Summary

Integrera datoriserade språkliga och sociala nätverk analyser för att fånga missbruk återhämtning kapital i en online community

Published: May 31, 2019
doi:

Summary

I artikeln beskrivs en ny metod för att analysera dynamiska online sociala interaktioner (i en online-sammanhang) exemplifieras av en studie av en online-gemenskap av återhämtning från alkohol och narkotikamissbruk.

Abstract

I artikeln beskrivs en ny metod som utformats i syfte att hitta en heltäckande, diskret och korrekt sätt att fånga social återhämtning kapital utveckling i online communities av återhämtning från alkohol och narkotika (AOD) missbruk. Recovery Capital var konceptualiserad som både engagemang i online återhämtning gemenskap och identifiering med gemenskapen. För att mäta återhämtning kapital utveckling, naturligt förekommande data extraherades från sociala medier sidan för en viss återhämtning program, med sidan som inrättas som en resurs för en Face-to-Face Recovery program. För att kartlägga engagemanget i onlinecommunityn utfördes sociala nätverks analyser (SNA) som fångar online social interaktion. Social interaktion mättes genom kopplingarna mellan online-deltagare/medlemmar av online-community som representeras av program klienter, personal och supportrar från bredare gemenskap. För att fånga markörer för social identifiering med online-community, datoriserad språklig analys av textdata (innehåll från inlägg och kommentarer) genomfördes. Återvinning kapital fångas på detta sätt analyserades mot retention data (en proxy resultatindikator), som dagar spenderas i (ansikte mot ansikte) återhämtning program. Online-data som extraherades var kopplad till deltagar data i fråga om program bevarande för att testa förutsägelse av en viktig återhämtning resultat. Detta tillvägagångssätt gjorde det möjligt att undersöka den roll som online-stöd samhällen och bedömning av sambandet mellan återvinning kapital (utvecklad via online community för återhämtning) och återhämtning resultat.

Introduction

Den presenterade metoden har utformats för att fånga alkohol och andra droger (AOD) missbruk återvinning kapital i online-sammanhang. På området för missbruk har Recovery Capital definierats som “summan av de resurser som kan föras att bära på initiering och underhåll av missbruk upphörande”1. Recovery Capital har främst mätt genom Self-rapporter2,3 i ansikte mot ansikte sammanhang. Denna metod ger en alternativ metod för att mäta återhämtning kapital i online-sammanhang genom att fånga kvalitet och kvantitet av online interaktioner i online samhällen av återhämtning.

Med tanke på den ständiga ökningen av användningen av online-resurser i form av peer-stöd i en rad hälsorelaterade frågor4,5, är det nödvändigt att utveckla nya metoder för att fånga kvaliteten på dessa resurser. Online-peer-stöd sker i form av sociala interaktioner i online-forum och communities. Stödjande sociala interaktioner i dessa online-sammanhang bidrar till att bygga återhämtning kapital, vilket i sin tur har en positiv inverkan på återhämtningsprocessen6,7. Den föreslagna metoden ger ett antal fördelar jämfört med alternativa metoder. För det första, det övervinner några av de begränsningar som innebär användning av själv-rapportåtgärder i beroendeforskning, särskilt kring återkallande och själv-presentational fördomar. Medan själv rapportåtgärder anses ha rimliga Tillförlitlighets-och validitetsnivåer, är de mottagliga för fördomar och felaktigheter. För att förbättra noggrannheten och minimera bias har det erkänts att det finns ett behov av att öka användningen av nya åtgärder och datainsamlings situationer som utformats för att undvika eller minimera dessa problem8. Genom att komma åt data som förekommer naturligt i sammanhang där människor i olika stadier av återhämtning interagerar spontant, och genom att använda analysmetoder som kan extrahera meningsfull information från dessa data (kunna fånga indikatorer på psykologiska tillstånd), fördomar på grund av social önskvärdhet (Self-presentational) och felaktigheter på grund av begränsningar i återkallande kan minskas eller till och med elimineras. För det andra är denna metod mycket effektiv och kostnadseffektiv, eftersom den förlitar sig på utvinning av redan befintliga online-data (dvs. i öppna online-forum som är allmänt tillgängliga).

Beskrivs nästa är den metod som tillämpades på en studie av att bygga återvinning kapital i en online-community inrättas för att komplettera en traditionell, ansikte mot ansikte beroende återhämtning program för missbrukare i tidiga återhämtning stadier. I det här fallet var online-data (sociala medier) länkade till program lagringsdata, men metoden kan också användas i fall där länkdata inte är tillgängliga eller åtkomliga.

Protocol

Den forskning som beskrivs här godkändes av forskningsetik samfundet vid Sheffield Hallam University. 1. inställning Anmärkning: Se bifogade R-skript som finns som kompletterande fil 1. Ladda nödvändiga paket (Rfacebook9, dplyr10, igraph11och openxlsx12) i R. packages avser funktioner, datauppsättningar eller kompilerad kod som tillåter användare att analysera, transformera eller extrahera data. Läs in (extern) lagring och användardata i R som en dataram från en CSV-fil.Obs: lagring data avser antalet dagar som en klient deltar i offline (traditionell) missbruk Recovery program. Det tillhandahölls av administratören av (offline) återställningsprogram som registrerats på en CSV-fil med deltagarnas namn och antalet dagar de har varit inblandade i programmet. Deltagar namnet ersattes av det anonyma ID-numret innan det importerades till R. 2. Data utvinning från online-community (den sociala sidan av ett missbruk återhämtning gemenskap) Obs: detta protokoll gäller för en sida på sociala medier, men kan anpassas till olika typer av onlinecommunities. När det gäller Rfacebook-paketet tillåter användaren att extrahera data från den sociala mediesidan till R. Skapa en åtkomsttoken för sociala medier (Facebook) genom att följa guiden på den refererade webbplatsen13. Skapa åtkomsttoken i R. Med hjälp av “getGroup”-funktionen från Rfacebook, extrahera data från sociala medier sidan av gemenskapen av intresse (t. ex. innehåll i post, antal kommentarer och gillar för varje inlägg, ett unikt ID-nummer för varje post, etc.). Dessa data sparas sedan som en dataram.Obs: en dataram är i huvudsak en tabell i R som används för att lagra data. Använda “getPosts”-funktionen från Rfacebook, tillsammans med post-ID extraherade i steg 2,3, extrahera data om inlägg gillar gjort på sidan. Använda “getPosts”-funktionen från Rfacebook, tillsammans med post-ID extraherade i steg 2,3, extrahera data om de kommentarer som gjorts på varje post (t. ex. användar-ID för personer som kommenterar inlägget, när kommentaren gjordes, hur många gillar det inlägg som mottagits). Dessa data sparas sedan som en dataram. Med hjälp av kommentaren ID extraherade i steg 2,5, extrahera data på “kommentera gillar” görs på varje inlägg (t. ex. användar-ID för personer som gillar kommentaren). Dessa data sparas sedan som en dataram. Kombinera inläggen, gilla-markeringar för inlägg, kommentarer och kommentars data i en data ruta. Lägg till en månatlig uppdelning (dvs månad 1 till 8). 3. beräkning av den sociala medie aktivitet som varje kund har gjort och tagit emot Beräkna antalet inlägg, kommentarer, gilla-markeringar för inlägg och kommentera gilla-markeringar som görs av varje klient. Beräkna antalet inlägg, kommentarer, inlägg gilla-markeringar och kommentarer som mottagits av varje klient. Gå med i dataramen för sociala medier aktivitet som görs och tas emot av varje klient till bevarande dataramen. Beräkna skillnaden mellan inlägg och kommentarer med gilla-markeringar och inga gilla-markeringar. Beräkna skillnaden mellan inlägg med kommentarer och inga kommentarer. Gå med i gilla-skillnads data till bevarande data. Gå med i kommentarerna differensdata till bevarande data. Beräkna alla likes som görs av varje klient. Beräkna alla gilla-markeringar som mottagits av varje klient. Identifiera vilka användare som inte deltog i sociala mediegruppen (dvs. ingen aktivitet). 4. genomföra analys av sociala nätverk Skapa en kant lista. En kant lista är en lista över relationer inom det sociala nätverket, som i detta fall är baserad på 1) tycke inlägg och kommentarer och 2) kommentera inlägg. Detta görs genom att titta på två kolumner i datauppsättningen. Den första kolumnen innehåller det anonyma ID-numret för personen som gör inlägget, medan den andra innehåller det anonyma ID som personen gillar eller kommenterar inlägget. Skapa en vertex-lista. En vertex-lista är en lista över alla personer i gruppen. Detta görs genom att konvertera de två kolumnerna i listan över relationer till en kolumn och ta bort dubbla anonyma ID: n så att endast det unika anonyma ID lämnas. Med hjälp av funktionerna “Graph. data. Frame” och “Get. angränsande” i igraph-paketet skapar du Graph-och Graph Matrix-objekt från Edge-och Vertex-listorna. Med hjälp av “Degree” och “betweenness” funktioner från igraph paketet, få nätverksstatistik (grad och betweenness) av online-gruppen. 5. genomföra datoriserade lingvistisk analys i LIWC Exportera text sociala medier data (dvs inlägg och kommentarer) och post/kommentar ID kolumn i CSV-filer. Importera CSV-filer av text sociala medier data i den språkliga förfrågan ordräkning (LIWC) programvara. Generera LIWC kategorier och spara till nya CSV-filer. Gör detta genom att klicka på “analysera text”, sedan på “Excel/CSV-fil”, och klicka på kolumnen som innehåller inlägg och kommentarer för att välja den text som ska analyseras. Efter LIWC har avslutat analysera textdata, spara utdata som en ny CSV-fil. Importera LIWC resultat CSV-filen till R, och sammanfoga med befintliga data. Data matchas av den post/kommentar-ID kolumn som finns i både LIWC och befintliga dataramar. Beräkna totala LIWC betyg för varje användare i inlägg och kommentarer, sedan gå till lagring data. Beräkna totala LIWC betyg för varje användare i alla textdata (post och kommentarer kombinerade), sedan gå till lagring data. Ta bort NAs från dataramen för kvarhållning data. 6. genomföra regressionsanalys (för att avgöra om indikatorer för interaktion med online community förutsäga retention i offline Recovery program) Definiera de oberoende variablerna. Använda “lm”-funktionen i Base R, utföra linjär regressionsanalys med hjälp av bevarande data som den beroende variabeln och LIWC kategorier, kommentarer, inlägg gillar, och kommentera gillar som oberoende variabler. Kombinera regressionsanalys resultat i en dataram. 7. skapa månatliga SNA-kartor Förbered dataramar för SNA-mappningar. Skapa en kant lista baserat på månatliga kumulativa sociala medier aktivitet. Skapa en vertex-lista baserat på månatliga kumulativa sociala medier aktivitet. Skapa grafer och grafmatriser baserade på månatliga kumulativa sociala medier aktivitet. Ange layouten för SNA-mappningar baserat på kumulativ aktivitet i sociala medier. Lägg till färger baserat på användarroller. Skapa SNA-mappningar och spara dem i en fil. 8. beräkning av den månatliga kumulativa sociala medie aktiviteten i den sociala mediegruppen Beräkna månatlig kumulativ aktivitet för sociala medier av personal, kunder och andra medlemmar i den sociala mediegruppen. Beräkna månatliga kumulativa sociala medier aktivitet av alla medlemmar i gruppen sociala medier. Gå med i de månatliga kumulativa sociala medie aktivitetsdata ramarna tillsammans.

Representative Results

En detaljerad beskrivning av representativa resultat som erhållits med denna metod finns i vårt senaste arbete14, som granskades och fick fullt godkännande från forskningsetik kommittén vid den institution där forskningen genomfördes. I den rapport som beskrivs här undersökte studien om deltagandet på nätet i en gemenskap av återhämtning bidrar till återhämtningsprocessen genom återhämtning kapital byggnad (som fångas upp av ökade nivåer och kvalitet online sociala interaktioner och positiv identitetsutveckling). Med andra ord undersökte studien om indikatorer för online-återskapnings kapital utvecklades under de åtta månaderna av online-data som bedömdes och även förutspådde kvarhållande i ett återhämtningsprogram som utformats för att främja samhällsengagemang för missbrukare i tidiga skeden av Återhämtning. För att kartlägga hur deltagarna interagerade online genomfördes analys av sociala nätverk (SNA) med hjälp av data som extraherades från sidan för sociala medier (n = 609) i en återställnings gemenskap. En visuell representation av det sociala nätverket och dess utveckling presenteras i figur 1. Figuren illustrerar aktiviteten i online-community observeras varje månad under en period av 8 månader i form av anslutningar mellan alla deltagare i online-community (dvs kommentera inlägg, gilla inlägg och gilla kommentarer). Antalet anslutningar som en “agent” i nätverket har avgör hur Central de kommer att vara i det sociala nätverket. Datoriserad språklig analys användes för att bedöma textdata (fånga sociala identitets markörer), och linjär regressionsanalys utfördes för att avgöra om indikatorerna för Recovery Capital förutspådde program retention. Dessa analyser indikerade att program retention faktiskt förutspåddes av: (a) nivåer av grupp validering som mottagits i form av kommentars gilla-markeringar och alla likes som mottagits på sidan för sociala medier, (b) position i det sociala nätverket (nätcentralitet) och (c) grupp identitet och prestation (som fångas upp av det språkliga innehållet i online-kommunikation). Resultaten stödde argumentet att positiva sociala interaktioner mellan medlemmar i en online-återställningsenhet överlag är ett stöd för återhämtningsprocessen. En sammanfattning av dessa resultat presenteras nedan. Figur 1: månatliga representationer av det sociala nätverket av online-samfundet över 8 månader tyder på förändringar i mönstret av sociala interaktioner mellan deltagarna. Dessa representationer illustrerar hur i början, de flesta av de klient medlemmar i online-community (klienter i offline Recovery program) är oftast frånkopplad, och det är programmet personal och endast ett litet antal kunder som kör online-aktivitet. Men detta ändras gradvis, så att efter 8 månader, klienterna är de mest anslutna (därför den mest centrala), med det högsta antalet anslutningar i nätverket (figur är anpassad från en tidigare publikation)14. Vänligen klicka här för att se en större version av denna siffra. Beskrivande statistik Deltagarnas nivåer av engagemang i online-community mättes genom att beräkna bidragen från alla deltagare i online-community som antal inlägg, kommentarer och gillar som gjorts av personal, kunder och bredare community-medlemmar. Tabell 1 visar en uppdelning efter typ av bidrag (som görs av varje deltagar kategori) under 8 månader. Gruppmedlemmar Typ av online-bidrag Månad 1 Månad 2 Månad 3 Månad 4 Månad 5 Månad 6 Månad 7 Månad 8 Alla Inlägg och kommentarer 382 388 (770) 579 (1349) 369 (1718) 530 (2248) 581 (2829) 796 (3625) 674 (4299) Inlägg gilla ges 1167 878 (2045) 1856 (3901) 1440 (5341) 1880 (7221) 1756 (8977) 2667 (11644) 1857 (13501) Kommentera gillar ges 784 970 (1604) 825 (2429) 171 (2600) 634 (3234) 970 (4204) 825 (5029) 171 (5200) Personal Inlägg och kommentarer 129 106 (235) 170 (405) 96 (501) 185 (686) 176 (862) 227 (1089) 316 (1405) Inlägg gilla ges 188 147 (335) 302 (637) 209 (846) 385 (1231) 372 (1603) 567 (2170) 511 (2681) Kommentera gillar ges 168 303 (471) 237 (708) 69 (777) 168 (945) 303 (1248) 237 (1485) 69 (1554) Klienter Inlägg och kommentarer 145 155 (300) 214 (514) 132 (646) 208 (854) 286 (1140) 419 (1559) 253 (1812) Inlägg gilla ges 365 252 (617) 415 (1032) 303 (1335) 549 (1884) 529 (2413) 898 (3311) 576 (3887) Kommentera gillar ges 143 318 (461) 235 (696) 33 (729) 143 (872) 318 (1190) 235 (1425) 33 (1458) Andra Inlägg och kommentarer 108 127 (235) 195 (430) 141 (571) 137 (708) 119 (827) 150 (977) 105 (1082) Inlägg gilla ges 614 479 (1093) 1139 (2232) 928 (3160) 946 (4106) 855 (4961) 1202 (6163) 770 (6933) Kommentera gillar ges 473 349 (672) 353 (1025) 69 (1094) 323 (1417) 349 (1766) 353 (2119) 69 (2188) Tabell 1: visas är antalet online-bidrag efter typ (post och kommentarer som gjorts, gillar ges till inlägg, och gillar ges till kommentarer) av medlemmar i online-community på över 8 månader. Medlemmarna i online-samfundet klassificeras som personal (stödpersonal anställd av offline Recovery program), klienter (människor i återhämta sig som deltar i offline Recovery program), och andra (anhängare och Pro-Recovery förespråkar från bredare gemenskap). Bestämningsfaktorer för retention i programmet Följande hypoteser testades: (1) program retention bör associeras med indikatorer för återhämtning kapital utveckling (dvs. återspeglas i mängden och kvaliteten på online-interaktion), och (2) programlagring bör också förknippas med indikatorer på identitets förändring (dvs. indikatorer för positiv utveckling av återhämtnings identiteter). Antalet online-interaktion angavs av a) antal inlägg som gjorts, b) antal kommentarer som gjorts, c) antal inlägg som mottagits, d) Antal mottagna kommentar gilla-markeringar och e) antal alla gilla-markeringar som mottagits. För att avgöra kvaliteten på online-interaktion, nätverksstruktur och språk innehåll analyserades. Mer specifikt, grad och gräns koefficienter som härrör från sociala nätverk analys (SNA) och språkliga indikatorer på positiv inverkan härrör från datoriserade lingvistisk analys användes. Som indikeringar av realitet identitet ändring (som ID med återställningen gemenskap) användes frekvensen av bruket av pronomenet “vi” och prestation uttrycker (e.g., försök, mål, seger, etc.). Slutligen, den beroende variabeln (kvarhållning i programmet) angavs av det totala antalet dagar som tillbringas i programmet (från 86 till 464 dagar här). Som framgår av resultaten, nivåer av online interaktion och in-Group validering (som återspeglas av antalet gillar emot för inlägg och kommentarer) förutspådde program retention (tabell 2). Program retention förutspåddes också av identifierings markörer (som fångas upp av användningen av pronomenet “vi” i inlägg och av prestation ord i både inlägg och kommentarer). Slutligen, där deltagarna är belägna inom det sociala nätverket (dvs. graden av centralitet) är också en viktig aspekt av retention (tabell 2). Variabel B SE Β R2 Kommentar gillar mottagna 0,43 0,18 .47* 0,22 Gillar mottagna (alla) 0,08 0,03 .43* 0,18 Kommentera-lik skillnad 1,09 0,5 .43* 0,19 Nätverks examen 0,01 0 .43* 0,18 LIWC vi (post) 3,89 1,76 .43* 0,19 LIWC prestation (post) 0,56 0,26 .43* 0,18 LIWC prestation (alla) 0,14 0,07 .42* 0,17 Tabell 2: retentionstid som förutspådde av online Engagement, nätverksstatistik och språkliga kategorier.

Discussion

Den metod som beskrivs här är baserad på en ny metod för att mäta hur online-grupp processer kan påverka retention i ett program för beroende återhämtning. Tillämpa denna metod för att en online gemenskap av återhämtning från missbruk, konstaterades det att det fanns fyra viktiga aspekter förutspådde program retention: att vara mycket engagerad i online-samfundet, som är centralt i online sociala nätverk, positiv inverkan uttryckt i kommunikation med andra medlemmar i online-samfundet, och ta emot validering från andra för bidrag till nätverket14. De resultat som erhålls genom att använda denna metod stöder befintliga teoretiska modeller för återhämtning. Det är två nyckel modeller i återhämtnings litteraturen, den sociala identitetsmodellen för Recovery15 och den sociala identitetsmodellen för upphörande av underhåll16, båda betonar vikten av aktivt deltagande i grupper som stöder Återhämtning. Båda modellerna tyder på att ökad identifiering och engagemang för sådana grupper bidrar till lägre framtida kontakt med att använda grupper och därmed återfall.

Som illustreras i vår forskning, metoden tillät oss att kartlägga banor av återhämtning eller förändring av enskilda medlemmar i online-community14. Visualiseringar av online sociala nätverk och deras utveckling över tiden kan ge värdefull information om rörligheten för medlemmar i online-samfundet från periferin till mitten av nätverket och vice versa (dessa rörelser i nätverket indikerar förändringar i engagemangs nivåer i Online-communityn). I en 2017 studie14genomfördes intervjuer med medlemmar av online-samfundet som åtog sig de mest betydande förändringarna i termer av rörelse från periferin till centrum av näten som ett sätt att triangulera våra resultat baserat på SNA, datoriserade språklig analys och regression mot bevarande data. Framtida studier kan i stället inriktas på de medlemmar som blev frikopplade med online-samfundet, på dem som aldrig blir engagerade, eller på mer direkta åtgärder för resultat som substansanvändning och reoffending. Denna metodik kan ytterligare finjusteras för att användas i interventionsprogram, till exempel för att bedöma rollen som moderatorer i hjälp forum.

Det finns för närvarande inga studier som ger belägg för fördelarna med den metod som beskrivs här när den används av sig själv (den metod som beskrivs användes i samband med lagring data och triangulated med kvalitativa data från intervjuer med viktiga online community medlemmar14), men detta tillvägagångssätt kan ge exakta och bias-fria data som kan komplettera självrapportering och andra åtgärder i studier av missbruk återhämtning.

Denna metod tillämpades för att undersöka online sociala interaktioner i samband med en social media sida som upprättats som en kompletterande form av stöd till en standard, ansikte mot ansikte återhämtning program. Men med mindre förändringar, kan metoden användas för att undersöka online sociala interaktioner i andra typer av online communities (online forum, diskussionsgrupper, chattrum, kommentarer webbplatser, etc.). En av de viktigaste fördelarna med denna metod är att den kan anpassas och tillämpas på sammanhang bortom samhällen av missbruk återhämtning till någon online community. Till exempel, i vår egen politisk psykologi forskning, använder vi en liknande metod (utvecklad från den metod som beskrivs här) för att fånga kvaliteten på online interaktioner och förändringar i dessa interaktioner mellan medlemmar i fjärran rätt online communities. I praktiken kan metoden tillämpas på alla online-community där uppgifter i form av anslutningar mellan medlemmar (som sociala nätverk länkar) och språkliga innehåll kan extraheras.

Men i att få tillgång till och arbeta med online-data, forskare måste vara medvetna om etiska frågor, vissa som gäller för självrapportering och andra typer av data i allmänhet och några som bara påträffas i en online-miljö. I den forskning som beskrivs här (som godkändes av forskningsetik samfundet vid Sheffield Hallam University), erhölls samtycke från den organisation som förvaltar återhämtningsprogrammet, och strikta åtgärder vidtogs för att säkerställa fullständig anonymitet för deltagare på den öppna sociala mediesidan (t. ex. efter online och lagring datamatchning, all identifierande information togs bort från filerna och även inga potentiellt självidentifierande citat användes från den allmänt tillgängliga online-kommunikation).

Nära kommunikationen med organisationen säkerställde också att deltagarna i programmet var medvetna om studie-och forskningsresultaten, och en av forskarna träffade regelbundet med gruppen för att förklara studien och dess resultat. I andra fall, men där online communities inte är förknippade med specifika offline-program, kan det vara svårare att avgöra vem som ska bli ombedd om samtycke när det gäller datautvinning (gäller särskilt i obekontrollerade forum, där människor i återhämtning söka online kamratstöd). Även om de allmänna principerna för etisk forskning kommer att gälla måste forskarna anta en strategi från fall till fall för att säkerställa att utvinning och analys av online-data inte utgör några betydande risker för deltagarna (t. ex. att äventyra sekretessen).

Disclosures

The authors have nothing to disclose.

Acknowledgements

Vi är tacksamma mot kunder och personal av jobb, vänner och hus, Storbritannien, som stödde och gick med på att delta i vår forskning.

Materials

LIWC software Receptiviti https://liwc.wpengine.com/ computerised linguistic analysis software
R software n/a https://www.r-project.org/ free statistical and data visualisation sofware

References

  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. . Package ‘Rfacebook’ Available from: https://cran.r-project.org/web/packages/Rfacebook/Rfacebook.pdf (2017)
  10. . Package ‘dplyr’ Available from: https://cran.r-project.org/web/packages/dplyr/dplyr.pdf (2018)
  11. . Package ‘igraph’ Available from: https://cran.r-project.org/web/packages/igraph/igraph.pdf (2018)
  12. . 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).

Play Video

Cite This Article
Bliuc, A., Iqbal, M., Best, D. Integrating Computerized Linguistic and Social Network Analyses to Capture Addiction Recovery Capital in an Online Community. J. Vis. Exp. (147), e58851, doi:10.3791/58851 (2019).

View Video