Summary

Integración de análisis computarizados de redes linguísticas y sociales para capturar capital de recuperación de adicciones en una comunidad en línea

Published: May 31, 2019
doi:

Summary

El artículo describe un enfoque novedoso para analizar interacciones sociales dinámicas en línea (en un contexto en línea) ejemplificado por un estudio de una comunidad en línea de recuperación de la adicción al alcohol y las drogas.

Abstract

El artículo describe una nueva metodología diseñada con el objetivo de encontrar una manera integral, discreta y precisa de capturar el desarrollo de capital de recuperación social en comunidades en línea de recuperación de la adicción al alcohol y las drogas (AOD). El capital de recuperación se conceptualizó como un compromiso en la comunidad de recuperación en línea y la identificación con la comunidad. Para medir el desarrollo del capital de recuperación, se extrajeron datos de origen natural de la página de redes sociales de un programa de recuperación específico, y la página se configuró como un recurso para un programa de recuperación cara a cara. Para mapear la interacción con la comunidad en línea, se realizó el análisis de redes sociales (SNA) capturando la interacción social en línea. La interacción social se midió a través de los vínculos entre los contribuyentes/miembros en línea de la comunidad en línea representados por los clientes del programa, el personal y los simpatizantes de la comunidad en general. Para capturar marcadores de identificación social con la comunidad en línea, se llevó a cabo un análisis linguístico informatizado de los datos textuales (contenido de publicaciones y comentarios). El capital de recuperación capturado de esta manera se analizó con los datos de retención (un indicador de resultados de proxy), como días pasados en el programa de recuperación (cara a cara). Los datos en línea extraídos estaban vinculados a los datos de los participantes con respecto a la retención del programa para probar la predicción de un resultado clave de recuperación. Este enfoque permitió examinar el papel de las comunidades de apoyo en línea y la evaluación de la asociación entre el capital de recuperación (desarrollado a través de la comunidad en línea de recuperación) y los resultados de recuperación.

Introduction

El método presentado ha sido diseñado para capturar el capital de recuperación de adicciones al alcohol y otras drogas (AOD) en contextos en línea. En el campo de la adicción, el capital de recuperación se ha definido como “la suma total de los recursos que se pueden llevar a cabo en la iniciación y el mantenimiento del cese del uso indebido de sustancias”1. El capital de recuperación se ha medido principalmente a través de autoinformes2,3 en contextos presenciales. Este enfoque proporciona un método alternativo para medir el capital de recuperación en contextos en línea mediante la captura de la calidad y la cantidad de interacciones en línea en las comunidades en línea de recuperación.

Dado el aumento constante en el uso de los recursos en línea en forma de apoyo entre pares en una serie de cuestiones relacionadas con la salud4,5, es necesario desarrollar nuevos métodos para capturar la calidad de estos recursos. El apoyo entre pares en línea se produce en forma de interacciones sociales en foros y comunidades en línea. Las interacciones sociales de apoyo en estos contextos en línea contribuyen a la construcción de capital de recuperación, que a su vez tiene un impacto positivo en el proceso de recuperación6,7. El método propuesto presenta una serie de ventajas sobre los métodos alternativos. En primer lugar, supera algunas de las limitaciones que implican el uso de medidas de autoinforme en la investigación sobre adicciones, particularmente en torno a la memoria y los sesgos de autopresentación. Si bien se considera que las medidas de autoinforme tienen niveles razonables de fiabilidad y validez, son susceptibles a sesgos e inexactitudes. Para mejorar la precisión y minimizar el sesgo, se ha reconocido que es necesario aumentar el uso de nuevas medidas y situaciones de recopilación de datos diseñadas para evitar o minimizar estos problemas8. Accediendo a los datos que ocurren naturalmente en contextos donde las personas en diversas etapas de recuperación interactúan espontáneamente, y mediante el uso de métodos de análisis que pueden extraer información significativa de estos datos (capaces de capturar indicadores de estados psicológicos), sesgos debidos a la conveniencia social (autopresentación) y las inexactitudes debido a las limitaciones en la recuperación pueden reducirse o incluso eliminarse. En segundo lugar, este método es altamente eficiente y rentable, ya que se basa en la extracción de datos en línea ya existentes (es decir, en foros abiertos en línea de acceso público).

A continuación se describe el método que se aplicó a un estudio de la construcción de capital de recuperación en una comunidad en línea establecida para complementar un programa tradicional de recuperación de adicciones cara a cara para los adictos en las etapas de recuperación temprana. En este caso, los datos en línea (medios sociales) se vincularon a los datos de retención del programa, pero el método también se puede utilizar en los casos en que los datos de vinculación no están disponibles o accesibles.

Protocol

La investigación descrita aquí fue aprobada por la comunidad de ética de investigación en la Universidad Sheffield Hallam. 1. Configuración NOTA: Consulte el script R adjunto proporcionado como Archivo complementario 1. Cargar paquetes necesarios (Rfacebook9, dplyr10, igraph11y openxlsx12) en R. Los paquetes hacen referencia a funciones, conjuntos de datos o código compilado que permiten a los usuarios analizar, transformar o extraer datos. Cargar la retención (externa) y los datos de usuario en R como un marco de datos desde un archivo CSV.NOTA: Los datos de retención se refieren al número de días en los que un cliente participa en el programa de recuperación de adicciones fuera de línea (tradicional). Fue proporcionado por el administrador del programa de recuperación (offline) tal como se registró en un archivo CSV con el nombre del participante y el número de días que han estado involucrados en el programa. El nombre del participante fue reemplazado por el número de ID anónimo antes de ser importado en R. 2. Extracción de datos de la comunidad en línea (la página social de una comunidad de recuperación de adicciones) NOTA: Este protocolo se aplica a una página de redes sociales, pero se puede adaptar a diferentes tipos de comunidades en línea. En el caso del paquete Rfacebook, permite al usuario extraer datos de la página de redes sociales en R. Cree un token de acceso a las redes sociales (Facebook) siguiendo la guía en el sitio web al que se hace referencia13. Cree el token de acceso en R. Usando la función “getGroup” de Rfacebook, extrae datos de la página de redes sociales de la comunidad de interés (por ejemplo, contenido de la publicación, número de comentarios y Me gusta para cada publicación, un número de identificación único para cada publicación, etc.). Estos datos se guardan como un marco de datos.NOTA: Un marco de datos es esencialmente una tabla dentro de R utilizada para almacenar datos. Usando la función “getPosts” de Rfacebook, junto con los Post IDs extraídos en el paso 2.3, extrae datos sobre mensajes como “me gusta” realizados en la página. Usando la función “getPosts” de Rfacebook, junto con los ID de publicación extraídos en el paso 2.3, extrae datos sobre los comentarios realizados en cada publicación (por ejemplo, ID de usuario de personas que comentan la publicación, cuándo se hizo el comentario, cuántos “le gusta la publicación recibida”). Estos datos se guardan como un marco de datos. Usando los ID de comentario extraídos en el paso 2.5, extrae datos sobre los “Me gusta de comentarios” realizados en cada publicación (por ejemplo, ID de usuario de personas que les gusta el comentario). Estos datos se guardan como un marco de datos. Combina las publicaciones, los Me gusta de publicaciones, los comentarios y los datos de Me gusta de comentarios en un marco de datos. Agregue un desglose mensual (es decir, el mes 1 al 8). 3. Cálculo de la actividad de las redes sociales realizada y recibida por cada cliente Calcula el número de publicaciones, comentarios, “me gusta” de publicaciones y “Me gusta” de comentarios realizados por cada cliente. Calcula el número de publicaciones, comentarios, “me gusta” de publicaciones y “me gusta” de comentarios recibidos por cada cliente. Unir el marco de datos de la actividad de redes sociales realizada y recibida por cada cliente en el marco de datos de retención. Calcula la diferencia entre publicaciones y comentarios con “me gusta” y sin “me gusta”. Calcula la diferencia entre publicaciones con comentarios y sin comentarios. Unir los datos de diferencia de me gusta a los datos de retención. Unir los datos de diferencia de comentarios a los datos de retención. Calcula todos los likes realizados por cada cliente. Calcular todos los gustos recibidos por cada cliente. Identifique qué usuarios no participaron en el grupo de redes sociales (es decir, sin actividad). 4. Realización de análisis de redes sociales Cree una lista de bordes. Una lista de bordes es una lista de relaciones dentro de la red social, que en este caso se basa en 1) mensajes de gusto y comentarios y 2) comentar publicaciones. Esto se hace examinando dos columnas dentro del conjunto de datos. La primera columna contiene el ID anónimo de la persona que realiza la publicación, mientras que la segunda contiene el ID anónimo de la persona que le gusta o comenta en la publicación. Cree una lista de vértices. Una lista de vértices es una lista de todas las personas del grupo. Esto se hace convirtiendo las dos columnas de la lista de relaciones en una columna y eliminando identificadores anónimos duplicados para que solo quede el identificador anónimo único. Usando las funciones “graph.data.frame” y “get.adjacency” en el paquete igraph, cree objetos de matriz de gráficos y gráficos a partir de las listas de bordes y vértices. Usando las funciones “grado” y “entrerelación” del paquete igraph, obtenga las estadísticas de red (grado e intermediario) del grupo en línea. 5. Realización de análisis linguísticos computarizados en LIWC Exporta datos textuales de redes sociales (es decir, publicaciones y comentarios) y columna de ID de publicación/comentario a archivos CSV. Importe los archivos CSV de datos textuales de redes sociales en el software Linguistic Inquiry Word Count (LIWC). Genere categorías LIWC y guárdelas en nuevos archivos CSV. Haga esto haciendo clic en “Analizar texto”, luego en “Archivo Excel/CSV”, y haciendo clic en la columna que contiene las publicaciones y comentarios para seleccionar el texto que se va a analizar. Después de que LIWC haya completado el análisis de los datos textuales, guarde la salida como un nuevo archivo CSV. Importe el archivo CSV de resultados LIWC en R y combínelo con los datos existentes. Los datos coinciden con la columna de ID de entrada/comentario, que existe tanto en LIWC como en los marcos de datos existentes. Calcule las puntuaciones LIWC totales para cada usuario en publicaciones y comentarios y, a continuación, únase a los datos de retención. Calcule las puntuaciones LIWC totales para cada usuario en todos los datos textuales (publicación y comentarios combinados) y, a continuación, únase a los datos de retención. Quite los NA del marco de datos de retención. 6. Realización de análisis de regresión (para determinar si los indicadores de interacción con la comunidad en línea predicen la retención en el programa de recuperación fuera de línea) Defina las variables independientes. Utilizando la función “lm” en la base R, realice el análisis de regresión lineal utilizando los datos de retención como variable dependiente y las categorías LIWC, comentarios, Me gusta de publicación y Me gusta de comentarios como variables independientes. Combine los resultados del análisis de regresión en un marco de datos. 7. Creación de mapas mensuales del SNA Prepare marcos de datos para SNA Maps. Cree una lista de bordes basada en la actividad mensual acumulada de redes sociales. Cree una lista de vértices basada en la actividad mensual acumulada de redes sociales. Cree gráficos y matrices gráficas basadas en la actividad acumulada mensual de las redes sociales. Establezca el diseño de los mapas de SNA en función de la actividad acumulativa de las redes sociales. Agregue colores basados en roles de usuario. Cree mapas SNA y guárdelos en un archivo. 8. Cálculo de la actividad mensual acumulada en las redes sociales del grupo de redes sociales Calcule la actividad acumulada mensual de redes sociales por personal, clientes y otros miembros del grupo de redes sociales. Calcular la actividad acumulada mensual de las redes sociales por todos los miembros del grupo de redes sociales. Unirse a los marcos de datos de actividad de redes sociales acumulativas mensuales juntos.

Representative Results

Una descripción detallada de los resultados representativos obtenidos utilizando este método se puede encontrar en nuestro trabajo reciente14, que fue revisado y recibió la aprobación completa del comité de ética de investigación de la institución en la que se llevó a cabo la investigación. En el informe descrito aquí, el estudio investigó si la participación en línea en una comunidad de recuperación contribuye al proceso de recuperación a través de la creación de capital de recuperación (como se captura por el aumento de los niveles y la calidad de las interacciones sociales en línea y desarrollo positivo de la identidad). En otras palabras, el estudio examinó si los indicadores de capital de recuperación en línea se desarrollaron durante los ocho meses de datos en línea evaluados y también predijeron la retención en un programa de recuperación diseñado para fomentar la participación de la comunidad para los adictos en las primeras etapas de Recuperación. Para mapear cómo los participantes interactuaban en línea, se llevó a cabo el análisis de redes sociales (SNA) utilizando datos extraídos de la página de redes sociales (n.o 609) de una comunidad de recuperación. En la Figura 1se presenta una representación visual de la red social y su evolución. La figura ilustra la actividad en la comunidad en línea observada cada mes durante un período de 8 meses en forma de conexiones entre todos los participantes en la comunidad en línea (es decir, comentar publicaciones, publicaciones de gustos y comentarios de me gusta). El número de conexiones que tiene un “agente” en la red determina la central que serán en la red social. Se utilizó un análisis linguístico computarizado para evaluar los datos textuales (captura de marcadores de identidad social) y se llevó a cabo un análisis de regresión lineal para determinar si los indicadores de la retención del programa pronosticados en el capital de recuperación. Estos análisis indicaron que la retención del programa estaba predicha de hecho por: (a) niveles de validación de grupo recibidos en forma de comentarios como y todos los Me gusta recibidos en la página de redes sociales, (b) posición en la red social (centralidad de la red) y (c) grupo identidad y logros (capturados por el contenido linguístico de la comunicación en línea). Los resultados apoyaron el argumento de que, en general, las interacciones sociales positivas entre los miembros de una comunidad de recuperación en línea apoyan el proceso de recuperación. A continuación se presenta un resumen de esas conclusiones. Figura 1: Las representaciones mensuales de la red social de la comunidad en línea durante 8 meses sugieren cambios en el patrón de interacciones sociales entre los participantes. Estas representaciones ilustran cómo al principio, la mayoría de los miembros del cliente en la comunidad en línea (clientes del programa de recuperación fuera de línea) están en su mayoría desconectados, y es el personal del programa y sólo un pequeño número de clientes que impulsan la actividad en línea. Sin embargo, esto cambia gradualmente, por lo que después de 8 meses, los clientes son los más conectados (por lo tanto el más central), con el mayor número de conexiones en la red (la cifra se adapta a partir de una publicación anterior)14. Haga clic aquí para ver una versión más grande de esta figura. Estadísticas descriptivas Los niveles de compromiso de los participantes con la comunidad en línea se midieron calculando las contribuciones de todos los participantes en la comunidad en línea como número de publicaciones, comentarios y me gusta hechos por el personal, los clientes y los miembros más amplios de la comunidad. El Cuadro 1 presenta un desglose por tipo de contribución (realizada por cada categoría de participante) a lo largo de 8 meses. Miembros del grupo Tipo de contribución en línea Mes 1 Mes 2 Mes 3 Mes 4 Mes 5 Mes 6 Mes 7 Mes 8 todo Publicaciones y comentarios 382 388 (770) 579 (1349) 369 (1718) 530 (2248) 581 (2829) 796 (3625) 674 (4299) Publicar “me gusta” dados 1167 878 (2045) 1856 (3901) 1440 (5341) 1880 (7221) 1756 (8977) 2667 (11644) 1857 (13501) Comentarios como dados 784 970 (1604) 825 (2429) 171 (2600) 634 (3234) 970 (4204) 825 (5029) 171 (5200) Personal Publicaciones y comentarios 129 106 (235) 170 (405) 96 (501) 185 (686) 176 (862) 227 (1089) 316 (1405) Publicar “me gusta” dados 188 147 (335) 302 (637) 209 (846) 385 (1231) 372 (1603) 567 (2170) 511 (2681) Comentarios como dados 168 303 (471) 237 (708) 69 (777) 168 (945) 303 (1248) 237 (1485) 69 (1554) Clientes Publicaciones y comentarios 145 155 (300) 214 (514) 132 (646) 208 (854) 286 (1140) 419 (1559) 253 (1812) Publicar “me gusta” dados 365 252 (617) 415 (1032) 303 (1335) 549 (1884) 529 (2413) 898 (3311) 576 (3887) Comentarios como dados 143 318 (461) 235 (696) 33 (729) 143 (872) 318 (1190) 235 (1425) 33 (1458) Otros Publicaciones y comentarios 108 127 (235) 195 (430) 141 (571) 137 (708) 119 (827) 150 (977) 105 (1082) Publicar “me gusta” dados 11S 479 (1093) 1139 (2232) 928 (3160) 946 (4106) 855 (4961) 1202 (6163) 770 (6933) Comentarios como dados 473 349 (672) 353 (1025) 69 (1094) 323 (1417) 349 (1766) 353 (2119) 69 (2188) Tabla1: Se muestra el número de contribuciones en línea por tipo (publicación y comentarios realizados, me gusta dado a las publicaciones y me gusta dado a los comentarios) por los miembros de la comunidad en línea a lo largo de 8 meses. Los miembros de la comunidad en línea se clasifican como personal (personal de apoyo empleado por el programa de recuperación fuera de línea), clientes (personas en recuperación que están participando en el programa de recuperación fuera de línea), y otros (apoyos y defensores de la recuperación de la comunidad más amplia). Determinantes de retención en el programa Se probaron las siguientes hipótesis: (1) la retención del programa debe asociarse con indicadores de desarrollo de capital de recuperación (es decir, reflejado en la cantidad y calidad de la interacción en línea), y (2) la retención del programa también debe asociarse con indicadores de cambio de identidad (es decir, indicadores de desarrollo positivo de la identidad de recuperación). La cantidad de interacción en línea fue indicada por el a) número de mensajes realizados, b) número de comentarios realizados, c) número de “me gusta” de publicaciones recibidas, d) número de me gusta de comentarios recibidos, y e) número de todos los Me gusta recibidos. Para determinar la calidad de la interacción en línea, se analizaron la estructura de la red y el contenido del lenguaje. Más concretamente, se utilizaron coeficientes de grado y entrelazación derivados del análisis de redes sociales (SNA) e indicadores linguísticos de efecto positivo derivados del análisis linguístico computarizado. Como indicadores de cambio positivo de identidad (como identificación con la comunidad de recuperación) se utilizó la frecuencia de uso del pronombre “nosotros” y palabras de logro (por ejemplo, try, goal, win, etc.). Finalmente, la variable dependiente (retención en el programa) fue indicada por el número total de días pasados en el programa (que van de 86 a 464 días aquí). Como se muestra en los resultados, los niveles de interacción en línea y validación en grupo (como se refleja en el número de Me gusta recibidos para publicaciones y comentarios) predijeron la retención del programa (Tabla 2). La retención del programa también fue predicha por marcadores de identificación (como se captura por el uso del pronombre “nosotros” en las publicaciones y de las palabras de logro tanto en publicaciones como en comentarios). Por último, cuando los participantes se encuentran dentro de la red social (es decir, grado de centralidad) también representa un aspecto importante de la retención (Tabla2). Variable B SE Β R2 Comentarios como recibidos 0.43 0.18 .47* 0.22 Me gusta recibido (todos) 0.08 0.03 .43* 0.18 Diferencia similar a un comentario 1.09 0.5 .43* 0.19 Grado de red 0.01 0 .43* 0.18 LIWC Nosotros (Publicar) 3.89 1.76 .43* 0.19 Logro LIWC (Post) 0.56 0.26 .43* 0.18 Logro LIWC (Todos) 0.14 0.07 .42* 0.17 Tabla2: Tiempo de retención predicho por la interacción en línea, las estadísticas de red y las categorías linguísticas.

Discussion

El enfoque descrito aquí se basa en un nuevo método para medir cómo los procesos de grupo en línea pueden afectar la retención en un programa de recuperación de adicciones. Aplicando este método a una comunidad en línea de recuperación de la adicción, se encontró que había cuatro aspectos clave predicho stención del programa: estar muy involucrado en la comunidad en línea, ser central en la red social en línea, efecto positivo expresado en comunicación con otros miembros de la comunidad en línea, y recibiendo validación de otros por contribuciones a la red14. Los hallazgos obtenidos mediante este método respaldan los modelos teóricos existentes de recuperación. Es decir, dos modelos clave en la literatura de recuperación, el Modelo de Identidad Social de Recuperación15 y el Modelo de Identidad Social de Mantenimiento de Cesación16,ambos enfatizan la importancia de la participación activa en grupos que apoyan Recuperación. Ambos modelos sugieren que una mayor identificación y compromiso con estos grupos contribuyen a reducir el contacto futuro con el uso de grupos y la consiguiente recaída.

Como se ilustra en nuestra investigación, el método nos permitió trazar trayectorias de recuperación o cambio de miembros individuales de la comunidad en línea14. Las visualizaciones de las redes sociales online y su evolución a lo largo del tiempo pueden proporcionar información valiosa sobre el movimiento de los miembros de la comunidad online desde la periferia hasta el centro de la red y viceversa (estos movimientos en la red indican cambios en los niveles de compromiso con la comunidad en línea). En un estudio de 201714, las entrevistas con miembros de la comunidad en línea que emprendieron los cambios más significativos en términos de movimiento de la periferia al centro de las redes se llevaron a cabo como una forma de triangular nuestros hallazgos basados en SNA, computarizado análisis linguístico y la regresión con los datos de retención. Estudios futuros pueden centrarse en cambio en aquellos miembros que se desenganchó con la comunidad en línea, en aquellos que nunca se comprometen, o en medidas más directas de resultados como el consumo y la reincidencia de sustancias. Esta metodología puede afinar aún más para ser utilizada en programas de intervención, por ejemplo, para evaluar el papel de los moderadores en los foros de ayuda.

Actualmente no hay estudios que proporcionen evidencia sobre los beneficios del método descrito aquí cuando se utiliza por sí mismo (el método descrito fue utilizado junto con los datos de retención y triangulado con datos cualitativos de entrevistas con la comunidad en línea clave miembros14), pero este enfoque puede proporcionar datos precisos y sin prejuicios que puedan complementar la autodenuncia y otras medidas en estudios de recuperación de adicciones.

Este método se aplicó para examinar las interacciones sociales en línea en el contexto de una página de redes sociales establecida como una forma complementaria de apoyo a un programa de recuperación estándar, cara a cara. Sin embargo, con cambios menores, el método se puede utilizar para investigar las interacciones sociales en línea en otros tipos de comunidades en línea (foros en línea, grupos de discusión, salas de chat, sitios web de comentarios, etc.). Una de las principales ventajas de este método es que se puede adaptar y aplicar a contextos más allá de las comunidades de recuperación de adicciones a cualquier comunidad en línea. Por ejemplo, en nuestra propia investigación de psicología política, utilizamos un método similar (desarrollado a partir del método descrito aquí) para capturar la calidad de las interacciones en línea y los cambios en estas interacciones entre miembros de comunidades en línea de extrema derecha. En efecto, el método se puede aplicar a cualquier comunidad en línea en la que se puedan extraer datos en forma de conexiones entre los miembros (como enlaces de redes sociales) y contenido linguístico.

Sin embargo, al acceder y trabajar con datos en línea, los investigadores deben ser conscientes de las cuestiones éticas, algunas que se aplican a la autodenuncia y otros tipos de datos en general y algunos que sólo se encuentran en un entorno en línea. En la investigación descrita aquí (que fue aprobada por la comunidad de ética de investigación en la Universidad Sheffield Hallam), se obtuvo el consentimiento de la organización que administra el programa de recuperación, y se tomaron medidas estrictas para garantizar el anonimato completo de participantes en la página abierta de redes sociales (por ejemplo, después de la coincidencia de datos en línea y de retención, toda la información de identificación se eliminó de los archivos y tampoco se utilizaron citas potencialmente autoidentificables de la comunicación en línea de acceso público).

La estrecha comunicación con la organización también aseguró que los participantes en el programa estuvieran al tanto de los resultados del estudio y la investigación, y uno de los investigadores se reunió regularmente con el grupo para explicar el estudio y sus resultados. En otros casos, sin embargo, donde las comunidades en línea no están asociadas con programas fuera de línea específicos, puede ser más difícil determinar a quién se le debe pedir el consentimiento con respecto a la extracción de datos (aplicable especialmente en foros no moderados, donde las personas en recuperación buscar apoyo entre pares en línea). Aunque se aplicarán los principios generales de la investigación ética, los investigadores deben adoptar un enfoque caso por caso para garantizar que la extracción y el análisis de datos en línea no supongan riesgos significativos para los participantes (por ejemplo, comprometer la privacidad).

Divulgaciones

The authors have nothing to disclose.

Acknowledgements

Agradecemos a los clientes y al personal de Jobs, Friends and Houses, Reino Unido, quienes apoyaron y aceptaron participar en nuestra investigación.

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

Referencias

  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

Citar este artículo
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