Методическая статья

Интеграция компьютеризированных лингвистических и социальных сетей анализы для захвата наркомании восстановления капитала в интернет-сообщество

DOI:

10.3791/58851

⸱

31 мая 2019 г.

 ,  , 
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

В этой статье

Краткое содержание

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

В статье описывается новый подход к анализу динамических онлайн социальных взаимодействий (в онлайн-контексте), примером которых является исследование интернет-сообщества восстановления от алкоголизма и наркомании.

Аннотация

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

В статье описывается новая методология, разработанная с целью нахождения всеобъемлющего, ненавязчивого и точного способа захвата социального восстановления развития капитала в интернет-сообществах восстановления от алкоголя и наркомании (AOD) наркомании. Восстановление капитала был концептуализирован как участие в онлайн-сообщество восстановления и идентификации с сообществом. Для измерения развития восстановления капитала, естественные данные были извлечены из социальных медиа страницы конкретной программы восстановления, с страницы, созданной в качестве ресурса для лицом к лицу программы восстановления. Для картирования взаимодействия с интернет-сообществом был проведен анализ социальных сетей (SNA), фиксирующих онлайн-взаимодействие. Социальное взаимодействие измерялось через связи между онлайн-участниками/членами интернет-сообщества в виде клиентов программы, персонала и сторонников из более широкого сообщества. Для фиксации маркеров социальной идентификации в интернет-сообществе был проведен компьютеризированный лингвистический анализ текстовых данных (содержание сообщений и комментариев). Капитал восстановления, полученный таким образом, анализировался на основе данных удержания (показатель прокси-результатов), как дни, проведенные в (лицом к лицу) программе восстановления. Полученные данные были связаны с данными участников в отношении удержания программы для прогнозирования ключевых результатов восстановления. Такой подход позволил изучить роль сообществ онлайн-поддержки и оценить связь между капиталом восстановления (разработанным через интернет-сообщество восстановления) и результатами восстановления.

Введение

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

Представленный метод был разработан для захвата алкоголя и других наркотиков (AOD) наркомании восстановления капитала в онлайн-контекстах. В области наркомании, восстановление капитала была определена как "общая сумма ресурсов, которые могут быть привлечены к нести на начало и поддержание прекращения злоупотребления психоактивными веществами"1. Восстановление капитала в основном измеряется с помощью самостоятельной отчеты2,3 в лицом к лицу контексте. Этот подход обеспечивает альтернативный метод измерения капитала восстановления в онлайн-контекстах путем захвата качества и количества онлайн-взаимодействий в онлайн-сообществах восстановления.

Учитывая устойчивый рост использования онлайн-ресурсов в виде равноправной поддержкипо целому ряду вопросов, связанных со здоровьем 4,5,необходимо разработать новые методы для фиксации качества этих ресурсов. Онлайн-поддержка сверстников происходит в виде социальных взаимодействий в интернет-форумах и сообществах. Поддерживающие социальные взаимодействия в этих онлайн-контекстах способствуют созданию капитала восстановления, что, в свою очередь, положительно влияет на процесс восстановления6,7. Предлагаемый метод представляет собой ряд преимуществ по сравнению с альтернативными методами. Во-первых, он преодолевает некоторые ограничения, связанные с использованием самоотчетных мер в исследованиях наркомании, особенно вокруг отзыва и самопрезентации предубеждений. Хотя меры самоотчета считаются разумными уровнями надежности и достоверности, они подвержены предубеждениям и неточностям. Для повышения точности и сведения к минимуму предвзятости было признано, что необходимо расширить использование новыхмер и ситуаций сбора данных, направленных на предотвращение или минимизацию этих проблем 8. При доступе к данным, естественным образом происходящим в контекстах, где люди на различных стадиях восстановления взаимодействуют спонтанно, и с помощью методов анализа, которые могут извлечь значимую информацию из этих данных (способных фиксировать показатели психологических состояний), предубеждения из-за социальной желательности (самопрезентации) и неточности из-за ограничений в отзыве могут быть уменьшены или даже устранены. Во-вторых, этот метод является высокоэффективным и экономически эффективным, поскольку он опирается на извлечение уже существующих онлайновых данных (т.е. на открытых интернет-форумах, которые являются общедоступными).

Описанный следующий метод, который был применен к изучению восстановления капитала здания в интернет-сообществе, созданном в дополнение к традиционной, лицом к лицу программы восстановления наркомании для наркоманов на ранних стадиях восстановления. В этом случае данные онлайн (социальные сети) были связаны с данными о хранении программ, но метод может также использоваться в тех случаях, когда данные о связи недоступны или доступны.

Протокол

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

Исследование, описанное здесь, было одобрено сообществом по этике исследований в Университете Шеффилд Халлам.

1. Настройка

ПРИМЕЧАНИЕ: Пожалуйста, обратитесь к прилагаемому R-скрипту, предоставленному в качестве дополнительного файла 1.

  1. Необходимые пакеты (Rfacebook9,dplyr10,igraph11и openxlsx12) в R. Пакеты относятся к функциям, наборам данных или компилированному коду, который позволяет пользователям анализировать, преобразовывать или извлекать данные.
  2. Загрузка (внешнего) хранения и пользовательских данных в R в качестве кадра данных из файла CSV.
    ПРИМЕЧАНИЕ: Данные о хранении относятся к числу дней, в течение которых клиент участвует в автономной (традиционной) программе восстановления зависимости. Она была предоставлена администратором (оффлайн) программы восстановления, как записано на файл CSV с именем участника и количество дней, которые они были вовлечены в программу. Имя участника было заменено анонимным идентификационным номером до ввоза в R.

2. Извлечение данных из интернет-сообщества (социальная страница сообщества восстановления наркомании)

ПРИМЕЧАНИЕ: Этот протокол относится к странице в социальных сетях, но он может быть адаптирован к различным типам интернет-сообществ. В случае с пакетом Rfacebook, он позволяет пользователю извлекать данные со страницы в социальных сетях в R.

  1. Создайте токен доступа к социальным сетям (Facebook), следуя руководству на справочном веб-сайте13.
  2. Создание токена доступа в R.
  3. Используя функцию "GetGroup" от Rfacebook, извлекайте данные со страницы сообщества в социальных сетях (например, содержание публикации, количество комментариев и отметок "Нравится" для каждого поста, уникальный идентификационный номер для каждого поста и т.д.). Затем эти данные сохраняются в виде кадра данных.
    ПРИМЕЧАНИЕ: Рамка данных по существу представляет собой таблицу в R, используемую для хранения данных.
  4. Используя функцию "getPosts" от Rfacebook, а также идол постов, извлеченные в шаге 2.3, извлекайте данные о отметках от лайков, сделанных на странице.
  5. Используя функцию "getPosts" от Rfacebook, вместе с интпредами поста, извлеченными в шаге 2.3, извлекайте данные о комментариях, сделанных на каждый пост (например, иные иксы пользователей, комментирующих пост, когда комментарий был сделан, сколько лайков получил пост). Затем эти данные сохраняются в виде кадра данных.
  6. Используя икс-икс-комментарии, извлеченные в шаге 2.5, извлекайте данные о "комментарие лайках", сделанных на каждом посту (например, иные иксы пользователей людей, симпатизирующих комментарии). Затем эти данные сохраняются в виде кадра данных.
  7. Объедините публикации, отметки «Нравится», комментарии и комментарии, отостаяв данные в одном кадре данных.
  8. Добавить ежемесячный разбивка (т.е. месяц от 1 до 8).

3. Расчет активности в социальных сетях, сделанный и полученный каждым клиентом

  1. Рассчитайте количество сообщений, комментариев, отеков и отеков комментариев, сделанных каждым клиентом.
  2. Рассчитайте количество сообщений, комментариев, отеков и комментариев от нравится, полученных каждым клиентом.
  3. Присоединяйтесь к рамке данных активности в социальных сетях, полученной и полученной каждым клиентом, в рамку данных о хранении.
  4. Рассчитайте разницу между публикациями и комментариями с отметками "Нравится" и без "Нравится".
  5. Рассчитайте разницу между публикациями с комментариями и без комментариев.
  6. Присоединяйтесь к данным разницы в отеках к данным удержания.
  7. Присоединяйтесь к данным разницы комментариев к данным хранения.
  8. Рассчитайте все лайки, сделанные каждым клиентом.
  9. Рассчитайте все отваготы, полученные каждым клиентом.
  10. Определить, какие пользователи не участвовали в группе социальных сетей (т.е. никакой деятельности).

4. Проведение анализа социальных сетей

  1. Создайте список края. Крайний список представляет собой список отношений в социальной сети, который в данном случае основан на 1) симпатии сообщений и комментариев и 2) комментируя сообщения. Это делается путем просмотра двух столбцов в наборе данных. Первая колонка содержит анонимный идентификатор лица, делающего публикацию, в то время как вторая содержит анонимный идентификатор лица, симпатизирующего или комментирующего публикацию.
  2. Создайте список вершин. Список вершин — это список всех лиц в группе. Это делается путем преобразования двух столбцов в список отношений в одну колонку и удаления дубликатов анонимных идентификаторов, чтобы только уникальный анонимный идентификатор остался.
  3. Используя функции "graph.data.frame" и "get.adjacency" в пакете igraph, создавайте матричные объекты от края и вершины.
  4. Используя функции "степень" и "междунейством" из пакета igraph, получите сетевую статистику (степень и междугесть) онлайн-группы.

5. Проведение компьютеризированного лингвистического анализа в LIWC

  1. Экспорт текстовых данных социальных сетей (т.е. сообщений и комментариев) и столбики идентификатора post/comment в файлы CSV.
  2. ИмпортИРУЙТЕ файлы CSV текстовых данных социальных сетей в программное обеспечение Linguistic Inquiry Word Count (LIWC).
  3. Создание категорий LIWC и сохранение новых файлов CSV. Сделайте это, нажав на "Анализ текста", затем на "Excel / CSV файл", и нажав на колонку, содержащую сообщения и комментарии, чтобы выбрать текст для анализа. После того, как LIWC завершит анализ текстовых данных, сохраните выход в качестве нового файла CSV.
  4. Импортируйте результаты РЕЗУЛЬТАТОв LIWC CSV в R и сливайтесь с существующими данными. Данные сопоставляются с столбцом и идентификатором столба, который существует как в LIWC, так и в существующих кадрах данных.
  5. Рассчитать общие баллы LIWC для каждого пользователя в публикациях и комментариях, а затем присоединиться к данным удержания.
  6. Рассчитать общие баллы LIWC для каждого пользователя во всех текстовых данных (сообщение и комментарии вместе взятые), а затем присоединиться к данным удержания.
  7. Удалите NAs из кадра данных о хранении.

6. Проведение регрессионного анализа (для определения того, предсказывают ли показатели взаимодействия с интернет-сообществом удержание в автономной программе восстановления)

  1. Определите независимые переменные.
  2. Используя функцию "lm" в базовой R, проведите линейный регрессионный анализ, используя данные удержания в качестве зависимой переменной, и категории LIWC, комментарии, отметки «Нравится» публикации и комментарии в качестве независимых переменных.
  3. Объедините результаты регрессии в один кадр данных.

7. Создание ежемесячных карт СНС

  1. Подготовьте кадры данных для Карт SNA.
  2. Создайте список краев на основе ежемесячной кумулятивной активности в социальных сетях.
  3. Создайте список вершин на основе ежемесячной кумулятивной активности в социальных сетях.
  4. Создавайте графики и графовые матрицы на основе ежемесячной кумулятивной активности в социальных сетях.
  5. Установите макет карт SNA на основе кумулятивной активности в социальных сетях.
  6. Добавляйте цвета в зависимости от ролей пользователей.
  7. Создавайте карты SNA и сохраняйте их в файле.

8. Расчет ежемесячной кумулятивной активности в социальных сетях группы социальных медиа

  1. Рассчитайте ежемесячную кумулятивную активность социальных сетей сотрудниками, клиентами и другими членами группы в социальных сетях.
  2. Рассчитайте ежемесячную кумулятивную активность в социальных сетях всеми членами группы в социальных сетях.
  3. Присоединяйтесь к ежемесячным кумулятивным данным о деятельности в социальных сетях вместе.

Результаты

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

Подробное описание репрезентативных результатов, полученных с помощью этого метода, можно найти в нашей недавней работе14, которая была рассмотрена и получила полное одобрение от комитета по этике исследования учреждения, в котором проводилось исследование. В докладе, описанном здесь, исследование исследовало ли онлайн участие в сообществе восстановления способствует процессу восстановления через восстановление капитального строительства (как захватили повышение уровня и качества онлайн овых социальных взаимодействий и положительное развитие идентичности). Другими словами, в исследовании изучались ли показатели онлайн-капитала восстановления, разработанные за восемь месяцев онлайн-данных, а также прогнозируемое удержание в программе восстановления, предназначенной для содействия вовлечению сообщества в зависимость на ранних стадиях Восстановления.

Чтобы составить карту взаимодействия участников в Интернете, был проведен анализ социальных сетей (SNA) с использованием данных, извлеченных из страницы социальных сетей (n No 609) сообщества восстановления. Визуальное представление социальной сети и ее эволюции представлено на рисунке 1. Цифра иллюстрирует активность в интернет-сообществе наблюдается каждый месяц в течение 8 месяцев в виде связей между всеми участниками в интернет-сообществе (т.е., комментируя сообщения, симпатии должности, и симпатии комментарии). Количество подключений, которые имеет "агент" в сети, определяет, насколько они будут центральными в социальной сети. Компьютеризированный лингвистический анализ был использован для оценки текстовых данных (захват маркеров социальной идентичности), а линейный регрессионный анализ был проведен для определения того, прогнозировали ли показатели сохранения капитала восстановления. Эти анализы показали, что удержание программы действительно было предсказано: а) уровни групповой проверки, полученные в виде комментариев лайков и всех лайков, полученных на странице в социальных сетях, (b) позиции в социальной сети (центральная сеть) и (c) группы идентичности и достижения (как улавливается лингвистическим содержанием онлайн-коммуникаций). Результаты поддержали аргумент о том, что в целом, положительные социальные взаимодействия между членами онлайн-сообщества восстановления поддерживают процесс восстановления. Ниже приводится резюме этих выводов.

figure-results-1
Рисунок 1: Ежемесячные представления социальной сети интернет-сообщества за 8 месяцев свидетельствуют об изменениях в структуре социальных взаимодействий между участниками. Эти представления иллюстрируют, как в начале, большинство членов клиента в интернет-сообществе (клиенты программы восстановления в автономном режиме) в основном отключены, и это сотрудники программы и только небольшое число клиентов, которые управляют онлайн деятельности. Тем не менее, это постепенно меняется, так что после 8 месяцев, клиенты являются те, наиболее подключенных (поэтому наиболее центральный), с наибольшим количеством соединений в сети (цифра адаптирована из предыдущей публикации)14. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Описательная статистика

Уровень взаимодействия участников с интернет-сообществом измерялся путем расчета вклада всех участников интернет-сообщества в виде количества сообщений, комментариев и лайков, сделанных сотрудниками, клиентами и более широкими членами сообщества. В таблице 1 представлена разбивка по типу вклада (как это производится каждой категорией участников) в течение 8 месяцев.

Члены группыТип онлайн-вкладаМесяц 1Месяц 23-й месяц4-й месяц5-й месяц6-й месяц7-й месяц8-й месяц
ВсеСообщения и комментарии382 г.388 (770)579 (1349)369 (1718)530 (2248)581 (2829)796 (3625)674 (4299)
Опубликовать любит данной1167 год878 (2045)1856 (3901)1440 (5341)1880 (7221)1756 (8977)2667 (11644)1857 (13501)
Комментарий любит данный784 г.970 (1604)825 (2429)171 (2600)634 (3234)970 (4204)825 (5029)171 (5200)
ПерсоналСообщения и комментарии129 г.106 (235)170 (405)96 (501)185 (686)176 (862)227 (1089)316 (1405)
Опубликовать любит данной188 г.147 (335)302 (637)209 (846)385 (1231)372 (1603)567 (2170)511 (2681)
Комментарий любит данный168 г.303 (471)237 (708)69 (777)168 (945)303 (1248)237 (1485)69 (1554)
КлиентовСообщения и комментарии145 г.155 (300)214 (514)132 (646)208 (854)286 (1140)419 (1559)253 (1812)
Опубликовать любит данной365 г.252 (617)415 (1032)303 (1335)549 (1884)529 (2413)898 (3311)576 (3887)
Комментарий любит данный143 г.318 (461)235 (696)33 (729)143 (872)318 (1190)235 (1425)33 (1458)
ДругиеСообщения и комментарии108 г.127 (235)195 (430)141 (571)137 (708)119 (827)150 (977)105 (1082)
Опубликовать любит данной614 г.479 (1093)1139 (2232)928 (3160)946 (4106)855 (4961)1202 (6163)770 (6933)
Комментарий любит данный473 г.349 (672)353 (1025)69 (1094)323 (1417)349 (1766)353 (2119)69 (2188)

Таблица 1: Показано количество онлайн взносов по типу (пост и комментарии, отметки, отданные должности, и любит, учитывая комментарии) членами интернет-сообщества на протяжении 8 месяцев. Члены интернет-сообщества классифицируются как сотрудники (вспомогательный персонал, нанятый в автономной программе восстановления), клиенты (люди в восстановлении, которые участвуют в автономной программе восстановления), и другие (сторонники и сторонники восстановления адвокатов из более широкого сообщества).

Детерминанты удержания в программе

Были проверены следующие гипотезы: (1) удержание программы должно быть связано с показателями развития капитала восстановления (т.е. отражено в количестве и качестве онлайн-взаимодействия), а (2) удержание программы также должно быть связано с показатели изменения идентичности (т.е. показатели позитивного развития идентичности восстановления). Количество онлайн-взаимодействия было указано по а) количеству сделанных постов, б) количеству сделанных комментариев, в) количество полученных постов лайков, г) количество полученных комментариев лайков и е) количество всех полученных лайков.

Для определения качества онлайн-взаимодействия были проанализированы структура сети и языковой контент. В частности, были использованы коэффициенты степени и междуличеством, полученные в ходе анализа социальных сетей (СНС) и лингвистические показатели положительного воздействия, полученные в ходе компьютеризированного лингвистического анализа. В качестве индикаторов положительного изменения идентичности (как отождествление с сообществом восстановления) использовалась частота использования местоимения "мы" и слова достижения (например, пробовать, цели, выигрывать и т.д.). Наконец, зависимая переменная (удержание в программе) была указана общим количеством дней, проведенных в программе (в диапазоне от 86 до 464 дней здесь). Как показали результаты, уровни онлайн-взаимодействия и в группе проверки (как это отражено в количестве лайков, полученных для сообщений и комментариев) предсказал истечение программы(таблица 2). Сохранение программы было также предсказано идентификационными маркерами (как зафиксировано использованием местоимения "мы" в сообщениях и достижения слова в должности и комментарии). Наконец, где участники находятся в социальной сети (т.е. степень централизации) также представляет собой важный аспект удержания (Таблица 2).

ПеременнойBSeΒR2
Комментарий лайков получен0,430,180,47 0,22
Полученные отметки «Нравится» (все)0,080,030,43 0,18
Комментарий-как разница1.090,50,43 0,19
Степень сети0,010.000,43 0,18
LIWC Мы (Почта)3.891,760,43 0,19
Достижение LIWC (Почта)0,560,260,43 0,18
Достижения LIWC (все)0,140,070,42 0,17

Таблица 2: Время удержания, как и предсказывалось онлайн-участие, сетевая статистика, и языковые категории.

Обсуждение

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

Описанный здесь подход основан на новом методе измерения того, как онлайн-групповые процессы могут повлиять на удержание в программе восстановления зависимости. Применяя этот метод к интернет-сообществу восстановления от зависимости, было установлено, что существует четыре ключевых аспектов предсказал сохранение программы: быть активное участие в интернет-сообществе, будучи центральным в онлайн социальной сети, положительный эффект выразил в общении с другими членами интернет-сообщества, и получать подтверждение от других для взносов в сеть14. Полученные с помощью этого метода результаты подтверждают существующие теоретические модели восстановления. То есть, две ключевые модели в литературе восстановления, Социальная идентичность Модель восстановления15 и социальная идентичность Модель прекращения обслуживания16, оба подчеркивают важность активного участия в группах, которые поддерживают Восстановления. Обе модели предполагают, что более широкое выявление и приверженность таким группам способствуют снижению контактов в будущем с использованием групп и последующему рецидиву.

Как показано в нашем исследовании, метод позволил нам наметить траектории восстановления или изменения отдельных членов интернет-сообщества14. Визуализации онлайн-социальных сетей и их эволюция с течением времени могут предоставить ценную информацию о перемещении членов интернет-сообщества с периферии в центр сети и наоборот (эти движения в сети указывают на изменения в уровнях взаимодействия с интернет-сообществом). В исследовании 2017года 14, интервью с членами интернет-сообщества, которые предприняли наиболее значительные изменения в плане перемещения с периферии в центр сетей были проведены как способ триангуляции наших выводов на основе SNA, компьютеризированные лингвистического анализа и регрессии в отношении данных о хранении. Будущие исследования могут быть сосредоточены вместо этого на тех членов, которые стали отключены с интернет-сообществом, на тех, кто никогда не заниматься, или на более прямые меры результата, такие как употребление психоактивных веществ и повторное правонарушение. Эта методология может дополнительно доработать для использования в интервенционных программах, например, для оценки роли модераторов в форумах помощи.

В настоящее время нет исследований, подтверждающих преимущества описанного здесь метода при использовании сам по себе (описанный метод использовался в сочетании с данными о хранении и триангуляции с качественными данными из интервью с ключевыми интернет-сообществом члены14), но этот подход может обеспечить точные и необъективные данные, которые могут дополнить самоотчетность и другие меры в исследованиях восстановления наркомании.

Этот метод был применен для изучения онлайновых социальных взаимодействий в контексте страницы в социальных сетях, созданной в качестве дополнительной формы поддержки стандартной программы очного восстановления. Однако, с незначительными изменениями, метод может быть использован для изучения онлайн социальных взаимодействий в других типах интернет-сообществ (онлайн-форумы, дискуссионные группы, чаты, комментарии веб-сайтов и т.д.). Одним из ключевых преимуществ этого метода является то, что он может быть адаптирован и применен к контекстам за пределами сообществ восстановления наркомании в любом интернет-сообществе. Например, в наших собственных исследованиях политической психологии, мы используем аналогичный метод (разработанный из описанного здесь метода), чтобы захватить качество онлайн-взаимодействий и изменений в этих взаимодействиях между членами ультраправых интернет-сообществ. По сути, метод может быть применен к любому интернет-сообществу, в котором могут быть извлечены данные в виде связей между членами (как ссылки социальных сетей) и лингвистического контента.

Однако, при доступе к онлайновым данным и работе с ним, исследователи должны быть осведомлены об этических проблемах, некоторые из которых относятся к самоотчетности и другим типам данных в целом, а некоторые из них встречаются только в онлайн-среде. В исследовании, описанном здесь (который был одобрен научно-исследовательской этики сообщества в университете Шеффилд Халлам), согласие было получено от организации, управляющей программой восстановления, и строгие меры были приняты для обеспечения полной анонимности участники на открытой странице в социальных сетях (например, после сопоставления данных в Режиме онлайн и хранения, вся идентифицирующая информация была удалена из файлов, а также не использовались потенциально идентифицирующие цитаты из общедоступной онлайн-коммуникации).

Тесная связь с организацией также обеспечила, чтобы участники программы были осведомлены об исследовании и результатах исследований, и один из исследователей регулярно встречался с группой, чтобы объяснить исследование и его результаты. В других случаях, однако, когда интернет-сообщества не связаны с конкретными автономными программами, может быть труднее определить, кого следует просить о согласии в отношении извлечения данных (особенно в неумеренных форумах, где люди в восстановлении искать онлайн поддержку сверстников). Хотя будут применяться общие принципы этических исследований, исследователям необходимо применять индивидуальной подход для обеспечения того, чтобы извлечение и анализ онлайновых данных не представляли каких-либо значительных рисков для участников (например, компрометация на конфиденциальность).

Раскрытие информации

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

Авторам нечего раскрывать.

Благодарности

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

Мы благодарны клиентам и сотрудникам Jobs, Friends and Houses, Великобритания, которые поддержали и согласились принять участие в наших исследованиях.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
Программное обеспечение LIWCReceptivitihttps://liwc.wpengine.com/компьютеризированное программное обеспечение для лингвистического анализа
R softwaren/ahttps://www.r-project.org/бесплатное программное обеспечение для статистики и визуализации данных

Ссылки

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

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

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

Похожие статьи