Artykuł metodologiczny

Integracja skomputeryzowanych analiz językowych i sieci społecznościowych w celu uchwycenia kapitału na wychodzenie z uzależnień w społeczności internetowej

DOI:

10.3791/58851

⸱

31 maja 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

W tym artykule

Podsumowanie

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

Artykuł opisuje nowatorskie podejście do analizy dynamicznych interakcji społecznych online (w kontekście online), którego przykładem jest badanie społeczności internetowej zajmującej się wychodzeniem z uzależnienia od alkoholu i narkotyków.

Streszczenie

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

Artykuł opisuje nową metodologię zaprojektowaną w celu znalezienia kompleksowego, dyskretnego i dokładnego sposobu na uchwycenie rozwoju kapitału społecznego w internetowych społecznościach wychodzenia z uzależnienia od alkoholu i narkotyków (AOD). Kapitał odzysku został pojęty zarówno jako zaangażowanie w internetową społeczność odzysku, jak i identyfikacja ze społecznością. Aby zmierzyć rozwój kapitału naprawczego, naturalnie występujące dane zostały pobrane ze strony mediów społecznościowych konkretnego programu naprawczego, a strona została skonfigurowana jako zasób dla bezpośredniego programu naprawczego. Aby zmapować zaangażowanie w społeczność internetową, przeprowadzono analizę sieci społecznościowych (SNA) rejestrującą interakcje społeczne online. Interakcja społeczna była mierzona poprzez powiązania między współtwórcami/członkami społeczności internetowej reprezentowanymi przez klientów programu, personel i sympatyków z szerszej społeczności. Aby uchwycić markery identyfikacji społecznej ze społecznością internetową, przeprowadzono komputerową analizę językową danych tekstowych (treści z postów i komentarzy). Zgromadzony w ten sposób kapitał odzyskany został przeanalizowany w odniesieniu do danych dotyczących retencji (wskaźnik zastępczy), jako dni spędzone w programie odzyskiwania (bezpośrednio). Wyodrębnione dane online powiązano z danymi uczestników w odniesieniu do przechowywania programu w celu przetestowania przewidywania kluczowego wyniku odzyskiwania. Podejście to pozwoliło na zbadanie roli internetowych społeczności wsparcia oraz ocenę związku między kapitałem odzyskiwanym (opracowanym za pośrednictwem internetowej społeczności odzyskiwania środków) a wynikami odzyskiwania środków.

Wprowadzenie

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

Przedstawiona metoda została zaprojektowana do przechwytywania kapitału na wychodzenie z uzależnień od alkoholu i innych narkotyków (AOD) w kontekstach online. W dziedzinie uzależnień kapitał odwykowy został zdefiniowany jako "suma zasobów, które można wykorzystać do zainicjowania i utrzymania zaprzestania nadużywania substancji"1. Kapitał odzyskany był mierzony przede wszystkim za pomocą raportów własnych2,3 w kontekstach bezpośrednich. Podejście to stanowi alternatywną metodę pomiaru kapitału odzyskanego w kontekście online poprzez uchwycenie jakości i ilości interakcji online w internetowych społecznościach odzysku.

Biorąc pod uwagę stały wzrost wykorzystania zasobów online w formie wsparcia rówieśniczego w wielu kwestiach związanych ze zdrowiem4,5, konieczne jest opracowanie nowych metod w celu uchwycenia jakości tych zasobów. Wsparcie rówieśnicze online występuje w formie interakcji społecznych na forach i społecznościach internetowych. Wspierające interakcje społeczne w tych kontekstach online przyczyniają się do budowania kapitału regeneracyjnego, co z kolei ma pozytywny wpływ na proces zdrowienia6,7. Proponowana metoda ma szereg zalet w porównaniu z metodami alternatywnymi. Po pierwsze, pokonuje niektóre ograniczenia związane ze stosowaniem miar samoopisowych w badaniach nad uzależnieniami, szczególnie w odniesieniu do uprzedzeń związanych z przypominaniem i autoprezentacją. Chociaż uważa się, że miary samoopisowe mają rozsądny poziom wiarygodności i trafności, są one podatne na stronniczość i nieścisłości. Aby zwiększyć dokładność i zminimalizować stronniczość, uznano, że istnieje potrzeba zwiększenia wykorzystania nowatorskich miar i sytuacji gromadzenia danych zaprojektowanych w celu uniknięcia lub zminimalizowania tych problemów8. Uzyskując dostęp do danych naturalnie występujących w kontekstach, w których ludzie na różnych etapach zdrowienia wchodzą w spontaniczne interakcje, oraz stosując metody analizy, które mogą wydobyć z tych danych znaczące informacje (zdolne do uchwycenia wskaźników stanów psychicznych), można zmniejszyć lub nawet wyeliminować uprzedzenia wynikające z atrakcyjności społecznej (autoprezentacja) i nieścisłości wynikające z ograniczeń w przypominaniu. Po drugie, metoda ta jest bardzo wydajna i opłacalna, ponieważ opiera się na ekstrakcji już istniejących danych online (tj. na otwartych forach internetowych, które są publicznie dostępne).

Dalej opisana jest metoda, która została zastosowana do badania budowania kapitału zdrowienia w społeczności internetowej założonej w celu uzupełnienia tradycyjnego, bezpośredniego programu wychodzenia z uzależnień dla uzależnionych we wczesnych stadiach zdrowienia. W tym przypadku dane online (media społecznościowe) zostały powiązane z danymi dotyczącymi przechowywania programu, ale metoda ta może być również stosowana w przypadkach, gdy dane dotyczące powiązań nie są dostępne lub dostępne.

Protokół

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

Opisane tutaj badania zostały zatwierdzone przez społeczność etyki badawczej na Uniwersytecie Sheffield Hallam.

1. Konfiguracja

UWAGA: Proszę zapoznać się z załączonym skryptem R dostarczonym jako Plik Uzupełniający 1.

  1. Załaduj wymagane pakiety (Rfacebook9, dplyr10, igraph11 i openxlsx12) w R. Pakiety odnoszą się do funkcji, zestawów danych lub skompilowanego kodu, które umożliwiają użytkownikom analizowanie, przekształcanie lub wyodrębnianie danych.
  2. Załaduj (zewnętrzne) przechowywanie i dane użytkownika do języka R jako ramkę danych z pliku CSV.
    UWAGA: Dane dotyczące retencji odnoszą się do liczby dni, w których klient uczestniczy w programie wychodzenia z uzależnień offline (tradycyjnym). Został on dostarczony przez administratora programu do odzyskiwania (offline) i zapisany w pliku CSV z imieniem i nazwiskiem uczestnika oraz liczbą dni, przez które był zaangażowany w program. Imię i nazwisko uczestnika zostało zastąpione anonimowym numerem identyfikacyjnym przed zaimportowaniem do R.

2. Ekstrakcja danych ze społeczności internetowej (strona społecznościowa społeczności zajmującej się leczeniem uzależnień)

UWAGA: Ten protokół ma zastosowanie do strony mediów społecznościowych, ale może być dostosowany do różnych typów społeczności internetowych. W przypadku pakietu Rfacebook pozwala użytkownikowi na wyodrębnienie danych ze strony mediów społecznościowych do R.

  1. Utwórz token dostępu do mediów społecznościowych (Facebook), postępując zgodnie z przewodnikiem na stronie internetowej, do której się odwołuje13.
  2. Utwórz token dostępu w języku R.
  3. Korzystając z funkcji "getGroup" z Rfacebooka, wyodrębnij dane ze strony mediów społecznościowych interesującej Cię społeczności (np. treść posta, liczba komentarzy i polubień dla każdego posta, unikalny numer identyfikacyjny dla każdego posta itp.). Dane te są następnie zapisywane jako ramka danych.
    UWAGA: Ramka danych to zasadniczo tabela w języku R służąca do przechowywania danych.
  4. Korzystając z funkcji "getPosts" z Rfacebooka, wraz z identyfikatorami postów wyodrębnionymi w kroku 2.3, wyodrębnij dane o polubieniach postów na stronie.
  5. Korzystając z funkcji "getPosts" z Rfacebooka, wraz z identyfikatorami postów wyodrębnionymi w kroku 2.3, wyodrębnij dane dotyczące komentarzy do każdego posta (np. identyfikatory użytkowników osób komentujących post, kiedy komentarz został napisany, ile polubień otrzymał post). Dane te są następnie zapisywane jako ramka danych.
  6. Korzystając z identyfikatorów komentarzy wyodrębnionych w kroku 2.5, wyodrębnij dane dotyczące "polubień komentarzy" utworzonych pod każdym postem (np. identyfikatory użytkowników osób, które polubiły komentarz). Dane te są następnie zapisywane jako ramka danych.
  7. Połącz dane postów, polubień postów, komentarzy i polubień komentarzy w jedną ramkę danych.
  8. Dodaj podział miesięczny (tj. miesiące od 1 do 8).

3. Obliczanie aktywności w mediach społecznościowych wykonanej i otrzymanej przez każdego klienta

  1. Oblicz liczbę postów, komentarzy, polubień postów i polubień komentarzy dokonanych przez każdego klienta.
  2. Oblicz liczbę postów, komentarzy, polubień postów i polubień komentarzy otrzymanych przez każdego klienta.
  3. Dołącz ramkę danych aktywności w mediach społecznościowych wykonanych i odebranych przez każdego klienta do ramki danych przechowywania.
  4. Oblicz różnicę między postami i komentarzami z polubieniami i bez polubień.
  5. Oblicz różnicę między postami z komentarzami i bez komentarzy.
  6. Połącz dane o różnicach polubień z danymi przechowywania.
  7. Połącz dane różnic w komentarzach z danymi przechowywania.
  8. Oblicz wszystkie polubienia wykonane przez każdego klienta.
  9. Oblicz wszystkie polubienia otrzymane przez każdego klienta.
  10. Zidentyfikuj, którzy użytkownicy nie uczestniczyli w grupie w mediach społecznościowych (tj. nie byli aktywni).

4. Przeprowadzanie analizy sieci społecznościowych

  1. Utwórz listę krawędzi. Lista krawędzi to lista relacji w sieci społecznościowej, która w tym przypadku opiera się na 1) polubieniu postów i komentarzy oraz 2) komentowaniu postów. Odbywa się to przez przyjrzenie się dwóm kolumnom w zestawie danych. Pierwsza kolumna zawiera anonimowy identyfikator osoby tworzącej post, podczas gdy druga zawiera anonimowy identyfikator osoby polubionej lub komentującej post.
  2. Utwórz listę wierzchołków. Lista wierzchołków to lista wszystkich osób w grupie. Odbywa się to przez przekonwertowanie dwóch kolumn na liście relacji na jedną kolumnę i usunięcie zduplikowanych anonimowych identyfikatorów, tak aby pozostał tylko unikatowy anonimowy identyfikator.
  3. Korzystając z funkcji "graph.data.frame" i "get.adsąsiedztwo" w pakiecie igraph, utwórz obiekty grafu i macierzy grafu na podstawie list krawędzi i wierzchołków.
  4. Korzystając z funkcji "stopień" i "pomiędzy" z pakietu igraph, uzyskaj statystyki sieci (stopień i między) grupy online.

5. Przeprowadzanie komputerowej analizy językowej w LIWC

  1. Eksportuj tekstowe dane z mediów społecznościowych (np. posty i komentarze) oraz kolumnę identyfikatora posta/komentarza do plików CSV.
  2. Zaimportuj pliki CSV z tekstowymi danymi z mediów społecznościowych do oprogramowania Linguistic Inquiry Word Count (LIWC).
  3. Generuj kategorie LIWC i zapisuj w nowych plikach CSV. W tym celu kliknij "Analizuj tekst", a następnie "Plik Excel/CSV" i klikając kolumnę zawierającą posty i komentarze, aby wybrać tekst do analizy. Po zakończeniu analizy danych tekstowych przez LIWC zapisz dane wyjściowe jako nowy plik CSV.
  4. Zaimportuj plik CSV z wynikami LIWC do języka R i scal go z istniejącymi danymi. Dane są dopasowywane przez kolumnę identyfikatora wpisu/komentarza, która istnieje zarówno w LIWC, jak i w istniejących ramkach danych.
  5. Oblicz łączne wyniki LIWC dla każdego użytkownika w postach i komentarzach, a następnie dołącz do danych dotyczących przechowywania.
  6. Oblicz łączne wyniki LIWC dla każdego użytkownika we wszystkich danych tekstowych (post i komentarze łącznie), a następnie dołącz do danych dotyczących przechowywania.
  7. Usuń agencje narodowe z ramki danych przechowywania.

6. Przeprowadzanie analizy regresji (w celu określenia, czy wskaźniki zaangażowania społeczności online przewidują retencję w programie odzyskiwania offline)

  1. Zdefiniuj zmienne niezależne.
  2. Korzystając z funkcji "lm" w podstawowym R, przeprowadź analizę regresji liniowej, używając danych dotyczących przechowywania jako zmiennej zależnej oraz kategorii LIWC, komentarzy, polubień postów i polubień komentarzy jako zmiennych niezależnych.
  3. Łączenie wyników analizy regresji w jedną ramkę danych.

7. Tworzenie miesięcznych map SNA

  1. Przygotuj ramki danych dla SNA Maps.
  2. Utwórz listę krawędzi na podstawie miesięcznej skumulowanej aktywności w mediach społecznościowych.
  3. Utwórz listę wierzchołków na podstawie miesięcznej skumulowanej aktywności w mediach społecznościowych.
  4. Twórz wykresy i macierze wykresów na podstawie miesięcznej skumulowanej aktywności w mediach społecznościowych.
  5. Ustaw układ map SNA na podstawie skumulowanej aktywności w mediach społecznościowych.
  6. Dodaj kolory na podstawie ról użytkowników.
  7. Utwórz mapy SNA i zapisz je w pliku.

8. Obliczanie miesięcznej skumulowanej aktywności grupy mediów społecznościowych w mediach społecznościowych

  1. Oblicz miesięczną skumulowaną aktywność w mediach społecznościowych według pracowników, klientów i innych członków grupy mediów społecznościowych.
  2. Oblicz miesięczną skumulowaną aktywność w mediach społecznościowych przez wszystkich członków grupy mediów społecznościowych.
  3. Połącz ze sobą miesięczne ramki danych skumulowanej aktywności w mediach społecznościowych.

Wyniki

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

Szczegółowy opis reprezentatywnych wyników uzyskanych przy użyciu tej metody można znaleźć w naszej ostatniej pracy14, która została sprawdzona i uzyskała pełną aprobatę komisji etycznej ds. badań w instytucji, w której przeprowadzono badania. W opisanym tutaj raporcie w badaniu sprawdzono, czy uczestnictwo online w społeczności zdrowienia przyczynia się do procesu zdrowienia poprzez budowanie kapitału regeneracyjnego (co odzwierciedla zwiększony poziom i jakość interakcji społecznych online oraz pozytywny rozwój tożsamości). Innymi słowy, w badaniu sprawdzono, czy wskaźniki kapitału odzyskiwania online rozwinęły się w ciągu ośmiu miesięcy danych online, a także przewidywały retencję w programie zdrowienia zaprojektowanym w celu wspierania zaangażowania społecznego osób uzależnionych na wczesnych etapach zdrowienia.

Aby zmapować, w jaki sposób uczestnicy wchodzili w interakcje online, przeprowadzono analizę sieci społecznościowych (SNA) przy użyciu danych pobranych ze strony mediów społecznościowych (n = 609) społeczności zajmującej się odzyskiwaniem. Wizualna reprezentacja sieci społecznościowej i jej ewolucji jest przedstawiona w Rysunek 1. Rysunek ilustruje aktywność w społeczności internetowej obserwowaną każdego miesiąca przez okres 8 miesięcy w postaci powiązań między wszystkimi uczestnikami społeczności internetowej (tj. komentowanie postów, polubienie postów i polubienie komentarzy). Liczba połączeń, które ma "agent" w sieci, określa, jak bardzo będzie on centralny w sieci społecznościowej. Do oceny danych tekstowych wykorzystano komputerową analizę lingwistyczną (uchwycenie markerów tożsamości społecznej), a analizę regresji liniowej przeprowadzono w celu określenia, czy wskaźniki kapitału odzyskiwalnego przewidują retencję programu. Analizy te wykazały, że retencja programu była rzeczywiście przewidywana przez: (a) poziomy walidacji grupowej otrzymanej w postaci polubień komentarzy i wszystkich polubień otrzymanych na stronie mediów społecznościowych, (b) pozycję w sieci społecznościowej (centralność sieci) oraz (c) tożsamość i osiągnięcia grupy (uchwycone przez treść językową komunikacji online). Wyniki potwierdziły tezę, że ogólnie rzecz biorąc, pozytywne interakcje społeczne między członkami społeczności online zajmującej się zdrowieniem wspierają proces zdrowienia. Podsumowanie tych ustaleń przedstawiono poniżej.

figure-results-1
Rysunek 1: Miesięczne reprezentacje sieci społecznej społeczności internetowej w ciągu 8 miesięcy sugerują zmiany we wzorcu interakcji społecznych między uczestnikami. Przedstawienia te ilustrują, że na początku większość członków społeczności online (klientów programu odzyskiwania offline) jest w większości rozłączona, a to personel programu i tylko niewielka liczba klientów kierują aktywnością online. Zmienia się to jednak stopniowo, tak że po 8 miesiącach klienci są najbardziej połączeni (a więc najbardziej centralni), z największą liczbą połączeń w sieci (rysunek zaadaptowany z poprzedniej publikacji)14. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Statystyki opisowe

Poziomy zaangażowania uczestników w społeczność internetową zostały zmierzone poprzez obliczenie wkładu wszystkich uczestników społeczności internetowej jako liczby postów, komentarzy i polubień wykonanych przez pracowników, klientów i szerszych członków społeczności. W tabeli 1 przedstawiono podział według rodzaju wkładu (wniesionego przez każdą kategorię uczestnika) na przestrzeni 8 miesięcy.

TGL szt. SZT. TGL
Członkowie grupy Rodzaj wkładu online Miesiąc 1Miesiąc 2Miesiąc 3Miesiąc 4Miesiąc 5Miesiąc 6Miesiąc 7Miesiąc 8
WszystkiePosty i komentarzeOkręg wyborczy 382388 (770)579 (1349)369 (1718)530 (2248)581 (2829)796 (3625)674 (4299)
Polubienia postówNumer katalogowy 1167878 (2045)1856 (3901)1440 (5341)1880 (7221)1756 (8977)2667 (11644)1857 (13501)
Podane polubienia komentarzy784970 (1604)825 (2429)171 (2600)634 (3234)970 (4204)825 (5029)171 (5200)
PersonelPosty i komentarze129 Rozdział 129106 (235)170 (405)96 (501)185 (686)176 (862)227 (1089)316 (1405)
Polubienia postówRozdział 188147 (335)302 (637)209 (846)385 (1231)372 (1603)567 (2170)511 (2681)
Podane polubienia komentarzyRozdział 168303 (471)237 (708)69 (777)168 (945)303 (1248)237 (1485)69 (1554)
KlienciPosty i komentarzeRozdział 145155 (300)214 (514)132 (646)208 (854)286 (1140)419 (1559)253 (1812)
Polubienia postów365252 (617)415 (1032)303 (1335)549 (1884)529 (2413)898 (3311)576 (3887)
Podane polubienia komentarzy143 Rozdział 143318 (461)235 (696)33 (729)143 (872)318 (1190)235 (1425)33 (1458)
inniPosty i komentarzeRozdział 108127 (235)195 (430)141 (571)137 (708)119 (827)150 (977)105 (1082)
Polubienia postówOkręg wyborczy 614479 (1093)1139 (2232)928 (3160)946 (4106)855 (4961)1202 (6163)770 (6933)
Podane polubienia komentarzyZ numerem 473349 (672)353 (1025)69 (1094)323 (1417)349 (1766)353 (2119)69 (2188)

Tabela 1: Pokazana jest liczba wpisów online według typu (post i komentarze, polubienia postów i polubienia komentarzy) przez członków społeczności internetowej w ciągu ostatnich 8 miesięcy. Członkowie społeczności online są klasyfikowani jako pracownicy (personel pomocniczy zatrudniony w programie odzyskiwania offline), klienci (osoby w trakcie odzyskiwania, które uczestniczą w programie odzyskiwania offline) i inni (zwolennicy i zwolennicy odzyskiwania z szerszej społeczności).

Determinanty retencji w programie

Przetestowano następujące hipotezy: (1) retencja programu powinna być powiązana ze wskaźnikami rozwoju kapitału regeneracyjnego (tj. odzwierciedlona w ilości i jakości interakcji online), oraz (2) retencja programu powinna być również powiązana ze wskaźnikami zmiany tożsamości (tj. wskaźnikami pozytywnego rozwoju tożsamości odzyskiwania). Ilość interakcji online była wskazywana przez a) liczbę opublikowanych postów, b) liczbę zamieszczonych komentarzy, c) liczbę otrzymanych polubień postów, d) liczbę otrzymanych polubień komentarzy oraz e) liczbę wszystkich otrzymanych polubień.

Aby określić jakość interakcji online, przeanalizowano strukturę sieci i zawartość językową. Dokładniej rzecz ujmując, wykorzystano współczynniki stopnia i międzyści pochodzące z analizy sieci społecznych (SNA) oraz lingwistyczne wskaźniki pozytywnego afektu pochodzące z komputerowej analizy językowej. Jako wskaźniki pozytywnej zmiany tożsamości (jako identyfikacji ze społecznością zdrowienia) wykorzystano częstotliwość użycia zaimka "my" i słów związanych z osiągnięciami (np. próbować, cel, wygrać itp.). Ostatecznie zmienna zależna (retencja w programie) została wskazana przez łączną liczbę dni spędzonych w programie (w tym przypadku od 86 do 464 dni). Jak pokazują wyniki, poziomy interakcji online i walidacji w grupie (odzwierciedlone liczbą polubień postów i komentarzy) przewidywały utrzymanie programu (Tabela 2). Retencja programu została również przewidziana za pomocą znaczników identyfikacyjnych (uchwyconych przez użycie zaimka "my" w postach i słów osiągnięć zarówno w postach, jak i komentarzach). Wreszcie, to, gdzie uczestnicy znajdują się w sieci społecznej (tj. stopień centralności) również stanowi ważny aspekt retencji (Tabela 2).

pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt.
zmiennaWSeβR2
Otrzymane polubienia komentarzy0,430,18.47*0,22
Otrzymane polubienia (wszystkie)0,080,03.43*0,18
Różnica przypominająca komentarzGodzina 1,090,5.43*0,19
Stopień sieci0,010.43*0,18
LIWC My (Poczta)Pytanie o wartość 3,891,76.43*0,19
Osiągnięcie LIWC (post)0,560,26.43*0,18
Osiągnięcie LIWC (wszystkie)0,140,07.42*0,17

Tabela 2: Czas przechowywania zgodnie z przewidywaniami na podstawie zaangażowania online, statystyk sieci i kategorii językowych.

Dyskusja

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

Opisane tutaj podejście opiera się na nowej metodzie mierzenia, w jaki sposób procesy grupowe online mogą wpływać na retencję w programie wychodzenia z uzależnienia. Stosując tę metodę do internetowej społeczności wychodzenia z uzależnienia, stwierdzono, że istnieją cztery kluczowe aspekty przewidywanego zapamiętywania programu: bycie wysoce zaangażowanym w społeczność internetową, bycie centralnym w internetowej sieci społecznościowej, pozytywny afekt wyrażony w komunikacji z innymi członkami społeczności internetowej oraz otrzymywanie walidacji od innych za wkład w sieć14. Wyniki uzyskane przy użyciu tej metody wspierają istniejące modele teoretyczne odzyskiwania. Oznacza to, że dwa kluczowe modele w literaturze dotyczącej zdrowienia, Model Tożsamości SpołecznejZdrowienia15 i Model Tożsamości Społecznej Utrzymania ZaPrzestania16, podkreślają znaczenie aktywnego uczestnictwa w grupach, które wspierają powrót do zdrowia. Oba modele sugerują, że zwiększona identyfikacja i zaangażowanie w takie grupy przyczyniają się do mniejszego kontaktu z grupami używającymi w przyszłości i w konsekwencji do nawrotów.

Jak pokazują nasze badania, metoda ta pozwoliła nam nakreślić trajektorie powrotu do zdrowia lub zmiany poszczególnych członków społeczności internetowej14. Wizualizacje internetowych sieci społecznościowych i ich ewolucji w czasie mogą dostarczyć cennych informacji na temat przemieszczania się członków społeczności internetowej z peryferii do centrum sieci i odwrotnie (te ruchy w sieci wskazują na zmiany w poziomach zaangażowania w społeczność internetową). W badaniu z 2017 r.14 przeprowadzono wywiady z członkami społeczności internetowej, którzy podjęli najbardziej znaczące zmiany w zakresie przemieszczania się z peryferii do centrum sieci, jako sposób triangulacji naszych ustaleń w oparciu o SNA, komputerową analizę językową i regresję w stosunku do danych dotyczących retencji. Przyszłe badania mogą zamiast tego skupić się na tych członkach, którzy przestali angażować się w społeczność internetową, na tych, którzy nigdy się nie zaangażowali, lub na bardziej bezpośrednich miernikach wyników, takich jak używanie substancji i recydywa. Metodologia ta może być dalej dostosowana do wykorzystania w programach interwencyjnych, na przykład do oceny roli moderatorów na forach pomocy.

Obecnie nie ma badań dostarczających dowodów na korzyści płynące z opisanej tutaj metody, gdy jest stosowana samodzielnie (opisana metoda została użyta w połączeniu z danymi dotyczącymi retencji i poddana triangulacji z danymi jakościowymi z wywiadów z kluczowymi członkami społeczności internetowej14), ale podejście to może dostarczyć dokładnych i wolnych od uprzedzeń danych, które mogą uzupełnić samoopisy i inne miary w badaniach nad wychodzeniem z uzależnienia.

Metoda ta została zastosowana do zbadania interakcji społecznych online w kontekście strony w mediach społecznościowych utworzonej jako komplementarna forma wsparcia dla standardowego, bezpośredniego programu zdrowienia. Jednak z niewielkimi zmianami, metoda ta może być wykorzystywana do badania interakcji społecznościowych online w innych typach społeczności internetowych (fora internetowe, grupy dyskusyjne, czaty, strony z komentarzami itp.). Jedną z kluczowych zalet tej metody jest to, że można ją dostosować i zastosować w kontekstach wykraczających poza społeczności wychodzenia z uzależnień do dowolnej społeczności internetowej. Na przykład, w naszych własnych badaniach z zakresu psychologii politycznej używamy podobnej metody (opracowanej na podstawie opisanej tutaj metody), aby uchwycić jakość interakcji online i zmiany w tych interakcjach między członkami skrajnie prawicowych społeczności internetowych. W efekcie metoda ta może być zastosowana do każdej społeczności internetowej, w której można wydobyć dane w postaci powiązań między członkami (jako powiązań sieci społecznościowych) oraz treści językowych.

Jednak uzyskując dostęp do danych online i pracując z nimi, badacze muszą zdawać sobie sprawę z kwestii etycznych, z których niektóre dotyczą samodzielnej sprawozdawczości i innych rodzajów danych w ogóle, a niektóre można napotkać tylko w środowisku internetowym. W opisanym tutaj badaniu (które zostało zatwierdzone przez społeczność etyki badawczej na Uniwersytecie Sheffield Hallam) uzyskano zgodę organizacji zarządzającej programem odzyskiwania i podjęto rygorystyczne środki w celu zapewnienia całkowitej anonimowości uczestników na otwartej stronie mediów społecznościowych (np. po dopasowaniu danych online i danych dotyczących przechowywania, wszystkie informacje identyfikujące zostały usunięte z plików, a także nie użyto żadnych potencjalnie identyfikujących się cytatów z publicznie dostępnych w Internecie komunikacja).

Ścisła komunikacja z organizacją zapewniła również, że uczestnicy programu byli świadomi badania i wyników badań, a jeden z badaczy regularnie spotykał się z grupą, aby wyjaśnić badanie i jego wyniki. Jednak w innych przypadkach, gdy społeczności internetowe nie są powiązane z konkretnymi programami offline, może być trudniej określić, kogo należy poprosić o zgodę na ekstrakcję danych (dotyczy to zwłaszcza niemoderowanych forów, na których osoby zdrowiejące szukają wsparcia rówieśniczego online). Chociaż zastosowanie będą miały ogólne zasady badań etycznych, badacze muszą przyjąć indywidualne podejście do każdego przypadku, aby zapewnić, że ekstrakcja i analiza danych online nie stwarza żadnego znaczącego ryzyka dla uczestników (np. naruszenia prywatności).

Oświadczenia

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

Autorzy nie mają nic do ujawnienia.

Podziękowania

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

Jesteśmy wdzięczni klientom i pracownikom Jobs, Friends and Houses, UK, którzy wspierali i zgodzili się uczestniczyć w naszych badaniach.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Oprogramowanie LIWCReceptivitihttps://liwc.wpengine.com/oprogramowanie do komputerowej analizy językowej
R softwarenie dotyczyhttps://www.r-project.org/bezpłatne oprogramowanie do statystycznej i wizualizacji danych

Bibliografia

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

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

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

Powiązane artykuły