stato ottenuto il consenso dell'organizzazione che gestisce il programma di recupero e sono state adottate misure rigorose per garantire il completo anonimato partecipanti alla pagina aperta dei social media (ad esempio, dopo la corrispondenza dei dati online e di conservazione, tutte le informazioni di identificazione sono state rimosse dai file e anche nessun preventivo potenzialmente auto-identificante è stato utilizzato dalla comunicazione online accessibile pubblicamente).
Una stretta comunicazione con l'organizzazione ha anche assicurato che i partecipanti al programma fossero a conoscenza dei risultati dello studio e della ricerca, e uno dei ricercatori si è riunito regolarmente con il gruppo per spiegare lo studio e i suoi risultati. In altri casi, tuttavia, in cui le comunità online non sono associate a specifici programmi offline, potrebbe essere più difficile determinare a chi dovrebbe essere chiesto il consenso per quanto riguarda l'estrazione dei dati (applicabile soprattutto nei forum non smottati, dove le persone in recupero sostegno peer online). Mentre si applicheranno i principi generali della ricerca etica, i ricercatori devono adottare un approccio caso per caso per garantire che l'estrazione e l'analisi dei dati online non comportino rischi significativi per i partecipanti (ad esempio, compromettendo la privacy).

Il metodo presentato è stato progettato per catturare alcol e altre droghe (AOD) capitale di recupero dalle dipendenze in contesti online. Nel campo della dipendenza, il capitale di recupero è stato definito come "la somma totale delle risorse che possono essere portate a sopportare l'avvio e il mantenimento della cessazione dell'abuso di sostanze"1. Il capitale di recupero è stato misurato principalmente attraverso auto-rapporti2,3 in contesti faccia a faccia. Questo approccio fornisce un metodo alternativo per misurare il capitale di recupero in contesti online catturando la qualità e la quantità delle interazioni online nelle comunità di recupero online.
Dato il costante aumento dell'uso delle risorse online sotto forma di sostegno paritaria in una serie di questioni relative alla salute4,5, è necessario sviluppare nuovi metodi per catturare la qualità di queste risorse. Il supporto peer online si verifica sotto forma di interazioni sociali nei forum e nelle comunità online. Le interazioni sociali di sostegno in questi contesti online contribuiscono alla costruzione del capitale di recupero, che a sua volta ha un impatto positivo sul processo di recupero6,7. Il metodo proposto presenta una serie di vantaggi rispetto ai metodi alternativi. In primo luogo, supera alcune delle limitazioni che comportano l'uso di misure di auto-segnalazione nella ricerca sulle dipendenze, in particolare intorno al richiamo e ai pregiudizi di auto-presentazione. Mentre le misure di auto-relazione sono considerate avere livelli ragionevoli di affidabilità e validità, sono suscettibili di pregiudizi e imprecisioni. Per migliorare la precisione e ridurre al minimo la distorsione, è stato riconosciuto che è necessario aumentare l'uso di nuove misure e situazioni di raccolta dei dati progettate per evitare o ridurre al minimo questi problemi8. Accedendo ai dati che si verificano naturalmente in contesti in cui le persone in varie fasi di recupero interagiscono spontaneamente e utilizzando metodi di analisi in grado di estrarre informazioni significative da questi dati (in grado di acquisire indicatori di stati psicologici), i pregiudizi dovuti a desiderabilità sociale (auto-presentazione) e imprecisioni dovute a limitazioni nel richiamo possono essere ridotti o addirittura eliminati. In secondo luogo, questo metodo è altamente efficiente e conveniente, in quanto si basa sull'estrazione di dati online già esistenti (cioè in forum online aperti accessibili al pubblico).
Descritto di seguito è il metodo che è stato applicato a uno studio di costruzione di capitale di recupero in una comunità online stabilita per completare un programma tradizionale, di recupero dalla dipendenza faccia a faccia per i tossicodipendenti nelle fasi iniziali di recupero. In questo caso, i dati online (social media) sono stati collegati ai dati di conservazione del programma, ma il metodo può essere utilizzato anche nei casi in cui i dati di collegamento non sono disponibili o accessibili.

<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

L'articolo descrive una nuova metodologia progettata con l'obiettivo di trovare un modo completo, discreto e accurato per catturare lo sviluppo del capitale di recupero sociale nelle comunità online di recupero da alcol e dipendenza da droghe (AOD). Il capitale di recupero è stato concettualizzato sia come impegno nella comunità di recupero online che come identificazione con la comunità. Per misurare lo sviluppo del capitale di recupero, i dati naturali sono stati estratti dalla pagina dei social media di un programma di recupero specifico, con la pagina impostata come risorsa per un programma di recupero faccia a faccia. Per mappare il coinvolgimento con la comunità online, è stata eseguita un'analisi dei social network (SNA) che acquisisce l'interazione sociale online. L'interazione sociale è stata misurata attraverso i collegamenti tra i contributori/membri online della comunità online rappresentati dai clienti del programma, dal personale e dai sostenitori della comunità più ampia. Per acquisire marcatori di identificazione sociale con la comunità online, è stata condotta un'analisi linguistica computerizzata dei dati testuali (contenuti da post e commenti). Il capitale di recupero acquisito in questo modo è stato analizzato rispetto ai dati di conservazione (un indicatore di risultato proxy), mentre i giorni trascorsi nel programma di recupero (faccia a faccia). I dati online estratti sono stati collegati ai dati dei partecipanti per quanto riguarda la conservazione del programma per testare la previsione di un risultato di recupero chiave. Questo approccio ha permesso l'esame del ruolo delle comunità di supporto online e la valutazione dell'associazione tra il capitale di recupero (sviluppato attraverso la comunità online di recupero) e i risultati del recupero.

Una descrizione dettagliata dei risultati rappresentativi ottenuti con questo metodo può essere trovata nel nostro recente lavoro14, che è stato rivisto e ha ricevuto piena approvazione dal comitato etico di ricerca dell'istituzione in cui è stata condotta la ricerca. Nella relazione qui descritta, lo studio ha studiato se la partecipazione online a una comunità di recupero contribuisca al processo di recupero attraverso la creazione di capitale di recupero (come catturato dall'aumento dei livelli e della qualità delle interazioni sociali online e sviluppo positivo dell'identità). In altre parole, lo studio ha esaminato se gli indicatori del capitale di recupero online si sono sviluppati nel corso degli otto mesi di dati online valutati e ha anche previsto la conservazione in un programma di recupero progettato per favorire il coinvolgimento della comunità per i tossicodipendenti nelle prime fasi del guarigione.
Per mappare il modo in cui i partecipanti hanno interagito online, è stata condotta l'analisi dei social network (SNA) utilizzando i dati estratti dalla pagina dei social media (n - 609) di una comunità di recupero. Una rappresentazione visiva del social network e della sua evoluzione è presentata in Figura 1. La figura illustra l'attività nella comunità online osservata ogni mese per un periodo di 8 mesi sotto forma di connessioni tra tutti i partecipanti alla comunità online (ad esempio, commentando i post, i post di gradimento e i commenti di gradimento). Il numero di connessioni che un "agente" nella rete ha determina quanto centrale saranno nel social network. È stata utilizzata l'analisi linguistica computerizzata per valutare i dati testuali (catturando i marcatori di identità sociale) ed è stata condotta un'analisi di regressione lineare per determinare se gli indicatori di conservazione del programma prevista dal capitale di recupero. Queste analisi hanno indicato che la conservazione del programma era effettivamente prevista da: (a) livelli di convalida del gruppo ricevuti sotto forma di commenti e tutti i "Mi piace" ricevuti sulla pagina dei social media, (b) posizione nel social network (centralità della rete) e (c) gruppo l'identità e il raggiungimento (come acquisita dal contenuto linguistico della comunicazione online). I risultati hanno sostenuto l'argomento secondo cui, nel complesso, le interazioni sociali positive tra i membri di una comunità di recupero online sono favorevoli al processo di recupero. Di seguito è riportata una sintesi di tali risultati.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/58851/58851fig1.jpg"> Figura 1: Le rappresentazioni mensili del social network della comunità online nell'arco di 8 mesi suggeriscono cambiamenti nel modello delle interazioni sociali tra i partecipanti. Queste rappresentazioni illustrano come all'inizio, la maggior parte dei membri del cliente nella comunità online (clienti del programma di recupero offline) sono per lo più disconnessi, ed è il personale del programma e solo un piccolo numero di clienti che guidano l'attività online. Tuttavia, questo cambia gradualmente, in modo che dopo 8 mesi, i client sono quelli più connessi (quindi i più centrali), con il maggior numero di connessioni nella rete (figura adattata da una pubblicazione precedente)14. <a href="https://www.jove.com/files/ftp_upload/58851/58851fig1large.jpg" target="_blank">Fare clic qui per visualizzare una versione più grande di questa figura.</a>
Statistiche descrittive
I livelli di coinvolgimento dei partecipanti con la comunità online sono stati misurati calcolando i contributi di tutti i partecipanti nella comunità online come numero di post, commenti e "Mi piace" realizzati da personale, clienti e membri più ampi della comunità. La tabella 1 presenta una ripartizione per tipo di contributo (come dato da ciascuna categoria di partecipanti) nell'ambito di 8 mesi.
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody>
<tr>
<td>Membri del gruppo</td>
			<td>Tipo di contributo online</td>
			<td>Mese 1</td>
			<td>Mese 2</td>
			<td>Mese 3</td>
			<td>Mese 4</td>
			<td>Mese 5</td>
			<td>Mese 6</td>
			<td>Mese 7</td>
			<td>Mese 8</td>
		</tr>
<tr>
<td rowspan="3">tutti</td>
			<td>Post e commenti</td>
			<td>382 del sistema</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>Pubblica mi piace dati</td>
			<td>1167 (in inglese)</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>Commenta i "Mi piace" dato</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>Post e commenti</td>
			<td>129 del 122</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>Pubblica mi piace dati</td>
			<td>188 del sistema</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>Commenta i "Mi piace" dato</td>
			<td>168 del sistema</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">Clienti</td>
			<td>Post e commenti</td>
			<td>145 del sistema</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>Pubblica mi piace dati</td>
			<td>365 anni</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>Commenta i "Mi piace" dato</td>
			<td>143 del sistema</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>Altri</td>
			<td>Post e commenti</td>
			<td>108 Del sistema</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>Pubblica mi piace dati</td>
			<td>614 anni</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>Commenta i "Mi piace" dato</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>Tabella 1: Mostrato è il numero di contributi online per tipo (post e commenti fatti, Mi piace dati ai post e "Mi piace" dati ai commenti) dai membri della comunità online in tutto 8 mesi. I membri della comunità online sono classificati come personale (personale di supporto impiegato dal programma di recupero offline), clienti (persone in recupero che partecipano al programma di recupero offline) e altri (sostenitori e sostenitori del pro-recupero comunità più ampia).
Determinanti della conservazione nel programma
Sono state testate le seguenti ipotesi: (1) la conservazione del programma dovrebbe essere associata agli indicatori di sviluppo del capitale di recupero (cioè, che si riflettono nella quantità e qualità dell'interazione online), e (2) la conservazione del programma dovrebbe essere associata anche a indicatori di cambiamento dell'identità (cioè indicatori di sviluppo positivo dell'identità di recupero). La quantità di interazione online è stata indicata dal numero di post a, b) numero di commenti effettuati, c) numero di post ricevuti, d) numero di commenti "Mi piace" ricevuti ed e) numero di tutti i "Mi piace" ricevuti.
Per determinare la qualità dell'interazione online, sono stati analizzati la struttura della rete e il contenuto linguistico. Più specificamente, sono stati utilizzati coefficienti di grado e di interità derivati dall'analisi dei social network (SNA) e indicatori linguistici di un effetto positivo derivato dall'analisi linguistica computerizzata. Come indicatori di cambiamento positivo dell'identità (come identificazione con la comunità di recupero) sono state utilizzate la frequenza di utilizzo del pronome "noi" e le parole di realizzazione (ad esempio, prova, obiettivo, vittoria, ecc.). Infine, la variabile dipendente (conservazione nel programma) è stata indicata dal numero totale di giorni trascorsi nel programma (che vanno da 86 a 464 giorni qui). Come indicato dai risultati, i livelli di interazione online e di convalida in gruppo (come riflesso dal numero di "Mi piace" ricevuti per post e commenti) la conservazione prevista del programma (tabella 2). La conservazione del programma è stata prevista anche dai marcatori di identificazione (come catturato dall'uso del pronome "noi" nei post e delle parole di realizzazione nei post e nei commenti). Infine, quando i partecipanti si trovano all'interno del social network (cioè il gradodi centralità) rappresenta anche un aspetto importante della conservazione (tabella 2).
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody>
<tr>
<td>variabile</td>
			<td>B</td>
			<td>SE (SE)</td>
			<td>Β</td>
			<td>R2</td>
		</tr>
<tr>
<td>Commenti Mi piace ricevuti</td>
			<td>0,43 (in linguaggio da 22):</td>
			<td>0.18</td>
			<td>.47:
</td>
			<td>0.22 (in modo non il più del 22)</td>
		</tr>
<tr>
<td>Mi piace ricevuti (tutti)</td>
			<td>0,08 (in vie tall on.</td>
			<td>0,03 (in vi estati)</td>
			<td>.43:
</td>
			<td>0.18</td>
		</tr>
<tr>
<td>Differenza simile ai commenti</td>
			<td>1.09 (in questo 1,09)</td>
			<td>0,5 0,5</td>
			<td>.43:
</td>
			<td>0.19</td>
		</tr>
<tr>
<td>Grado di rete</td>
			<td>0,01</td>
			<td>0 (in vie</td>
			<td>.43:
</td>
			<td>0.18</td>
		</tr>
<tr>
<td>LIWC Noi (Post)</td>
			<td>3.89</td>
			<td>1.76 (in inglese)</td>
			<td>.43:
</td>
			<td>0.19</td>
		</tr>
<tr>
<td>LIWC Achievement (Post)</td>
			<td>0,56 (in inglese)</td>
			<td>0.26</td>
			<td>.43:
</td>
			<td>0.18</td>
		</tr>
<tr>
<td>Risultati LIWC (Tutti)</td>
			<td>0.14</td>
			<td>0,07 (in vi estati)</td>
			<td>.42:
</td>
			<td>0.17</td>
		</tr>
</tbody></table>Tabella 2: Tempo di conservazione previsto per coinvolgimento online, statistiche di rete e categorie linguistiche.

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

L'articolo descrive un nuovo approccio per l'analisi delle interazioni sociali online dinamiche (in un contesto online) esemplificato da uno studio di una comunità online di recupero da alcol e tossicodipendenza.

Integrazione di analisi linguistiche e sociali computerizzate per catturare il capitale di recupero dalle dipendenze in una comunità online

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

Il nostro protocollo fornisce un modo completo, discreto e accurato per descrivere come le persone possono interagire con le comunità online mentre si stanno riprendendo dalla dipendenza da droghe e alcol. Questa tecnica va oltre l'approccio auto-riportato che è stato utilizzato negli studi precedenti, permettendoci di misurare marcatori più impliciti di recupero. Prima di iniziare l'estrazione, caricare le funzioni, i set di dati o il codice compilato necessari che consentono agli utenti di analizzare, trasformare o estrarre dati in R e caricare la conservazione esterna e i dati utente in R, come frame di dati da un file CSV.Quando tutti i pacchetti sono stati caricati, usa la funzione get group da R Facebook per estrarre i dati dalla pagina dei social media della comunità di interesse e salvare i dati come frame di dati. Utilizzando la funzione get posts di R Facebook, insieme agli ID post appena estratti, estrarre i dati sui Mi piace dei post realizzati sulla pagina. Utilizzando la funzione get posts di R Facebook e gli ID post estratti, estrarre i dati sui commenti fatti su ogni post e salvare questi dati come frame di dati.Utilizzando gli ID commento, estrarre i dati sui Mi piace dei commenti fatti su ogni post e salvare questi dati come frame di dati. Quindi, combina i post, pubblica Mi piace, commenti e commenti mi piace i dati in un unico frame di dati e aggiungi una ripartizione mensile. Per calcolare l'attività sui social media effettuata e ricevuta da ogni cliente, calcola il numero di post, commenti, mi piace di post e commenti fatti da ogni cliente e il numero di post, commenti, mi piace dei post e mi piace dei commenti ricevuti da ogni cliente.Unisciti al frame di dati dell'attività sui social media fatta e ricevuta da ogni cliente al frame dei dati di conservazione e calcola la differenza tra post e commenti con Mi piace e nessun Mi piace e la differenza tra i post con commenti e nessun commento. Unisci i dati delle differenze di Mi piace ai dati di conservazione e i commenti disentrano nei dati di conservazione. Calcola tutti i Mi piace realizzati da ogni cliente e tutti i Mi piace ricevuti da ogni cliente.Quindi, identifica quali utenti non hanno partecipato al gruppo di social media. Per condurre un'analisi del social network, crea un elenco edge di relazioni all'interno del social network, basato su post e commenti di gradimento e commenti sui post guardando due colonne all'interno del set di dati. La prima colonna contiene l'ID anonimo della persona che effettua il post, mentre la seconda colonna contiene l'ID anonimo della persona che gradise o commenta il post.Creare quindi un elenco di vertici di tutte le persone del gruppo convertendo le due colonne nell'elenco delle relazioni in un'unica colonna e rimuovendo tutti gli ID anonimi duplicati, in modo da lasciare solo l'ID anonimo univoco. Utilizzando il frame di dati del grafico e ottenere funzioni di adiacenza nel pacchetto igraph, create oggetti matrice grafico e grafico dagli elenchi di spigoli e vertici. Quindi, utilizzare le funzioni di laurea e betweenness dal pacchetto igraph, per ottenere la laurea di rete e le statistiche di betweenness del gruppo online.Per condurre un'analisi linguistica informatizzata nel software Linguistic Inquiry Word Count, esportare i dati testuali dei social media e pubblicare la colonna ID commento in file CSV. Importare i file CSV dei dati testuali dei social media nel software Linguistic Inquiry Word Count o LIWC, facendo clic su analizza testo, file CSV di Excel e la colonna contenente i post e i commenti per selezionare il testo da analizzare. Dopo che LIWC ha completato l'analisi dei dati testuali, salvare l'output come nuovo file CSV.Importare il file CSV dei risultati LIWC in R e unire i risultati con i dati esistenti. I dati verranno abbinati alla colonna ID post commento, presente sia in LIWC che nei frame di dati esistenti. Calcola i punteggi LIWC totali per ogni utente in post e commenti e unisci questi punteggi ai dati di conservazione.Calcola i punteggi LIWC totali per ogni utente in tutti i post testuali e i dati combinati dei commenti e unisci questi punteggi ai dati di conservazione. Quindi, rimuovere qualsiasi analisi di rete dal frame dei dati di conservazione. Per determinare se gli indicatori di coinvolgimento con la comunità online prevedono la conservazione nel programma di ripristino offline, utilizzare la funzione messaggistica istantanea in base R per condurre l'analisi di regressione lineare dei dati di conservazione come variabile dipendente e le categorie LIWC, i commenti, i Mi piace dei post e i Mi piace dei commenti come variabili indipendenti.Quindi, combinare i risultati dell'analisi di regressione in un unico frame di dati. Per creare una mappa di analisi mensile dei social network, prepara i frame di dati per le mappe di analisi dei social network e crea un elenco di edge basato sull'attività mensile cumulativa dei social media. Crea un elenco di vertici basato sull'attività mensile cumulativa dei social media e crea grafici e matrici di grafici in base all'attività mensile cumulativa dei social media.Imposta il layout delle mappe di analisi dei social network in base all'attività cumulativa dei social media e aggiungi colori in base ai ruoli utente. Quindi, crea mappe di analisi dei social network e salva le mappe in un file. Per il calcolo dell'attività mensile cumulativa sui social media del gruppo di social media, calcola l'attività mensile cumulativa dei social media da parte dello staff, dei clienti e di altri membri del gruppo di social media.Quindi, calcola l'attività mensile cumulativa dei social media da parte di tutti i membri del gruppo di social media e unisciti ai dati mensili cumulativi delle attività dei social media. Qui viene mostrata una rappresentazione visiva del social network e la sua evoluzione su un periodo di otto mesi sotto forma di connessioni tra tutti i partecipanti alla comunità online. Il numero di connessioni che un agente nella rete ha determina quanto saranno centrali nel social network.Questi risultati rappresentativi supportano l'argomentazione secondo cui le interazioni sociali complessive e positive tra i membri di una comunità di recupero online sostengono il processo di recupero. I livelli di coinvolgimento dei partecipanti con la community online vengono misurati calcolando i contributi di tutti i partecipanti alla comunità online come il numero di post, commenti e Mi piace fatti dallo staff, dai clienti e dai membri più ampi della community. Come mostrato dai risultati, in questa analisi, i livelli di interazione online e convalida in gruppo, come riflesso dal numero di Mi piace ricevuti per post e commenti, prevedono la conservazione del programma.La conservazione del programma è prevista anche dai marcatori di identificazione, come catturato dall'uso del pronome che abbiamo nei post, e dalle parole di realizzazione sia nei post che nei commenti. Infine, dove i partecipanti si trovano all'interno del social network rappresenta anche un importante aspetto della fidelizzazione. Quando si utilizza questo approccio, dobbiamo ricordare che questo è solo un modo per catturare i processi psicologici nelle comunità online.Idealmente è necessario accedere anche ad altre origini dati. Questo metodo può essere adattato per indagare le interazioni sociali online in altri tipi di comunità online, inclusi forum online, gruppi di discussione, chat room e così via.

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

Preferenza Grasso: un modello Novel of Eating Comportamento in Rats

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 ...

Ricerca

Comportamento

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

Misurazione neurale e comportamentale attività durante le interazioni sociali in corso computerizzati: Un esame di potenziali cerebrali-evento correlato

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

Metodi per test visivo attenzione 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

The Hole Consiglio Modified - Behavior, Cognition e l&#39;interazione sociale in topi e ratti di misura

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

Valutazione della cognizione sociale in primati non umani Uso di una rete di computerizzato Automated Learning dispositivo Systems (ALDM) prova

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

La dimensione sociale dello stress: manipolazioni sperimentali di sostegno sociale e identità sociale nella Trier Social Stress Test

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

Una guida visiva per studiare le difese del comportamento patogeno attacca in formiche tagliafoglie

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

Usando l'elettromiografia facciale per valutare le reazioni del muscolo facciale tatto affettiva esperto e osservati in esseri umani

"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

Un approccio di Machine Learning alla progettazione di uno screening selettivo efficiente di un lieve danno cognitivo

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

Stimolazione transcranica di direct current per i giocatori online

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