Name: Integrando análises informatizadas de redes linguísticas e sociais para capturar capital de recuperação de vício em uma comunidade online (Vídeo) | JoVE Journal
Uploaded: 2019-05-31T12:30:00.000+00:00
Duration: 8 min 53 s
Description: Aprenda a analisar interações sociais em comunidades online de recuperação de vício usando análise de redes sociais e linguística computacional. Este método mede marcadores implícitos de engajamento para prever retenção no programa.

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

Agradecemos aos clientes e funcionários do Jobs, amigos e casas, Reino Unido, que apoiaram e concordaram em participar de nossa pesquisa.

A pesquisa aqui descrita foi aprovada pela comunidade de ética em pesquisa na Universidade de Sheffield Hallam.
1. configuração
Nota: por favor, consulte o script R anexado fornecido como arquivo complementar 1.
<ol><li>Carregar pacotes necessários (Rfacebook9, dplyr10, igraph11e openxlsx12) em R. Packages referem-se a funções, conjuntos de dados ou código compilado que permitem aos usuários analisar, transformar ou extrair dados.</li>
	<li>Carregar (externo) a retenção e os dados do usuário em R como um quadro de dados de um arquivo CSV. Nota: os dados de retenção referem-se ao número de dias em que um cliente participa no programa de recuperação de dependência offline (tradicional). Ele foi fornecido pelo administrador do programa de recuperação (off-line) como registrado em um arquivo CSV com o nome do participante e o número de dias que estiveram envolvidos no programa. O nome do participante foi substituído pelo número de identificação anônimo antes de ser importado para R.</li>
</ol>2. extração de dados da comunidade on-line (a página social de uma comunidade de recuperação de vício)
Observação: Este protocolo se aplica a uma página de mídia social, mas pode ser adaptado para diferentes tipos de comunidades on-line. No caso do pacote Rfacebook, ele permite que o usuário extraia dados da página de mídia social em R.
<ol><li>Crie um token de acesso de mídia social (Facebook) seguindo o guia no site referenciado13.</li>
	<li>Criar token de acesso em R.</li>
	<li>Usando a função "getGroup" do Rfacebook, extraia dados da página de mídia social da comunidade de interesse (por exemplo, conteúdo do post, número de comentários e gostos para cada postagem, um número de identificação exclusivo para cada postagem, etc.). Esses dados são salvos como um quadro de dados. Observação: um quadro de dados é essencialmente uma tabela dentro de R usado para armazenar dados.</li>
	<li>Usando a função "getPosts" do Rfacebook, juntamente com os IDs de postagem extraídos na etapa 2,3, extraia dados sobre os gostos de postagens feitos na página.</li>
	<li>Usando a função "getPosts" do Rfacebook, juntamente com os IDs de postagem extraídos na etapa 2,3, extraia dados sobre os comentários feitos em cada postagem (por exemplo, IDs de usuário de pessoas comentando o post, quando o comentário foi feito, quantos gostos o post recebido). Esses dados são salvos como um quadro de dados.</li>
	<li>Usando os IDs de comentário extraídos na etapa 2,5, extraia dados sobre os "gostos de comentários" feitos em cada postagem (por exemplo, IDs de usuário de pessoas que gostam do comentário). Esses dados são salvos como um quadro de dados.</li>
	<li>Combine as postagens, os gostos de postagem, os comentários e o comentário gosta de dados em um quadro de dados.</li>
	<li>Adicione uma repartição mensal (isto é, mês 1 a 8).</li>
</ol>3. cálculo da atividade de mídia social feita e recebida por cada cliente
<ol><li>Calcule o número de postagens, comentários, gostos post e comentários gostos feitos por cada cliente.</li>
	<li>Calcule o número de postagens, comentários, gostos post e comentários gostos recebidos por cada cliente.</li>
	<li>Participe do quadro de dados da atividade de mídia social feita e recebida por cada cliente no quadro de dados de retenção.</li>
	<li>Calcule a diferença entre postagens e comentários com gostos e sem gostos.</li>
	<li>Calcule a diferença entre postagens com comentários e sem comentários.</li>
	<li>Junte-se aos dados de diferença de gostos aos dados de retenção.</li>
	<li>Associe os dados de diferença de comentários aos dados de retenção.</li>
	<li>Calcule todos os gostos feitos por cada cliente.</li>
	<li>Calcule todos os gostos recebidos por cada cliente.</li>
	<li>Identifique quais usuários não participaram do grupo de mídia social (ou seja, nenhuma atividade).</li>
</ol>4. realização de análise de redes sociais
<ol><li>Crie uma lista de arestas. Uma lista de borda é uma lista de relacionamentos dentro da rede social, que neste caso é baseado em 1) gostar de mensagens e comentários e 2) comentando sobre postagens. Isso é feito observando-se duas colunas dentro do conjunto de dados. A primeira coluna contém a ID anônima da pessoa que está fazendo a postagem, enquanto a segunda contém o ID anônimo da pessoa que gosta ou comenta na postagem.</li>
	<li>Crie uma lista de vértices. Uma lista de vértices é uma lista de todos os indivíduos no grupo. Isso é feito convertendo as duas colunas na lista de relacionamentos em uma coluna e removendo IDs anônimos duplicados para que somente a ID anônima exclusiva seja deixada.</li>
	<li>Usando as funções "Graph. Data. frame" e "Get. adjacency" no pacote do igraph, crie objetos de matriz de gráfico e gráfico a partir das listas de borda e vértice.</li>
	<li>Usando o "grau" e "betweenness" funções do pacote igraph, obter as estatísticas de rede (grau e betweenness) do grupo on-line.</li>
</ol>5. realização de análises linguísticas informatizadas em LIWC
<ol><li>Exporte dados de mídia social textual (ou seja, postagens e comentários) e coluna de ID de postagem/comentário em arquivos CSV.</li>
	<li>Importe os arquivos CSV de dados de mídia social textual para o software de contagem de palavras de consulta linguística (LIWC).</li>
	<li>Gere categorias LIWC e salve em novos arquivos CSV. Faça isso clicando em "analisar texto", depois em "arquivo Excel/CSV", e clicando na coluna que contém as postagens e os comentários para selecionar o texto a ser analisado. Depois que o LIWC concluiu a análise dos dados textuais, salve a saída como um novo arquivo CSV.</li>
	<li>Importe o arquivo CSV de resultados LIWC para R e mesclar com os dados existentes. Os dados são correspondidos pela coluna ID de postagem/comentário, que existe no LIWC e nos quadros de dados existentes.</li>
	<li>Calcule as pontuações totais de LIWC para cada usuário em postagens e comentários e, em seguida, junte-se aos dados de retenção.</li>
	<li>Calcule as pontuações totais de LIWC para cada usuário em todos os dados textuais (postagem e comentários combinados) e, em seguida, junte-se aos dados de retenção.</li>
	<li>Remova o NAs do quadro de dados de retenção.</li>
</ol>6. conduzindo a análise de regressão (para determinar se os indicadores de engajamento com a comunidade on-line prevêem a retenção no programa de recuperação offline)
<ol><li>Defina as variáveis independentes.</li>
	<li>Usando a função "LM" na base R, conduza a análise de regressão linear usando os dados de retenção como a variável dependente, e as categorias LIWC, comentários, curtidas de postagem e gostos de comentário como variáveis independentes.</li>
	<li>Combine os resultados da análise de regressão em um quadro de dados.</li>
</ol>7. criando mapas mensais de SNA
<ol><li>Prepare quadros de dados para o SNA Maps.</li>
	<li>Crie uma lista de arestas com base na atividade de mídia social cumulativa mensal.</li>
	<li>Crie uma lista de vértices com base na atividade de mídia social cumulativa mensal.</li>
	<li>Crie gráficos e matrizes gráficas com base na atividade de mídia social cumulativa mensal.</li>
	<li>Defina o layout de mapas SNA com base na atividade de mídia social cumulativa.</li>
	<li>Adicione cores com base em funções de usuário.</li>
	<li>Crie mapas SNA e guardá-los para um ficheiro.</li>
</ol>8. calculando a atividade de mídia social cumulativa mensal do grupo de mídia social
<ol><li>Calcule a atividade de mídia social cumulativa mensal por funcionários, clientes e outros membros do grupo de mídia social.</li>
	<li>Calcule a atividade mensal cumulativa de mídia social por todos os membros do grupo de mídia social.</li>
	<li>Junte-se os quadros de dados de atividade de mídia social cumulativa mensal juntos.</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>

Os autores não têm nada a revelar.

A abordagem descrita aqui é baseada em um novo método de medição de como os processos de grupo on-line podem afetar a retenção em um programa de recuperação de vício. Aplicando esse método a uma comunidade on-line de recuperação do vício, verificou-se que havia quatro aspectos-chave previu a retenção do programa: estar altamente envolvido na comunidade on-line, sendo central na rede social on-line, o afeto positivo expressado em comunicação com outros membros da comunidade on-line, e recebendo validação de outros para contribuições para a rede14. Os achados obtidos por meio desse método apoiam os modelos teóricos existentes de recuperação. Ou seja, dois modelos-chave na literatura de recuperação, o modelo de identidade social da recuperação15 e o modelo de identidade social da manutenção da cessação16, ambos enfatizam a importância da participação ativa em grupos que apoiam a Recuperação. Ambos os modelos sugerem que o aumento da identificação e comprometimento com esses grupos contribuem para um menor contato futuro com o uso de grupos e conseqüente recidiva.
Como ilustrado em nossa pesquisa, o método nos permitiu mapear trajetórias de recuperação ou mudança de membros individuais da comunidade on-line14. Visualizações das redes sociais on-line e sua evolução ao longo do tempo podem fornecer informações valiosas sobre o movimento dos membros da comunidade on-line da periferia para o centro da rede e vice-versa (esses movimentos na rede indicam mudanças nos níveis de engajamento com a comunidade on-line). Em um 2017 estudo14, entrevistas com membros da comunidade on-line que realizaram as mudanças mais significativas em termos de movimento da periferia para o centro das redes foram conduzidos como uma forma de triangulação de nossos achados baseados em SNA, informatizado análise linguística e regressão contra dados de retenção. Estudos futuros podem concentrar-se em vez dos membros que se tornaram desengajados com a comunidade on-line, sobre aqueles que nunca se engajam, ou sobre medidas mais diretas de resultado, como uso de substâncias e reoffending. Esta metodologia pode ser aperfeiçoada para ser utilizada em programas de intervenção, por exemplo, para avaliar o papel dos moderadores nos fóruns de ajuda.
Atualmente, não há estudos que comprovem os benefícios do método descrito aqui, quando utilizados por si só (o método descrito foi utilizado em conjunto com os dados de retenção e triangulados com dados qualitativos de entrevistas com a comunidade on-line chave Membros14), mas essa abordagem pode fornecer dados precisos e livres de viés que podem complementar a autorrelato e outras medidas em estudos de recuperação de dependência.
Este método foi aplicado para examinar as interações sociais on-line no contexto de uma página de mídia social estabelecida como uma forma complementar de apoio a um programa de recuperação padrão, face a face. No entanto, com pequenas alterações, o método pode ser usado para investigar interações sociais on-line em outros tipos de comunidades on-line (fóruns on-line, grupos de discussão, salas de bate-papo, sites de comentários, etc.). Uma das principais vantagens deste método é que ele pode ser adaptado e aplicado a contextos além das comunidades de recuperação de dependência para qualquer comunidade on-line. Por exemplo, em nossa própria pesquisa de psicologia política, utilizamos um método semelhante (desenvolvido a partir do método descrito aqui) para captar a qualidade das interações on-line e mudanças nessas interações entre membros de comunidades on-line de extrema-direita. Na verdade, o método pode ser aplicado a qualquer comunidade on-line em que os dados na forma de conexões entre os membros (como ligações de rede social) e conteúdo linguístico pode ser extraído.
No entanto, ao acessar e trabalhar com dados on-line, os pesquisadores precisam estar cientes das questões éticas, algumas que se aplicam ao autorrelato e outros tipos de dados em geral e alguns que só são encontrados em um ambiente on-line. Na pesquisa descrita aqui (que foi aprovada pela comunidade de ética de pesquisa na Universidade de Sheffield Hallam), o consentimento foi obtido da organização gerenciando o programa de recuperação, e medidas rigorosas foram tomadas para garantir o anonimato completo de participantes na página de mídia social aberta (por exemplo, após a correspondência de dados online e de retenção, todas as informações de identificação foram removidas dos arquivos e também não foram usadas aspas potencialmente autoidentificativas da comunicação on-line acessível publicamente).
A estreita comunicação com a organização também garantiu que os participantes do programa estavam cientes dos achados do estudo e da pesquisa, e um dos pesquisadores reuniu-se regularmente com o grupo para explicar o estudo e seus resultados. Em outros casos, no entanto, onde as comunidades on-line não estão associadas a programas offline específicos, pode ser mais difícil determinar quem deve ser solicitado para o consentimento sobre a extração de dados (aplicável especialmente em fóruns não moderados, onde as pessoas em recuperação Procure suporte on-line de pares). Embora os princípios gerais da pesquisa ética sejam aplicados, os pesquisadores precisam adotar uma abordagem caso a caso para garantir que a extração e a análise de dados on-line não representem riscos significativos para os participantes (por exemplo, comprometer a privacidade).

O método apresentado foi projetado para capturar o álcool e outras drogas (AOD) capital de recuperação de dependência em contextos on-line. No campo da dependência, o capital de recuperação tem sido definido como "a soma total dos recursos que podem ser levados a suportar na iniciação e manutenção da cessação do uso indevido de substâncias"1. O capital de recuperação tem sido medido principalmente por meio de autorrelatos2,3 em contextos face a face. Essa abordagem fornece um método alternativo para medir o capital de recuperação em contextos on-line, capturando a qualidade e a quantidade de interações on-line em comunidades online de recuperação.
Dado o aumento constante do uso de recursos on-line a forma de peer-support em uma série de questões relacionadas com a saúde4,5, é necessário desenvolver novos métodos para captar a qualidade desses recursos. O suporte online por pares ocorre a forma de interações sociais em fóruns e comunidades online. As interações sociais favoráveis nesses contextos on-line contribuem para a construção do capital de recuperação, que por sua vez tem um impacto positivo no processo de recuperação6,7. O método proposto apresenta uma série de vantagens em relação aos métodos alternativos. Em primeiro lugar, supera algumas das limitações que envolvem o uso de medidas de autorrelato na pesquisa de vício, particularmente em torno de evocações e vieses de autorapresentação. Embora as medidas de autorrelato sejam consideradas como tendo níveis razoáveis de confiabilidade e validade, elas são suscetíveis a vieses e imprecisões. Para aumentar a precisão e minimizar o viés, tem sido reconhecido que há a necessidade de aumentar o uso de novas medidas e situações de coleta de dados destinadas a evitar ou minimizar esses problemas8. Ao acessar os dados que ocorrem naturalmente em contextos onde as pessoas em vários estágios de recuperação interagem espontaneamente e usando métodos de análise que podem extrair informações significativas desses dados (capazes de capturar indicadores de Estados psicológicos), vieses devido à desejabilidade social (autoapresentacional) e imprecisões devido a limitações na recordação podem ser reduzidas ou mesmo eliminadas. Em segundo lugar, este método é altamente eficiente e rentável, pois se baseia na extração de dados já existentes on-line (ou seja, em fóruns on-line abertos que são acessíveis publicamente).
Descrito em seguida é o método que foi aplicado a um estudo de construção de capital de recuperação em uma comunidade on-line estabelecida para complementar um programa de recuperação de vício tradicional, face-a-face para viciados em estágios de recuperação precoce. Nesse caso, os dados on-line (mídia social) foram vinculados aos dados de retenção do programa, mas o método também pode ser usado nos casos em que os dados de vinculação não estão disponíveis ou acessíveis.

<table><tbody><tr><td>Software LIWC</td><td>Receptiviti</td><td>https://liwc.wpengine.com/</td> <td>software de análise linguística computadorizada</td></tr><tr><td>Software R</td><td>n/a</td><td>https://www.r-project.org/</td> <td>software gratuito de visualização estatística e de dados</td></tr></tbody></table>

integrando análises informatizadas de redes linguísticas e sociais para capturar capital de recuperação de vício em uma comunidade online

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

O artigo descreve uma nova metodologia projetada com o objetivo de encontrar uma maneira abrangente, discreta e precisa de capturar o desenvolvimento de capital de recuperação social em comunidades on-line de recuperação de álcool e drogas (AOD) vício. O capital de recuperação foi conceitualizado como engajamento na Comunidade de recuperação on-line e identificação com a Comunidade. Para medir o desenvolvimento de capital de recuperação, os dados que ocorrem naturalmente foram extraídos da página de mídia social de um programa de recuperação específico, com a página sendo configurada como um recurso para um programa de recuperação cara a cara. Para mapear o engajamento com a comunidade online, a análise de redes sociais (SNA) capturando a interação social online foi realizada. A interação social foi medida através das ligações entre os contribuidores online/membros da comunidade online, representados por clientes do programa, funcionários e apoiadores da comunidade mais ampla. Para captar marcadores de identificação social com a comunidade on-line, realizou-se a análise linguística informatizada dos dados textuais (conteúdo de postagens e comentários). O capital de recuperação capturado dessa forma foi analisado em relação aos dados de retenção (um indicador de resultado de proxy), como dias passados no programa de recuperação (face a face). Os dados on-line extraídos foram vinculados aos dados do participante em relação à retenção do programa para testar a previsão de um resultado de recuperação de chave. Esta abordagem permitiu o exame do papel das comunidades de apoio on-line e a avaliação da associação entre o capital de recuperação (desenvolvido através da comunidade on-line de recuperação) e os resultados de recuperação.

Uma descrição detalhada dos resultados representativos obtidos utilizando este método pode ser encontrada em nosso recente trabalho14, que foi revisto e recebido aprovação total do Comitê de ética em pesquisa da instituição em que a pesquisa foi conduzida. No relatório aqui descrito, o estudo investigou se a participação on-line em uma comunidade de recuperação contribui para o processo de recuperação através da construção de capital de recuperação (como capturado pelo aumento dos níveis e da qualidade das interações sociais on-line e desenvolvimento de identidades positivas). Em outras palavras, o estudo examinou se os indicadores de capital de recuperação on-line se desenvolveram ao longo dos oito meses de dados on-line avaliados e também previu a retenção em um programa de recuperação projetado para promover o envolvimento da Comunidade para os viciados em estágios iniciais de Recuperação.
Para mapear como os participantes interagiram on-line, a análise de rede social (SNA) usando dados extraídos da página de mídia social (n = 609) de uma comunidade de recuperação foi conduzida. A Figura 1apresenta uma representação visual da rede social e sua evolução. A figura ilustra a atividade na comunidade on-line observada a cada mês por um período de 8 meses na forma de conexões entre todos os participantes na comunidade on-line (ou seja, comentando sobre postagens, gostando de postagens e gostando de comentários). O número de conexões que um "agente" na rede determina como central eles estarão na rede social. A análise linguística computadorizada foi utilizada para avaliar os dados textuais (capturando marcadores de identidade social), e a análise de regressão linear foi conduzida para determinar se os indicadores de capital de recuperação previram a retenção do programa. Essas análises indicaram que a retenção do programa foi realmente prevista por: (a) níveis de validação de grupo recebidos na forma de gostos de comentários e todos os gostos recebidos na página de mídia social, (b) posição na rede social (centralidade da rede), e (c) grupo identidade e realização (como capturado pelo conteúdo linguístico da comunicação on-line). Os resultados apoiaram o argumento de que, globalmente, as interações sociais positivas entre os membros de uma comunidade de recuperação on-line são favoráveis ao processo de recuperação. Um resumo desses achados é apresentado abaixo.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/58851/58851fig1.jpg"> Figura 1: as representações mensais da rede social da comunidade on-line ao longo de 8 meses sugerem mudanças no padrão de interações sociais entre os participantes. Essas representações ilustram como no início, a maioria dos membros do cliente na comunidade on-line (clientes do programa de recuperação offline) são principalmente desconectado, e é a equipe do programa e apenas um pequeno número de clientes que dirigem a atividade on-line. No entanto, isso muda gradualmente, de modo que, após 8 meses, os clientes são os mais conectados (portanto, o mais central), com o maior número de conexões na rede (figura é adaptado de uma publicação anterior)14. <a href="https://www.jove.com/files/ftp_upload/58851/58851fig1large.jpg" target="_blank">Por favor clique aqui para ver uma versão maior desta figura.</a>
Estatísticas descritivas
Os níveis de engajamento dos participantes com a comunidade on-line foram medidos através da computação das contribuições de todos os participantes da comunidade on-line como número de postagens, comentários e curtidas feitas por funcionários, clientes e membros mais amplos da Comunidade. A tabela 1 apresenta uma repartição por tipo de contribuição (como feita por cada categoria de participante) em 8 meses.
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody>
<tr>
<td>Membros do grupo</td>
			<td>Tipo de contribuição online</td>
			<td>Mês 1</td>
			<td>Mês 2</td>
			<td>Mês 3</td>
			<td>Mês de 4</td>
			<td>Mês 5</td>
			<td>Mês 6</td>
			<td>Mês 7</td>
			<td>Mês 8</td>
		</tr>
<tr>
<td rowspan="3">Todos</td>
			<td>Posts e comentários</td>
			<td>382</td>
			<td>388 (770)</td>
			<td>579 (1349)</td>
			<td>369 (1718)</td>
			<td>530 (2248)</td>
			<td>581 (2829)</td>
			<td>796 (3625)</td>
			<td>674 (4299)</td>
		</tr>
<tr>
<td>Post gosta dado</td>
			<td>1167</td>
			<td>878 (2045)</td>
			<td>1856 (3901)</td>
			<td>1440 (5341)</td>
			<td>1880 (7221)</td>
			<td>1756 (8977)</td>
			<td>2667 (11644)</td>
			<td>1857 (13501)</td>
		</tr>
<tr>
<td>Comentário gostos dado</td>
			<td>784</td>
			<td>970 (1604)</td>
			<td>825 (2429)</td>
			<td>171 (2600)</td>
			<td>634 (3234)</td>
			<td>970 (4204)</td>
			<td>825 (5029)</td>
			<td>171 (5200)</td>
		</tr>
<tr>
<td rowspan="3">Pessoal</td>
			<td>Posts e comentários</td>
			<td>129</td>
			<td>106 (235)</td>
			<td>170 (405)</td>
			<td>96 (501)</td>
			<td>185 (686)</td>
			<td>176 (862)</td>
			<td>227 (1089)</td>
			<td>316 (1405)</td>
		</tr>
<tr>
<td>Post gosta dado</td>
			<td>188</td>
			<td>147 (335)</td>
			<td>302 (637)</td>
			<td>209 (846)</td>
			<td>385 (1231)</td>
			<td>372 (1603)</td>
			<td>567 (2170)</td>
			<td>511 (2681)</td>
		</tr>
<tr>
<td>Comentário gostos dado</td>
			<td>168</td>
			<td>303 (471)</td>
			<td>237 (708)</td>
			<td>69 (777)</td>
			<td>168 (945)</td>
			<td>303 (1248)</td>
			<td>237 (1485)</td>
			<td>69 (1554)</td>
		</tr>
<tr>
<td rowspan="3">Clientes</td>
			<td>Posts e comentários</td>
			<td>145</td>
			<td>155 (300)</td>
			<td>214 (514)</td>
			<td>132 (646)</td>
			<td>208 (854)</td>
			<td>286 (1140)</td>
			<td>419 (1559)</td>
			<td>253 (1812)</td>
		</tr>
<tr>
<td>Post gosta dado</td>
			<td>365</td>
			<td>252 (617)</td>
			<td>415 (1032)</td>
			<td>303 (1335)</td>
			<td>549 (1884)</td>
			<td>529 (2413)</td>
			<td>898 (3311)</td>
			<td>576 (3887)</td>
		</tr>
<tr>
<td>Comentário gostos dado</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>Outros</td>
			<td>Posts e comentários</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>Post gosta dado</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>Comentário gostos dado</td>
			<td>473</td>
			<td>349 (672)</td>
			<td>353 (1025)</td>
			<td>69 (1094)</td>
			<td>323 (1417)</td>
			<td>349 (1766)</td>
			<td>353 (2119)</td>
			<td>69 (2188)</td>
		</tr>
</tbody></table>Tabela 1: mostrado é o número de contribuições on-line por tipo (post e comentários feitos, gostos dado a Posts, e gosta dado aos comentários) por membros da comunidade on-line em todo 8 meses. Os membros da comunidade on-line são classificados como funcionários (equipe de suporte empregado pelo programa de recuperação offline), clientes (pessoas em recuperação que estão participando do programa de cobrança offline), e outros (apoiantes e defensores pró-recuperação do Comunidade mais ampla).
Determinantes da retenção no programa
As seguintes hipóteses foram testadas: (1) a retenção do programa deve estar associada a indicadores de desenvolvimento de capital de recuperação (ou seja, refletido na quantidade e qualidade da interação on-line), e (2) a retenção de programas também deve estar associada com indicadores de mudança de identidade, (ou seja, indicadores de desenvolvimento de identidade de recuperação positiva). A quantidade de interação on-line foi indicada pelo a) número de postagens feitas, b) número de comentários feitos, c) número de gostos post recebidos, d) número de gostos de comentários recebidos, e e) número de todos os gostos recebidos.
Para determinar a qualidade da interação online, foram analisadas a estrutura de rede e o conteúdo linguístico. Mais especificamente, foram utilizados coeficientes de grau e de centralidade derivados da análise de redes sociais (SNA) e indicadores linguísticos de afeto positivo derivados da análise linguística computadorizada. Como indicadores da mudança positiva da identidade (como a identificação com a Comunidade da recuperação) a freqüência do uso do pronome "nós" e as palavras da realização (por exemplo, tentativa, objetivo, vitória, etc.) foram usadas. Por fim, a variável dependente (retenção no programa) foi indicada pelo número total de dias despendidos no programa (variando de 86 a 464 dias aqui). Conforme demonstrado pelos resultados, os níveis de interação on-line e validação em grupo (como refletido pelo número de curtidas recebidas para postagens e comentários) previram a retenção do programa (tabela 2). A retenção do programa também foi prevista por marcadores de identificação (como capturado pelo uso do pronome "nós" em posts e de palavras de realização em ambos os Posts e comentários). Finalmente, onde os participantes estão situados dentro da rede social (ou seja, grau de centralidade) também representa um aspecto importante da retenção (tabela 2).
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody>
<tr>
<td>Variável</td>
			<td>B</td>
			<td>SE</td>
			<td>Β</td>
			<td>R2</td>
		</tr>
<tr>
<td>Comentários gostos recebidos</td>
			<td>0,43</td>
			<td>0,18</td>
			<td>.47*
</td>
			<td>0,22</td>
		</tr>
<tr>
<td>Gostos recebidos (todos)</td>
			<td>0, 8</td>
			<td>0, 3</td>
			<td>.43*
</td>
			<td>0,18</td>
		</tr>
<tr>
<td>Comentário-como a diferença</td>
			<td>1, 9</td>
			<td>0,5</td>
			<td>.43*
</td>
			<td>0,19</td>
		</tr>
<tr>
<td>Grau de rede</td>
			<td>0, 1</td>
			<td>0</td>
			<td>.43*
</td>
			<td>0,18</td>
		</tr>
<tr>
<td>LIWC nós (post)</td>
			<td>3,89</td>
			<td>1,76</td>
			<td>.43*
</td>
			<td>0,19</td>
		</tr>
<tr>
<td>LIWC Achievement (post)</td>
			<td>0,56</td>
			<td>0,26</td>
			<td>.43*
</td>
			<td>0,18</td>
		</tr>
<tr>
<td>LIWC Achievement (todos)</td>
			<td>0,14</td>
			<td>0, 7</td>
			<td>.42*
</td>
			<td>0,17</td>
		</tr>
</tbody></table>Tabela 2: tempo de retenção conforme previsto pelo engajamento online, estatísticas de rede e categorias linguísticas.

O artigo descreve uma nova abordagem para analisar dinâmicas interações sociais on-line (em um contexto on-line) exemplificada por um estudo de uma comunidade on-line de recuperação do álcool e da toxicodependência.

Integrando análises informatizadas de redes linguísticas e sociais para capturar capital de recuperação de vício em uma comunidade online

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

Nosso protocolo fornece uma maneira abrangente, discreta e precisa de descrever como as pessoas podem se envolver com comunidades online enquanto estão se recuperando do vício em drogas e álcool. Essa técnica vai além da abordagem autorrenotada que tem sido usada em estudos anteriores, permitindo medir marcadores mais implícitos de recuperação. Antes de iniciar a extração, carregue as funções, conjuntos de dados ou código compilados necessários que permitam aos usuários analisar, transformar ou extrair dados em R e carregar os dados externos de retenção e usuário em R, como um quadro de dados de um arquivo CSV.Quando todos os pacotes forem carregados, use a função get group do R Facebook para extrair dados da página de mídia social da comunidade de interesse e salvar os dados como um quadro de dados. Usando a função get posts do R Facebook, juntamente com os IDs de postagem re extraídos, extraia os dados sobre curtidas de postagens feitas na página. Usando a função get posts do R Facebook e os IDs de postagem extraídos, extraia dados sobre os comentários feitos em cada post e salva esses dados como um quadro de dados.Usando os IDs de comentários, extraia dados sobre as curtidas de comentários feitas em cada post e salva esses dados como um quadro de dados. Em seguida, combine as postagens, poste curtidas, comentários e comente gosta de dados em um quadro de dados e adicione uma quebra mensal. Para calcular a atividade de mídia social feita e recebida por cada cliente, calcule o número de posts, comentários, curtidas de postagem e comentários feitos por cada cliente, e o número de posts, comentários, curtidas de postagens e curtidas de comentários recebidos por cada cliente.Junte-se ao quadro de dados da atividade de mídia social feita e recebida por cada cliente ao quadro de dados de retenção, e calcule a diferença entre posts e comentários com curtidas e curtidas, e a diferença entre postagens com comentários e sem comentários. Junte os dados de diferença de curtidas aos dados de retenção e os dados de diferença de comentários para os dados de retenção. Calcule todas as curtidas feitas por cada cliente, e todas as curtidas recebidas por cada cliente.Em seguida, identifique quais usuários não participaram do grupo de mídia social. Para realizar uma análise de rede social, crie uma lista de relacionamentos na rede social, com base em curtidas em posts e comentários e comentando postagens olhando para duas colunas dentro do conjunto de dados. A primeira coluna contém o ID anônimo da pessoa que faz a postagem, enquanto a segunda coluna contém o ID anônimo da pessoa que gosta ou comenta no post.Em seguida, crie uma lista de vértices de todos os indivíduos do grupo convertendo as duas colunas na lista de relacionamentos em uma coluna e removendo quaisquer IDs anônimos duplicados, de modo que apenas o ID anônimo exclusivo seja deixado. Usando o quadro de dados gráfico e obter funções de adjacência no pacote igraph, crie objetos de matriz de gráficos e gráficos a partir das listas de borda e vértice. Em seguida, use as funções de grau e entresteza do pacote igraph, para obter o grau de rede e as estatísticas de betweenness do grupo online.Para realizar uma análise linguística informatizada no software Linguistic Inquiry Word Count, exporte os dados textuais das mídias sociais e poste a coluna de ID de comentário em arquivos CSV. Importe os arquivos CSV dos dados textuais de mídia social para o software Linguistic Inquiry Word Count ou LIWC, clicando em analisar texto, arquivo Excel CSV e a coluna contendo as postagens e comentários para selecionar o texto a ser analisado. Depois que a LIWC tiver concluído a análise dos dados textuais, salve a saída como um novo arquivo CSV.Importe o arquivo CSV de resultados LIWC em R e mescla os resultados com os dados existentes. Os dados serão combinados pela coluna de ID de comentário do post, que existe tanto no LIWC quanto nos quadros de dados existentes. Calcule as pontuações totais do LIWC para cada usuário em postagens e comentários e junte essas pontuações aos dados de retenção.Calcule as pontuações totais do LIWC para cada usuário em todas as postagens textuais e comentários combinados e junte essas pontuações aos dados de retenção. Em seguida, remova qualquer análise de rede do quadro de dados de retenção. Para determinar se os indicadores de engajamento com a comunidade online prevêem a retenção no programa de recuperação offline, use a função IM na base R para realizar a análise de regressão linear dos dados de retenção como variável dependente, e as categorias LIWC, comentários, curtidas de postagem e curtidas de comentários como variáveis independentes.Em seguida, combine os resultados da análise de regressão em um quadro de dados. Para criar um mapa mensal de análise de redes sociais, prepare os quadros de dados para mapas de análise de redes sociais e crie uma lista de bordas com base na atividade mensal cumulativa das mídias sociais. Crie uma lista de vértices com base na atividade mensal cumulativa das mídias sociais e crie gráficos e matrizes de gráficos com base na atividade mensal cumulativa das mídias sociais.Defina o layout dos mapas de análise de redes sociais com base na atividade cumulativa das mídias sociais e adicione cores com base nas funções do usuário. Em seguida, crie mapas de análise de redes sociais e salve os mapas em um arquivo. Para o cálculo da atividade mensal acumulada de mídia social, calcule a atividade mensal cumulativa das mídias sociais pela equipe, clientes e outros membros do grupo de mídia social.Em seguida, calcule a atividade mensal cumulativa das mídias sociais por todos os membros do grupo de mídia social e junte-se aos quadros mensais cumulativos de atividades de mídia social. Aqui, é mostrada uma representação visual da rede social e sua evolução ao longo de um período de oito meses na forma de conexões entre todos os participantes da comunidade online. O número de conexões que um agente da rede tem determina o quão central elas serão na rede social.Esses resultados representativos apoiam o argumento de que, em geral, as interações sociais positivas entre membros de uma comunidade de recuperação online apoiam o processo de recuperação. Os níveis de engajamento dos participantes com a comunidade online são medidos calculando as contribuições de todos os participantes da comunidade online como o número de posts, comentários e curtidas feitos pela equipe, clientes e membros da comunidade mais amplos. Como mostram os resultados, nesta análise, os níveis de interação online e validação em grupo, como refletido pelo número de curtidas recebidas para postagens e comentários, preveem a retenção do programa.A retenção do programa também é prevista por marcadores de identificação, como capturado pelo uso do pronome nós em postagens, e pelas palavras de realização em ambos os posts e comentários. Por fim, onde os participantes estão situados dentro da rede social também representa um aspecto importante da retenção. Ao usar essa abordagem, precisamos lembrar que esta é apenas uma maneira de capturar processos psicológicos em comunidades online.O ideal é que outras fontes de dados também sejam acessadas. Esse método pode ser adaptado para investigar interações sociais online em outros tipos de comunidades online, incluindo fóruns online, grupos de discussão, salas de bate-papo e assim por diante.

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

Research

JoVE Journal

Behavior

Comportamento

A investigação sobre a exclusão social tem crescido tremendamente nos últimos anos. À medida que o campo se expande, é imperativo desenvolver metodologias sofisticadas que permitam a medição simultânea de resultados neurais e comportamentais durante a exclusão social. Este protocolo utiliza potenciais cerebrais relacionados a eventos para registrar a atividade neural contínua durante interações sociais computadorizadas.

Medindo Neural e Comportamental atividade durante curso computadorizados Interações Sociais: Uma Análise das potenciais cerebrais relacionados a eventos

Apresentamos um protocolo e um estudo de viabilidade para a aplicação da estimulação transcraniana de corrente direta (tDCS) e avaliação de neuroimagem em jogadores on-line.

Estimulação transcraniana de corrente direta para jogadores on-line

Este protocolo explica como coletar neurônios únicos, microglia e astrócitos do núcleo central da amígdala com alta precisão e especificidade anatômica usando microdissecção de captura a laser. Além disso, explicamos nosso uso de RT-qPCR microfluido para medir um subconjunto do transcriptome dessas células.

Combinando microdissecção de captura a laser e qPCR microfluido para analisar perfis transcricional de células únicas: uma abordagem de biologia de sistemas para dependência de opióides

Diagnosticar transtornos alimentares na área da saúde é um desafio. Portanto, o presente protocolo desenvolve um algoritmo baseado em 949 respostas de pacientes a um questionário, com o diagnóstico exibido em uma interface baseada na Web fácil de usar. Esse sistema facilita o diagnóstico preciso de transtornos alimentares, excluindo aqueles que se acredita ter um distúrbio alimentar.

Uma plataforma baseada em computador para auxiliar médicos na análise e diagnóstico do transtorno alimentar

A combinação de microdissecção de captura a laser e RT-qPCR microfluídica fornece especificidade anatômica e biotécnica na medição do transcriptoma em neurônios únicos e glia. A aplicação de métodos criativos com a abordagem biológica de um sistema para doenças psiquiátricas pode levar a avanços na compreensão e tratamento, como a hipótese anti-recompensa da neuroinflamação no vício.

Investigando Drivers de Anti-recompensa no Comportamento de Dependência com Métodos de Expressão Gênica de Célula Única Anatomicamente Específicos

Apresentamos uma plataforma de agente virtual de código aberto para conduzir entrevistas motivacionais em tempo real, combinando linguagem de última geração e modelos de difusão para se adaptar ao comportamento e perfil dos usuários. Utilizando a plataforma Greta 2.0, ele apoia diversos temas, incluindo nutrição e intervenções focadas em esportes, e oferece uma ferramenta flexível e validada para aprimorar as interações terapêuticas digitais.

Agente Virtual para Entrevistas Motivacionais em Tempo Real Integrando Comportamentos Não Verbais Adaptativos e Modelos de Linguagem

Influências de conteúdo de gordura da dieta, tanto o consumo de energia e composição de gordura corporal em mamíferos. Ao examinar a preferência dos ratos por alimentos ricos em gordura em uma série de experimentos de escolha, é possível testar diferenças genéticas e intervenções farmacológicas sobre sua preferência por alimentos ricos em gordura.

Preferência de Gordura: Um Modelo Novel de comportamento alimentar em ratos

Para replicar as configurações de laboratório, os métodos de coleta de dados on-line para tarefas visuais exigem um controle rígido sobre a apresentação do estímulo. Descrevemos métodos para o uso de um aplicativo da web para coletar dados de desempenho em dois testes de atenção visual.

Métodos de Ensaio Visual Atenção online

Este protocolo descreve a placa de furo modificada, que é uma configuração de teste comportamental que compreende as características de um campo aberto e uma placa de furo tradicional. Essa configuração permite a análise diferencial do comportamento incondicionado de pequenos mamíferos de laboratório, bem como a análise das habilidades cognitivas.

The Hole Board Modificado - Medir Comportamento, Cognição e Interação Social em camundongos e ratos

Fagot &amp; Paleressompoulle 1 publicaram um dispositivo de aprendizagem automatizada (ALDM) que visa testar habilidades cognitivas individuais em macacos que vão semi-livres. O principal objectivo do nosso protocolo é a utilização de uma rede de unidades de teste ALDM para estudar cognição social em primatas não humanos.

Avaliação da Cognição Social em primatas não-humanos usando uma rede de Computadorizado dispositivo automático de Aprendizagem Sistemas (ALDM) teste

Aprenda a analisar interações sociais em comunidades online de recuperação de vício usando análise de redes sociais e linguística computacional. Este método mede marcadores implícitos de engajamento para prever retenção no programa.

Integrando análises informatizadas de redes linguísticas e sociais para capturar capital de recuperação de vício em uma comunidade online (Vídeo) | JoVE Journal

Integrando análises informatizadas de redes linguísticas e sociais para capturar capital de recuperação de vício em uma comunidade online

Explorar mais vídeos