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

Il nostro protocollo fornisce un modo completo, discreto e accurato per descrivere come le persone possono interagire con le comunità online mentre si stanno riprendendo dalla dipendenza da droghe e alcol. Questa tecnica va oltre l'approccio auto-riportato che è stato utilizzato negli studi precedenti, permettendoci di misurare marcatori più impliciti di recupero. Prima di iniziare l'estrazione, caricare le funzioni, i set di dati o il codice compilato necessari che consentono agli utenti di analizzare, trasformare o estrarre dati in R e caricare la conservazione esterna e i dati utente in R, come frame di dati da un file CSV.

Quando tutti i pacchetti sono stati caricati, usa la funzione get group da R Facebook per estrarre i dati dalla pagina dei social media della comunità di interesse e salvare i dati come frame di dati. Utilizzando la funzione get posts di R Facebook, insieme agli ID post appena estratti, estrarre i dati sui Mi piace dei post realizzati sulla pagina. Utilizzando la funzione get posts di R Facebook e gli ID post estratti, estrarre i dati sui commenti fatti su ogni post e salvare questi dati come frame di dati.

Utilizzando gli ID commento, estrarre i dati sui Mi piace dei commenti fatti su ogni post e salvare questi dati come frame di dati. Quindi, combina i post, pubblica Mi piace, commenti e commenti mi piace i dati in un unico frame di dati e aggiungi una ripartizione mensile. Per calcolare l'attività sui social media effettuata e ricevuta da ogni cliente, calcola il numero di post, commenti, mi piace di post e commenti fatti da ogni cliente e il numero di post, commenti, mi piace dei post e mi piace dei commenti ricevuti da ogni cliente.

Unisciti al frame di dati dell'attività sui social media fatta e ricevuta da ogni cliente al frame dei dati di conservazione e calcola la differenza tra post e commenti con Mi piace e nessun Mi piace e la differenza tra i post con commenti e nessun commento. Unisci i dati delle differenze di Mi piace ai dati di conservazione e i commenti disentrano nei dati di conservazione. Calcola tutti i Mi piace realizzati da ogni cliente e tutti i Mi piace ricevuti da ogni cliente.

Quindi, identifica quali utenti non hanno partecipato al gruppo di social media. Per condurre un'analisi del social network, crea un elenco edge di relazioni all'interno del social network, basato su post e commenti di gradimento e commenti sui post guardando due colonne all'interno del set di dati. La prima colonna contiene l'ID anonimo della persona che effettua il post, mentre la seconda colonna contiene l'ID anonimo della persona che gradise o commenta il post.

Creare quindi un elenco di vertici di tutte le persone del gruppo convertendo le due colonne nell'elenco delle relazioni in un'unica colonna e rimuovendo tutti gli ID anonimi duplicati, in modo da lasciare solo l'ID anonimo univoco. Utilizzando il frame di dati del grafico e ottenere funzioni di adiacenza nel pacchetto igraph, create oggetti matrice grafico e grafico dagli elenchi di spigoli e vertici. Quindi, utilizzare le funzioni di laurea e betweenness dal pacchetto igraph, per ottenere la laurea di rete e le statistiche di betweenness del gruppo online.

Per condurre un'analisi linguistica informatizzata nel software Linguistic Inquiry Word Count, esportare i dati testuali dei social media e pubblicare la colonna ID commento in file CSV. Importare i file CSV dei dati testuali dei social media nel software Linguistic Inquiry Word Count o LIWC, facendo clic su analizza testo, file CSV di Excel e la colonna contenente i post e i commenti per selezionare il testo da analizzare. Dopo che LIWC ha completato l'analisi dei dati testuali, salvare l'output come nuovo file CSV.

Importare il file CSV dei risultati LIWC in R e unire i risultati con i dati esistenti. I dati verranno abbinati alla colonna ID post commento, presente sia in LIWC che nei frame di dati esistenti. Calcola i punteggi LIWC totali per ogni utente in post e commenti e unisci questi punteggi ai dati di conservazione.

Calcola i punteggi LIWC totali per ogni utente in tutti i post testuali e i dati combinati dei commenti e unisci questi punteggi ai dati di conservazione. Quindi, rimuovere qualsiasi analisi di rete dal frame dei dati di conservazione. Per determinare se gli indicatori di coinvolgimento con la comunità online prevedono la conservazione nel programma di ripristino offline, utilizzare la funzione messaggistica istantanea in base R per condurre l'analisi di regressione lineare dei dati di conservazione come variabile dipendente e le categorie LIWC, i commenti, i Mi piace dei post e i Mi piace dei commenti come variabili indipendenti.

Quindi, combinare i risultati dell'analisi di regressione in un unico frame di dati. Per creare una mappa di analisi mensile dei social network, prepara i frame di dati per le mappe di analisi dei social network e crea un elenco di edge basato sull'attività mensile cumulativa dei social media. Crea un elenco di vertici basato sull'attività mensile cumulativa dei social media e crea grafici e matrici di grafici in base all'attività mensile cumulativa dei social media.

Imposta il layout delle mappe di analisi dei social network in base all'attività cumulativa dei social media e aggiungi colori in base ai ruoli utente. Quindi, crea mappe di analisi dei social network e salva le mappe in un file. Per il calcolo dell'attività mensile cumulativa sui social media del gruppo di social media, calcola l'attività mensile cumulativa dei social media da parte dello staff, dei clienti e di altri membri del gruppo di social media.

Quindi, calcola l'attività mensile cumulativa dei social media da parte di tutti i membri del gruppo di social media e unisciti ai dati mensili cumulativi delle attività dei social media. Qui viene mostrata una rappresentazione visiva del social network e la sua evoluzione su un periodo di otto mesi sotto forma di connessioni tra tutti i partecipanti alla comunità online. Il numero di connessioni che un agente nella rete ha determina quanto saranno centrali nel social network.

Questi risultati rappresentativi supportano l'argomentazione secondo cui le interazioni sociali complessive e positive tra i membri di una comunità di recupero online sostengono il processo di recupero. I livelli di coinvolgimento dei partecipanti con la community online vengono misurati calcolando i contributi di tutti i partecipanti alla comunità online come il numero di post, commenti e Mi piace fatti dallo staff, dai clienti e dai membri più ampi della community. Come mostrato dai risultati, in questa analisi, i livelli di interazione online e convalida in gruppo, come riflesso dal numero di Mi piace ricevuti per post e commenti, prevedono la conservazione del programma.

La conservazione del programma è prevista anche dai marcatori di identificazione, come catturato dall'uso del pronome che abbiamo nei post, e dalle parole di realizzazione sia nei post che nei commenti. Infine, dove i partecipanti si trovano all'interno del social network rappresenta anche un importante aspetto della fidelizzazione. Quando si utilizza questo approccio, dobbiamo ricordare che questo è solo un modo per catturare i processi psicologici nelle comunità online.

Idealmente è necessario accedere anche ad altre origini dati. Questo metodo può essere adattato per indagare le interazioni sociali online in altri tipi di comunità online, inclusi forum online, gruppi di discussione, chat room e così via.