Name: 整合计算机语言和社交网络分析,在在线社区中捕捉成瘾恢复资本 (视频) | JoVE Journal
Uploaded: 2019-05-31T12:30:00.000+00:00
Duration: 8 min 53 s
Description: 了解如何使用R语言和社交网络分析技术，在成瘾康复在线社区中捕捉隐性康复指标。该方法通过LIWC文本分析和线性回归，帮助研究者更准确地测量用户参与度并预测项目保留率。

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

我们感谢英国“工作、朋友与住房”机构的客户和工作人员，他们支持并同意参与我们的研究。

本研究所述的研究已获得谢菲尔德哈勒姆大学研究伦理委员会的批准。
1. 设置
注意：请参阅作为补充文件1提供的附带R脚本。
<ol>
	<li>在 R 中加载所需的包（Rfacebook9、dplyr10、igraph11 和 openxlsx12）。包是指函数、数据集或编译代码，可使用户能够分析、转换或提取数据。</li>
	<li>从 CSV 文件将（外部）留存数据和用户数据作为数据框加载到 R 中。 
	注意：留存数据指客户参与线下（传统）成瘾康复项目的天数。该数据由（线下）康复项目管理员提供，记录在 CSV 文件中，包含参与者姓名及其参与项目的天数。在导入 R 之前，参与者姓名已被匿名 ID 编号替代。</li>
</ol>
2. 从在线社区提取数据（成瘾康复社区的社交页面）
注意：本方案适用于社交媒体页面，但也可根据需要调整用于其他类型的在线社区。以 Rfacebook 软件包为例，它允许用户将社交媒体页面中的数据提取到 R 中。
<ol>
	<li>按照参考网站上的指南创建社交媒体（Facebook）访问令牌13。</li>
	<li>在 R 中创建访问令牌。</li>
	<li>使用 Rfacebook 包中的“getGroup”函数，提取目标社区社交媒体页面的数据（例如，帖子内容、每条帖子的评论数和点赞数、每条帖子的唯一 ID 编号等）。这些数据随后保存为一个数据框。 
	注意：数据框本质上是 R 中用于存储数据的一种表格。</li>
	<li>使用 Rfacebook 包中的“getPosts”函数，并结合步骤 2.3 中提取的帖子 ID，提取页面上帖子点赞的相关数据。</li>
	<li>使用 Rfacebook 包中的“getPosts”函数，并结合步骤 2.3 中提取的帖子 ID，提取每条帖子的评论数据（例如，发表评论用户的用户 ID、评论时间、评论获得的点赞数等）。这些数据随后保存为一个数据框。</li>
	<li>利用步骤 2.5 中提取的评论 ID，提取每条评论的“评论点赞”数据（例如，点赞该评论的用户 ID）。这些数据随后保存为一个数据框。</li>
	<li>将帖子、帖子点赞、评论和评论点赞的数据合并为一个数据框。</li>
	<li>添加按月划分的时间段（即第 1 至第 8 个月）。</li>
</ol>
3. 计算每位客户发布和收到的社交媒体活动
<ol>
	<li>计算每个客户发布的帖子、评论、帖子点赞和评论点赞的数量。</li>
	<li>计算每个客户收到的帖子、评论、帖子点赞和评论点赞的数量。</li>
	<li>将每个客户在社交媒体上的发布行为与接收行为的数据框合并到留存数据框中。</li>
	<li>计算有点赞和无点赞的帖子与评论之间的差异。</li>
	<li>计算有评论和无评论的帖子之间的差异。</li>
	<li>将点赞差异数据合并到留存数据中。</li>
	<li>将评论差异数据合并到留存数据中。</li>
	<li>计算每个客户发出的所有点赞总数。</li>
	<li>计算每个客户收到的所有点赞总数。</li>
	<li>识别未参与社交媒体群组的用户（即无任何活动）。</li>
</ol>
4. 进行社会网络分析
<ol>
	<li>创建边列表。边列表是社交网络中关系的列表，本例中基于以下两种行为：1）点赞帖子和评论；2）对帖子发表评论。通过查看数据集中的两列数据完成此操作：第一列包含发帖人的匿名ID，第二列包含点赞或评论该帖子者的匿名ID。</li>
	<li>创建节点列表。节点列表是群组中所有个体的列表。通过将关系列表中的两列数据合并为一列，并去除重复的匿名ID，仅保留唯一的匿名ID来实现。</li>
	<li>使用 igraph 包中的“graph.data.frame”和“get.adjacency”函数，从边列表和节点列表创建图对象和图矩阵对象。</li>
	<li>使用 igraph 包中的“degree”和“betweenness”函数，获取该在线群组的网络统计指标（度和中介性）。</li>
</ol>
5. 在LIWC中进行计算机化语言分析
<ol>
	<li>将文本类社交媒体数据（即帖子和评论）及帖子/评论 ID 列导出为 CSV 文件。</li>
	<li>将文本类社交媒体数据的 CSV 文件导入语言查询与词频统计（Linguistic Inquiry Word Count, LIWC）软件。</li>
	<li>生成 LIWC 分类结果并保存为新的 CSV 文件。操作方式为：点击“Analyze Text”，然后选择“Excel/CSV file”，再点击包含帖子和评论的列以选定待分析的文本。LIWC 完成文本数据分析后，将输出结果保存为新的 CSV 文件。</li>
	<li>将 LIWC 结果的 CSV 文件导入 R，并与现有数据合并。通过帖子/评论 ID 列进行数据匹配，该列在 LIWC 输出和现有数据框中均存在。</li>
	<li>计算每位用户在帖子和评论中的总 LIWC 得分，然后与留存数据进行合并。</li>
	<li>计算每位用户在所有文本数据（帖子和评论合并）中的总 LIWC 得分，然后与留存数据进行合并。</li>
	<li>从留存数据的数据框中移除缺失值（NAs）。</li>
</ol>
6. 进行回归分析（以确定在线社区参与度指标是否能够预测线下康复项目的留任情况）
<ol>
	<li>确定自变量。</li>
	<li>使用 R 基础包中的 “lm” 函数，以保留数据作为因变量，LIWC 类别、评论数、帖子点赞数和评论点赞数作为自变量，进行线性回归分析。</li>
	<li>将回归分析结果合并为一个数据框。</li>
</ol>
7. 创建月度SNA图谱
<ol>
	<li>为社会网络分析图（SNA Maps）准备数据框。</li>
	<li>基于每月累计的社交媒体活动创建边列表。</li>
	<li>基于每月累计的社交媒体活动创建节点列表。</li>
	<li>基于每月累计的社交媒体活动创建图结构及图矩阵。</li>
	<li>根据累计的社交媒体活动设置社会网络分析图的布局。</li>
	<li>根据用户角色添加颜色。</li>
	<li>生成社会网络分析图并保存至文件。</li>
</ol>
8. 计算社交媒体群组的月度累计社交媒体活跃度
<ol>
	<li>计算员工、客户及社交媒体群组其他成员每月累计的社交媒体活动量。</li>
	<li>计算社交媒体群组所有成员每月累计的社交媒体活动量。</li>
	<li>将每月累计的社交媒体活动数据框合并在一起。</li>
</ol>

<ol><li>Cloud, W., Granfield, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Conceptualizing+recovery+capital%3A+Expansion+of+a+theoretical+construct%5BTitle%5D)+AND+%22Substance+Use+and+Misuse%22%5BJournal%5D)">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/pubmed?term=((Mapping+the+recovery+stories+of+drinkers+and+drug+users+in+Glasgow%3A+Quality+of+life+and+its+associations+with+measures+of+recovery+capital%5BTitle%5D)+AND+%22Drug+and+Alcohol+Review%22%5BJournal%5D)">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/pubmed?term=((Recovery+capital+as+prospective+predictor+of+sustained+recovery%2C+life+satisfaction%2C+and+stress+among+former+poly-substance+users%5BTitle%5D)+AND+%22Substance+Use+and+Misuse%22%5BJournal%5D)">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/pubmed?term=((A+new+dimension+of+health+care%3A+systematic+review+of+the+uses%2C+benefits%2C+and+limitations+of+social+media+for+health+communication%5BTitle%5D)+AND+%22Journal+of+Medical+Internet+Research%22%5BJournal%5D)">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/pubmed?term=((Receiving+social+support+online%3A+implications+for+health+education%5BTitle%5D)+AND+%22Health+Education+Research%22%5BJournal%5D)">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/pubmed?term=((Mapping+social+identity+change+in+online+networks+of+addiction+recovery%5BTitle%5D)+AND+%22Addiction+Research+and+Theory%22%5BJournal%5D)">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/pubmed?term=((Online+support+communities+in+addiction+recovery%5BTitle%5D)+AND+%22Addiction%2C+behavioral+change+and+social+identity%3A+The+path+to+resilience+and+recovery%22%5BJournal%5D)">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/pubmed?term=((The+validity+of+self%E2%80%90reports+of+alcohol+consumption%3A+state+of+the+science+and+challenges+for+research%5BTitle%5D)+AND+%22Addiction%22%5BJournal%5D)">The validity of self‐reports of alcohol consumption: state of the science and challenges for research.</a> Addiction. 98, 1-12 (2003).</li>
<li>Barbera, P. Package ‘Rfacebook’. , 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>Wickham, H., François, R., Henry, L., Müller, K. Package ‘dplyr’. , 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>Csárdi, G. Package ‘igraph’. , 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>Walker, A., Braglia, L. Package ‘openxlsx’. , 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/pubmed?term=((Building+addiction+recovery+capital+through+online+participation+in+a+recovery+community%5BTitle%5D)+AND+%22Social+Science+and+Medicine%22%5BJournal%5D)">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/pubmed?term=((Overcoming+alcohol+and+other+drug+addiction+as+a+process+of+social+identity+transition%3A+The+Social+Identity+Model+of+Recovery+%28SIMOR%29%5BTitle%5D)+AND+%22Addiction+Research+and+Theory%22%5BJournal%5D)">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/pubmed?term=((The+social+identity+model+of+cessation+maintenance%3A+Formulation+and+initial+evidence%5BTitle%5D)+AND+%22Addictive+Behaviors%22%5BJournal%5D)">The social identity model of cessation maintenance: Formulation and initial evidence.</a> Addictive Behaviors. 44, 35-42 (2015).</li>
</ol>

作者无任何利益冲突需要披露。

本文所述方法基于一种测量在线群体过程如何影响成瘾康复项目参与人员留存率的新技术。将该方法应用于一个成瘾康复的在线社区时发现，有四个关键因素可预测项目留存率：高度参与在线社区、在在线社交网络中处于中心位置、在与其他社区成员交流中表达积极情绪，以及因对网络的贡献而获得他人的认可14。通过该方法获得的研究结果支持了现有的康复理论模型。具体而言，康复研究领域的两个关键模型——康复的社会认同模型15和戒断维持的社会认同模型16——均强调积极参与支持康复的群体的重要性。这两个模型均指出，对这类群体的认同感和承诺度越高，未来与使用成瘾物质的群体接触的可能性就越低，从而降低复吸风险。
正如我们的研究所表明的，该方法使我们能够描绘出在线社区成员个体恢复或变化的轨迹14。对在线社交网络及其随时间演变的可视化分析，可提供有关成员在社区网络中从边缘向中心移动或反向移动的宝贵信息（这些在网络中的移动反映了成员对在线社区参与程度的变化）。在2017年的一项研究中14，我们对那些在网络中从边缘向中心发生最显著移动的在线社区成员进行了访谈，以此作为三角验证手段，结合社会网络分析（SNA）、计算机化语言分析以及与留存数据的回归分析结果进行综合验证。未来的研究可转而关注那些逐渐脱离在线社区的成员、从未积极参与的成员，或采用更直接的结果衡量指标，如物质使用情况和再犯行为。该方法还可进一步优化，应用于干预项目中，例如用于评估主持人在帮助论坛中所起的作用。
目前尚无研究提供证据表明单独使用此处所述方法具有益处（本研究所描述的方法是结合保留数据，并与对关键在线社区成员访谈所得的定性数据进行三角验证后使用的14），但该方法可提供准确且无偏倚的数据，能够补充成瘾康复研究中的自我报告及其他测量手段。
该方法被用于研究在社交媒体页面环境下的在线社交互动，该社交媒体页面作为传统面对面康复项目的补充支持形式而建立。然而，经过少量修改后，该方法也可用于研究其他类型的在线社区（如在线论坛、讨论组、聊天室、评论网站等）中的在线社交互动。该方法的一个主要优势在于，其可被调整并应用于成瘾康复社区之外的任何在线社区。例如，在我们自身的政治心理学研究中，我们采用一种类似的方法（由本文所述方法发展而来），以捕捉极右翼在线社区成员之间在线互动的质量及其变化情况。实际上，只要能够提取以成员间联系（作为社会网络连接）和语言内容形式存在的数据，该方法便可适用于任何在线社区。
然而，在获取和使用在线数据时，研究人员需要注意伦理问题，其中一些问题适用于自陈报告和其他类型的数据，而另一些则仅出现在在线环境中。本文所描述的研究已获得谢菲尔德哈勒姆大学研究伦理委员会的批准，研究获得了管理康复项目的组织的同意，并采取了严格措施以确保公开社交媒体页面中参与者的完全匿名性（例如，在完成线上数据与留存数据匹配后，所有可识别身份的信息均从文件中删除，且未使用任何可能自我识别的引述内容，这些引述来自公开可访问的在线交流内容）。
与该组织保持密切沟通，也确保了项目参与者了解研究及其研究成果，其中一名研究人员定期与该群体会面，解释研究内容及其结果。然而，在其他情况下，如果在线社区未与特定的线下项目相关联，则可能较难确定应向谁征求有关数据提取的同意（尤其适用于非管理型论坛，即处于康复期的人们寻求在线同伴支持的论坛）。尽管一般性的伦理研究原则仍然适用，研究人员仍需采取个案处理的方式，确保在线数据的提取与分析不会对参与者造成任何重大风险（例如，侵犯隐私）。

本文提出的方法旨在在线环境中捕捉酒精及其他药物（AOD）成瘾的康复资本。在成瘾研究领域，康复资本被定义为“个体可用于启动并维持物质滥用终止的所有资源的总和”1。目前，康复资本主要通过面对面情境下的自我报告方式进行测量2,3。本方法提供了一种替代性途径，通过捕捉康复在线社区中网络互动的质量与数量，实现对在线情境下康复资本的测量。
鉴于在线资源在各类健康相关问题中以同伴支持形式被持续广泛使用4,5，开发新方法以评估这些资源的质量显得尤为必要。在线同伴支持通常以在线论坛和社区中的社会互动形式出现。在这些在线环境中，具有支持性的社会互动有助于构建康复资本，从而对康复过程产生积极影响6,7。本研究所提出的方法相较于其他方法具有多项优势。首先，该方法克服了成瘾研究中使用自报量表所存在的一些局限性，特别是回忆偏差和社会期许性偏差（自我呈现偏差）问题。尽管自报量表通常被认为具有合理的信度和效度，但仍容易受到偏差和不准确性的干扰。为提高准确性并减少偏差，学界已认识到有必要增加新型测量方法和数据收集方式的应用，以规避或最小化上述问题8。通过获取处于不同康复阶段的个体在自然情境下自发互动所产生的真实数据，并采用能够从中提取有意义信息的分析方法（可捕捉心理状态的指标），可显著降低甚至消除因社会期许性（自我呈现）所导致的偏差以及因回忆能力局限所致的不准确性。其次，该方法具有高效性和成本效益，因其依赖于对已有在线数据的提取（例如，公开可访问的开放在线论坛中的数据）。
接下来介绍的方法应用于一项研究，该研究旨在通过建立在线社区来增强处于早期康复阶段的成瘾者在传统面对面戒瘾康复项目中的康复资本。在此案例中，在线（社交媒体）数据与项目留存数据进行了关联，但该方法也可用于无法获得或无法获取关联数据的情况。

<table><tbody><tr><td>LIWC 软件</td><td>Receptiviti</td><td>https://liwc.wpengine.com/</td><td>计算机化语言分析软件</td></tr><tr><td>R 软件</td><td>n/a</td><td>https://www.r-project.org/</td><td>免费的统计与数据可视化软件</td></tr></tbody></table>

整合计算机化语言分析与社会网络分析以捕捉在线社区中的成瘾康复资本

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

本文介绍了一种新方法，旨在寻找一种全面、非侵入性且准确的方式来捕捉在线戒瘾社区中酒精与药物（AOD）成瘾者社会康复资本的发展过程。康复资本被概念化为个体对在线康复社区的参与度以及对社区的认同感。为测量康复资本的发展，研究从某一特定康复项目的社交媒体页面提取了自然生成的数据，该页面是作为线下康复项目的辅助资源而设立的。为描绘个体对在线社区的参与情况，采用了社会网络分析（SNA）来捕捉在线社会互动。社会互动通过在线社区贡献者/成员之间的关联关系进行衡量，这些成员包括项目参与者、工作人员以及来自更广泛社区的支持者。为捕捉个体对在线社区社会认同的指标，对文本数据（发帖和评论内容）进行了计算机化的语言学分析。通过上述方式获取的康复资本数据与项目留存时间（作为康复结果的替代指标）进行了关联分析，即参与者在（线下）康复项目中停留的天数。通过将提取的在线数据与参与者的项目留存数据相链接，以检验其对关键康复结果的预测能力。该方法使得研究者能够考察在线支持社区的作用，并评估通过在线康复社区所积累的康复资本与康复结果之间的关联性。

使用该方法获得的代表性结果的详细描述可参见我们近期的研究14，该研究已通过研究实施机构的科研伦理委员会的审查并获得完全批准。本报告所述研究旨在探讨在线参与康复社区是否通过康复资本的积累（体现为在线社交互动水平和质量的提升以及积极身份认同的发展）促进康复进程。换句话说，该研究考察了在为期八个月的在线数据评估期间，在线康复资本的指标是否有所发展，并能否预测针对处于康复初期成瘾者的康复项目中的持续参与情况。
为了描绘参与者在线互动的方式，研究利用从康复社区社交媒体页面（n = 609）提取的数据进行了社会网络分析（SNA）。社会网络及其演变的可视化呈现见图1。该图展示了在为期8个月的时间内，每月在线社区中所有成员之间互动活动的情况（即对帖子发表评论、点赞帖子以及点赞评论）。网络中某个“节点”所拥有的连接数量决定了其在社会网络中的中心程度。采用计算机化语言分析来评估文本数据（捕捉社会身份标志），并进行线性回归分析以确定康复资本指标是否能够预测项目留存率。分析结果表明，项目留存率确实受到以下因素的预测：（a）以评论点赞数及社交媒体页面上获得的全部点赞数所体现的群体认可水平；（b）个体在社会网络中的位置（网络中心性）；（c）群体认同感与成就水平（通过在线交流的语言内容进行捕捉）。研究结果支持了如下观点：总体而言，在线康复社区成员之间的积极社会互动有助于康复过程。以下将简要总结这些发现。
<img alt="显示客户、工作人员和支持成员之间互动模式的社交网络图。" class="xfigimg" src="/files/ftp_upload/58851/58851fig1.jpg" data-altupdatedat="1788250015000" data-alt="图1"> 
图1：在线社区社交网络在8个月期间的月度变化图，表明参与者之间社交互动模式的演变。 这些图示表明，在初期，在线社区中的大多数客户成员（线下康复项目的客户）彼此之间基本没有连接，主要是由项目工作人员以及少数客户推动在线活动。然而，这种情况逐渐发生变化，到第8个月时，客户成员成为连接最紧密（即处于网络中心位置）的群体，在网络中拥有最多的连接数（该图改编自先前发表的研究）14。 <a href="https://www.jove.com/files/ftp_upload/58851/58851fig1large.jpg" target="_blank">请点击此处查看该图的高清版本。</a>
描述性统计
通过计算所有参与者在在线社区中的发帖数、评论数和点赞数，来衡量员工、客户及更广泛的社区成员对在线社区的参与程度。表1列出了在8个月内各类参与者所作贡献类型的详细分类。
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>小组成员</td>
			<td>线上贡献类型</td>
			<td>第1个月</td>
			<td>第2个月</td>
			<td>第3个月</td>
			<td>第4个月</td>
			<td>第5个月</td>
			<td>第6个月</td>
			<td>第7个月</td>
			<td>第8个月</td>
		</tr>
		<tr>
			<td rowspan="3">全体</td>
			<td>发帖与评论</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>帖子获赞数</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>评论获赞数</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">工作人员</td>
			<td>发帖与评论</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>帖子获赞数</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>评论获赞数</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">客户</td>
			<td>发帖与评论</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>帖子获赞数</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>评论获赞数</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>其他</td>
			<td>发帖与评论</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>帖子获赞数</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>评论获赞数</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>
表1：显示的是在线社区成员在8个月期间按类型划分的在线贡献数量（发布的帖子和评论、对帖子的点赞、对评论的点赞）。在线社区成员分为三类：工作人员（线下康复项目聘用的支持人员）、客户（正在康复并参与线下康复项目的人）以及其他人员（来自更广泛社区的支持者和促进康复的倡导者）。
项目保留率的影响因素
检验了以下假设：（1）项目留存率应与康复资本发展的指标相关（即反映在线互动的数量和质量），（2）项目留存率也应与身份转变的指标相关（即积极康复身份发展的指标）。在线互动的数量通过以下指标体现：a）发布的帖子数量，b）发表的评论数量，c）收到的帖子点赞数，d）收到的评论点赞数，e）收到的全部点赞数。
为评估在线互动的质量，分析了网络结构和语言内容。具体而言，采用了社会网络分析（SNA）得出的度数和中介性系数，以及通过计算机化语言分析获得的积极情感语言指标。作为积极身份转变（即对康复群体的认同）的指标，使用了代词“we”（我们）的使用频率以及成就类词汇（如 try、goal、win 等）的出现频率。最后，因变量（项目留存情况）以在项目中停留的总天数表示（本研究中为 86 至 464 天）。结果表明，在线互动水平和群体内认可（通过发帖和评论所获得的点赞数反映）可预测项目留存情况（表 2）。项目留存还受到身份标识指标的预测（通过发帖中使用代词“we”以及发帖和评论中使用成就类词汇来体现）。最后，参与者在社会网络中的位置（即中心性程度）也是影响留存的重要因素（表 2）。
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>变量</td>
			<td>B</td>
			<td>SE</td>
			<td>β</td>
			<td>R2</td>
		</tr>
		<tr>
			<td>收到的评论点赞数</td>
			<td>0.43</td>
			<td>0.18</td>
			<td>.47*</td>
			<td>0.22</td>
		</tr>
		<tr>
			<td>收到的点赞数（全部）</td>
			<td>0.08</td>
			<td>0.03</td>
			<td>.43*</td>
			<td>0.18</td>
		</tr>
		<tr>
			<td>评论点赞差异</td>
			<td>1.09</td>
			<td>0.5</td>
			<td>.43*</td>
			<td>0.19</td>
		</tr>
		<tr>
			<td>网络度</td>
			<td>0.01</td>
			<td>0</td>
			<td>.43*</td>
			<td>0.18</td>
		</tr>
		<tr>
			<td>LIWC 我们（发帖后）</td>
			<td>3.89</td>
			<td>1.76</td>
			<td>.43*</td>
			<td>0.19</td>
		</tr>
		<tr>
			<td>LIWC 成就（发帖后）</td>
			<td>0.56</td>
			<td>0.26</td>
			<td>.43*</td>
			<td>0.18</td>
		</tr>
		<tr>
			<td>LIWC 成就（全部）</td>
			<td>0.14</td>
			<td>0.07</td>
			<td>.42*</td>
			<td>0.17</td>
		</tr>
	</tbody>
</table>
表2：基于在线参与度、网络统计和语言类别的留存时间预测。

本文描述了一种用于分析动态在线社交互动（在线情境下）的新方法，并以一项针对戒除酒精和药物成瘾的在线康复社区的研究为例进行了说明。

本文描述了一种新方法学，旨在寻找一种全面、无干扰且准确的方法来捕捉社会康复过程……

本方案提供了一种全面、非侵入性且准确的方法，用于描述人们在戒除药物和酒精成瘾恢复期间如何参与在线社区。该技术超越了以往研究中所采用的自我报告方法，使我们能够测量更为内隐的康复指标。在开始数据提取之前，加载必要的函数、数据集或已编译的代码，以便用户能够在 R 中分析、转换或提取数据，并从 CSV 文件中将外部留存数据和用户数据作为数据框载入 R 环境中。当所有程序包加载完成后，使用 R Facebook 中的 get group 函数提取目标社区社交媒体页面的数据，并将数据保存为数据框。利用 R Facebook 中的 get posts 函数，结合刚刚提取的帖子 ID，获取页面上帖子点赞的相关数据。再次使用 R Facebook 中的 get posts 函数及已提取的帖子 ID，提取每条帖子下的评论数据，并将该数据保存为数据框。使用评论 ID，提取每篇帖子的评论点赞数据，并将这些数据保存为一个数据框。然后，将帖子、帖子点赞、评论和评论点赞的数据合并为一个数据框，并添加按月细分的数据。为了计算每个客户产生和接收到的社交媒体活动量，需统计每个客户发布的帖子数、评论数、获得的帖子点赞数和评论点赞数，以及每个客户收到的帖子数、评论数、帖子点赞数和评论点赞数。将每位客户发布和收到的社交媒体活动数据框与留存数据框进行合并，计算有点赞和无点赞的帖子与评论之间的差异，以及有评论和无评论的帖子之间的差异。将点赞差异数据与留存数据合并，将评论差异数据与留存数据合并。计算每位客户发出的所有点赞数，以及每位客户收到的所有点赞数。然后，确定哪些用户未参与社交媒体群组。为了进行社会网络分析，需根据点赞帖子和评论以及回复帖子的行为，在数据集中查看两列信息，创建社会网络中关系的边列表。第一列包含发帖人的匿名编号，第二列包含对帖子进行点赞或评论的用户的匿名编号。接下来，通过将关系列表中的两列合并为一列，并删除所有重复的匿名编号，仅保留唯一的匿名编号，从而创建该群体中所有个体的顶点列表。利用 igraph 包中的图数据框及获取邻接矩阵函数，根据边列表和顶点列表创建图对象和图矩阵对象。然后，使用 igraph 包中的 degree（度）和 betweenness（介数）函数，计算该在线群体网络的节点度数和介数统计量。为了在语言查询词频统计软件（Linguistic Inquiry Word Count）中进行计算机化语言分析，需将文本形式的社交媒体数据及帖子评论 ID 列导出为 CSV 文件。通过点击“分析文本”、选择“Excel CSV 文件”，并选中包含帖子和评论的列，将文本形式的社交媒体数据 CSV 文件导入语言查询词频统计（LIWC）软件中，以选定待分析的文本内容。在 LIWC 完成对文本数据的分析后，将输出结果另存为一个新的 CSV 文件。将 LIWC 结果的 CSV 文件导入 R，并将结果与现有数据合并。数据将通过 LIWC 和现有数据框中均存在的“帖子评论 ID”列进行匹配。计算每个用户在帖子和评论中的 LIWC 总分，并将这些分数合并到留存数据中。计算每位用户在所有文本帖子和评论合并数据中的总LIWC得分，并将这些得分与留存数据进行关联。然后，从留存数据框中移除任何网络分析相关变量。为了确定在线社区参与度指标是否能够预测线下康复项目的留存情况，使用R基础包中的IM函数，以留存数据为因变量，LIWC类别、评论数、帖子点赞数和评论点赞数为自变量，进行线性回归分析。然后，将回归分析结果合并为一个数据框。为了创建月度社会网络分析图，需准备用于社会网络分析图的数据框，并根据月度累计社交媒体活动创建边列表。根据月度累计社交媒体活动创建节点列表，并基于月度累计社交媒体活动生成图结构及图矩阵。根据累积的社交媒体活动设置社交网络分析图的布局，并依据用户角色添加颜色。然后生成社交网络分析图，并将图像保存至文件。为计算社交媒体群组每月累积的社交媒体活动量，需分别计算工作人员、客户及其他群组成员每月累积的社交媒体活动量。然后，计算社交媒体群组所有成员每月累计的社交媒体活动量，并将各月累计的社交媒体活动数据框合并在一起。此处展示了在线社区中所有参与者之间关系所构成的社会网络及其在八个月期间演变过程的可视化表示。网络中某个节点所拥有的连接数量决定了其在社交网络中的中心程度。这些代表性结果支持了以下观点：总体而言，在线康复社区成员之间的积极社交互动有助于康复过程。通过计算在线社区中所有参与者发布的帖子、评论和点赞数量，来衡量参与者对在线社区的参与程度，这些互动行为由工作人员、客户以及更广泛的社区成员共同完成。分析结果表明，在线互动水平以及群体内的认可程度（以帖子和评论所获得的点赞数量为指标）能够预测项目的持续参与情况。项目保留率还受到识别标志的预测，这些标志通过发帖中代词“we”的使用以及发帖和评论中的成就类词汇来体现。最后，参与者在社交网络中的位置也构成了保留的重要方面。在使用这种方法时，我们需要记住，这仅仅是捕捉在线社区心理过程的一种方式。理想情况下，还应访问其他数据源。该方法可加以调整，用于研究其他类型在线社区中的线上社交互动，包括在线论坛、讨论组、聊天室等。

integrating-computerized-linguistic-social-network-analyses-to

Research

科研

JoVE Journal

Behavior

行为

整合计算机语言和社交网络分析,在在线社区中捕捉成瘾恢复资本

近年来，关于社会排斥的研究迅速增长。随着该领域的扩展，迫切需要开发出复杂的方法，以在社会排斥过程中同时测量神经和行为结果。本方案利用事件相关脑电位，在计算机化社交互动期间记录持续的神经活动。...

在持续进行的计算机化社会互动中测量神经与行为活动：事件相关脑电位的研究

我们提出了一项针对在线游戏玩家应用经颅直流电刺激（tDCS）及神经影像评估的实验方案与可行性研究。...

针对在线游戏玩家的经颅直流电刺激

本方案介绍了如何使用激光显微切割技术，从杏仁核中央核中高精度、高解剖特异性地分离单个神经元、小胶质细胞和星形胶质细胞。此外，我们还阐述了如何利用微流控RT-qPCR技术检测这些细胞部分转录组的表达情况。...

结合激光捕获显微切割与微流控qPCR分析单细胞转录谱：一种研究阿片类药物依赖的系统生物学方法

在医疗保健中诊断进食障碍具有挑战性。因此，本方案基于949名患者对问卷的应答，开发了一种算法，并将诊断结果展示在一个易于使用的基于网络的界面上。该系统有助于准确诊断进食障碍，同时排除那些被认为患有进食障碍但实际上不符合诊断标准的个体。...

一种辅助临床医生进行进食障碍分析与诊断的计算机平台

激光捕获显微切割与微流控反转录定量聚合酶链式反应（RT-qPCR）相结合，可在单个神经元和胶质细胞中实现转录组检测的解剖学与生物技术特异性。将创新方法与系统生物学策略应用于精神疾病研究，可能推动对疾病机制的理解与治疗手段的发展，例如成瘾中的神经炎症性奖赏缺失假说。...

利用解剖学特异性单细胞基因表达方法研究成瘾行为中反奖赏驱动因素

我们提出一个开源的虚拟代理平台，用于开展实时动机性访谈，该平台结合了先进的语言模型和扩散模型，能够根据用户的行为和特征进行自适应调整。通过使用Greta...

融合自适应非语言行为与语言模型的实时动机性访谈虚拟代理

膳食脂肪含量会影响哺乳动物的能量摄入和体脂组成。通过一系列选择实验观察大鼠对高脂肪食物的偏好，可以检测遗传差异和药物干预对其高脂肪食物偏好的影响。...

脂肪偏好：一种大鼠进食行为的新模型

为了模拟实验室环境，视觉任务的在线数据采集方法需要对刺激呈现进行严格控制。我们概述了使用网络应用程序收集两种视觉注意测试表现数据的方法。...

在线测试视觉注意力的方法

本方案描述了改良型孔板装置，这是一种行为测试装置，结合了开放场和传统孔板的特点。该装置能够对小型实验哺乳动物的非条件性行为进行差异分析，同时也能用于分析其认知能力。...

改良型孔板实验——测量小鼠和大鼠的行为、认知与社会互动

使用计算机化自动学习装置（ALDM）测试系统网络评估非人灵长类动物的社会认知能力

了解如何使用R语言和社交网络分析技术，在成瘾康复在线社区中捕捉隐性康复指标。该方法通过LIWC文本分析和线性回归，帮助研究者更准确地测量用户参与度并预测项目保留率。

整合计算机化语言分析与社会网络分析以捕捉在线社区中的成瘾康复资本

探索更多视频