概要

Intégration d'analyses informatisées de réseaux linguistiques et sociaux pour capturer le capital de récupération de la toxicomanie dans une communauté en ligne

Published: May 31, 2019
doi:

概要

L’article décrit une nouvelle approche pour analyser les interactions sociales dynamiques en ligne (dans un contexte en ligne) illustrée par une étude d’une communauté en ligne de récupération de l’alcoolisme et la toxicomanie.

Abstract

L’article décrit une nouvelle méthodologie conçue dans le but de trouver un moyen complet, discret et précis de capturer le développement du capital de récupération sociale dans les communautés en ligne de récupération de l’alcool et de la toxicomanie (AOD) dépendance. Le capital de récupération a été conceptualisé à la fois comme un engagement dans la communauté de récupération en ligne et l’identification avec la communauté. Pour mesurer le développement du capital de récupération, des données naturelles ont été extraites de la page des médias sociaux d’un programme de récupération spécifique, la page étant mise en place comme une ressource pour un programme de récupération en personne. Pour cartographier l’engagement avec la communauté en ligne, l’analyse des réseaux sociaux (SNA) capture l’interaction sociale en ligne a été effectuée. L’interaction sociale a été mesurée à l’aide des liens entre les contributeurs/membres en ligne de la communauté en ligne représentés par les clients du programme, le personnel et les sympathisants de la communauté en général. Pour saisir les marqueurs d’identification sociale avec la communauté en ligne, une analyse linguistique informatisée des données textuelles (contenu des publications et commentaires) a été effectuée. Le capital de récupération ainsi capturé a été analysé par rapport aux données de rétention (indicateur des résultats par procuration), comme les jours passés dans le programme de récupération (en personne). Les données en ligne extraites étaient liées aux données des participants en ce qui concerne la conservation du programme pour tester la prédiction d’un résultat de récupération clé. Cette approche a permis d’examiner le rôle des communautés de soutien en ligne et d’évaluer l’association entre le capital de récupération (développé par l’intermédiaire de la communauté en ligne de récupération) et les résultats de récupération.

Introduction

La méthode présentée a été conçue pour capturer l’alcool et d’autres drogues (AOD) capital de récupération de la toxicomanie dans les contextes en ligne. Dans le domaine de la toxicomanie, le capital de récupération a été défini comme « la somme totale de ses ressources qui peut être consacrée à l’initiation et au maintien de la cessation de l’abus de substances »1. Le capital de recouvrement a été principalement mesuré par auto-rapports2,3 dans des contextes en face-à-face. Cette approche fournit une méthode alternative de mesure du capital de récupération dans les contextes en ligne en capturant la qualité et la quantité des interactions en ligne dans les communautés en ligne de récupération.

Compte tenu de l’augmentation constante de l’utilisation des ressources en ligne sous la forme de soutien par les pairs dans un éventail de questions liées à la santé4,5, il est nécessaire de développer de nouvelles méthodes pour saisir la qualité de ces ressources. Le soutien par les pairs en ligne se produit sous la forme d’interactions sociales dans les forums et les communautés en ligne. Les interactions sociales favorables dans ces contextes en ligne contribuent à la construction de capitaux de récupération, ce qui a un impact positif sur le processus de reprise6,7. La méthode proposée présente un certain nombre d’avantages par rapport aux méthodes alternatives. Tout d’abord, il surmonte certaines des limites liées à l’utilisation de mesures d’autodéclaration dans la recherche sur la toxicomanie, en particulier en ce qui concerne le rappel et les biais d’auto-présentation. Bien que les mesures d’autodéclaration soient considérées comme ayant des niveaux raisonnables de fiabilité et de validité, elles sont susceptibles d’être biaisées et inexactes. Afin d’améliorer l’exactitude et de minimiser les biais, il a été reconnu qu’il est nécessaire d’accroître l’utilisation de nouvelles mesures et de situations de collecte de données conçues pour éviter ou minimiser ces problèmes8. En accédant à des données naturellement présentes dans des contextes où les personnes à divers stades de récupération interagissent spontanément, et en utilisant des méthodes d’analyse qui peuvent extraire des informations significatives à partir de ces données (capables de capturer des indicateurs d’états psychologiques), les biais dus à l’opportunité sociale (autoprésentation) et aux inexactitudes dues aux limitations dans le rappel peuvent être réduits ou même éliminés. Deuxièmement, cette méthode est très efficace et rentable, car elle repose sur l’extraction de données en ligne déjà existantes (c’est-à-dire dans des forums en ligne ouverts qui sont accessibles au public).

La méthode qui a été appliquée à une étude sur la construction de capitaux de récupération dans une communauté en ligne établie pour compléter un programme traditionnel de rétablissement de la toxicomanie en personne pour les toxicomanes en début de rétablissement est décrite. Dans ce cas, les données en ligne (médias sociaux) étaient liées aux données de conservation du programme, mais la méthode peut également être utilisée dans les cas où les données de liaison ne sont pas disponibles ou accessibles.

Protocol

La recherche décrite ici a été approuvée par la communauté de l’éthique de la recherche à l’Université Sheffield Hallam. 1. Configuration REMARQUE: Veuillez vous référer au script R ci-joint fourni sous le titre Supplementary File 1. Charger les paquets requis (Rfacebook9, dplyr10, igraph11, et openxlsx12) dans R. Les paquets se réfèrent à des fonctions, des jeux de données ou du code compilé qui permettent aux utilisateurs d’analyser, de transformer ou d’extraire des données. Chargez la conservation (externe) et les données utilisateur en R sous forme de cadre de données à partir d’un fichier CSV.REMARQUE : Les données de conservation se réfèrent au nombre de jours pendant lesquels un client participe au programme de rétablissement de la toxicomanie hors ligne (traditionnel). Il a été fourni par l’administrateur du programme de récupération (hors ligne) tel qu’il est consigné dans un dossier CSV avec le nom du participant et le nombre de jours qu’il a participé au programme. Le nom du participant a été remplacé par le numéro d’iD anonyme avant d’être importé en R. 2. Extraction de données de la communauté en ligne (page sociale d’une communauté de récupération de la toxicomanie) REMARQUE : Ce protocole s’applique à une page de médias sociaux, mais il peut être adapté à différents types de communautés en ligne. Dans le cas du paquet Rfacebook, il permet à l’utilisateur d’extraire des données de la page des médias sociaux en R. Créer un jeton d’accès aux médias sociaux (Facebook) en suivant le guide sur le site web référencé13. Créer un jeton d’accès en R. À l’aide de la fonction «getGroup» de Rfacebook, extraire des données de la page des médias sociaux de la communauté d’intérêt (par exemple, le contenu de la publication, le nombre de commentaires et de j’aime pour chaque poste, un numéro d’iD unique pour chaque poste, etc.). Ces données sont ensuite enregistrées sous forme de cadre de données.REMARQUE : Un cadre de données est essentiellement une table dans R utilisée pour stocker des données. En utilisant la fonction “getPosts” de Rfacebook, ainsi que les ID De La Poste extraits à l’étape 2.3, extraire des données sur les publications comme celles faites sur la page. En utilisant la fonction “getPosts” de Rfacebook, avec les identifiants de publication extraits à l’étape 2.3, extraire des données sur les commentaires faits sur chaque poste (par exemple, les identifiants d’utilisateur des personnes commentant le poste, lorsque le commentaire a été fait, combien aime le poste reçu). Ces données sont ensuite enregistrées sous forme de cadre de données. À l’aide des identifiants de commentaires extraits à l’étape 2.5, extraire des données sur les « j’aime » faites sur chaque publication (p. ex., les identifiants d’utilisateur des personnes qui aiment le commentaire). Ces données sont ensuite enregistrées sous forme de cadre de données. Combinez les publications, publiez des j’aime, commentez et commentez les données en une seule image de données. Ajouter une ventilation mensuelle (c.-à-d. le mois 1 à 8). 3. Calcul de l’activité des médias sociaux effectuée et reçue par chaque client Calculez le nombre de publications, de commentaires, de commentaires et de commentaires de chaque client. Calculez le nombre de publications, de commentaires, de commentaires et de commentaires reçus par chaque client. Joignez-vous au cadre de données de l’activité des médias sociaux effectuée et reçue par chaque client dans le cadre de données de conservation. Calculez la différence entre les messages et les commentaires avec des j’aime et pas de likes. Calculez la différence entre les messages avec des commentaires et aucun commentaire. Joignez-vous aux données de différence de données de la différence de données de jadis aux données de conservation. Joignez les données de différence de commentaires aux données de conservation. Calculez tous les goûts réalisés par chaque client. Calculez tous les goûts reçus par chaque client. Identifier les utilisateurs qui n’ont pas participé au groupe de médias sociaux (c.-à-d. pas d’activité). 4. Analyse des réseaux sociaux Créez une liste de bords. Une liste de bord est une liste de relations au sein du réseau social, qui dans ce cas est basé sur 1) aimer les messages et les commentaires et 2) commenter les messages. Cela se fait en regardant deux colonnes dans le jeu de données. La première colonne contient l’ID anonyme de la personne qui fait le post, tandis que la seconde contient l’ID anonyme de la personne qui aime ou commente le message. Créez une liste de sommets. Une liste de vertex est une liste de toutes les personnes dans le groupe. Cela se fait en convertissant les deux colonnes de la liste des relations en une seule colonne, et en supprimant les ID anonymes en double afin que seul l’ID anonyme unique reste. En utilisant les fonctions “graph.data.frame” et “get.adjacency” dans le paquet igraph, créez des objets de matrice graphique et graphique à partir des listes de bord et de vertex. En utilisant les fonctions «degré» et «entre»d’entre le paquet igraph, obtenir les statistiques réseau (degré et entre les deux) du groupe en ligne. 5. Réalisation d’analyses linguistiques informatisées dans LIWC Exporter des données textuelles sur les médias sociaux (c.-à-d. les publications et les commentaires) et publier/commenter la colonne d’iD dans les fichiers CSV. Importer les fichiers CSV des données textuelles des médias sociaux dans le logiciel Linguistic Inquiry Word Count (LIWC). Générez les catégories LIWC et enregistrez-les dans de nouveaux fichiers CSV. Pour ce faire, cliquez sur “Analyze Text”, puis sur “Excel/CSV file”, et en cliquant sur la colonne contenant les messages et commentaires pour sélectionner le texte à analyser. Une fois que LIWC a terminé l’analyse des données textuelles, enregistrez la sortie en tant que nouveau fichier CSV. Importer les résultats LIWC fichier CSV dans R, et fusionner avec les données existantes. Les données sont appariées par la colonne d’ID post/commentaire, qui existe à la fois dans Les cadres De données LIWC et existants. Calculez les scores lIWC totaux pour chaque utilisateur dans les publications et les commentaires, puis joignez-vous aux données de rétention. Calculez les scores lIWC totaux pour chaque utilisateur dans toutes les données textuelles (post et commentaires combinés), puis joignez-vous aux données de rétention. Supprimer les NA du cadre de données de conservation. 6. Effectuer une analyse de régression (pour déterminer si les indicateurs d’engagement avec la communauté en ligne prédisent la rétention dans le programme de récupération hors ligne) Définir les variables indépendantes. En utilisant la fonction «lm» dans la base R, effectuer une analyse de régression linéaire en utilisant les données de rétention comme variable dépendante, et les catégories LIWC, commentaires, j’aime et commentez les goûts comme variables indépendantes. Combinez les résultats de l’analyse de régression en un seul cadre de données. 7. Création de cartes mensuelles SNA Préparer des images de données pour SNA Maps. Créez une liste de bordbasée sur l’activité cumulative mensuelle des médias sociaux. Créez une liste de vertex basée sur l’activité mensuelle cumulative des médias sociaux. Créez des graphiques et des matrices graphiques en fonction de l’activité cumulative mensuelle des médias sociaux. Définir la mise en page des cartes SNA en fonction de l’activité cumulative des médias sociaux. Ajoutez des couleurs basées sur les rôles de l’utilisateur. Créez des cartes SNA et enregistrez-les dans un fichier. 8. Calcul de l’activité mensuelle cumulative des médias sociaux du groupe de médias sociaux Calculez l’activité cumulative mensuelle des médias sociaux par le personnel, les clients et les autres membres du groupe de médias sociaux. Calculer l’activité mensuelle cumulative des médias sociaux par tous les membres du groupe de médias sociaux. Joignez-vous aux images mensuelles cumulatives d’activités sur les médias sociaux.

Representative Results

Une description détaillée des résultats représentatifs obtenus à l’aide de cette méthode se trouve dans nos travaux récents14, qui ont été examinés et ont reçu l’approbation complète du comité d’éthique de la recherche de l’établissement au cours duquel la recherche a été menée. Dans le rapport décrit ici, l’étude a examiné si la participation en ligne à une communauté de rétablissement contribue au processus de rétablissement par le renforcement des capitaux de récupération (comme en témoignent les niveaux accrus et la qualité des interactions sociales en ligne et développement positif de l’identité). En d’autres termes, l’étude a examiné si les indicateurs du capital de récupération en ligne se sont développés au cours des huit mois de données en ligne évaluées et a également prédit la rétention dans un programme de rétablissement conçu pour favoriser la participation communautaire des toxicomanes aux premiers stades de rétablissement. Pour cartographier la façon dont les participants ont interagi en ligne, l’analyse des réseaux sociaux (SNA) à l’aide des données extraites de la page des médias sociaux (n – 609) d’une communauté de récupération a été menée. Une représentation visuelle du réseau social et de son évolution est présentée dans la figure 1. Le chiffre illustre l’activité dans la communauté en ligne observée chaque mois pendant une période de 8 mois sous la forme de connexions entre tous les participants dans la communauté en ligne (c.-à-d., commenter les messages, aimer les messages, et aimer les commentaires). Le nombre de connexions qu’un « agent » dans le réseau a détermine comment ils seront centraux dans le réseau social. L’analyse linguistique informatisée a été utilisée pour évaluer les données textuelles (capture de marqueurs d’identité sociale), et l’analyse linéaire de la régression a été effectuée pour déterminer si les indicateurs du capital de recouvrement prévoyaient la conservation du programme. Ces analyses ont indiqué que la conservation du programme était en effet prédite par : a) les niveaux de validation de groupe reçus sous forme de commentaires et de tous les goûts reçus sur la page des médias sociaux, b) la position dans le réseau social (centralité du réseau) et (c) groupe l’identité et la réussite (comme en témoigne le contenu linguistique de la communication en ligne). Les résultats étayent l’argument selon lequel, dans l’ensemble, les interactions sociales positives entre les membres d’une communauté de rétablissement en ligne appuient le processus de rétablissement. Un résumé de ces constatations est présenté ci-dessous. Figure 1 : Les représentations mensuelles du réseau social de la communauté en ligne sur une journée de 8 mois suggèrent des changements dans le modèle d’interactions sociales entre les participants. Ces représentations illustrent comment, au début, la plupart des membres clients de la communauté en ligne (clients du programme de récupération hors ligne) sont pour la plupart déconnectés, et c’est le personnel du programme et seulement un petit nombre de clients qui dirigent l’activité en ligne. Cependant, cela change progressivement, de sorte qu’après 8 mois, les clients sont les plus connectés (donc les plus centraux), avec le plus grand nombre de connexions dans le réseau (figure est adaptée d’une publication précédente)14. Veuillez cliquer ici pour voir une version plus grande de ce chiffre. Statistiques descriptives Les niveaux d’engagement des participants avec la communauté en ligne ont été mesurés en calculant les contributions de tous les participants à la communauté en ligne en tant que nombre de messages, de commentaires et de services de participation par le personnel, les clients et les membres de la communauté en général. Le tableau 1 présente une ventilation par type de contribution (comme le fait chaque catégorie de participant) sur une période de 8 mois. Membres du groupe Type de contribution en ligne Mois 1 Mois 2 Mois 3 Mois 4 Mois 5 Mois 6 Mois 7 Mois 8 tout le Messages et commentaires 382, en plus d’avoir 388 (770) 579 (1349) 369 (1718) 530 (2248) 581 (2829) 796 (3625) 674 (4299) Afficher les jaouis donnés en 1167, états-unis 878 (2045) en 1856 (3901) 1440 (5341) en 1880 (7221) en 1756 (8977) 2667 (11644) en 1857 (13501) Commentaire j’aime donné 784 Annonces 970 (1604) 825 (2429) 171 (2600) 634 (3234) 970 (4204) 825 (5029) 171 (5200) personnel Messages et commentaires 129 Ans et plus 106 (235) 170 (405) 96 (501) 185 (686) 176 (862) 227 (1089) 316 (1405) Afficher les jaouis donnés En 188, états-unis qui ont été 147 (335) 302 (637) 209 (846) 385 (1231) 372 (1603) 567 (2170) 511 (2681) Commentaire j’aime donné 168 Annonces 303 (471) 237 (708) 69 (777) 168 (945) 303 (1248) 237 (1485) 69 (1554) Clients Messages et commentaires 145 Annonces 155 (300) 214 (514) 132 (646) 208 (854) 286 (1140) 419 (1559) 253 (1812) Afficher les jaouis donnés 365 Annonces 252 (617) 415 (1032) 303 (1335) 549 (1884) 529 (2413) 898 (3311) 576 (3887) Commentaire j’aime donné 143 , États-Unis 318 (461) 235 (696) 33 (729) 143 (872) 318 (1190) 235 (1425) 33 (1458) autres Messages et commentaires 108 Annonces 127 (235) 195 (430) 141 (571) 137 (708) 119 (827) 150 (977) 105 (1082) Afficher les jaouis donnés 614 Annonces 479 (1093) 1139 (2232) 928 (3160) 946 (4106) 855 (4961) 1202 (6163) 770 (6933) Commentaire j’aime donné Le 473 349 (672) 353 (1025) 69 (1094) 323 (1417) 349 (1766) 353 (2119) 69 (2188) Tableau 1: Le nombre de contributions en ligne par type (post et commentaires faits, “J’aime) et les commentaires donnés aux commentaires) par les membres de la communauté en ligne sur les 8 mois. Les membres de la communauté en ligne sont classés comme membres du personnel (personnel de soutien employé par le programme de rétablissement hors ligne), clients (personnes en convalescence qui participent au programme de récupération hors ligne), et d’autres (partisans et défenseurs pro-récupération de la communauté plus large). Déterminants de la rétention dans le programme Les hypothèses suivantes ont été mises à l’essai : (1) la conservation du programme devrait être associée à des indicateurs de développement du capital de recouvrement (c.-à-d. reflétés dans la quantité et la qualité de l’interaction en ligne), et (2) la rétention du programme devrait également être associée à indicateurs de changement d’identité (c.-à-d. les indicateurs de développement positif de l’identité de récupération). La quantité d’interaction en ligne a été indiquée par le nombre a) de messages faits, b) le nombre de commentaires faits, c) le nombre de commentaires que j’ai reçus, d) le nombre de commentaires que j’ai reçus et e) le nombre de tous les goûts reçus. Afin de déterminer la qualité de l’interaction en ligne, la structure du réseau et le contenu linguistique ont été analysés. Plus précisément, des coefficients de degré et d’entre-deux dérivés de l’analyse des réseaux sociaux (AEnS) et des indicateurs linguistiques de l’effet positif provenant de l’analyse linguistique informatisée ont été utilisés. Comme indicateurs de changement d’identité positif (comme identification avec la communauté de récupération), la fréquence d’utilisation du pronom « nous » et des mots de réalisation (p. ex., essayer, but, gagner, etc.) ont été utilisées. Enfin, la variable dépendante (rétention dans le programme) a été indiquée par le nombre total de jours passés dans le programme (allant de 86 à 464 jours ici). Comme le montrent les résultats, les niveaux d’interaction en ligne et de validation en groupe (comme en témoigne le nombre de données données données pour les publications et les commentaires) ont prédit la rétention du programme (tableau 2). La conservation du programme a également été prédite par des marqueurs d’identification (tels que capturés par l’utilisation du pronom « nous » dans les messages et des mots de réussite dans les messages et les commentaires). Enfin, lorsque les participants sont situés au sein du réseau social (c’est-à-d. le degré de centralité) représente également un aspect important de la rétention (tableau 2). variable B SE (en) Β R2 Commentaires à l’air j’aime reçus 0,43 0,18 .47- France 0,22 Aime reçu (tous) 0,08 0,03 .43- France 0,18 Différence de commentaire-like 1,09 0,5 .43- France 0,19 Diplôme de réseau 0,01 0 (en) .43- France 0,18 LIWC We (Poste) 3,89 1,76 .43- France 0,19 Réalisation LIWC (Poste) 0,56 0,26 .43- France 0,18 Réalisation LIWC (Tous) 0,14 0,07 .42- France 0,17 Tableau 2: Temps de rétention tel que prévu par l’engagement en ligne, les statistiques de réseau et les catégories linguistiques.

Discussion

L’approche décrite ici est basée sur une nouvelle méthode de mesure de la façon dont les processus de groupe en ligne peuvent influer sur la rétention dans un programme de rétablissement de la toxicomanie. En appliquant cette méthode à une communauté en ligne de récupération de la toxicomanie, il a été constaté qu’il y avait quatre aspects clés prédit la rétention du programme: être très impliqué dans la communauté en ligne, être au centre dans le réseau social en ligne, l’effet positif exprimé en communication avec d’autres membres de la communauté en ligne, et en recevant la validation d’autres pour les contributions au réseau14. Les résultats obtenus à l’aide de cette méthode soutiennent les modèles théoriques existants de récupération. C’est-à-dire que deux modèles clés dans la documentation sur le rétablissement, le modèle d’identité sociale de rétablissement15 et le modèle d’identité sociale de l’entretien de cessation16, tous deux soulignent l’importance de la participation active dans les groupes qui sont favorables à rétablissement. Les deux modèles suggèrent qu’une identification et un engagement accrus envers ces groupes contribuent à réduire les contacts futurs avec les groupes qui utilisent et à rechuter.

Comme l’illustre notre recherche, la méthode nous a permis de tracer les trajectoires de récupération ou de changement des membres individuels de la communauté en ligne14. Les visualisations des réseaux sociaux en ligne et leur évolution au fil du temps peuvent fournir des informations précieuses sur le mouvement des membres de la communauté en ligne de la périphérie au centre du réseau et vice-versa (ces mouvements dans le réseau indiquent changements dans les niveaux d’engagement avec la communauté en ligne). Dans une étude de 201714, des entretiens avec des membres de la communauté en ligne qui ont entrepris les changements les plus significatifs en termes de mouvement de la périphérie au centre des réseaux ont été menées comme un moyen de trianguler nos résultats basés sur SNA, informatisé l’analyse linguistique et la régression par rapport aux données de rétention. Les études futures pourraient plutôt se concentrer sur les membres qui se sont désengagés de la communauté en ligne, sur ceux qui ne se livrent jamais à l’engagement ou sur des mesures plus directes des résultats comme la consommation d’alcool ou d’autres drogues et la récidive. Cette méthodologie peut encore être affinée pour être utilisée dans les programmes d’intervention, par exemple, pour évaluer le rôle des modérateurs dans les forums d’aide.

Il n’existe actuellement aucune étude fournissant des preuves sur les avantages de la méthode décrite ici lorsqu’elle est utilisée par elle-même (la méthode décrite a été utilisée en conjonction avec des données de rétention et triangulée avec des données qualitatives provenant d’entrevues avec la communauté en ligne clé membres14), mais cette approche peut fournir des données précises et sans biais qui peuvent compléter l’auto-déclaration et d’autres mesures dans les études sur le rétablissement de la toxicomanie.

Cette méthode a été appliquée pour examiner les interactions sociales en ligne dans le contexte d’une page de médias sociaux établie comme une forme complémentaire de soutien à un programme standard de récupération en personne. Cependant, avec des changements mineurs, la méthode peut être utilisée pour étudier les interactions sociales en ligne dans d’autres types de communautés en ligne (forums en ligne, groupes de discussion, bavardoirs, sites de commentaires, etc.). L’un des principaux avantages de cette méthode est qu’elle peut être adaptée et appliquée à des contextes au-delà des communautés de récupération de la toxicomanie à toute communauté en ligne. Par exemple, dans notre propre recherche en psychologie politique, nous utilisons une méthode similaire (développée à partir de la méthode décrite ici) pour saisir la qualité des interactions en ligne et les changements dans ces interactions entre les membres des communautés en ligne d’extrême droite. En effet, la méthode peut être appliquée à toute communauté en ligne dans laquelle des données sous forme de connexions entre les membres (comme liens de réseau social) et le contenu linguistique peuvent être extraites.

Toutefois, en accédant aux données en ligne et en travaillant avec elles, les chercheurs doivent être conscients des questions éthiques, dont certaines s’appliquent à l’autodéclaration et à d’autres types de données en général et d’autres qui ne sont rencontrées que dans un environnement en ligne. Dans la recherche décrite ici (qui a été approuvée par la communauté de l’éthique de la recherche à l’Université Sheffield Hallam), le consentement a été obtenu de l’organisation qui gère le programme de rétablissement, et des mesures strictes ont été prises pour assurer l’anonymat complet de les participants à la page ouverte des médias sociaux (p. ex., après l’appariement des données en ligne et de conservation, toutes les informations d’identification ont été retirées des fichiers et aucune citation potentiellement auto-identifiante n’a été utilisée dans la communication en ligne accessible au public).

Une communication étroite avec l’organisation a également permis de s’assurer que les participants au programme étaient au courant des résultats de l’étude et de la recherche, et l’un des chercheurs a rencontré régulièrement le groupe pour expliquer l’étude et ses résultats. Dans d’autres cas, cependant, lorsque les communautés en ligne ne sont pas associées à des programmes hors ligne spécifiques, il peut être plus difficile de déterminer qui devrait être invité à donner son consentement en ce qui concerne l’extraction des données (applicable en particulier dans les forums non modérés, où les personnes en convalescence demander l’appui de pairs en ligne). Bien que les principes généraux de la recherche éthique s’appliqueront, les chercheurs doivent adopter une approche au cas par cas pour s’assurer que l’extraction et l’analyse des données en ligne ne posent aucun risque important pour les participants (p. ex., compromettre la vie privée).

開示

The authors have nothing to disclose.

Acknowledgements

Nous sommes reconnaissants aux clients et au personnel de Jobs, Friends and Houses, Royaume-Uni, qui ont soutenu et accepté de participer à nos recherches.

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

参考文献

  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. 中毒. 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

記事を引用
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