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

Vi er takknemlige til kunder og ansatte i Jobs, venner og hus, Storbritannia, som støttet og avtalt å delta i vår forskning.

Forskningen som beskrives her, ble godkjent av forskningsetikk miljøet ved Sheffield Hallam University.
1. oppsett
Merk: Vennligst referer til vedlagt R script levert som supplerende fil 1.
<ol><li>Last inn nødvendige pakker (Rfacebook9, dplyr10, igraph11og Openxlsx12) i R. Packages referer til funksjoner, datasett eller kompilert kode som gjør det mulig for brukere å analysere, transformere eller trekke ut data.</li>
	<li>Last (ekstern) oppbevaring og bruker data til R som en data ramme fra en CSV-fil. Merk: oppbevaring data refererer til antall dager en klient deltar i frakoblet (tradisjonell) avhengighet Recovery program. Det ble gitt av administratoren av (offline) Recovery program som er registrert på en CSV-fil med deltakernavn og antall dager de har vært involvert i programmet. Deltakernavnet ble erstattet med det anonyme ID-nummeret før det ble importert til R.</li>
</ol>2. data utvinning fra nettsamfunnet (den sosiale siden av en avhengighet utvinning samfunnet)
Merk: denne protokollen gjelder for en sosial media side, men det kan tilpasses ulike typer nettsamfunn. I tilfelle av Rfacebook pakken, tillater det brukeren å trekke ut data fra sosiale medier siden til R.
<ol><li>Opprett en tilgangskode for sosiale medier (Facebook) ved å følge veiledningen på det refererte webområdet13.</li>
	<li>Opprett tilgangsmerke i R.</li>
	<li>Bruke "getGroup"-funksjonen fra Rfacebook, trekke ut data fra sosiale medier siden av fellesskapet av interesse (f. eks innholdet i innlegget, antall kommentarer og liker for hvert innlegg, et unikt ID-nummer for hvert innlegg, etc.). Disse dataene lagres deretter som en data ramme. Merk: en data ramme er egentlig en tabell i R som brukes til å lagre data.</li>
	<li>Bruke "getPosts"-funksjonen fra Rfacebook, sammen med post-IDer utdraget i trinn 2,3, trekke ut data om innlegg liker gjort på siden.</li>
	<li>Bruke "getPosts"-funksjonen fra Rfacebook, sammen med post-IDer utdraget i trinn 2,3, trekke ut data på kommentarer på hvert innlegg (f. eks bruker-IDer av mennesker kommenterer innlegget, da kommentaren ble gjort, hvor mange liker innlegget mottatt). Disse dataene lagres deretter som en data ramme.</li>
	<li>Bruke kommentaren IDer ekstrahert i trinn 2,5, trekke ut data på "kommentar liker" laget på hvert innlegg (f. eks bruker-IDer av folk som liker kommentar). Disse dataene lagres deretter som en data ramme.</li>
	<li>Kombiner innleggene, innlegget liker, kommentarer og kommentar liker data i én data ramme.</li>
	<li>Legg til en månedlig analyse (dvs. måned 1 til 8).</li>
</ol>3. beregning av sosiale medier aktivitet gjort og mottatt av hver klient
<ol><li>Beregn antall innlegg, kommentarer, innlegg liker og kommentere liker laget av hver klient.</li>
	<li>Beregn antall innlegg, kommentarer, innlegg liker og kommentar liker mottatt av hver klient.</li>
	<li>Bli med i data RAM men for aktiviteter i sosiale medier som er gjort og mottatt av hver klient til data RAM men for oppbevaring.</li>
	<li>Beregn forskjellen mellom innlegg og kommentarer med likerklikk og ingen likerklikk.</li>
	<li>Beregn forskjellen mellom innlegg med kommentarer og ingen kommentarer.</li>
	<li>Bli den liker forskjellen data til oppbevaring data.</li>
	<li>Bli med kommentarer forskjellen data til oppbevaring data.</li>
	<li>Beregn alle liker laget av hver klient.</li>
	<li>Beregn alle likerklikk som mottas av hver klient.</li>
	<li>Identifiser hvilke brukere som ikke deltok i gruppen for sosiale medier (dvs. ingen aktivitet).</li>
</ol>4. gjennomføre sosiale nettverk analyse
<ol><li>Opprett en kant liste. En kant liste er en liste over relasjoner i det sosiale nettverket, som i dette tilfellet er basert på 1) liking innlegg og kommentarer og 2) kommenterer innlegg. Dette gjøres ved å se på to kolonner i datasettet. Den første kolonnen inneholder anonyme ID til personen som gjør innlegget, mens den andre inneholder anonyme ID til personen liking eller kommenterer på innlegget.</li>
	<li>Opprett en toppunkt liste. En toppunkt liste er en liste over alle personene i gruppen. Dette gjøres ved å konvertere de to kolonnene i listen over relasjoner til én kolonne, og fjerne dupliserte anonyme IDer slik at bare den unike anonyme IDen er igjen.</li>
	<li>Bruke "Graph. data. Frame" og "Get. tilstøtende" funksjoner i igraph pakken, opprette graf og graf matrise objekter fra kanten og Vertex lister.</li>
	<li>Bruke "grad" og "betweenness" funksjoner fra igraph pakken, få nettverksstatistikk (grad og betweenness) av online-gruppen.</li>
</ol>5. gjennomføre datastyrte språklige analyse i LIWC
<ol><li>Eksportere tekstlig sosiale medier data (dvs. innlegg og kommentarer) og post/kommentar ID kolonne i CSV-filer.</li>
	<li>Importer CSV-filer av tekstlig sosiale medier data inn i språklige Inquiry ord Count (LIWC) programvare.</li>
	<li>Generer LIWC-kategorier og lagre til nye CSV-filer. Gjør dette ved å klikke på "analyser tekst", deretter på "Excel/CSV-fil", og klikke på kolonnen som inneholder innlegg og kommentarer for å velge teksten som skal analyseres. Når LIWC er ferdig med å analysere tekstdataene, lagrer du utdataene som en ny CSV-fil.</li>
	<li>Importer CSV-filen for LIWC-resultater til R, og Flett med eksisterende data. Dataene er matchet av kolonnen post/kommentar-ID, som finnes i både LIWC og eksisterende datarammer.</li>
	<li>Beregn total LIWC score for hver bruker i innlegg og kommentarer, og deretter bli med til oppbevaring av data.</li>
	<li>Beregn total LIWC score for hver bruker i alle tekstdata (post og kommentarer kombinert), og deretter bli med til oppbevaring av data.</li>
	<li>Fjern NAs-en fra data RAM men for oppbevaring.</li>
</ol>6. gjennomføre regresjonsanalyse (for å avgjøre om indikatorer for engasjement med felleskapet forutsi oppbevaring i frakoblet Recovery program)
<ol><li>Definer de uavhengige variablene.</li>
	<li>Bruk "lm"-funksjonen i Base R, Utfør lineær regresjonsanalyse ved hjelp av bevarings dataene som den avhengige variabelen, og LIWC-kategorier, kommentarer, innleggs likerklikk og kommentar liker som uavhengige variabler.</li>
	<li>Kombiner resultater av regresjonsanalyse til én data ramme.</li>
</ol>7. opprette månedlige SNA kart
<ol><li>Klargjør datarammer for SNA-kart.</li>
	<li>Opprett en kant liste basert på månedlig kumulativ aktivitet på sosiale medier.</li>
	<li>Opprett en toppunkt liste basert på månedlig kumulativ aktivitet på sosiale medier.</li>
	<li>Lag grafer og graf matriser basert på månedlige kumulative sosiale medier aktivitet.</li>
	<li>Angi oppsettet for SNA-tilordninger basert på kumulativ aktivitet på sosiale medier.</li>
	<li>Legg til farger basert på brukerroller.</li>
	<li>Opprett SNA-tilordninger, og lagre dem i en fil.</li>
</ol>8. beregning av månedlige kumulative sosiale medier aktivitet av sosiale medier gruppen
<ol><li>Beregn månedlige kumulative sosiale medier aktivitet av ansatte, kunder og andre medlemmer av sosiale medier gruppen.</li>
	<li>Beregn månedlige kumulative sosiale medier aktivitet av alle medlemmer av sosiale medier gruppen.</li>
	<li>Bli med i den månedlige kumulative aktivitetsdata RAM men for sosiale medier sammen.</li>
</ol>

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

Forfatterne har ingenting å avsløre.

Tilnærmingen er beskrevet her er basert på en ny metode for å måle hvordan online gruppeprosesser kan påvirke oppbevaring i en avhengighet Recovery program. Bruke denne metoden til en online fellesskap av utvinning fra avhengighet, ble det funnet at det var fire viktige aspekter spådd program oppbevaring: å være svært involvert i nettsamfunn, å være sentral i online sosiale nettverk, positiv innvirkning uttrykt i kommunikasjon med andre medlemmer av nettsamfunnet, og motta validering fra andre for bidrag til nettverket14. Funnene som oppnås ved hjelp av denne metoden støtter eksisterende teoretiske modeller for utvinning. Det vil si, to viktige modeller i utvinningen litteraturen, den sosiale Identity modell av Recovery15 og den sosiale identitet modell av opphør vedlikehold16, både understreke viktigheten av aktiv deltakelse i grupper som støtter Utvinning. Begge modeller tyder på at økt identifisering og engasjement for slike grupper bidrar til å redusere fremtidig kontakt med bruk av grupper og påfølgende tilbakefall.
Som illustrert i forskningen vår, metoden tillot oss å kartlegge baner av utvinning eller endring av individuelle medlemmer av nettsamfunnet14. Visualiseringer av online sosiale nettverk og deres evolusjon over tid kan gi verdifull informasjon om bevegelse av medlemmer av nettsamfunnet fra periferien til midten av nettverket og vice-versa (disse bevegelsene i nettverket indikerer endringer i engasjementsnivåer med nettsamfunnet). I en 2017 studie14, intervjuer med medlemmer av nettsamfunnet som foretok de mest betydelige endringer i form av bevegelse fra periferien til midten av nettverkene ble gjennomført som en måte å triangulating våre funn basert på SNA, datastyrt språklig analyse og regresjon mot oppbevarings data. Fremtidige studier kan i stedet fokusere på de medlemmene som ble frikoplet til felleskapet, på de som aldri blir forlovet, eller på mer direkte tiltak for utfall som substans bruk og reoffending. Denne metodikken kan videre finjusteres til å brukes i intervensjon programmer, for eksempel for å vurdere rollen som moderatorer i hjelpe fora.
Det er for tiden ingen studier som gir bevis på fordelene ved metoden som er beskrevet her når de brukes av seg selv (metoden beskrevet ble brukt i forbindelse med oppbevaring av data og triangulated med kvalitative data fra intervjuer med viktige nettsamfunn medlemmer14), men denne tilnærmingen kan gi nøyaktige og bias-fri data som kan utfylle selv-rapportering og andre tiltak i studier av avhengighet utvinning.
Denne metoden ble brukt til å undersøke online sosiale interaksjoner i sammenheng med en sosial media side etablert som en komplementær form for støtte til en standard, ansikt-til-ansikt Recovery program. Men med mindre endringer, kan metoden brukes til å undersøke online sosiale interaksjoner i andre typer nettsamfunn (online fora, diskusjonsgrupper, chatterom, kommentarer nettsteder, etc.). En av de viktigste fordelene med denne metoden er at det kan tilpasses og brukes til sammenhenger utover samfunn av avhengighet utvinning til ethvert nettsamfunn. For eksempel, i vår egen politisk psykologi forskning, bruker vi en lignende metode (utviklet fra metoden beskrevet her) for å fange kvaliteten på online interaksjoner og endringer i disse interaksjoner mellom medlemmer av ytre høyre nettsamfunn. I praksis kan metoden brukes på alle nettsamfunn der data i form av forbindelser mellom medlemmer (som sosiale nettverk sammenhengene) og språklig innhold kan trekkes ut.
Men i å få tilgang til og arbeide med elektroniske data, forskere må være klar over etiske problemstillinger, noen som gjelder for egen rapportering og andre typer data generelt og noen som bare er oppstått i et nettbasert miljø. I forskningen som er beskrevet her (som ble godkjent av forskningsetikk samfunnet ved Sheffield Hallam University), ble samtykke innhentet fra organisasjonen administrere utvinning programmet, og strenge tiltak ble tatt for å sikre fullstendig anonymitet av deltakerne i den åpne sosiale medier siden (f. eks, etter online og oppbevaring data matching, alle identifiserende informasjon ble fjernet fra filene og heller ikke potensielt selv identifisering sitater ble brukt fra offentlig tilgjengelig online kommunikasjon).
Tett kommunikasjon med organisasjonen sørget også for at deltakerne i programmet var klar over studien og forskningsresultater, og en av forskerne møttes regelmessig med gruppen for å forklare studien og dens resultater. I andre tilfeller, men der nettsamfunn ikke er knyttet til bestemte offline programmer, kan det være vanskeligere å avgjøre hvem som bør bli bedt om samtykke vedrørende data utvinning (gjelder spesielt i umoderert fora, hvor folk i utvinningen søker online Peer support). Mens de generelle prinsippene for etisk forskning vil gjelde, må forskerne vedta en sak-til-sak tilnærming for å sikre at utvinning og analyse av elektroniske data ikke utgjør noen betydelig risiko for deltakerne (for eksempel kompromittere personvernet).

Den presenterte metoden er designet for å fange alkohol og andre rusmidler (AOD) avhengighet utvinning kapital i online sammenhenger. Innen avhengighet, har utvinning kapital er definert som "summen av ens ressurser som kan bringes til å bære på initiering og vedlikehold av rusmisbruk opphør"1. Recovery kapital har hovedsakelig blitt målt gjennom selv-rapporter2,3 i ansikt-til-ansikt sammenhenger. Denne tilnærmingen gir en alternativ metode for å måle gjenvinnings kapital i online sammenhenger ved å fange kvaliteten og mengden av online interaksjoner i nettsamfunn av utvinning.
Gitt den stadige økningen i bruken av elektroniske ressurser i form av peer-støtte i en rekke helserelaterte spørsmål4,5, er det nødvendig å utvikle nye metoder for å fange kvaliteten på disse ressursene. Online peer support oppstår i form av sosiale interaksjoner i online fora og lokalsamfunn. Støttende sosiale interaksjoner i disse online sammenhenger bidra til å bygge utvinning kapital, som igjen har en positiv innvirkning på utvinning prosessen6,7. Metoden foreslått presenterer en rekke fordeler fremfor alternative metoder. For det første overvinner det noen av begrensningene som involverer bruk av egen rapport tiltak i avhengighet forskning, spesielt rundt tilbakekalling og selv-presentational fordommer. Selv rapport tiltak anses å ha fornuftige nivåer av pålitelighet og gyldighet, de er mottakelige for fordommer og unøyaktigheter. For å forbedre nøyaktigheten og minimere bias, har det blitt anerkjent at det er behov for å øke bruken av romanen tiltak og datainnsamling situasjoner utformet for å unngå eller minimere disse problemene8. Ved å få tilgang til data naturlig forekommende i sammenhenger der folk i ulike stadier av utvinningen samhandle spontant, og ved hjelp av analysemetoder som kan trekke meningsfull informasjon fra disse dataene (i stand til å fange indikatorer av psykologiske tilstander), fordommer på grunn av sosiale ønskeligheten (selv presentational) og unøyaktigheter på grunn av begrensninger i tilbakekalling kan reduseres eller elimineres. Dernest er denne metoden svært effektiv og kostnadseffektiv, som det er avhengig av utvinning av allerede eksisterende elektroniske data (dvs. i åpne online fora som er offentlig tilgjengelig).
Beskrevet neste er metoden som ble brukt på en studie av bygningen utvinning kapital i et nettsamfunn etablert for å utfylle en tradisjonell, ansikt-til-ansikt avhengighet Recovery program for rusavhengige i tidlig utvinning etapper. I dette tilfellet online (sosiale medier) data ble knyttet til programmet oppbevaring av data, men metoden kan også brukes i tilfeller der koblings data ikke er tilgjengelig eller tilgjengelig.

<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

Artikkelen beskriver en ny metodikk utformet med sikte på å finne en omfattende, diskret og nøyaktig måte å fange sosial gjenoppretting kapital utvikling i nettsamfunn for utvinning fra alkohol og narkotika (AOD) avhengighet. Recovery kapital ble tjenestebaserte som både engasjement i online utvinning samfunnet og identifisering med samfunnet. For å måle utvinning kapital utvikling, naturlig forekommende data ble Hentet fra sosiale medier siden av et bestemt gjenopprettings program, med siden blir satt opp som en ressurs for en ansikt-til-ansikt Recovery program. For å kartlegge engasjementet med nettsamfunnet, ble analyse av sosiale nettverk (SNA) med å fange online sosial interaksjon utført. Sosial interaksjon ble målt gjennom sammenhengene mellom online bidragsytere/medlemmer av nettsamfunnet som representeres av program klienter, ansatte og støttespillere fra det bredere samfunnet. Å fange markører for sosial identifisering med nettsamfunnet, datastyrte språklige analyse av tekstdata (innhold fra innlegg og kommentarer) ble gjennomført. Gjenopprettings kapitalen som ble tatt opp på denne måten, ble analysert mot oppbevarings data (en indikator for proxy-utfall), som dager tilbrakt i gjenopprettingsprogrammet (ansikt-til-ansikt). Den elektroniske data ekstrahert var knyttet til deltaker data i forhold til programmet oppbevaring for å teste prediksjon av en nøkkel utvinning utfall. Denne tilnærmingen tillot undersøkelse av rollen til online støtte samfunn og vurdering av foreningen mellom utvinning kapital (utviklet via online fellesskap av utvinning) og utvinning utfall.

En detaljert beskrivelse av representative resultater oppnås ved hjelp av denne metoden kan finnes i våre siste arbeid14, som ble gjennomgått og fått full godkjenning fra forskningsetikk komité av institusjonen der forskningen ble gjennomført. I rapporten beskrevet her, undersøkelsen undersøkt om online deltakelse i et fellesskap av utvinning bidrar til utvinning prosessen gjennom utvinning kapital bygning (som fanges opp av økte nivåer og kvaliteten på online sosiale interaksjoner og positiv identitets utvikling). Med andre ord, undersøkt undersøkelsen om indikatorer for online Recovery kapital utviklet seg over åtte måneder av online data vurdert og også spådd oppbevaring i en frisk program designet for å fremme samfunnsengasjement for rusavhengige i tidlige stadier av Utvinning.
For å kartlegge hvordan deltakere samhandler på nettet, ble analyse av sosiale nettverk (SNA) ved hjelp av data som ble Hentet fra siden for sosiale medier (n = 609) av et gjenopprettings fellesskap, utført. En visuell representasjon av det sosiale nettverket og dens evolusjon er presentert i figur 1. Figuren illustrerer aktiviteten i nettsamfunnet observert hver måned for en periode på 8 måneder i form av forbindelser mellom alle deltakerne i nettsamfunnet (dvs. kommenterer innlegg, liking innlegg, og liking kommentarer). Antallet tilkoblinger som en «agent» i nettverket har, bestemmer hvor sentralt de vil være i det sosiale nettverket. Datastyrt språklige analysen ble brukt til å vurdere tekstlig data (fange sosial identitet markører), og lineær regresjonsanalyse ble gjennomført for å fastslå om indikatorene for utvinning kapital spådd programmet oppbevaring. Disse analysene indikerte at programmet oppbevaring ble faktisk spådd av: (a) nivåer av gruppe validering mottatt i form av kommentar liker og alle liker mottatt på sosiale medier siden, (b) posisjon i det sosiale nettverket (nettverk sentralitet), og (c) gruppe identitet og prestasjon (som fanges opp av språklig innhold av online kommunikasjon). Resultatene støttet argumentet om at, samlet, positive sosiale interaksjoner mellom medlemmer av en online Recovery samfunnet er støttende til utvinning prosessen. En oppsummering av disse funnene er presentert nedenfor.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/58851/58851fig1.jpg"> Figur 1: månedlige representasjoner av det sosiale nettverket av nettsamfunnet over 8 måneder tyder på endringer i mønsteret av sosiale interaksjoner mellom deltakerne. Disse representasjoner illustrerer hvordan i starten, de fleste av klient medlemmer i nettsamfunnet (klienter av offline Recovery program) er for det meste frakoblet, og det er programmet ansatte og bare et lite antall klienter som driver nettaktiviteten. Men dette gradvis endres, slik at etter 8 måneder, klientene er de mest tilkoblede (derfor den mest sentrale), med det høyeste antall tilkoblinger i nettverket (tallet er tilpasset fra en tidligere publikasjon)14. <a href="https://www.jove.com/files/ftp_upload/58851/58851fig1large.jpg" target="_blank">Vennligst klikk her for å se en større versjon av dette tallet.</a>
Beskrivende statistikk
Deltakernes nivåer av engasjement i felleskapet ble målt ved å beregne bidragene fra alle deltakerne i felleskapet som antall innlegg, kommentarer og likerklikk gjort av ansatte, kunder og bredere medlemmer av fellesskapet. Tabell 1 viser en analyse etter type bidrag (som er gjort av hver deltaker kategori) over 8 måneder.
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody>
<tr>
<td>Gruppemedlemmer</td>
			<td>Type elektronisk bidrag</td>
			<td>Måned 1</td>
			<td>Måned 2</td>
			<td>Måned 3</td>
			<td>Måned 4</td>
			<td>Måned 5</td>
			<td>Måned 6</td>
			<td>Måned 7</td>
			<td>Måned 8</td>
		</tr>
<tr>
<td rowspan="3">Alle</td>
			<td>Innlegg og kommentarer</td>
			<td>382</td>
			<td>388 (770)</td>
			<td>579 (1349)</td>
			<td>369 (1718)</td>
			<td>530 (2248)</td>
			<td>581 (2829)</td>
			<td>796 (3625)</td>
			<td>674 (4299)</td>
		</tr>
<tr>
<td>Post liker gitt</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 liker gitt</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">Personalet</td>
			<td>Innlegg og kommentarer</td>
			<td>129</td>
			<td>106 (235)</td>
			<td>170 (405)</td>
			<td>96 (501)</td>
			<td>185 (686)</td>
			<td>176 (862)</td>
			<td>227 (1089)</td>
			<td>316 (1405)</td>
		</tr>
<tr>
<td>Post liker gitt</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 liker gitt</td>
			<td>168</td>
			<td>303 (471)</td>
			<td>237 (708)</td>
			<td>69 (777)</td>
			<td>168 (945)</td>
			<td>303 (1248)</td>
			<td>237 (1485)</td>
			<td>69 (1554)</td>
		</tr>
<tr>
<td rowspan="3">Klienter</td>
			<td>Innlegg og kommentarer</td>
			<td>145</td>
			<td>155 (300)</td>
			<td>214 (514)</td>
			<td>132 (646)</td>
			<td>208 (854)</td>
			<td>286 (1140)</td>
			<td>419 (1559)</td>
			<td>253 (1812)</td>
		</tr>
<tr>
<td>Post liker gitt</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 liker gitt</td>
			<td>143</td>
			<td>318 (461)</td>
			<td>235 (696)</td>
			<td>33 (729)</td>
			<td>143 (872)</td>
			<td>318 (1190)</td>
			<td>235 (1425)</td>
			<td>33 (1458)</td>
		</tr>
<tr>
<td>Andre</td>
			<td>Innlegg og kommentarer</td>
			<td>108</td>
			<td>127 (235)</td>
			<td>195 (430)</td>
			<td>141 (571)</td>
			<td>137 (708)</td>
			<td>119 (827)</td>
			<td>150 (977)</td>
			<td>105 (1082)</td>
		</tr>
<tr>
<td></td>
			<td>Post liker gitt</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 liker gitt</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>Tabell 1: vist er antall online bidrag etter type (post og kommentarer, liker gitt til innlegg, og liker gitt til kommentarer) av medlemmer av nettsamfunnet på tvers av 8 måneder. Medlemmene av nettsamfunnet er klassifisert som ansatte (støttepersonell ansatt av offline Recovery program), klienter (personer i gjenopprette som deltar i frakoblet Recovery program), og andre (støttespillere og Pro-utvinning talsmenn fra bredere fellesskap).
Faktorer for oppbevaring i programmet
Følgende hypoteser ble testet: (1) program oppbevaring skal være assosiert med indikatorer på utvinning kapital utvikling (dvs. reflektert i kvantitet og kvalitet på online interaksjon), og (2) program oppbevaring bør også være assosiert med indikatorer for identitets endring, (dvs. indikatorer på positiv gjenoppretting identitet utvikling). Antall online interaksjon ble indikert av a) antall innlegg gjort, b) antall kommentarer, c) antall innlegg mottatt, d) antall kommentar liker mottatt, og e) antall alle liker mottatt.
For å fastslå kvaliteten på elektronisk samhandling, ble nettverksstruktur og språk innhold analysert. Mer spesifikt, grad og betweenness koeffisienter avledet fra sosiale nettverk analyse (SNA) og språklige indikatorer på positive konsekvenser avledet fra datastyrt språklige analysen ble brukt. Som indikatorer på positiv identitets endring (som identifisering med utvinning samfunnet) hyppigheten av bruk av pronomen "vi" og prestasjon ord (f. eks prøve, mål, seier, etc.) ble brukt. Til slutt, den avhengige variabelen (oppbevaring i programmet) ble indikert av det totale antall dager tilbrakt i programmet (fra 86 til 464 dager her). Som vist av resultatene, nivåer av elektronisk samhandling og in-Group validering (som gjenspeiles av antall liker mottatt for innlegg og kommentarer) spådde program oppbevaring (tabell 2). Program oppbevaring ble også spådd av identifisering markører (som fanget ved bruk av pronomen "vi" i innlegg og prestasjon ord i både innlegg og kommentarer). Til slutt, der deltakerne ligger innenfor det sosiale nettverket (dvs. grad av sentralitet) representerer også en viktig del av oppbevaring (tabell 2).
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody>
<tr>
<td>Variabel</td>
			<td>B</td>
			<td>SE</td>
			<td>β</td>
			<td>R2</td>
		</tr>
<tr>
<td>Kommentar liker mottatt</td>
			<td>0,43</td>
			<td>0,18</td>
			<td>.47*
</td>
			<td>0,22</td>
		</tr>
<tr>
<td>Likerklikk mottatt (alle)</td>
			<td>0,08</td>
			<td>0,03</td>
			<td>.43*
</td>
			<td>0,18</td>
		</tr>
<tr>
<td>Kommentar-lignende forskjell</td>
			<td>1,09</td>
			<td>0,5</td>
			<td>.43*
</td>
			<td>0,19</td>
		</tr>
<tr>
<td>Nettverk grad</td>
			<td>0,01</td>
			<td>0</td>
			<td>.43*
</td>
			<td>0,18</td>
		</tr>
<tr>
<td>LIWC vi (post)</td>
			<td>3,89</td>
			<td>1,76</td>
			<td>.43*
</td>
			<td>0,19</td>
		</tr>
<tr>
<td>LIWC prestasjon (post)</td>
			<td>0,56</td>
			<td>0,26</td>
			<td>.43*
</td>
			<td>0,18</td>
		</tr>
<tr>
<td>LIWC prestasjon (alle)</td>
			<td>0,14</td>
			<td>0,07</td>
			<td>.42*
</td>
			<td>0,17</td>
		</tr>
</tbody></table>Tabell 2: oppbevaringstid som anslått av elektronisk engasjement, nettverksstatistikk og språklige kategorier.

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

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

Artikkelen beskriver en ny tilnærming for å analysere dynamiske online sosiale interaksjoner (i en online sammenheng) er et forbilde på en studie av et nettsamfunn av utvinning fra alkohol og narkotikaavhengighet.

Integrering datastyrt språklige og sosiale nettverk analyser for å Capture Addiction Recovery Capital i et online community

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

Vår protokoll gir en omfattende, diskret og nøyaktig måte å beskrive hvordan folk kan engasjere seg i nettsamfunn mens de gjenoppretter fra narkotika- og alkoholavhengighet. Denne teknikken går utover den selv rapporterte tilnærmingen som har blitt brukt i tidligere studier, slik at vi kan måle mer implisitte markører for utvinning. Før du begynner uttrekkingen, laster du inn de nødvendige funksjonene, datasettene eller kompilerte kodene som lar brukere analysere, transformere eller trekke ut data i R, og laste inn eksterne oppbevarings- og brukerdata i R, som en dataramme fra en CSV-fil.Når alle pakkene er lastet inn, bruker du get group-funksjonen fra R Facebook til å trekke ut data fra sosiale medier-siden i interessefellesskapet, og lagre dataene som en dataramme. Ved hjelp av get posts-funksjonen fra R Facebook, sammen med de nettopp utpakkede innleggs-IDene, trekker du ut dataene om innleggslignende som er gjort på siden. Ved hjelp av funksjonen hent innlegg fra R Facebook og de utpakkede innleggs-IDene, trekk ut data om kommentarene på hvert innlegg, og lagre disse dataene som en dataramme.Bruk kommentar-ID-ene til å trekke ut data om kommentarlignende som er gjort på hvert innlegg, og lagre disse dataene som en dataramme. Deretter kombinerer du innleggene, innleggs liker, kommentarer og kommentarer liker data i én dataramme, og legger til en månedlig analyse. Hvis du vil beregne aktiviteten på sosiale medier som er gjort og mottatt av hver klient, beregner du antall innlegg, kommentarer, innleggs liker og kommentar liker som er gjort av hver klient, og antall innlegg, kommentarer, innleggs liker og kommentar liker mottatt av hver klient.Bli med i datarammen for aktiviteten på sosiale medier som er gjort og mottatt av hver klient, til oppbevaringsdatarammen, og beregn forskjellen mellom innlegg og kommentarer med liker og ingen liker, og forskjellen mellom innlegg med kommentarer og ingen kommentarer. Sammenføyningsdataene for liker forskjell til oppbevaringsdataene, og merknadsforskjellsdataene til oppbevaringsdataene. Beregn alle liker som er gjort av hver klient, og alle liker mottatt av hver klient.Deretter kan du identifisere hvilke brukere som ikke deltok i gruppen på sosiale medier. For å gjennomføre en analyse av sosiale nettverk oppretter du en kantliste over relasjoner i det sosiale nettverket, basert på å like innlegg og kommentarer og kommentere innlegg ved å se på to kolonner i datasettet. Den første kolonnen inneholder den anonyme ID-en til personen som lager innlegget, mens den andre kolonnen inneholder den anonyme ID-en til personen som liker eller kommenterer innlegget.Deretter oppretter du en toppunktliste over alle personene i gruppen ved å konvertere de to kolonnene i listen over relasjoner til én kolonne og fjerne eventuelle dupliserte anonyme ID-er, slik at bare den unike anonyme IDen er igjen. Bruk grafdatarammen og få tilstøtende funksjoner i igraph-pakken, opprett graf- og grafmatriseobjekter fra kant- og toppunktlistene. Deretter bruker du grads- og mellomfunksjonene fra igraph-pakken, for å få nettverksgrad og mellomhetsstatistikk for nettgruppen.For å utføre en datastyrt språklig analyse i Linguistic Inquiry Word Count-programvaren, eksporter du tekstlige data for sosiale medier og legger inn kommentar-ID-kolonnen til CSV-filer. Importer CSV-filene til de tekstlige sosiale mediedataene til Linguistic Inquiry Word Count eller LIWC-programvaren, ved å klikke analyser tekst, Excel CSV-fil og kolonnen som inneholder innleggene og kommentarene for å velge teksten som skal analyseres. Når LIWC er fullført med å analysere tekstdata, lagrer du utdataene som en ny CSV-fil.Importer CSV-filen for LIWC-resultater til R, og slå sammen resultatene med eksisterende data. Dataene vil bli matchet av postkommentar-ID-kolonnen, som finnes i både LIWC og de eksisterende datarammene. Beregn de totale LIWC-poengsummene for hver bruker i innlegg og kommentarer, og bli med i disse poengsummene til oppbevaringsdataene.Beregn de totale LIWC-poengsummene for hver bruker i alle de tekstlige innleggene og kommentarene kombinerte data, og bli med i disse poengsummene til oppbevaringsdataene. Deretter fjerner du alle nettverksanalyser fra datarammen for oppbevaring. Hvis du vil finne ut om indikatorer for engasjement med nettsamfunnet forutsi oppbevaring i frakoblet gjenopprettingsprogram, kan du bruke direktemeldingsfunksjonen i grunnleggende R til å gjennomføre lineær regresjonsanalyse av oppbevaringsdataene som den avhengige variabelen, og LIWC-kategoriene, kommentarer, innleggslignende og kommentar liker som uavhengige variabler.Deretter kombinerer du regresjonsanalyseresultatene til én dataramme. Hvis du vil opprette et månedlig analysekart for sosiale nettverk, klargjør du datarammer for analysekart for sosiale nettverk og oppretter en kantliste basert på den månedlige kumulative aktiviteten på sosiale medier. Opprett en toppunktliste basert på den månedlige kumulative aktiviteten på sosiale medier, og opprett grafer og grafmatriser basert på den månedlige kumulative aktiviteten på sosiale medier.Angi oppsettet for analysekart for sosiale nettverk basert på den kumulative aktiviteten på sosiale medier, og legg til farger basert på brukerrollene. Deretter oppretter du sosiale nettverksanalysekart og lagrer kartene i en fil. For beregning av den månedlige kumulative sosiale medier gruppen sosiale medier aktivitet, beregne den månedlige kumulative sosiale medier aktivitet av ansatte, klienter og andre medlemmer av sosiale medier gruppen.Deretter beregner du den månedlige kumulative aktiviteten på sosiale medier av alle medlemmene i gruppen på sosiale medier, og blir med i de månedlige kumulative aktivitetsdatarammene for sosiale medier sammen. Her vises en visuell representasjon av det sosiale nettverket og dens utvikling over en periode på åtte måneder i form av forbindelser mellom alle deltakerne i nettsamfunnet. Antall tilkoblinger som en agent i nettverket har, bestemmer hvor sentrale de vil være i det sosiale nettverket.Disse representative resultatene støtter argumentet om at generelle, positive sosiale interaksjoner mellom medlemmer av et online gjenopprettingssamfunn støtter gjenopprettingsprosessen. Deltakernes engasjementsnivå med nettsamfunnet måles ved å beregne bidragene fra alle deltakerne i nettsamfunnet som antall innlegg, kommentarer og liker som gjøres av de ansatte, klientene og bredere samfunnsmedlemmer. Som vist av resultatene, i denne analysen, nivåene av online interaksjon og in-group validering, som gjenspeiles av antall liker mottatt for innlegg og kommentarer, forutsi programmet oppbevaring.Program oppbevaring er også spådd av identifikasjon markører, som fanget ved bruk av pronomenet vi i innlegg, og av prestasjonsord i både innlegg og kommentarer. Til slutt, hvor deltakerne ligger i det sosiale nettverket representerer også et viktig aspekt ved oppbevaring. Når du bruker denne tilnærmingen, må vi huske at dette bare er én måte å fange psykologiske prosesser i nettsamfunn på.Ideelt sett bør andre datakilder også nås. Denne metoden kan tilpasses for å undersøke sosiale interaksjoner på nettet i andre typer nettsamfunn, inkludert nettfora, diskusjonsgrupper, chatterom og så videre.

Research

Education

JoVE Journal

JoVE Core

Social Psychology

Behavior

Foundations of Social Psychology

Group Dynamics

SCIENTISTS IN ACTION

Fat Preference: A Novel Model of Eating Behavior in Rats

Fat Preferanse: A Novel Model of Eating atferd i 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 ...

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

Måling Neural og Behavioral Aktivitet Under Pågående datastyrt sosiale interaksjoner: En Undersøkelse av event-relaterte Brain Potentials

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

Methods to Test Visual Attention Online

Metoder for å teste Visual Attention Online

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

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

Forandringer Hole Board - Måling Behavior, kognisjon og sosialt samspill i mus og rotter

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

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

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

Vurdering av Social Cognition i ikke-menneskelige primater Bruke et nettverk av datastyrt automatikk Learning Device (ALDM) Test Systems

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

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

Den sosiale dimensjonen av Stress: Eksperimentelle manipulasjoner av sosial støtte og sosial identitet i Trier sosialt 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

En visuell Guide for å studere atferdsmessige forsvar til patogen angrep i Leaf-kutting maurene

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

Bruke ansikts Elektromyografi å vurdere ansikts muskler reaksjoner til erfarne og observerte affektive Touch hos mennesker

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

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

En maskin lærings tilnærming for å designe en effektiv selektiv screening av mild kognitiv svekkelse

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

Transkraniell direkte nåværende stimulering for online Gamers

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