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

Agradecemos a los clientes y al personal de Jobs, Friends and Houses, Reino Unido, quienes apoyaron y aceptaron participar en nuestra investigación.

La investigación descrita aquí fue aprobada por la comunidad de ética de investigación en la Universidad Sheffield Hallam.
1. Configuración
NOTA: Consulte el script R adjunto proporcionado como Archivo complementario 1.
<ol><li>Cargar paquetes necesarios (Rfacebook9, dplyr10, igraph11y openxlsx12) en R. Los paquetes hacen referencia a funciones, conjuntos de datos o código compilado que permiten a los usuarios analizar, transformar o extraer datos.</li>
	<li>Cargar la retención (externa) y los datos de usuario en R como un marco de datos desde un archivo CSV. NOTA: Los datos de retención se refieren al número de días en los que un cliente participa en el programa de recuperación de adicciones fuera de línea (tradicional). Fue proporcionado por el administrador del programa de recuperación (offline) tal como se registró en un archivo CSV con el nombre del participante y el número de días que han estado involucrados en el programa. El nombre del participante fue reemplazado por el número de ID anónimo antes de ser importado en R.</li>
</ol>2. Extracción de datos de la comunidad en línea (la página social de una comunidad de recuperación de adicciones)
NOTA: Este protocolo se aplica a una página de redes sociales, pero se puede adaptar a diferentes tipos de comunidades en línea. En el caso del paquete Rfacebook, permite al usuario extraer datos de la página de redes sociales en R.
<ol><li>Cree un token de acceso a las redes sociales (Facebook) siguiendo la guía en el sitio web al que se hace referencia13.</li>
	<li>Cree el token de acceso en R.</li>
	<li>Usando la función "getGroup" de Rfacebook, extrae datos de la página de redes sociales de la comunidad de interés (por ejemplo, contenido de la publicación, número de comentarios y Me gusta para cada publicación, un número de identificación único para cada publicación, etc.). Estos datos se guardan como un marco de datos. NOTA: Un marco de datos es esencialmente una tabla dentro de R utilizada para almacenar datos.</li>
	<li>Usando la función "getPosts" de Rfacebook, junto con los Post IDs extraídos en el paso 2.3, extrae datos sobre mensajes como "me gusta" realizados en la página.</li>
	<li>Usando la función "getPosts" de Rfacebook, junto con los ID de publicación extraídos en el paso 2.3, extrae datos sobre los comentarios realizados en cada publicación (por ejemplo, ID de usuario de personas que comentan la publicación, cuándo se hizo el comentario, cuántos "le gusta la publicación recibida"). Estos datos se guardan como un marco de datos.</li>
	<li>Usando los ID de comentario extraídos en el paso 2.5, extrae datos sobre los "Me gusta de comentarios" realizados en cada publicación (por ejemplo, ID de usuario de personas que les gusta el comentario). Estos datos se guardan como un marco de datos.</li>
	<li>Combina las publicaciones, los Me gusta de publicaciones, los comentarios y los datos de Me gusta de comentarios en un marco de datos.</li>
	<li>Agregue un desglose mensual (es decir, el mes 1 al 8).</li>
</ol>3. Cálculo de la actividad de las redes sociales realizada y recibida por cada cliente
<ol><li>Calcula el número de publicaciones, comentarios, "me gusta" de publicaciones y "Me gusta" de comentarios realizados por cada cliente.</li>
	<li>Calcula el número de publicaciones, comentarios, "me gusta" de publicaciones y "me gusta" de comentarios recibidos por cada cliente.</li>
	<li>Unir el marco de datos de la actividad de redes sociales realizada y recibida por cada cliente en el marco de datos de retención.</li>
	<li>Calcula la diferencia entre publicaciones y comentarios con "me gusta" y sin "me gusta".</li>
	<li>Calcula la diferencia entre publicaciones con comentarios y sin comentarios.</li>
	<li>Unir los datos de diferencia de me gusta a los datos de retención.</li>
	<li>Unir los datos de diferencia de comentarios a los datos de retención.</li>
	<li>Calcula todos los likes realizados por cada cliente.</li>
	<li>Calcular todos los gustos recibidos por cada cliente.</li>
	<li>Identifique qué usuarios no participaron en el grupo de redes sociales (es decir, sin actividad).</li>
</ol>4. Realización de análisis de redes sociales
<ol><li>Cree una lista de bordes. Una lista de bordes es una lista de relaciones dentro de la red social, que en este caso se basa en 1) mensajes de gusto y comentarios y 2) comentar publicaciones. Esto se hace examinando dos columnas dentro del conjunto de datos. La primera columna contiene el ID anónimo de la persona que realiza la publicación, mientras que la segunda contiene el ID anónimo de la persona que le gusta o comenta en la publicación.</li>
	<li>Cree una lista de vértices. Una lista de vértices es una lista de todas las personas del grupo. Esto se hace convirtiendo las dos columnas de la lista de relaciones en una columna y eliminando identificadores anónimos duplicados para que solo quede el identificador anónimo único.</li>
	<li>Usando las funciones "graph.data.frame" y "get.adjacency" en el paquete igraph, cree objetos de matriz de gráficos y gráficos a partir de las listas de bordes y vértices.</li>
	<li>Usando las funciones "grado" y "entrerelación" del paquete igraph, obtenga las estadísticas de red (grado e intermediario) del grupo en línea.</li>
</ol>5. Realización de análisis linguísticos computarizados en LIWC
<ol><li>Exporta datos textuales de redes sociales (es decir, publicaciones y comentarios) y columna de ID de publicación/comentario a archivos CSV.</li>
	<li>Importe los archivos CSV de datos textuales de redes sociales en el software Linguistic Inquiry Word Count (LIWC).</li>
	<li>Genere categorías LIWC y guárdelas en nuevos archivos CSV. Haga esto haciendo clic en "Analizar texto", luego en "Archivo Excel/CSV", y haciendo clic en la columna que contiene las publicaciones y comentarios para seleccionar el texto que se va a analizar. Después de que LIWC haya completado el análisis de los datos textuales, guarde la salida como un nuevo archivo CSV.</li>
	<li>Importe el archivo CSV de resultados LIWC en R y combínelo con los datos existentes. Los datos coinciden con la columna de ID de entrada/comentario, que existe tanto en LIWC como en los marcos de datos existentes.</li>
	<li>Calcule las puntuaciones LIWC totales para cada usuario en publicaciones y comentarios y, a continuación, únase a los datos de retención.</li>
	<li>Calcule las puntuaciones LIWC totales para cada usuario en todos los datos textuales (publicación y comentarios combinados) y, a continuación, únase a los datos de retención.</li>
	<li>Quite los NA del marco de datos de retención.</li>
</ol>6. Realización de análisis de regresión (para determinar si los indicadores de interacción con la comunidad en línea predicen la retención en el programa de recuperación fuera de línea)
<ol><li>Defina las variables independientes.</li>
	<li>Utilizando la función "lm" en la base R, realice el análisis de regresión lineal utilizando los datos de retención como variable dependiente y las categorías LIWC, comentarios, Me gusta de publicación y Me gusta de comentarios como variables independientes.</li>
	<li>Combine los resultados del análisis de regresión en un marco de datos.</li>
</ol>7. Creación de mapas mensuales del SNA
<ol><li>Prepare marcos de datos para SNA Maps.</li>
	<li>Cree una lista de bordes basada en la actividad mensual acumulada de redes sociales.</li>
	<li>Cree una lista de vértices basada en la actividad mensual acumulada de redes sociales.</li>
	<li>Cree gráficos y matrices gráficas basadas en la actividad acumulada mensual de las redes sociales.</li>
	<li>Establezca el diseño de los mapas de SNA en función de la actividad acumulativa de las redes sociales.</li>
	<li>Agregue colores basados en roles de usuario.</li>
	<li>Cree mapas SNA y guárdelos en un archivo.</li>
</ol>8. Cálculo de la actividad mensual acumulada en las redes sociales del grupo de redes sociales
<ol><li>Calcule la actividad acumulada mensual de redes sociales por personal, clientes y otros miembros del grupo de redes sociales.</li>
	<li>Calcular la actividad acumulada mensual de las redes sociales por todos los miembros del grupo de redes sociales.</li>
	<li>Unirse a los marcos de datos de actividad de redes sociales acumulativas mensuales juntos.</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>

Los autores no tienen nada que revelar.

El enfoque descrito aquí se basa en un nuevo método para medir cómo los procesos de grupo en línea pueden afectar la retención en un programa de recuperación de adicciones. Aplicando este método a una comunidad en línea de recuperación de la adicción, se encontró que había cuatro aspectos clave predicho stención del programa: estar muy involucrado en la comunidad en línea, ser central en la red social en línea, efecto positivo expresado en comunicación con otros miembros de la comunidad en línea, y recibiendo validación de otros por contribuciones a la red14. Los hallazgos obtenidos mediante este método respaldan los modelos teóricos existentes de recuperación. Es decir, dos modelos clave en la literatura de recuperación, el Modelo de Identidad Social de Recuperación15 y el Modelo de Identidad Social de Mantenimiento de Cesación16,ambos enfatizan la importancia de la participación activa en grupos que apoyan Recuperación. Ambos modelos sugieren que una mayor identificación y compromiso con estos grupos contribuyen a reducir el contacto futuro con el uso de grupos y la consiguiente recaída.
Como se ilustra en nuestra investigación, el método nos permitió trazar trayectorias de recuperación o cambio de miembros individuales de la comunidad en línea14. Las visualizaciones de las redes sociales online y su evolución a lo largo del tiempo pueden proporcionar información valiosa sobre el movimiento de los miembros de la comunidad online desde la periferia hasta el centro de la red y viceversa (estos movimientos en la red indican cambios en los niveles de compromiso con la comunidad en línea). En un estudio de 201714, las entrevistas con miembros de la comunidad en línea que emprendieron los cambios más significativos en términos de movimiento de la periferia al centro de las redes se llevaron a cabo como una forma de triangular nuestros hallazgos basados en SNA, computarizado análisis linguístico y la regresión con los datos de retención. Estudios futuros pueden centrarse en cambio en aquellos miembros que se desenganchó con la comunidad en línea, en aquellos que nunca se comprometen, o en medidas más directas de resultados como el consumo y la reincidencia de sustancias. Esta metodología puede afinar aún más para ser utilizada en programas de intervención, por ejemplo, para evaluar el papel de los moderadores en los foros de ayuda.
Actualmente no hay estudios que proporcionen evidencia sobre los beneficios del método descrito aquí cuando se utiliza por sí mismo (el método descrito fue utilizado junto con los datos de retención y triangulado con datos cualitativos de entrevistas con la comunidad en línea clave miembros14), pero este enfoque puede proporcionar datos precisos y sin prejuicios que puedan complementar la autodenuncia y otras medidas en estudios de recuperación de adicciones.
Este método se aplicó para examinar las interacciones sociales en línea en el contexto de una página de redes sociales establecida como una forma complementaria de apoyo a un programa de recuperación estándar, cara a cara. Sin embargo, con cambios menores, el método se puede utilizar para investigar las interacciones sociales en línea en otros tipos de comunidades en línea (foros en línea, grupos de discusión, salas de chat, sitios web de comentarios, etc.). Una de las principales ventajas de este método es que se puede adaptar y aplicar a contextos más allá de las comunidades de recuperación de adicciones a cualquier comunidad en línea. Por ejemplo, en nuestra propia investigación de psicología política, utilizamos un método similar (desarrollado a partir del método descrito aquí) para capturar la calidad de las interacciones en línea y los cambios en estas interacciones entre miembros de comunidades en línea de extrema derecha. En efecto, el método se puede aplicar a cualquier comunidad en línea en la que se puedan extraer datos en forma de conexiones entre los miembros (como enlaces de redes sociales) y contenido linguístico.
Sin embargo, al acceder y trabajar con datos en línea, los investigadores deben ser conscientes de las cuestiones éticas, algunas que se aplican a la autodenuncia y otros tipos de datos en general y algunos que sólo se encuentran en un entorno en línea. En la investigación descrita aquí (que fue aprobada por la comunidad de ética de investigación en la Universidad Sheffield Hallam), se obtuvo el consentimiento de la organización que administra el programa de recuperación, y se tomaron medidas estrictas para garantizar el anonimato completo de participantes en la página abierta de redes sociales (por ejemplo, después de la coincidencia de datos en línea y de retención, toda la información de identificación se eliminó de los archivos y tampoco se utilizaron citas potencialmente autoidentificables de la comunicación en línea de acceso público).
La estrecha comunicación con la organización también aseguró que los participantes en el programa estuvieran al tanto de los resultados del estudio y la investigación, y uno de los investigadores se reunió regularmente con el grupo para explicar el estudio y sus resultados. En otros casos, sin embargo, donde las comunidades en línea no están asociadas con programas fuera de línea específicos, puede ser más difícil determinar a quién se le debe pedir el consentimiento con respecto a la extracción de datos (aplicable especialmente en foros no moderados, donde las personas en recuperación buscar apoyo entre pares en línea). Aunque se aplicarán los principios generales de la investigación ética, los investigadores deben adoptar un enfoque caso por caso para garantizar que la extracción y el análisis de datos en línea no supongan riesgos significativos para los participantes (por ejemplo, comprometer la privacidad).

El método presentado ha sido diseñado para capturar el capital de recuperación de adicciones al alcohol y otras drogas (AOD) en contextos en línea. En el campo de la adicción, el capital de recuperación se ha definido como "la suma total de los recursos que se pueden llevar a cabo en la iniciación y el mantenimiento del cese del uso indebido de sustancias"1. El capital de recuperación se ha medido principalmente a través de autoinformes2,3 en contextos presenciales. Este enfoque proporciona un método alternativo para medir el capital de recuperación en contextos en línea mediante la captura de la calidad y la cantidad de interacciones en línea en las comunidades en línea de recuperación.
Dado el aumento constante en el uso de los recursos en línea en forma de apoyo entre pares en una serie de cuestiones relacionadas con la salud4,5, es necesario desarrollar nuevos métodos para capturar la calidad de estos recursos. El apoyo entre pares en línea se produce en forma de interacciones sociales en foros y comunidades en línea. Las interacciones sociales de apoyo en estos contextos en línea contribuyen a la construcción de capital de recuperación, que a su vez tiene un impacto positivo en el proceso de recuperación6,7. El método propuesto presenta una serie de ventajas sobre los métodos alternativos. En primer lugar, supera algunas de las limitaciones que implican el uso de medidas de autoinforme en la investigación sobre adicciones, particularmente en torno a la memoria y los sesgos de autopresentación. Si bien se considera que las medidas de autoinforme tienen niveles razonables de fiabilidad y validez, son susceptibles a sesgos e inexactitudes. Para mejorar la precisión y minimizar el sesgo, se ha reconocido que es necesario aumentar el uso de nuevas medidas y situaciones de recopilación de datos diseñadas para evitar o minimizar estos problemas8. Accediendo a los datos que ocurren naturalmente en contextos donde las personas en diversas etapas de recuperación interactúan espontáneamente, y mediante el uso de métodos de análisis que pueden extraer información significativa de estos datos (capaces de capturar indicadores de estados psicológicos), sesgos debidos a la conveniencia social (autopresentación) y las inexactitudes debido a las limitaciones en la recuperación pueden reducirse o incluso eliminarse. En segundo lugar, este método es altamente eficiente y rentable, ya que se basa en la extracción de datos en línea ya existentes (es decir, en foros abiertos en línea de acceso público).
A continuación se describe el método que se aplicó a un estudio de la construcción de capital de recuperación en una comunidad en línea establecida para complementar un programa tradicional de recuperación de adicciones cara a cara para los adictos en las etapas de recuperación temprana. En este caso, los datos en línea (medios sociales) se vincularon a los datos de retención del programa, pero el método también se puede utilizar en los casos en que los datos de vinculación no están disponibles o accesibles.

<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

El artículo describe una nueva metodología diseñada con el objetivo de encontrar una manera integral, discreta y precisa de capturar el desarrollo de capital de recuperación social en comunidades en línea de recuperación de la adicción al alcohol y las drogas (AOD). El capital de recuperación se conceptualizó como un compromiso en la comunidad de recuperación en línea y la identificación con la comunidad. Para medir el desarrollo del capital de recuperación, se extrajeron datos de origen natural de la página de redes sociales de un programa de recuperación específico, y la página se configuró como un recurso para un programa de recuperación cara a cara. Para mapear la interacción con la comunidad en línea, se realizó el análisis de redes sociales (SNA) capturando la interacción social en línea. La interacción social se midió a través de los vínculos entre los contribuyentes/miembros en línea de la comunidad en línea representados por los clientes del programa, el personal y los simpatizantes de la comunidad en general. Para capturar marcadores de identificación social con la comunidad en línea, se llevó a cabo un análisis linguístico informatizado de los datos textuales (contenido de publicaciones y comentarios). El capital de recuperación capturado de esta manera se analizó con los datos de retención (un indicador de resultados de proxy), como días pasados en el programa de recuperación (cara a cara). Los datos en línea extraídos estaban vinculados a los datos de los participantes con respecto a la retención del programa para probar la predicción de un resultado clave de recuperación. Este enfoque permitió examinar el papel de las comunidades de apoyo en línea y la evaluación de la asociación entre el capital de recuperación (desarrollado a través de la comunidad en línea de recuperación) y los resultados de recuperación.

Una descripción detallada de los resultados representativos obtenidos utilizando este método se puede encontrar en nuestro trabajo reciente14, que fue revisado y recibió la aprobación completa del comité de ética de investigación de la institución en la que se llevó a cabo la investigación. En el informe descrito aquí, el estudio investigó si la participación en línea en una comunidad de recuperación contribuye al proceso de recuperación a través de la creación de capital de recuperación (como se captura por el aumento de los niveles y la calidad de las interacciones sociales en línea y desarrollo positivo de la identidad). En otras palabras, el estudio examinó si los indicadores de capital de recuperación en línea se desarrollaron durante los ocho meses de datos en línea evaluados y también predijeron la retención en un programa de recuperación diseñado para fomentar la participación de la comunidad para los adictos en las primeras etapas de Recuperación.
Para mapear cómo los participantes interactuaban en línea, se llevó a cabo el análisis de redes sociales (SNA) utilizando datos extraídos de la página de redes sociales (n.o 609) de una comunidad de recuperación. En la Figura 1se presenta una representación visual de la red social y su evolución. La figura ilustra la actividad en la comunidad en línea observada cada mes durante un período de 8 meses en forma de conexiones entre todos los participantes en la comunidad en línea (es decir, comentar publicaciones, publicaciones de gustos y comentarios de me gusta). El número de conexiones que tiene un "agente" en la red determina la central que serán en la red social. Se utilizó un análisis linguístico computarizado para evaluar los datos textuales (captura de marcadores de identidad social) y se llevó a cabo un análisis de regresión lineal para determinar si los indicadores de la retención del programa pronosticados en el capital de recuperación. Estos análisis indicaron que la retención del programa estaba predicha de hecho por: (a) niveles de validación de grupo recibidos en forma de comentarios como y todos los Me gusta recibidos en la página de redes sociales, (b) posición en la red social (centralidad de la red) y (c) grupo identidad y logros (capturados por el contenido linguístico de la comunicación en línea). Los resultados apoyaron el argumento de que, en general, las interacciones sociales positivas entre los miembros de una comunidad de recuperación en línea apoyan el proceso de recuperación. A continuación se presenta un resumen de esas conclusiones.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/58851/58851fig1.jpg"> Figura 1: Las representaciones mensuales de la red social de la comunidad en línea durante 8 meses sugieren cambios en el patrón de interacciones sociales entre los participantes. Estas representaciones ilustran cómo al principio, la mayoría de los miembros del cliente en la comunidad en línea (clientes del programa de recuperación fuera de línea) están en su mayoría desconectados, y es el personal del programa y sólo un pequeño número de clientes que impulsan la actividad en línea. Sin embargo, esto cambia gradualmente, por lo que después de 8 meses, los clientes son los más conectados (por lo tanto el más central), con el mayor número de conexiones en la red (la cifra se adapta a partir de una publicación anterior)14. <a href="https://www.jove.com/files/ftp_upload/58851/58851fig1large.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a>
Estadísticas descriptivas
Los niveles de compromiso de los participantes con la comunidad en línea se midieron calculando las contribuciones de todos los participantes en la comunidad en línea como número de publicaciones, comentarios y me gusta hechos por el personal, los clientes y los miembros más amplios de la comunidad. El Cuadro 1 presenta un desglose por tipo de contribución (realizada por cada categoría de participante) a lo largo de 8 meses.
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody>
<tr>
<td>Miembros del grupo</td>
			<td>Tipo de contribución en línea</td>
			<td>Mes 1</td>
			<td>Mes 2</td>
			<td>Mes 3</td>
			<td>Mes 4</td>
			<td>Mes 5</td>
			<td>Mes 6</td>
			<td>Mes 7</td>
			<td>Mes 8</td>
		</tr>
<tr>
<td rowspan="3">todo</td>
			<td>Publicaciones y comentarios</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>Publicar "me gusta" dados</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>Comentarios como dados</td>
			<td>784</td>
			<td>970 (1604)</td>
			<td>825 (2429)</td>
			<td>171 (2600)</td>
			<td>634 (3234)</td>
			<td>970 (4204)</td>
			<td>825 (5029)</td>
			<td>171 (5200)</td>
		</tr>
<tr>
<td rowspan="3">Personal</td>
			<td>Publicaciones y comentarios</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>Publicar "me gusta" dados</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>Comentarios como dados</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">Clientes</td>
			<td>Publicaciones y comentarios</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>Publicar "me gusta" dados</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>Comentarios como dados</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>Otros</td>
			<td>Publicaciones y comentarios</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>Publicar "me gusta" dados</td>
			<td>11S</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>Comentarios como dados</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>Tabla1: Se muestra el número de contribuciones en línea por tipo (publicación y comentarios realizados, me gusta dado a las publicaciones y me gusta dado a los comentarios) por los miembros de la comunidad en línea a lo largo de 8 meses. Los miembros de la comunidad en línea se clasifican como personal (personal de apoyo empleado por el programa de recuperación fuera de línea), clientes (personas en recuperación que están participando en el programa de recuperación fuera de línea), y otros (apoyos y defensores de la recuperación de la comunidad más amplia).
Determinantes de retención en el programa
Se probaron las siguientes hipótesis: (1) la retención del programa debe asociarse con indicadores de desarrollo de capital de recuperación (es decir, reflejado en la cantidad y calidad de la interacción en línea), y (2) la retención del programa también debe asociarse con indicadores de cambio de identidad (es decir, indicadores de desarrollo positivo de la identidad de recuperación). La cantidad de interacción en línea fue indicada por el a) número de mensajes realizados, b) número de comentarios realizados, c) número de "me gusta" de publicaciones recibidas, d) número de me gusta de comentarios recibidos, y e) número de todos los Me gusta recibidos.
Para determinar la calidad de la interacción en línea, se analizaron la estructura de la red y el contenido del lenguaje. Más concretamente, se utilizaron coeficientes de grado y entrelazación derivados del análisis de redes sociales (SNA) e indicadores linguísticos de efecto positivo derivados del análisis linguístico computarizado. Como indicadores de cambio positivo de identidad (como identificación con la comunidad de recuperación) se utilizó la frecuencia de uso del pronombre "nosotros" y palabras de logro (por ejemplo, try, goal, win, etc.). Finalmente, la variable dependiente (retención en el programa) fue indicada por el número total de días pasados en el programa (que van de 86 a 464 días aquí). Como se muestra en los resultados, los niveles de interacción en línea y validación en grupo (como se refleja en el número de Me gusta recibidos para publicaciones y comentarios) predijeron la retención del programa (Tabla 2). La retención del programa también fue predicha por marcadores de identificación (como se captura por el uso del pronombre "nosotros" en las publicaciones y de las palabras de logro tanto en publicaciones como en comentarios). Por último, cuando los participantes se encuentran dentro de la red social (es decir, grado de centralidad) también representa un aspecto importante de la retención (Tabla2).
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody>
<tr>
<td>Variable</td>
			<td>B</td>
			<td>SE</td>
			<td>Β</td>
			<td>R2</td>
		</tr>
<tr>
<td>Comentarios como recibidos</td>
			<td>0.43</td>
			<td>0.18</td>
			<td>.47*
</td>
			<td>0.22</td>
		</tr>
<tr>
<td>Me gusta recibido (todos)</td>
			<td>0.08</td>
			<td>0.03</td>
			<td>.43*
</td>
			<td>0.18</td>
		</tr>
<tr>
<td>Diferencia similar a un comentario</td>
			<td>1.09</td>
			<td>0.5</td>
			<td>.43*
</td>
			<td>0.19</td>
		</tr>
<tr>
<td>Grado de red</td>
			<td>0.01</td>
			<td>0</td>
			<td>.43*
</td>
			<td>0.18</td>
		</tr>
<tr>
<td>LIWC Nosotros (Publicar)</td>
			<td>3.89</td>
			<td>1.76</td>
			<td>.43*
</td>
			<td>0.19</td>
		</tr>
<tr>
<td>Logro LIWC (Post)</td>
			<td>0.56</td>
			<td>0.26</td>
			<td>.43*
</td>
			<td>0.18</td>
		</tr>
<tr>
<td>Logro LIWC (Todos)</td>
			<td>0.14</td>
			<td>0.07</td>
			<td>.42*
</td>
			<td>0.17</td>
		</tr>
</tbody></table>Tabla2: Tiempo de retención predicho por la interacción en línea, las estadísticas de red y las categorías linguísticas.

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

El artículo describe un enfoque novedoso para analizar interacciones sociales dinámicas en línea (en un contexto en línea) ejemplificado por un estudio de una comunidad en línea de recuperación de la adicción al alcohol y las drogas.

Integración de análisis computarizados de redes linguísticas y sociales para capturar capital de recuperación de adicciones en una comunidad en línea

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

Nuestro protocolo proporciona una manera completa, discreta y precisa de describir cómo las personas pueden interactuar con las comunidades en línea mientras se están recuperando de la adicción a las drogas y el alcohol. Esta técnica va más allá del enfoque autoinformado que se ha utilizado en estudios anteriores, lo que nos permite medir marcadores más implícitos de recuperación. Antes de iniciar la extracción, cargue las funciones, conjuntos de datos o código compilado necesarios que permitan a los usuarios analizar, transformar o extraer datos en R y cargar la retención externa y los datos de usuario en R, como un marco de datos desde un archivo CSV.Cuando se hayan cargado todos los paquetes, utilice la función get group de R Facebook para extraer datos de la página de redes sociales de la comunidad de interés y guardar los datos como un marco de datos. Usando la función get posts de R Facebook, junto con los IDs de publicación acabas de extraer, extrae los datos sobre los me gusta de las publicaciones realizados en la página. Usando la función get posts de R Facebook y los IDs de publicaciones extraídos, extraiga datos sobre los comentarios realizados en cada publicación y guarde estos datos como un marco de datos.Usando los ID de comentarios, extraiga datos sobre los "me gusta" de comentarios realizados en cada publicación y guarde estos datos como un marco de datos. A continuación, combine las publicaciones, publique Me gusta, comentarios y comentarios como datos en un marco de datos y agregue un desglose mensual. Para calcular la actividad de redes sociales realizada y recibida por cada cliente, calcula el número de publicaciones, comentarios, me gusta de publicación y comentarios realizados por cada cliente, y el número de publicaciones, comentarios, me gusta de publicación y comentarios por cada cliente.Unirse al marco de datos de la actividad de redes sociales realizada y recibida por cada cliente en el marco de datos de retención, y calcular la diferencia entre las publicaciones y comentarios con "me gusta" y sin "me gusta", y la diferencia entre las publicaciones con comentarios y sin comentarios. Unir los datos de diferencias me gusta a los datos de retención y los comentarios diferencian los datos a los datos de retención. Calcula todos los likes realizados por cada cliente, y todos los likes recibidos por cada cliente.A continuación, identifique qué usuarios no participaron en el grupo de redes sociales. Para realizar un análisis de redes sociales, cree una lista de relaciones dentro de la red social, basada en publicaciones y comentarios de me gusta y comentar publicaciones mirando dos columnas dentro del conjunto de datos. La primera columna contiene el ID anónimo de la persona que realiza la publicación, mientras que la segunda columna contiene el ID anónimo de la persona que le gusta o comenta la publicación.A continuación, cree una lista de vértices de todas las personas del grupo convirtiendo las dos columnas de la lista de relaciones en una columna y eliminando los identificadores anónimos duplicados, de modo que solo quede el identificador anónimo único. Usando el marco de datos del gráfico y obtenga funciones de adyacencia en el paquete igraph, cree objetos de matriz de gráficos y gráficos a partir de las listas de bordes y vértices. A continuación, utilice las funciones de grado y entrección del paquete igraph, para obtener las estadísticas de grado de red y de entrección del grupo en línea.Para realizar un análisis linguístico informatizado en el software Linguistic Inquiry Word Count, exporte los datos de redes sociales textuales y publique la columna de ID de comentario en archivos CSV. Importe los archivos CSV de los datos de redes sociales textuales en el software Linguistic Inquiry Word Count o LIWC, haciendo clic en analizar texto, archivo CSV de Excel y la columna que contiene las publicaciones y comentarios para seleccionar el texto que se va a analizar. Después de que LIWC haya completado el análisis de los datos textuales, guarde la salida como un nuevo archivo CSV.Importe el archivo CSV de resultados LIWC en R y combine los resultados con los datos existentes. Los datos coincidirán con la columna de ID de comentario posterior, que existe tanto en LIWC como en los marcos de datos existentes. Calcule las puntuaciones totales de LIWC para cada usuario en publicaciones y comentarios, y una estas puntuaciones a los datos de retención.Calcule las puntuaciones TOTALES de LIWC para cada usuario en todos los datos combinados de publicaciones textuales y comentarios, y una estas puntuaciones a los datos de retención. A continuación, quite cualquier análisis de red del marco de datos de retención. Para determinar si los indicadores de interacción con la comunidad en línea predicen la retención en el programa de recuperación sin conexión, utilice la función de mensajería instantánea en la base R para realizar un análisis de regresión lineal de los datos de retención como la variable dependiente y las categorías LIWC, comentarios, me gusta de publicación y comentarios como variables independientes.A continuación, combine los resultados del análisis de regresión en un marco de datos. Para crear un mapa de análisis de redes sociales mensual, prepare marcos de datos para mapas de análisis de redes sociales y cree una lista de bordes basada en la actividad de redes sociales acumulativa mensual. Cree una lista de vértices basada en la actividad de redes sociales acumulativa mensual y cree gráficos y matrices de gráficos basadas en la actividad de redes sociales acumulativa mensual.Establezca el diseño de los mapas de análisis de redes sociales en función de la actividad acumulativa de redes sociales y agregue colores basados en los roles de usuario. A continuación, cree mapas de análisis de redes sociales y guarde los mapas en un archivo. Para calcular la actividad mensual acumulada de redes sociales del grupo de redes sociales, calcule la actividad acumulada mensual de redes sociales por parte del personal, los clientes y otros miembros del grupo de redes sociales.A continuación, calcule la actividad acumulada mensual de redes sociales por parte de todos los miembros del grupo de redes sociales y únase a los marcos de datos de actividad de redes sociales acumulativas mensuales. Aquí, se muestra una representación visual de la red social y su evolución a lo largo de un período de ocho meses en forma de conexiones entre todos los participantes en la comunidad online. El número de conexiones que tiene un agente en la red determina cuán centrales serán en la red social.Estos resultados representativos apoyan el argumento de que las interacciones sociales positivas en general entre los miembros de una comunidad de recuperación en línea apoyan el proceso de recuperación. Los niveles de compromiso de los participantes con la comunidad en línea se miden calculando las contribuciones de todos los participantes en la comunidad en línea como el número de publicaciones, comentarios y "me gusta" realizados por el personal, los clientes y los miembros más amplios de la comunidad. Como muestran los resultados, en este análisis, los niveles de interacción en línea y validación en grupo, como se refleja en el número de "me gusta" recibidos para publicaciones y comentarios, predicen la retención del programa.La retención del programa también se predice mediante marcadores de identificación, tal como se capturan mediante el uso del pronombre que en las publicaciones, y por las palabras de logro tanto en publicaciones como en comentarios. Por último, donde los participantes se encuentran dentro de la red social también representa un aspecto importante de la retención. Al usar este enfoque, debemos recordar que esta es sólo una manera de capturar procesos psicológicos en comunidades en línea.Idealmente, también se debe tener acceso a otros orígenes de datos. Este método se puede adaptar para investigar las interacciones sociales en línea en otros tipos de comunidades en línea, incluidos foros en línea, grupos de discusión, salas de chat, etc.

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

Preferencia grasa: Un Modelo de Novela de la conducta alimentaria en ratas

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 ...

Investigación

Comportamiento

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

La medición del comportamiento neuronal y la actividad en curso Durante las interacciones sociales informatizados: Un examen de potenciales cerebrales relacionados con eventos

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

Métodos para probar Visual Atención 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

La Junta Agujero Modificado - Medición de Comportamiento, Cognición e interacción social en ratones y ratas

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

Evaluación de la cognición social en primates no humanos mediante una red de Computarizado Dispositivo Automatizado Learning Systems (ALDM) prueba

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 dimensión social del estrés: Manipulaciones experimentales de Apoyo Social e Identidad Social en el Trier Social Estrés Prueba

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 guía Visual para el estudio de las defensas contra comportamiento patógeno ataca en hormigas cortadoras

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 la electromiografía Facial para evaluar las reacciones del músculo Facial tacto afectivo experimentado y observado en los seres humanos

"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 enfoque de aprendizaje automático para diseñar un examen selectivo eficiente del deterioro cognitivo leve

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

Estimulación de corriente directa transcraneal para jugadores en línea

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