Name: 전산화된 언어 및 소셜 네트워크 분석을 통합하여 온라인 커뮤니티에서 중독 회복 자본 을 포착 (동영상) | JoVE Journal
Uploaded: 2019-05-31T12:30:00.000+00:00
Duration: 8 min 53 s
Description: 배우세요 온라인 중독 회복 커뮤니티에서 R과 LIWC를 활용한 소셜 네트워크 및 언어 분석 방법을. 이 기법은 암묵적 회복 지표를 측정하여 참여도와 프로그램 유지율 예측에 활용됩니다.

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

우리는 우리의 연구에 참여하기로 지원하고 동의 한 잡스, 친구 및 주택, 영국의 고객과 직원에게 감사드립니다.

여기에 설명된 연구는 셰필드 할람 대학의 연구 윤리 커뮤니티에 의해 승인되었습니다.
1. 설정
참고: 보충 파일1로 제공되는 첨부된 R 스크립트를 참조하십시오.
<ol><li>R. 패키지의 로드필수 패키지(Rfacebook 9, dplyr10,igraph11및 openxlsx12)는사용자가 데이터를 분석, 변환 또는 추출할 수 있는 함수, 데이터 집합 또는 컴파일된 코드를 참조합니다.</li>
	<li>CSV 파일에서 데이터 프레임으로 R에(외부) 보존 및 사용자 데이터를 로드합니다. 참고: 보존 데이터는 클라이언트가 오프라인(기존) 중독 복구 프로그램에 참여하는 일수를 나타냅니다. 참가자 이름과 프로그램에 참여한 일수와 함께 CSV 파일에 기록된 대로 (오프라인) 복구 프로그램의 관리자가 제공했습니다. 참가자 이름은 R로 가져오기 전에 익명 ID 번호로 대체되었습니다.</li>
</ol>2. 온라인 커뮤니티에서 데이터 추출(중독 회복 커뮤니티의 소셜 페이지)
참고: 이 프로토콜은 소셜 미디어 페이지에 적용되지만 다양한 유형의 온라인 커뮤니티에 적용할 수 있습니다. Rfacebook 패키지의 경우 사용자가 소셜 미디어 페이지에서 R로 데이터를 추출할 수 있습니다.
<ol><li>참조 된 웹 사이트13의가이드에 따라 소셜 미디어 (Facebook) 액세스 토큰을 만듭니다.</li>
	<li>R에서 액세스 토큰을 만듭니다.</li>
	<li>Rfacebook의 "getGroup" 기능을 사용하여 관심 있는 커뮤니티의 소셜 미디어 페이지에서 데이터를 추출합니다(예: 게시물 콘텐츠, 각 게시물의 댓글 및 좋아요 수, 각 게시물의 고유 ID 번호 등). 그런 다음 이 데이터가 데이터 프레임으로 저장됩니다. 참고: 데이터 프레임은 기본적으로 데이터를 저장하는 데 사용되는 R 내의 테이블입니다.</li>
	<li>Rfacebook의 "getPosts" 기능을 사용하여 2.3단계에서 추출한 게시물 ID와 함께 페이지에서 만든 게시물에 대한 데이터를 추출합니다.</li>
	<li>Rfacebook의 "getPosts" 기능을 사용하여 2.3 단계에서 추출된 게시물 ID와 함께 각 게시물에 대한 댓글 데이터를 추출합니다(예: 게시물에 댓글을 달는 사용자의 사용자 ID, 댓글이 작성되었을 때, 게시물수신 횟수). 그런 다음 이 데이터가 데이터 프레임으로 저장됩니다.</li>
	<li>2.5단계에서 추출한 댓글 ID를 사용하여 각 게시물에 대해 "댓글 좋아요"에 대한 데이터를 추출합니다(예: 댓글을 좋아하는 사람의 사용자 ID). 그런 다음 이 데이터가 데이터 프레임으로 저장됩니다.</li>
	<li>게시물, 게시물 좋아요, 댓글, 댓글 좋아요 데이터를 하나의 데이터 프레임에 결합합니다.</li>
	<li>월별 분석 분석(예: 월 1~8)을 추가합니다.</li>
</ol>3. 각 고객이 소셜 미디어 활동을 하고 수신한 계산
<ol><li>각 클라이언트가 만든 게시물, 댓글, 게시물 좋아요 및 댓글 좋아요 수를 계산합니다.</li>
	<li>각 클라이언트가 받은 게시물, 댓글, 게시물 좋아요 및 댓글 좋아요 수를 계산합니다.</li>
	<li>각 클라이언트가 만들고 받은 소셜 미디어 활동의 데이터 프레임에 가입하여 보존 데이터 프레임에 참여합니다.</li>
	<li>좋아요와 좋아요가 없는 게시물과 댓글의 차이를 계산합니다.</li>
	<li>댓글이 없는 게시물과 댓글의 차이를 계산합니다.</li>
	<li>좋아요 차이 데이터를 보존 데이터에 조인합니다.</li>
	<li>주석 차이 데이터를 보존 데이터에 조인합니다.</li>
	<li>각 클라이언트에 의해 만들어진 모든 좋아하는 계산합니다.</li>
	<li>각 클라이언트가 받은 모든 좋아요를 계산합니다.</li>
	<li>소셜 미디어 그룹에 참여하지 않은 사용자(예: 활동 없음)를 식별합니다.</li>
</ol>4. 소셜 네트워크 분석 수행
<ol><li>모서리 목록을 만듭니다. 에지 리스트는 소셜 네트워크 내의 관계 목록으로, 이 경우 1) 좋아요 게시물 및 댓글 및 2) 게시물에 댓글을 달기 위한 것입니다. 이 작업은 데이터 집합 내의 두 열을 보면 수행됩니다. 첫 번째 열에는 게시물을 만드는 사람의 익명 ID가 포함되어 있으며, 두 번째 열에는 게시물에 좋아요를 누르거나 댓글을 다는 사람의 익명 ID가 포함되어 있습니다.</li>
	<li>정점 목록을 만듭니다. 정점 목록은 그룹의 모든 개인의 목록입니다. 이 작업은 관계 목록의 두 열을 하나의 열로 변환하고 중복 익명 ID를 제거하여 고유한 익명 ID만 남게 합니다.</li>
	<li>igraph 패키지의 "graph.data.frame" 및 "get.adjacency" 함수를 사용하여 가장자리 및 정점 목록에서 그래프 및 그래프 매트릭스 개체를 만듭니다.</li>
	<li>igraph 패키지에서 "정도" 및 "사이음" 함수를 사용하여 온라인 그룹의 네트워크 통계(정도 및 간음)를 가져옵니다.</li>
</ol>5. LIWC에서 전산화된 언어 분석 수행
<ol><li>텍스트 소셜 미디어 데이터(예: 게시물 및 댓글)를 내보내고 게시/댓글 ID 열을 CSV 파일로 내보냅니다.</li>
	<li>텍스트 소셜 미디어 데이터의 CSV 파일을 LIWC(언어 문의 단어 수) 소프트웨어로 가져옵니다.</li>
	<li>LIWC 범주를 생성하고 새 CSV 파일에 저장합니다. "텍스트 분석"을 클릭한 다음 "Excel/CSV 파일"을 클릭하고 게시물과 주석이 포함된 열을 클릭하여 분석할 텍스트를 선택합니다. LIWC가 텍스트 데이터 분석을 완료한 후 출력을 새 CSV 파일로 저장합니다.</li>
	<li>LIWC 결과 CSV 파일을 R로 가져오고 기존 데이터와 병합합니다. 데이터는 LIWC 및 기존 데이터 프레임에 모두 존재하는 게시물/주석 ID 열과 일치합니다.</li>
	<li>게시물 및 댓글에서 각 사용자에 대한 총 LIWC 점수를 계산한 다음 보존 데이터에 가입합니다.</li>
	<li>모든 텍스트 데이터(게시물 및 댓글 결합)에서 각 사용자의 총 LIWC 점수를 계산한 다음 보존 데이터에 조인합니다.</li>
	<li>보존 데이터 프레임에서 NA를 제거합니다.</li>
</ol>6. 회귀 분석 수행 (온라인 커뮤니티와의 참여 지표가 오프라인 복구 프로그램의 유지를 예측하는지 여부를 결정하기 위해)
<ol><li>독립 변수를 정의합니다.</li>
	<li>기본 R의 "lm" 함수를 사용하여 보존 데이터를 종속 변수로 사용하여 선형 회귀 분석을 수행하고 LIWC 범주, 댓글, 게시물 좋아요 및 댓글 좋아요를 독립 변수로 수행합니다.</li>
	<li>회귀 분석 결과를 하나의 데이터 프레임으로 결합합니다.</li>
</ol>7. 월간 SNA 맵 만들기
<ol><li>SNA 맵에 대한 데이터 프레임을 준비합니다.</li>
	<li>월별 누적 소셜 미디어 활동을 기반으로 에지 목록을 만듭니다.</li>
	<li>월별 누적 소셜 미디어 활동을 기반으로 정점 목록을 만듭니다.</li>
	<li>월별 누적 소셜 미디어 활동을 기반으로 그래프와 그래프 행렬을 만듭니다.</li>
	<li>누적 소셜 미디어 활동을 기반으로 SNA 맵의 레이아웃을 설정합니다.</li>
	<li>사용자 역할에 따라 색상을 추가합니다.</li>
	<li>SNA 맵을 만들고 파일에 저장합니다.</li>
</ol>8. 소셜 미디어 그룹의 월간 누적 소셜 미디어 활동 계산
<ol><li>직원, 고객 및 소셜 미디어 그룹의 다른 구성원에 의해 월별 누적 소셜 미디어 활동을 계산합니다.</li>
	<li>소셜 미디어 그룹의 모든 구성원의 월별 누적 소셜 미디어 활동을 계산합니다.</li>
	<li>함께 월간 누적 소셜 미디어 활동 데이터 프레임에 가입하세요.</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>

저자는 공개 할 것이 없다.

여기에 설명된 접근 방식은 온라인 그룹 프로세스가 중독 회복 프로그램의 보존에 미치는 영향을 측정하는 새로운 방법을 기반으로 합니다. 중독에서 회복의 온라인 커뮤니티에이 방법을 적용, 그것은 네 가지 주요 측면이 있었다 것으로 나타났습니다 프로그램 보존을 예측: 온라인 커뮤니티에 매우 참여하고, 온라인 소셜 네트워크의 중심인, 긍정적 인 영향을 표현 온라인 커뮤니티의 다른 구성원과 통신하고, 네트워크에 대한 기여에 대한 타인의 검증을 수신14. 이 방법을 사용하여 얻은 결과는 복구의 기존 이론적 모델을 지원합니다. 즉, 복구 문헌의 두 가지 핵심 모델인 복구15의 사회적 정체성 모델과 중단 유지 보수 16의 사회적 정체성 모델은 모두 지지하는 그룹에 적극적으로 참여하는 것의 중요성을 강조합니다. 복구. 두 모델 모두 이러한 그룹에 대한 식별 및 헌신이 향후 그룹 사용 및 그에 따른 재발과의 접촉을 낮추는 데 기여한다는 것을 시사합니다.
우리의 연구에 도시 된 바와 같이, 방법은 우리가 복구 또는 온라인 커뮤니티의 개별 구성원의 변화의 궤적을 매핑 할 수 있었습니다14. 온라인 소셜 네트워크의 시각화와 시간이 지남에 따라 진화는 주변에서 네트워크 중심으로의 온라인 커뮤니티 구성원의 이동에 대한 귀중한 정보를 제공 할 수 있으며 그 반대의 경우도 마찬가지입니다 (네트워크의 이러한 움직임은 온라인 커뮤니티와의 참여 수준이 변경됩니다. 2017년 연구14에서주변에서 네트워크 중심으로의 이동 측면에서 가장 중요한 변화를 겪은 온라인 커뮤니티 회원들과의 인터뷰는 SNA를 기반으로 한 조사 결과를 삼각측량하는 방법으로 수행되었습니다. 보존 데이터에 대한 회귀. 미래의 연구는 온라인 커뮤니티와 단절된 회원, 결코 참여하지 않는 사람들, 또는 약물 사용 및 재범과 같은 결과의 보다 직접적인 측정에 초점을 맞출 수 있습니다. 이 방법론은 예를 들어 도움말 포럼에서 중재자의 역할을 평가하기 위해 개입 프로그램에 사용할 수 있도록 미세 조정할 수 있습니다.
현재 자체적으로 사용할 때 여기에 설명된 방법의 이점에 대한 증거를 제공하는 연구는 없습니다(설명된 방법은 보존 데이터와 함께 사용되었으며 주요 온라인 커뮤니티와의 인터뷰에서 정성적 데이터와 삼각측량으로 분류되었습니다. 회원14),그러나 이 접근법은 중독 회복 연구에서 자기 보고 및 기타 조치를 보완할 수 있는 정확하고 편견없는 데이터를 제공할 수 있다.
이 방법은 표준 대면 복구 프로그램에 대한 보완적인 지원 형태로 설정된 소셜 미디어 페이지의 맥락에서 온라인 소셜 상호 작용을 검사하기 위해 적용되었습니다. 그러나 사소한 변경으로 이 방법은 다른 유형의 온라인 커뮤니티(온라인 포럼, 토론 그룹, 채팅방, 해설 웹 사이트 등)에서 온라인 소셜 상호 작용을 조사하는 데 사용할 수 있습니다. 이 방법의 주요 장점 중 하나는 중독 회복의 공동체를 넘어 모든 온라인 커뮤니티에 적응하고 상황에 적용할 수 있다는 것입니다. 예를 들어, 우리 자신의 정치 심리학 연구에서, 우리는 온라인 상호 작용의 품질과 극우 온라인 커뮤니티의 구성원 사이의 이러한 상호 작용의 변화를 캡처하기 위해 유사한 방법 (여기에 설명 된 방법에서 개발)을 사용합니다. 실제로 이 방법은 구성원(소셜 네트워크 연결)과 언어 콘텐츠 간의 연결 형식의 데이터를 추출할 수 있는 모든 온라인 커뮤니티에 적용할 수 있습니다.
그러나 온라인 데이터에 액세스하고 작업할 때 연구원은 윤리적 문제를 인식해야 하며, 일부는 일반적으로 자체 보고 및 기타 유형의 데이터에 적용되며 일부는 온라인 환경에서만 발생합니다. 여기에 설명된 연구(셰필드 할람 대학의 연구 윤리 커뮤니티에 의해 승인됨)에서 복구 프로그램을 관리하는 조직으로부터 동의를 얻었으며, 완전한 익명성을 보장하기 위한 엄격한 조치가 취해졌습니다. 개방형 소셜 미디어 페이지의 참가자(예: 온라인 및 보존 데이터 매칭 후 모든 식별 정보가 파일에서 제거되었으며 공개적으로 액세스할 수 있는 온라인 통신에서 잠재적으로 자체 식별 따옴표가 사용되지 않음).
조직과의 긴밀한 의사 소통은 또한 프로그램의 참가자들이 연구 및 연구 결과를 알고 있음을 보장하고, 연구원 중 한 명이 연구 결과와 그 결과를 설명하기 위해 그룹과 정기적으로 만났습니다. 그러나 온라인 커뮤니티가 특정 오프라인 프로그램과 연결되지 않은 경우 데이터 추출에 대한 동의를 요청해야 하는 사람을 결정하기가 더 어려울 수 있습니다(특히 복구 중인 사람이 있는 중재되지 않은 포럼에서 적용 가능) 온라인 피어 지원을 요청하십시오). 윤리적 연구의 일반적인 원칙이 적용되지만, 연구원은 온라인 데이터의 추출 및 분석이 참가자에게 중대한 위험을 초래하지 않도록 사례별 접근 방식을 채택해야 합니다(예: 개인 정보 보호 손상).

제시된 방법은 온라인 맥락에서 알코올 및 기타 약물 (AOD) 중독 회복 자본을 포착하도록 설계되었습니다. 중독 분야에서, 회복 자본은 "물질 남용 중단의 개시 및 유지 보수에 부담할 수 있는 하나의 자원의 합계"로 정의되었습니다1. 회수 자본은 주로 대면 맥락에서자체 보고서 2,3을 통해 측정되었습니다. 이 접근 방식은 온라인 복구 커뮤니티에서 온라인 상호 작용의 품질과 양을 캡처하여 온라인 컨텍스트에서 복구 자본을 측정하는 다른 방법을 제공합니다.
건강 관련 문제4,5의범위에서 피어 지원의 형태로 온라인 자원의 사용이 꾸준히 증가하고 있는 점을 감안할 때, 이러한 자원의 품질을 포착하는 새로운 방법을 개발할 필요가 있다. 온라인 피어 지원은 온라인 포럼 및 커뮤니티에서 사회적 상호 작용의 형태로 발생합니다. 이러한 온라인 맥락에서 지원 사회적 상호 작용은 차례로 복구 프로세스에 긍정적 인영향을 미치는 복구 자본을 구축에 기여 6,7. 제안 된 방법은 대체 방법에 비해 여러 가지 장점을 제시한다. 첫째, 중독 연구에서 자기 보고 조치의 사용과 관련된 몇 가지 제한 사항, 특히 기억과 자기 발표 적 편견을 극복합니다. 자체 보고 조치는 합리적인 수준의 신뢰성과 타당성을 가진 것으로 간주되지만 편견과 부정확성에 취약합니다. 정확도를 높이고 편견을 최소화하기 위해 이러한 문제를 방지하거나 최소화하도록 설계된 새로운 조치 및 데이터 수집 상황의 사용을 증가시킬 필요성이 인식되었습니다8. 복구의 다양한 단계에 있는 사람들이 자발적으로 상호 작용하는 상황에서 자연적으로 발생하는 데이터에 액세스하고 이러한 데이터에서 의미 있는 정보를 추출할 수 있는 분석 방법을 사용하여(심리 상태의 지표를 캡처할 수 있음) 사회적 바람직성(자기 발표)으로 인한 편견과 리콜의 한계로 인한 부정확성은 감소되거나 심지어 제거될 수 있습니다. 둘째, 이 방법은 이미 존재하는 온라인 데이터(즉, 공개적으로 액세스할 수 있는 개방형 온라인 포럼)의 추출에 의존하기 때문에 매우 효율적이고 비용 효율적입니다.
다음은 초기 회복 단계에서 중독자를 위한 전통적인 대면 중독 회복 프로그램을 보완하기 위해 설립된 온라인 커뮤니티에서 회복 자본을 구축하는 연구에 적용된 방법입니다. 이 경우 온라인(소셜 미디어) 데이터가 프로그램 보존 데이터에 연결되었지만 연결 데이터를 사용할 수 없거나 액세스할 수 없는 경우에도 이 방법을 사용할 수 있습니다.

<table><tbody><tr><td>LIWC software</td><td>Receptiviti</td><td>https://liwc.wpengine.com/</td> <td>컴퓨터 언어 분석 소프트웨어</td></tr><tr><td>R 소프트웨어</td><td>n/a</td><td>https://www.r-project.org/</td> <td>무료 통계 및 데이터 시각화 소프트웨어</td></tr></tbody></table>

전산화된 언어 및 소셜 네트워크 분석을 통합하여 온라인 커뮤니티에서 중독 회복 자본 을 포착

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

이 기사는 알코올 및 약물 (AOD) 중독에서 회복의 온라인 커뮤니티에서 사회 회복 자본 개발을 캡처하는 포괄적이고 눈에 거슬리지 않는 정확한 방법을 찾는 것을 목표로 설계된 새로운 방법론을 설명합니다. 복구 자본은 온라인 복구 커뮤니티에 참여하고 지역 사회와의 식별을 모두 개념화했습니다. 복구 자본 개발을 측정하기 위해 특정 복구 프로그램의 소셜 미디어 페이지에서 자연적으로 발생하는 데이터가 추출되었으며 페이지는 대면 복구 프로그램의 리소스로 설정되었습니다. 온라인 커뮤니티와의 참여를 유도하기 위해 온라인 소셜 상호 작용을 캡처하는 소셜 네트워크 분석(SNA)이 수행되었습니다. 사회적 상호 작용은 프로그램 고객, 직원 및 광범위한 커뮤니티의 지지자로 대표되는 온라인 커뮤니티의 온라인 기여자 / 회원 간의 연결을 통해 측정되었습니다. 온라인 커뮤니티를 통해 소셜 식별의 마커를 포착하기 위해 텍스트 데이터(게시물 및 댓글의 콘텐츠)에 대한 전산화 된 언어 분석을 수행했습니다. 이러한 방식으로 캡처된 복구 자본은 (대면) 복구 프로그램에서 보낸 일로 보존 데이터(프록시 결과 표시기)에 대해 분석되었습니다. 추출된 온라인 데이터는 주요 복구 결과의 예측을 테스트하기 위해 프로그램 보존과 관련하여 참가자 데이터와 연결되었습니다. 이 접근 법은 온라인 지원 커뮤니티의 역할을 검토하고 복구 자본 (복구의 온라인 커뮤니티를 통해 개발)과 복구 결과 사이의 연관성에 대한 평가를 허용했습니다.

이 방법을 사용하여 얻은 대표 결과에 대한 자세한 설명은 최근 작업14에서확인할 수 있으며, 연구를 수행 한 기관의 연구 윤리위원회의 전체 승인을 받았습니다. 여기에 설명된 보고서에서 이 연구는 복구 커뮤니티의 온라인 참여가 복구 자본 구축을 통해 복구 프로세스에 기여하는지 여부를 조사했습니다(온라인 소셜 상호 작용의 증가수준과 품질에 의해 포착됨) 긍정적 인 정체성 개발). 즉, 이 연구는 8개월 동안 온라인 데이터를 평가한 온라인 복구 자본의 지표가 개발되었는지 여부를 조사하고 초기 단계에서 중독자에 대한 커뮤니티 참여를 촉진하기 위해 고안된 복구 프로그램의 유지를 예측했습니다. 복구.
참가자들이 온라인에서 상호 작용하는 방식을 매핑하기 위해 복구 커뮤니티의 소셜 미디어 페이지(n = 609)에서 추출한 데이터를 사용하여 소셜 네트워크 분석(SNA)을 수행했습니다. 소셜 네트워크와 그 진화의 시각적 표현은 그림1에 표시됩니다. 이 그림은 온라인 커뮤니티의 모든 참가자(예: 게시물에 댓글 달기, 좋아요 작성, 댓글 좋아요)의 형태로 매월 8개월 동안 관찰된 온라인 커뮤니티의 활동을 보여줍니다. 네트워크의 "에이전트"가 소셜 네트워크에서 중앙에 있는 방법을 결정하는 연결 수입니다. 전산화된 언어 분석은 텍스트 데이터를 평가하기 위해 사용되었고(소셜 ID 마커 캡처), 선형 회귀 분석은 복구 자본 예측 프로그램 보존의 지표인지 여부를 결정하기 위해 수행되었습니다. 이러한 분석은 프로그램 보존이 실제로 예측되었다는 것을 나타냈다: (a) 소셜 미디어 페이지에서 받은 댓글 좋아요 및 모든 좋아요의 형태로 수신된 그룹 유효성 검사 수준, (b) 소셜 네트워크(네트워크 중심성) 및 (c) 그룹 (온라인 커뮤니케이션의 언어 적 내용에 의해 포착) 정체성과 성취. 결과는 온라인 복구 커뮤니티의 구성원 간의 전반적, 긍정적 인 사회적 상호 작용이 복구 프로세스를 지지한다는 주장을 뒷받침했습니다. 그 사실 인정의 요약은 아래에 제시됩니다.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/58851/58851fig1.jpg"> 그림 1: 8개월 동안 온라인 커뮤니티의 소셜 네트워크의 월별 표현은 참가자 간의 사회적 상호 작용 패턴의 변화를 제안합니다. 이러한 표현은 처음에는 온라인 커뮤니티(오프라인 복구 프로그램의 클라이언트)의 대부분의 클라이언트 구성원이 대부분 연결이 끊어지는 방법을 보여 주며, 프로그램 직원과 온라인 활동을 유도하는 소수의 클라이언트만 이 작업을 설명합니다. 그러나, 이것은 점차적으로 변경, 그래서 8 개월 후, 클라이언트는 가장 연결된 사람 (따라서 가장 중앙), 네트워크에서 연결의 가장 높은 수와 (그림은 이전 게시에서 적응)14. <a href="https://www.jove.com/files/ftp_upload/58851/58851fig1large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>
설명 통계
온라인 커뮤니티에 대한 참가자의 참여 도는 직원, 고객 및 광범위한 커뮤니티 구성원이 작성한 게시물, 댓글 및 좋아요 수로 온라인 커뮤니티의 모든 참가자의 기여도를 계산하여 측정했습니다. 표 1은 8개월 동안 의 기여 유형(각 참가자 범주에서 만든 대로)에 따라 분석데이터를 제공합니다.
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody>
<tr>
<td>그룹 구성원</td>
			<td>온라인 기여유형</td>
			<td>1개월</td>
			<td>2개월</td>
			<td>3개월</td>
			<td>4개월</td>
			<td>5개월</td>
			<td>6개월</td>
			<td>7개월</td>
			<td>8개월</td>
		</tr>
<tr>
<td rowspan="3">모든</td>
			<td>게시물 및 댓글</td>
			<td>382</td>
			<td>388 (770)</td>
			<td>579 (1349년)</td>
			<td>369 (1718년)</td>
			<td>530 (2248)</td>
			<td>581 (2829)</td>
			<td>796 (3625)</td>
			<td>674 (4299)</td>
		</tr>
<tr>
<td>게시물 좋아요 주어진</td>
			<td>1167년</td>
			<td>878 (2045년)</td>
			<td>1856년 (3901)</td>
			<td>1440 (5341)</td>
			<td>1880년 (7221)</td>
			<td>1756년 (8977)</td>
			<td>2667 (11644)</td>
			<td>1857년 (13501년)</td>
		</tr>
<tr>
<td>댓글 좋아요 부여</td>
			<td>784</td>
			<td>970 (1604년)</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">직원</td>
			<td>게시물 및 댓글</td>
			<td>129세</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>게시물 좋아요 주어진</td>
			<td>188년</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>댓글 좋아요 부여</td>
			<td>168년</td>
			<td>303 (471)</td>
			<td>237 (708)</td>
			<td>69 (777)</td>
			<td>168 (945)</td>
			<td>303 (1248)</td>
			<td>237 (1485년)</td>
			<td>69 (1554년)</td>
		</tr>
<tr>
<td rowspan="3">클라이언트</td>
			<td>게시물 및 댓글</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 (1559년)</td>
			<td>253 (1812년)</td>
		</tr>
<tr>
<td>게시물 좋아요 주어진</td>
			<td>365</td>
			<td>252 (617)</td>
			<td>415 (1032)</td>
			<td>303 (1335)</td>
			<td>549 (1884년)</td>
			<td>529 (2413)</td>
			<td>898 (3311)</td>
			<td>576 (3887)</td>
		</tr>
<tr>
<td>댓글 좋아요 부여</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>다른</td>
			<td>게시물 및 댓글</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>게시물 좋아요 주어진</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>댓글 좋아요 부여</td>
			<td>473</td>
			<td>349 (672)</td>
			<td>353 (1025)</td>
			<td>69 (1094)</td>
			<td>323 (1417)</td>
			<td>349 (1766년)</td>
			<td>353 (2119)</td>
			<td>69 (2188)</td>
		</tr>
</tbody></table>표 1: 표시는 8개월 동안 온라인 커뮤니티 회원이 작성한 유형별 온라인 기여수(게시물 및 댓글, 게시물에 부여된 좋아요, 좋아요)입니다. 온라인 커뮤니티의 구성원은 직원(오프라인 복구 프로그램에 고용된 지원 직원), 고객(오프라인 복구 프로그램에 참여하는 복구 담당자) 및 기타(후원자 및 프로 복구 지지자)로 분류됩니다. 더 넓은 커뮤니티).
프로그램의 보존 결정 요인
다음 가설을 테스트했습니다: (1) 프로그램 보존은 복구 자본 개발 지표(즉, 온라인 상호 작용의 양과 품질에 반영됨)와 연관되어야 하며, (2) 프로그램 보존도 (즉, 긍정적 인 복구 ID 개발의 지표) 신원 변화의 지표. 온라인 상호 작용의 양은 a) 게시 자 수, b) 댓글 수, c) 수신 된 게시물 의 수, d) 수신 된 댓글의 수, e) 받은 모든 좋아요 수로 표시되었습니다.
온라인 상호 작용의 품질을 결정하기 위해 네트워크 구조와 언어 콘텐츠를 분석했습니다. 보다 구체적으로, 소셜 네트워크 분석(SNA)에서 파생된 정도 및 간 계수와 전산화된 언어 분석에서 파생된 긍정적인 영향의 언어 지표가 사용되었습니다. 긍정적 인 정체성 변화의 지표로 (복구 커뮤니티와 식별로) 대명사 "우리"와 성취 단어 (예를 들어, 시도, 목표, 승리 등)의 사용 빈도가 사용되었다. 마지막으로 종속 변수(프로그램의 보존)는 프로그램에 소요된 총 일수(여기에서 86일에서 464일까지)로 표시되었습니다. 결과에 표시된 대로 온라인 상호 작용 및 그룹 내 유효성 검사 수준(게시물 및 댓글에 대해수신된 좋아요 수에 따라 반영됨) 예측 프로그램 보존(표 2). 프로그램 보존은 또한 식별 마커에 의해 예측되었다 (게시물과 게시물과 댓글 모두에서 성취 단어의 대명사 "우리"의 사용에 의해 캡처). 마지막으로, 참가자가 소셜 네트워크 내에 위치한 경우 (즉, 중앙 집중도의 정도) 또한보존의 중요한 측면을 나타낸다 (표 2).
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody>
<tr>
<td>변수</td>
			<td>B</td>
			<td>Se</td>
			<td>Β</td>
			<td>R2</td>
		</tr>
<tr>
<td>댓글 좋아요 수신</td>
			<td>0.43</td>
			<td>0.18</td>
			<td>.47*
</td>
			<td>0.22</td>
		</tr>
<tr>
<td>좋아요 받은(모두)</td>
			<td>0.08</td>
			<td>0.03</td>
			<td>.43*
</td>
			<td>0.18</td>
		</tr>
<tr>
<td>댓글과 같은 차이</td>
			<td>1.09</td>
			<td>0.5</td>
			<td>.43*
</td>
			<td>0.19</td>
		</tr>
<tr>
<td>네트워크 정도</td>
			<td>0.01</td>
			<td>0</td>
			<td>.43*
</td>
			<td>0.18</td>
		</tr>
<tr>
<td>LIWC 우리 (포스트)</td>
			<td>3.89</td>
			<td>1.76</td>
			<td>.43*
</td>
			<td>0.19</td>
		</tr>
<tr>
<td>LIWC 업적 (게시물)</td>
			<td>0.56</td>
			<td>0.26</td>
			<td>.43*
</td>
			<td>0.18</td>
		</tr>
<tr>
<td>LIWC 업적 (전체)</td>
			<td>0.14</td>
			<td>0.07</td>
			<td>.42*
</td>
			<td>0.17</td>
		</tr>
</tbody></table>표 2: 온라인 참여, 네트워크 통계 및 언어 범주에 의해 예측된 보존 시간입니다.

이 기사는 동적 온라인 사회적 상호 작용을 분석하기위한 새로운 접근 방식을 설명합니다 (온라인 맥락에서) 알코올 및 약물 중독에서 회복의 온라인 커뮤니티의 연구에 의해 예시.

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

우리의 프로토콜은 사람들이 마약과 알코올 중독에서 회복하는 동안 온라인 커뮤니티와 어떻게 참여할 수 있는지 설명하는 포괄적이고 눈에 거슬리지 않고 정확한 방법을 제공합니다. 이 기술은 이전 연구에서 사용 된 자체보고 접근 방식을 넘어, 우리가 회복의 더 암시적 마커를 측정 할 수 있도록. 추출을 시작하기 전에 사용자가 R에서 데이터를 분석, 변환 또는 추출할 수 있도록 필요한 함수, 데이터 집합 또는 컴파일된 코드를 로드하고 CSV 파일의 데이터 프레임으로 외부 보존 및 사용자 데이터를 R로 로드합니다.모든 패키지가 로드되면 R Facebook의 get group 함수를 사용하여 관심 커뮤니티의 소셜 미디어 페이지에서 데이터를 추출하고 데이터를 데이터 프레임으로 저장합니다. R Facebook의 GET 게시물 기능을 사용하여 방금 추출한 게시물 아이디와 함께 페이지에서 만든 게시물 좋아요에 대한 데이터를 추출합니다. R Facebook의 게시물 사용 기능과 추출된 게시물 I를 사용하여 각 게시물의 댓글에 대한 데이터를 추출하고 이 데이터를 데이터 프레임으로 저장합니다.주석 ID를 사용하여 각 게시물에서 만든 주석 좋아요에 대한 데이터를 추출하고 이 데이터를 데이터 프레임으로 저장합니다. 그런 다음 게시물을 결합하고 좋아요, 댓글 및 댓글 좋아요를 하나의 데이터 프레임에 넣고 월별 분석을 추가합니다. 각 클라이언트가 만들고 받은 소셜 미디어 활동을 계산하려면 각 클라이언트가 만든 게시물, 댓글, 게시물 좋아요 및 댓글 좋아요 수와 각 클라이언트가 받은 게시물, 댓글, 게시물 게시물 및 댓글 좋아요 수를 계산합니다.각 클라이언트가 만들고 받은 소셜 미디어 활동의 데이터 프레임에 참여하여 좋아요와 좋아요가 없는 게시물과 댓글의 차이, 댓글과 댓글이 없는 게시물의 차이를 계산합니다. 리텐션 데이터에 대한 좋아요 차이 데이터를 결합하고 주석 차이 데이터를 보존 데이터와 결합합니다. 각 클라이언트가 만든 모든 좋아요와 각 클라이언트에서 받은 모든 좋아요를 계산합니다.그런 다음 소셜 미디어 그룹에 참여하지 않은 사용자를 식별합니다. 소셜 네트워크 분석을 수행하려면 데이터 집합 내의 두 개의 열을 보고 게시물과 댓글을 좋아요를 누르고 게시물에 댓글을 다는 것을 기반으로 소셜 네트워크 내의 관계 에지 목록을 만듭니다. 첫 번째 열에는 게시물을 만드는 사람의 익명 ID가 포함되어 있으며 두 번째 열에는 게시물에 좋아요를 누르거나 댓글을 다는 사람의 익명 ID가 포함되어 있습니다.그런 다음 관계 목록의 두 열을 하나의 열로 변환하고 중복 익명 ID만 남도록 그룹의 모든 개인의 정점 목록을 만듭니다. 그래프 데이터 프레임을 사용하여 igraph 패키지에서 보조 기능을 얻고 가장자리 및 정점 목록에서 그래프 및 그래프 매트릭스 개체를 만듭니다. 이어서, igraph 패키지로부터의 정도 및 사이기능을 사용하여 온라인 그룹의 네트워크 정도 및 사이 통계를 얻습니다.언어 문의 워드 카운트 소프트웨어에서 전산화된 언어 분석을 수행하려면 텍스트 소셜 미디어 데이터를 내보내고 댓글 ID 열을 CSV 파일에 게시합니다. 텍스트 소셜 미디어 데이터의 CSV 파일을 분석 텍스트, Excel CSV 파일 및 분석할 텍스트를 선택하는 게시물과 주석이 포함된 열을 클릭하여 언어 문의 워드 카운트 또는 LIWC 소프트웨어로 가져옵니다. LIWC가 텍스트 데이터 분석을 완료한 후 출력을 새 CSV 파일로 저장합니다.LIWC 결과 CSV 파일을 R로 가져오고 결과를 기존 데이터와 병합합니다. 데이터는 LIWC와 기존 데이터 프레임 모두에 있는 게시물 주석 ID 열과 일치합니다. 게시물 및 댓글에서 각 사용자의 총 LIWC 점수를 계산하고 이러한 점수를 보존 데이터에 결합합니다.모든 텍스트 게시물 및 댓글 결합 데이터에서 각 사용자에 대한 총 LIWC 점수를 계산하고 이러한 점수를 보존 데이터에 결합합니다. 그런 다음 보존 데이터 프레임에서 네트워크 분석을 제거합니다. 온라인 커뮤니티와의 참여 지표가 오프라인 복구 프로그램의 유지를 예측하는지 확인하려면 기본 R의 IM 함수를 사용하여 보존 데이터의 선형 회귀 분석을 종속 변수로, LIWC 범주, 댓글, 게시물 좋아요 및 댓글 좋아요를 독립적인 변수로 수행합니다.그런 다음 회귀 분석 결과를 하나의 데이터 프레임으로 결합합니다. 월별 소셜 네트워크 분석 맵을 만들려면 소셜 네트워크 분석 맵에 대한 데이터 프레임을 준비하고 월별 누적 소셜 미디어 활동을 기반으로 에지 목록을 만듭니다. 월별 누적 소셜 미디어 활동을 기반으로 정점 목록을 만들고 월별 누적 소셜 미디어 활동을 기반으로 그래프 및 그래프 행렬을 만듭니다.누적 소셜 미디어 활동을 기반으로 소셜 네트워크 분석 맵의 레이아웃을 설정하고 사용자 역할에 따라 색상을 추가합니다. 그런 다음 소셜 네트워크 분석 맵을 만들고 맵을 파일에 저장합니다. 월간 누적 소셜 미디어 그룹 소셜 미디어 활동을 계산하려면 직원, 고객 및 소셜 미디어 그룹의 다른 구성원에 의해 월별 누적 소셜 미디어 활동을 계산합니다.그런 다음 소셜 미디어 그룹의 모든 구성원이 매월 누적 된 소셜 미디어 활동을 계산하고 매월 누적 된 소셜 미디어 활동 데이터 프레임에 함께 참여합니다. 여기에, 온라인 커뮤니티의 모든 참가자 사이의 연결의 형태로 8 개월 동안 소셜 네트워크와 진화의 시각적 표현이 표시됩니다. 네트워크의 에이전트가 연결하는 연결 수는 소셜 네트워크에서 얼마나 중심이 될지 결정합니다.이러한 대표적인 결과는 온라인 복구 커뮤니티 의 구성원 간의 전반적인 긍정적 인 사회적 상호 작용이 복구 프로세스를 지지한다는 주장을 뒷받침합니다. 온라인 커뮤니티에 대한 참가자의 참여 수준은 온라인 커뮤니티의 모든 참가자의 기여를 직원, 고객 및 광범위한 커뮤니티 구성원이 작성한 게시물, 댓글 및 좋아요 의 수로 계산하여 측정됩니다. 결과에 의해 표시된 바와 같이, 이 분석에서 게시물 및 댓글에 대해 수신된 좋아요 수에 반영된 온라인 상호 작용 및 그룹 내 유효성 검사 수준은 프로그램 보존을 예측합니다.프로그램 보존은 또한 게시물에 대명사를 사용하여 캡처한 식별 마커와 게시물과 댓글 모두에서 성과 단어에 의해 예측됩니다. 마지막으로, 참가자가 소셜 네트워크 내에 위치한 경우 보존의 중요한 측면을 나타냅니다. 이 방법을 사용할 때, 우리는 이것이 온라인 커뮤니티에서 심리적 과정을 캡처하는 한 가지 방법일 뿐이라는 것을 기억해야합니다.이상적으로 다른 데이터 원본도 액세스해야 합니다. 이 방법을 조정하여 온라인 포럼, 토론 그룹, 채팅방 등을 포함한 다른 유형의 온라인 커뮤니티에서 온라인 소셜 상호 작용을 조사할 수 있습니다.

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

Research

연구

JoVE Journal

Behavior

행동

사회적 배제에 대한 연구는 최근 몇 년 동안 엄청나게 증가했습니다. 이 분야가 확장됨에 따라 사회적 배제 중에 신경 및 행동 결과를 동시에 측정할 수 있는 정교한 방법론을 개발하는 것이 필수적입니다. 이 프로토콜은 사건 관련 뇌 전위를 활용하여 컴퓨터화된 사회적 상호 작용 중에 진행 중인 신경 활동을 기록합니다.

지속적인 전산 사회적 상호 작용 동안 신경 및 행동 활성을 측정 이벤트 관련 뇌 전위 검사를

우리는 온라인 게이머에서 경두개 직접 전류 자극 (tDCS) 및 신경 이미징 평가를 적용하기위한 프로토콜 및 타당성 연구를 제시합니다.

온라인 게이머를 위한 경두개 직접 전류 자극

이 프로토콜은 레이저 포획 미세 분면을 사용하여 높은 정확도와 해부학 적 특성으로 편도체의 중앙 핵에서 단일 뉴런, 마이크로 글리아 및 성상 세포를 수집하는 방법을 설명합니다. 추가적으로, 우리는 이 세포의 전사체의 부분 집합을 측정하기 위하여 미세 유체 성 RT-qPCR의 우리의 사용을 설명합니다.

레이저 캡처 미세 해부 및 미세 유체 qPCR을 결합하여 단일 세포의 전사 프로필을 분석: 오피오이드 의존에 대한 시스템 생물학 접근법

건강 관리에서 섭식 장애를 진단하는 것은 어렵습니다. 따라서, 본 프로토콜은 설문지에 대한 949명의 환자 응답을 기반으로 알고리즘을 개발하며, 진단은 사용하기 쉬운 웹 기반 인터페이스에 디스플레이된다. 이 시스템은 섭식 장애가있는 것으로 여겨지는 사람들을 배제하면서 섭식 장애의 정확한 진단을 용이하게합니다.

섭식 장애 분석 및 진단에서 임상의를 돕기 위한 컴퓨터 기반 플랫폼

레이저 포획 미세 해부와 미세 유체 RT-qPCR의 조합은 단일 뉴런 및 아교 세포에서 전사체를 측정 할 때 해부학 적 및 생물 공학적 특이성을 제공합니다. 정신 질환에 대한 시스템의 생물학적 접근 방식으로 창의적인 방법을 적용하면 중독에 대한 신경 염증 보상 가설과 같은 이해와 치료의 돌파구로 이어질 수 있습니다.

해부학적으로 특이적인 단일 세포 유전자 발현 방법을 사용한 중독 행동의 반보상 동인 조사

우리는 최신 언어와 확산 모델을 결합하여 사용자의 행동과 프로필에 맞게 적응하는 실시간 동기 부여 인터뷰를 수행할 수 있는 오픈 소스 가상 에이전트 플랫폼을 제시합니다. Greta 2.0 플랫폼을 활용하여 영양 및 스포츠 중심 개입 등 다양한 주제를 지원하며, 디지털 치료 상호작용을 향상시키기 위한 유연하고 검증된 도구를 제공합니다.

적응형 비언어 행동 및 언어 모델을 통합하여 실시간 동기 부여 면담을 위한 가상 에이전트

식이 지방 함량에 영향 에너지 섭취와 포유류의 신체 지방 성분 모두. 선택 일련의 실험에서 고지방 음식에 대한 쥐 '환경 설정을 검사하여, 높은 지방 음식에 대한 자신의 선호에 유전 적 차이와 약물 개입을 테스트 할 수 있습니다.

지방 성향 : 먹는 행동의 소설 모델 쥐에

실험실 설정을 복제하기 위해 시각적 작업을 위한 온라인 데이터 수집 방법은 자극 프레젠테이션에 대한 엄격한 제어가 필요합니다. 웹 애플리케이션을 사용하여 두 가지 시각적 주의 테스트에서 성능 데이터를 수집하는 방법을 간략하게 설명합니다.

방법은 온라인 비주얼주의를 테스트하려면

이 프로토콜은 오픈 필드와 전통적인 홀 보드의 특성을 구성하는 동작 테스트 설정인 수정된 홀 보드를 설명합니다. 이 설정을 통해 작은 실험실 포유류의 무조건적인 행동에 대한 차등 분석과 인지 능력의 분석이 가능합니다.

수정 된 구멍 보드 - 마우스 및 쥐의 행동,인지 및 사회적 상호 작용을 측정

모야 &amp; Paleressompoulle 1 반 무료 이르기까지 원숭이에서 개별인지 능력을 테스트하기위한 자동 학습 장치 (ALDM)를 발표했다. 우리 프로토콜의 주요 목표는 비 - 인간 영장류 사회인지 공부 ALDM 테스트 유닛의 네트워크를 사용하는 것이다.

전산 자동 학습 장치 (ALDM) 테스트 시스템의 네트워크를 사용하여 비 인간 영장류의 사회인지의 평가

배우세요 온라인 중독 회복 커뮤니티에서 R과 LIWC를 활용한 소셜 네트워크 및 언어 분석 방법을. 이 기법은 암묵적 회복 지표를 측정하여 참여도와 프로그램 유지율 예측에 활용됩니다.

전산화된 언어 및 소셜 네트워크 분석을 통합하여 온라인 커뮤니티에서 중독 회복 자본 을 포착

더 많은 동영상 탐색