Articolo metodologico

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

DOI:

10.3791/58851

⸱

31 maggio 2019

 ,  , 
1School of Social Sciences and Psychology, Western Sydney University, 2Institute for Sustainable Industries and Liveable Cities (ISILC), Victoria University, 3Centre for Regional Economic and Social Research, Sheffield Hallam University

In questo articolo

Sommario

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

Introduzione

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Il metodo presentato è stato progettato per catturare alcol e altre droghe (AOD) capitale di recupero dalle dipendenze in contesti online. Nel campo della dipendenza, il capitale di recupero è stato definito come "la somma totale delle risorse che possono essere portate a sopportare l'avvio e il mantenimento della cessazione dell'abuso di sostanze"1. Il capitale di recupero è stato misurato principalmente attraverso auto-rapporti2,3 in contesti faccia a faccia. Questo approccio fornisce un metodo alternativo per misurare il capitale di recupero in contesti online catturando la qualità e la quantità delle interazioni online nelle comunità di recupero online.

Dato il costante aumento dell'uso delle risorse online sotto forma di sostegno paritaria in una serie di questioni relative alla salute4,5, è necessario sviluppare nuovi metodi per catturare la qualità di queste risorse. Il supporto peer online si verifica sotto forma di interazioni sociali nei forum e nelle comunità online. Le interazioni sociali di sostegno in questi contesti online contribuiscono alla costruzione del capitale di recupero, che a sua volta ha un impatto positivo sul processo di recupero6,7. Il metodo proposto presenta una serie di vantaggi rispetto ai metodi alternativi. In primo luogo, supera alcune delle limitazioni che comportano l'uso di misure di auto-segnalazione nella ricerca sulle dipendenze, in particolare intorno al richiamo e ai pregiudizi di auto-presentazione. Mentre le misure di auto-relazione sono considerate avere livelli ragionevoli di affidabilità e validità, sono suscettibili di pregiudizi e imprecisioni. Per migliorare la precisione e ridurre al minimo la distorsione, è stato riconosciuto che è necessario aumentare l'uso di nuove misure e situazioni di raccolta dei dati progettate per evitare o ridurre al minimo questi problemi8. Accedendo ai dati che si verificano naturalmente in contesti in cui le persone in varie fasi di recupero interagiscono spontaneamente e utilizzando metodi di analisi in grado di estrarre informazioni significative da questi dati (in grado di acquisire indicatori di stati psicologici), i pregiudizi dovuti a desiderabilità sociale (auto-presentazione) e imprecisioni dovute a limitazioni nel richiamo possono essere ridotti o addirittura eliminati. In secondo luogo, questo metodo è altamente efficiente e conveniente, in quanto si basa sull'estrazione di dati online già esistenti (cioè in forum online aperti accessibili al pubblico).

Descritto di seguito è il metodo che è stato applicato a uno studio di costruzione di capitale di recupero in una comunità online stabilita per completare un programma tradizionale, di recupero dalla dipendenza faccia a faccia per i tossicodipendenti nelle fasi iniziali di recupero. In questo caso, i dati online (social media) sono stati collegati ai dati di conservazione del programma, ma il metodo può essere utilizzato anche nei casi in cui i dati di collegamento non sono disponibili o accessibili.

Protocollo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

La ricerca qui descritta è stata approvata dalla comunità etica della ricerca della Sheffield Hallam University.

1. Configurazione

NOTA: si prega di fare riferimento allo script R allegato fornito come File supplementare 1.

  1. Caricare i pacchetti richiesti (Rfacebook9, dplyr10, igraph11e openxlsx12) in R. Pacchetti fanno riferimento a funzioni, set di dati o codice compilato che consentono agli utenti di analizzare, trasformare o estrarre dati.
  2. Caricare la conservazione (esterna) e i dati utente in R come frame di dati da un file CSV.
    NOTA: i dati di conservazione si riferiscono al numero di giorni in cui un cliente partecipa al programma di recupero dalle dipendenze offline (tradizionale). È stato fornito dall'amministratore del programma di recupero (offline) come registrato su un file CSV con il nome del partecipante e il numero di giorni in cui sono stati coinvolti nel programma. Il nome del partecipante è stato sostituito dal numero ID anonimo prima di essere importato in R.

2. Estrazione dei dati dalla comunità online (la pagina sociale di una comunità di recupero dalle dipendenze)

NOTA: questo protocollo si applica a una pagina di social media, ma può essere adattato a diversi tipi di comunità online. Nel caso del pacchetto Rfacebook, permette all'utente di estrarre i dati dalla pagina dei social media in R.

  1. Creare un token di accesso ai social media (Facebook) seguendo la guida sul sito Web di riferimento13.
  2. Creare il token di accesso in R.Create access token in R.
  3. Utilizzando la funzione "getGroup" da Rfacebook, estrarre i dati dalla pagina dei social media della comunità di interesse (ad esempio, il contenuto del post, il numero di commenti e mi piace per ogni post, un numero ID univoco per ogni post, ecc.). Questi dati vengono quindi salvati come frame di dati.
    NOTA: un frame di dati è essenzialmente una tabella all'interno di R utilizzata per archiviare i dati.
  4. Utilizzando la funzione "getPosts" da Rfacebook, insieme con gli ID post estratti nel passaggio 2.3, estrarre i dati sui post mi piace fatti sulla pagina.
  5. Utilizzando la funzione "getPosts" di Rfacebook, insieme agli ID post estratti nel passaggio 2.3, estrarre i dati sui commenti effettuati su ogni post (ad esempio, gli ID utente delle persone che commentano il post, quando è stato fatto il commento, quanti mi piace il post ricevuto). Questi dati vengono quindi salvati come frame di dati.
  6. Utilizzando gli ID di commento estratti nel passaggio 2.5, estrarre i dati sui "mi piace commenti" fatti su ogni post (ad esempio, gli ID utente delle persone che amano il commento). Questi dati vengono quindi salvati come frame di dati.
  7. Combina i post, pubblica Mi piace, commenta e commenta i dati in un unico frame di dati.
  8. Aggiungere una ripartizione mensile (ad esempio, il mese 1 a 8).

3. Calcolo dell'attività sui social media effettuata e ricevuta da ciascun cliente

  1. Calcola il numero di post, commenti, mi piace e mi piace dei post fatti da ogni cliente.
  2. Calcola il numero di post, commenti, mi piace e mi piace dei commenti ricevuti da ogni cliente.
  3. Unisciti al frame di dati di social media realizzato e ricevuto da ogni cliente al frame dei dati di conservazione.
  4. Calcola la differenza tra post e commenti senza "Mi piace" e senza "Mi piace".
  5. Calcola la differenza tra i post con commenti e senza commenti.
  6. Unisci i dati delle differenze tra i "Mi piace" ai dati di conservazione.
  7. Unire i dati delle differenze dei commenti ai dati di conservazione.
  8. Calcola tutti i "Mi piace" realizzati da ogni cliente.
  9. Calcola tutti i "Mi piace" ricevuti da ogni cliente.
  10. Identificare quali utenti non hanno partecipato al gruppo di social media (ad esempio, nessuna attività).

4. Condurre analisi sui social network

  1. Creare un elenco di spigoli. Un elenco di bordi è un elenco di relazioni all'interno del social network, che in questo caso si basa su 1) gradimento post e commenti e 2) commentare i post. Questa operazione viene eseguita esaminando due colonne all'interno del set di dati. La prima colonna contiene l'ID anonimo della persona che effettua il post, mentre la seconda contiene l'ID anonimo della persona che gradisse o commenta il post.
  2. Creare un elenco di vertici. Un elenco di vertici è un elenco di tutti gli individui del gruppo. Questa operazione viene eseguita convertendo le due colonne nell'elenco di relazioni in una colonna e rimuovendo gli ID anonimi duplicati in modo che rimane solo l'ID anonimo univoco.
  3. Utilizzando le funzioni "graph.data.frame" e "get.adjacency" nel pacchetto igraph, creare oggetti a matrice di grafici e grafici dagli elenchi di bordi e vertici.
  4. Utilizzando le funzioni "grado" e "interità" dal pacchetto igraph, ottenere le statistiche di rete (grado e interlodenza) del gruppo online.

5. Condurre analisi linguistiche computerizzate in LIWC

  1. Esporta i dati dei social media testuali (ad es. post e commenti) e la colonna ID post/commento in file CSV.
  2. Importa i file CSV dei dati testuali dei social media nel software LIWC (Linguistic Inquiry Word Count).
  3. Genera categorie LIWC e salvali in nuovi file CSV. Fai questo cliccando su "Analizza testo", poi su "File Excel/CSV" e cliccando sulla colonna contenente i post e i commenti per selezionare il testo da analizzare. Dopo che LIWC ha completato l'analisi dei dati testuali, salvare l'output come nuovo file CSV.
  4. Importare il file CSV dei risultati LIWC in R e unire con i dati esistenti. I dati vengono associati alla colonna ID post/commento, che esiste sia in LIWC che in frame di dati esistenti.
  5. Calcola i punteggi LIWC totali per ogni utente nei post e nei commenti, quindi iscriviti ai dati di conservazione.
  6. Calcola i punteggi LIWC totali per ogni utente in tutti i dati testuali (posta e commenti combinati), quindi iscriviti ai dati di conservazione.
  7. Rimuovere i NA dal frame dei dati di conservazione.

6. Condurre analisi di regressione (per determinare se gli indicatori di coinvolgimento con la comunità online prevedono la fidelizzazione nel programma di recupero offline)

  1. Definire le variabili indipendenti.
  2. Utilizzando la funzione "lm" in base R, eseguire l'analisi di regressione lineare utilizzando i dati di conservazione come variabile dipendente e le categorie LIWC, i commenti, i "Mi piace" post e i like come variabili indipendenti.
  3. Combinare i risultati dell'analisi di regressione in un unico frame di dati.

7. Creazione di mappe SNA mensili

  1. Preparare i frame di dati per le mappe SNA.
  2. Crea un elenco di edge in base all'attività di social media cumulativa mensile.
  3. Creare un elenco di vertici basato sull'attività dei social media cumulativa mensile.
  4. Crea grafici e matrici di grafici in base all'attività cumulativa mensile dei social media.
  5. Impostare il layout delle mappe SNA in base all'attività cumulativa dei social media.
  6. Aggiungere colori in base ai ruoli utente.
  7. Creare mappe SNA e salvarle in un file.

8. Calcolo dell'attività dei social media cumulativa mensile del gruppo dei social media

  1. Calcola l'attività cumulativa mensile dei social media da parte del personale, dei clienti e di altri membri del gruppo di social media.
  2. Calcola l'attività cumulativa mensile dei social media da parte di tutti i membri del gruppo dei social media.
  3. Unisciti ai frame di dati mensili cumulativi dell'attività sui social media.

Risultati

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Una descrizione dettagliata dei risultati rappresentativi ottenuti con questo metodo può essere trovata nel nostro recente lavoro14, che è stato rivisto e ha ricevuto piena approvazione dal comitato etico di ricerca dell'istituzione in cui è stata condotta la ricerca. Nella relazione qui descritta, lo studio ha studiato se la partecipazione online a una comunità di recupero contribuisca al processo di recupero attraverso la creazione di capitale di recupero (come catturato dall'aumento dei livelli e della qualità delle interazioni sociali online e sviluppo positivo dell'identità). In altre parole, lo studio ha esaminato se gli indicatori del capitale di recupero online si sono sviluppati nel corso degli otto mesi di dati online valutati e ha anche previsto la conservazione in un programma di recupero progettato per favorire il coinvolgimento della comunità per i tossicodipendenti nelle prime fasi del guarigione.

Per mappare il modo in cui i partecipanti hanno interagito online, è stata condotta l'analisi dei social network (SNA) utilizzando i dati estratti dalla pagina dei social media (n - 609) di una comunità di recupero. Una rappresentazione visiva del social network e della sua evoluzione è presentata in Figura 1. La figura illustra l'attività nella comunità online osservata ogni mese per un periodo di 8 mesi sotto forma di connessioni tra tutti i partecipanti alla comunità online (ad esempio, commentando i post, i post di gradimento e i commenti di gradimento). Il numero di connessioni che un "agente" nella rete ha determina quanto centrale saranno nel social network. È stata utilizzata l'analisi linguistica computerizzata per valutare i dati testuali (catturando i marcatori di identità sociale) ed è stata condotta un'analisi di regressione lineare per determinare se gli indicatori di conservazione del programma prevista dal capitale di recupero. Queste analisi hanno indicato che la conservazione del programma era effettivamente prevista da: (a) livelli di convalida del gruppo ricevuti sotto forma di commenti e tutti i "Mi piace" ricevuti sulla pagina dei social media, (b) posizione nel social network (centralità della rete) e (c) gruppo l'identità e il raggiungimento (come acquisita dal contenuto linguistico della comunicazione online). I risultati hanno sostenuto l'argomento secondo cui, nel complesso, le interazioni sociali positive tra i membri di una comunità di recupero online sono favorevoli al processo di recupero. Di seguito è riportata una sintesi di tali risultati.

figure-results-1
Figura 1: Le rappresentazioni mensili del social network della comunità online nell'arco di 8 mesi suggeriscono cambiamenti nel modello delle interazioni sociali tra i partecipanti. Queste rappresentazioni illustrano come all'inizio, la maggior parte dei membri del cliente nella comunità online (clienti del programma di recupero offline) sono per lo più disconnessi, ed è il personale del programma e solo un piccolo numero di clienti che guidano l'attività online. Tuttavia, questo cambia gradualmente, in modo che dopo 8 mesi, i client sono quelli più connessi (quindi i più centrali), con il maggior numero di connessioni nella rete (figura adattata da una pubblicazione precedente)14. Fare clic qui per visualizzare una versione più grande di questa figura.

Statistiche descrittive

I livelli di coinvolgimento dei partecipanti con la comunità online sono stati misurati calcolando i contributi di tutti i partecipanti nella comunità online come numero di post, commenti e "Mi piace" realizzati da personale, clienti e membri più ampi della comunità. La tabella 1 presenta una ripartizione per tipo di contributo (come dato da ciascuna categoria di partecipanti) nell'ambito di 8 mesi.

Membri del gruppoTipo di contributo onlineMese 1Mese 2Mese 3Mese 4Mese 5Mese 6Mese 7Mese 8
tuttiPost e commenti382 del sistema388 (770)579 (1349)369 (1718)530 (2248)581 (2829)796 (3625)674 (4299)
Pubblica mi piace dati1167 (in inglese)878 (2045)1856 (3901)1440 (5341)1880 (7221)1756 (8977)2667 (11644)1857 (13501)
Commenta i "Mi piace" dato784970 (1604)825 (2429)171 (2600)634 (3234)970 (4204)825 (5029)171 (5200)
personalePost e commenti129 del 122106 (235)170 (405)96 (501)185 (686)176 (862)227 (1089)316 (1405)
Pubblica mi piace dati188 del sistema147 (335)302 (637)209 (846)385 (1231)372 (1603)567 (2170)511 (2681)
Commenta i "Mi piace" dato168 del sistema303 (471)237 (708)69 (777)168 (945)303 (1248)237 (1485)69 (1554)
ClientiPost e commenti145 del sistema155 (300)214 (514)132 (646)208 (854)286 (1140)419 (1559)253 (1812)
Pubblica mi piace dati365 anni252 (617)415 (1032)303 (1335)549 (1884)529 (2413)898 (3311)576 (3887)
Commenta i "Mi piace" dato143 del sistema318 (461)235 (696)33 (729)143 (872)318 (1190)235 (1425)33 (1458)
AltriPost e commenti108 Del sistema127 (235)195 (430)141 (571)137 (708)119 (827)150 (977)105 (1082)
Pubblica mi piace dati614 anni479 (1093)1139 (2232)928 (3160)946 (4106)855 (4961)1202 (6163)770 (6933)
Commenta i "Mi piace" dato473349 (672)353 (1025)69 (1094)323 (1417)349 (1766)353 (2119)69 (2188)

Tabella 1: Mostrato è il numero di contributi online per tipo (post e commenti fatti, Mi piace dati ai post e "Mi piace" dati ai commenti) dai membri della comunità online in tutto 8 mesi. I membri della comunità online sono classificati come personale (personale di supporto impiegato dal programma di recupero offline), clienti (persone in recupero che partecipano al programma di recupero offline) e altri (sostenitori e sostenitori del pro-recupero comunità più ampia).

Determinanti della conservazione nel programma

Sono state testate le seguenti ipotesi: (1) la conservazione del programma dovrebbe essere associata agli indicatori di sviluppo del capitale di recupero (cioè, che si riflettono nella quantità e qualità dell'interazione online), e (2) la conservazione del programma dovrebbe essere associata anche a indicatori di cambiamento dell'identità (cioè indicatori di sviluppo positivo dell'identità di recupero). La quantità di interazione online è stata indicata dal numero di post a, b) numero di commenti effettuati, c) numero di post ricevuti, d) numero di commenti "Mi piace" ricevuti ed e) numero di tutti i "Mi piace" ricevuti.

Per determinare la qualità dell'interazione online, sono stati analizzati la struttura della rete e il contenuto linguistico. Più specificamente, sono stati utilizzati coefficienti di grado e di interità derivati dall'analisi dei social network (SNA) e indicatori linguistici di un effetto positivo derivato dall'analisi linguistica computerizzata. Come indicatori di cambiamento positivo dell'identità (come identificazione con la comunità di recupero) sono state utilizzate la frequenza di utilizzo del pronome "noi" e le parole di realizzazione (ad esempio, prova, obiettivo, vittoria, ecc.). Infine, la variabile dipendente (conservazione nel programma) è stata indicata dal numero totale di giorni trascorsi nel programma (che vanno da 86 a 464 giorni qui). Come indicato dai risultati, i livelli di interazione online e di convalida in gruppo (come riflesso dal numero di "Mi piace" ricevuti per post e commenti) la conservazione prevista del programma (tabella 2). La conservazione del programma è stata prevista anche dai marcatori di identificazione (come catturato dall'uso del pronome "noi" nei post e delle parole di realizzazione nei post e nei commenti). Infine, quando i partecipanti si trovano all'interno del social network (cioè il gradodi centralità) rappresenta anche un aspetto importante della conservazione (tabella 2).

variabileBSE (SE)ΒR2
Commenti Mi piace ricevuti0,43 (in linguaggio da 22):0.18.47: 0.22 (in modo non il più del 22)
Mi piace ricevuti (tutti)0,08 (in vie tall on.0,03 (in vi estati).43: 0.18
Differenza simile ai commenti1.09 (in questo 1,09)0,5 0,5.43: 0.19
Grado di rete0,010 (in vie.43: 0.18
LIWC Noi (Post)3.891.76 (in inglese).43: 0.19
LIWC Achievement (Post)0,56 (in inglese)0.26.43: 0.18
Risultati LIWC (Tutti)0.140,07 (in vi estati).42: 0.17

Tabella 2: Tempo di conservazione previsto per coinvolgimento online, statistiche di rete e categorie linguistiche.

Discussione

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

L'approccio qui descritto si basa su un nuovo metodo per misurare il modo in cui i processi di gruppo online possono influire sulla ritenzione in un programma di recupero dalle dipendenze. Applicando questo metodo a una comunità online di recupero dalla dipendenza, si è scoperto che c'erano quattro aspetti chiave prevista fidelizzazione del programma: essere altamente coinvolti nella comunità online, essere centrale nel social network online, effetto positivo espresso in comunicazione con altri membri della comunità online, e ricevendo la convalida da altri per i contributi alla rete14. I risultati ottenuti utilizzando questo metodo supportano i modelli teorici di recupero esistenti. Ovvero, due modelli chiave nella letteratura di recupero, il social identity Model of Recovery15 e il Social Identity Model of Cessation Maintenance16, sottolineano entrambi l'importanza della partecipazione attiva in gruppi che sostengono guarigione. Entrambi i modelli suggeriscono che una maggiore identificazione e impegno per tali gruppi contribuiscano a ridurre il contatto futuro con l'uso dei gruppi e le conseguenti ricadute.

Come illustrato nella nostra ricerca, il metodo ci ha permesso di mappare le traiettorie di recupero o di cambiamento di singoli membri della comunità online14. Le visualizzazioni dei social network online e la loro evoluzione nel tempo possono fornire preziose informazioni sul movimento dei membri della comunità online dalla periferia al centro della rete e viceversa (questi movimenti nella rete indicano cambiamenti nei livelli di coinvolgimento con la comunità online). In uno studio del 201714, interviste con i membri della comunità online che hanno intrapreso i cambiamenti più significativi in termini di cambiamento in termini di movimento dalla periferia al centro delle reti sono stati condotti come un modo di triangolare i nostri risultati basati su SNA, computerizzato l'analisi linguistica e la regressione contro i dati di conservazione. Studi futuri possono invece concentrarsi su quei membri che si sono disimpegnati con la comunità online, su coloro che non si impegnano mai, o su misure più dirette di risultato come l'uso di sostanze e la recidiva. Questa metodologia può essere ulteriormente messa a punto per essere utilizzata nei programmi di intervento, ad esempio per valutare il ruolo dei moderatori nei forum di assistenza.

Attualmente non ci sono studi che forniscono prove sui benefici del metodo qui descritto quando utilizzato da solo (il metodo descritto è stato utilizzato in combinazione con i dati di conservazione e triangulated con dati qualitativi da interviste con la comunità online chiave membri14), ma questo approccio può fornire dati accurati e privi di bias che possono integrare l'auto-segnalazione e altre misure negli studi sul recupero dalle dipendenze.

Questo metodo è stato applicato per esaminare le interazioni sociali online nel contesto di una pagina di social media stabilita come forma complementare di supporto a un programma di recupero faccia a faccia standard. Tuttavia, con piccole modifiche, il metodo può essere utilizzato per indagare sulle interazioni sociali online in altri tipi di comunità online (forum online, gruppi di discussione, chat room, siti di commento, ecc.). Uno dei principali vantaggi di questo metodo è che può essere adattato e applicato a contesti che vanno oltre le comunità di recupero dalle dipendenze a qualsiasi comunità online. Ad esempio, nella nostra ricerca sulla psicologia politica, usiamo un metodo simile (sviluppato dal metodo qui descritto) per catturare la qualità delle interazioni online e i cambiamenti in queste interazioni tra i membri delle comunità online di estrema destra. In effetti, il metodo può essere applicato a qualsiasi comunità online in cui è possibile estrarre i dati sotto forma di connessioni tra i membri (come collegamenti di social network) e contenuti linguistici.

Tuttavia, nell'accesso e nell'utilizzo dei dati online, i ricercatori devono essere consapevoli di questioni etiche, alcune che si applicano all'auto-segnalazione e ad altri tipi di dati in generale e ad altri che si incontrano solo in un ambiente online. Nella ricerca qui descritta (che è stata approvata dalla comunità etica della ricerca della Sheffield Hallam University), è stato ottenuto il consenso dell'organizzazione che gestisce il programma di recupero e sono state adottate misure rigorose per garantire il completo anonimato partecipanti alla pagina aperta dei social media (ad esempio, dopo la corrispondenza dei dati online e di conservazione, tutte le informazioni di identificazione sono state rimosse dai file e anche nessun preventivo potenzialmente auto-identificante è stato utilizzato dalla comunicazione online accessibile pubblicamente).

Una stretta comunicazione con l'organizzazione ha anche assicurato che i partecipanti al programma fossero a conoscenza dei risultati dello studio e della ricerca, e uno dei ricercatori si è riunito regolarmente con il gruppo per spiegare lo studio e i suoi risultati. In altri casi, tuttavia, in cui le comunità online non sono associate a specifici programmi offline, potrebbe essere più difficile determinare a chi dovrebbe essere chiesto il consenso per quanto riguarda l'estrazione dei dati (applicabile soprattutto nei forum non smottati, dove le persone in recupero sostegno peer online). Mentre si applicheranno i principi generali della ricerca etica, i ricercatori devono adottare un approccio caso per caso per garantire che l'estrazione e l'analisi dei dati online non comportino rischi significativi per i partecipanti (ad esempio, compromettendo la privacy).

Dichiarazioni

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Gli autori non hanno nulla da rivelare.

Ringraziamenti

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
Software LIWCReceptivitihttps://liwc.wpengine.com/ software di analisi linguistica computerizzata
R softwaren/astatistico e di visualizzazionedati https://www.r-project.org/
software free

Riferimenti

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Cloud, W., Granfield, R. Conceptualizing recovery capital: Expansion of a theoretical construct. Substance Use and Misuse. 43, 1971-1986 (2008).
  2. Best, D., et al. Mapping the recovery stories of drinkers and drug users in Glasgow: Quality of life and its associations with measures of recovery capital. Drug and Alcohol Review. 31 (3), 334-341 (2012).
  3. Laudet, A. B., White, W. L. Recovery capital as prospective predictor of sustained recovery, life satisfaction, and stress among former poly-substance users. Substance Use and Misuse. 43 (1), 27-54 (2008).
  4. Moorhead, S. A., et al. A new dimension of health care: systematic review of the uses, benefits, and limitations of social media for health communication. Journal of Medical Internet Research. 15, e85(2013).
  5. White, M., Dorman, S. M. Receiving social support online: implications for health education. Health Education Research. 16, 693-707 (2001).
  6. Best, D., Bliuc, A. M., Iqbal, M., Upton, K., Hodgkins, S. Mapping social identity change in online networks of addiction recovery. Addiction Research and Theory. 26 (3), 163-173 (2018).
  7. Bliuc, A. M., Best, D., Beckwith, M., Iqbal, M. Online support communities in addiction recovery. Addiction, behavioral change and social identity: The path to resilience and recovery. , 137(2016).
  8. Del Boca, F. K., Darkes, J. The validity of self‐reports of alcohol consumption: state of the science and challenges for research. Addiction. 98, 1-12 (2003).
  9. Barbera, P. Package ‘Rfacebook’. , Available from: https://cran.r-project.org/web/packages/Rfacebook/Rfacebook.pdf (2017).
  10. Wickham, H., François, R., Henry, L., Müller, K. Package ‘dplyr’. , Available from: https://cran.r-project.org/web/packages/dplyr/dplyr.pdf (2018).
  11. Csárdi, G. Package ‘igraph’. , Available from: https://cran.r-project.org/web/packages/igraph/igraph.pdf (2018).
  12. Walker, A., Braglia, L. Package ‘openxlsx’. , Available from: https://cran.r-project.org/web/packages/openxlsx/openxlsx.pdf (2018).
  13. How to get a Facebook access token which never expires. , Available from: https://smashballoon.com/custom-facebook-feed/access-token/ (2018).
  14. Bliuc, A. M., Best, D., Iqbal, M., Upton, K. Building addiction recovery capital through online participation in a recovery community. Social Science and Medicine. 193, 110-117 (2017).
  15. Best, D., et al. Overcoming alcohol and other drug addiction as a process of social identity transition: The Social Identity Model of Recovery (SIMOR). Addiction Research and Theory. 24, 111-123 (2016).
  16. Frings, D., Albery, I. P. The social identity model of cessation maintenance: Formulation and initial evidence. Addictive Behaviors. 44, 35-42 (2015).

Ristampe e permessi

Richiedi il permesso di riutilizzare il testo o le figure di questo articolo JoVE

Richiedi permesso

Tag

Social Network AnalysisComputerized Linguistic AnalysisOnline Recovery CommunityRecovery Capital MeasurementProgram Retention PredictionLinguistic Inquiry Word CountEngagement Identification MarkersMonthly Cumulative ActivityNetwork Degree BetweennessLinear Regression Analysis

Articoli correlati