Summary

Çevrimiçi bir toplumda bağımlılık kurtarma sermayesini yakalamak için bilgisayarlı Linguistic ve sosyal ağ analizlerini entegre etme

Published: May 31, 2019
doi:

Summary

Makalede, alkol ve uyuşturucu bağımlılığı kurtarma online bir topluluk bir çalışma tarafından örneklenmiş dinamik Online sosyal etkileşimleri (bir çevrimiçi bağlamda) analiz için yeni bir yaklaşım açıklanır.

Abstract

Makalede, alkol ve ilaç (AOD) bağımlılığı kurtarma çevrimiçi topluluklarda sosyal kurtarma sermaye gelişimi yakalamak kapsamlı, unobtrusive ve doğru bir şekilde bulma amacı ile tasarlanmış yeni bir metodoloji açıklanır. Kurtarma sermayesi, çevrimiçi kurtarma topluluğunda her iki nişan ve topluluk ile kimlik olarak kavramsallaştırıldı. Kurtarma sermayesi gelişimini ölçmek için, doğal olarak meydana gelen veriler, belirli bir kurtarma programının sosyal medya sayfasından çıkarıldı ve sayfa yüz yüze kurtarma programı için bir kaynak olarak ayarlandı. Çevrimiçi topluluk ile etkileşimi eşlemek için, sosyal ağ analizi (SNA) çevrimiçi sosyal etkileşim yakalama gerçekleştirildi. Sosyal etkileşim, program istemcileri, personeli ve daha geniş topluluktan gelen destekçiler tarafından temsil edildiği gibi, çevrimiçi katılımcı/çevrimiçi topluluğun üyeleri arasındaki bağlantılar aracılığıyla ölçülmüştür. Çevrimiçi topluluk ile sosyal kimlik belirteçleri yakalamak için, metinsel verilerin bilgisayarlı dilsel Analizi (mesajlar ve yorumlardan içerik) gerçekleştirildi. Bu şekilde yakalanan kurtarma sermayesi, (yüz yüze) kurtarma programında harcanan gün olarak, bekletme verilerine (proxy sonuç göstergesi) karşı analiz edildi. Ayıklanan çevrimiçi veriler, bir anahtar kurtarma sonucunu test etmek için program saklama açısından katılımcı verilerine bağlanmıştır. Bu yaklaşım, çevrimiçi destek toplulukları ve kurtarma sermaye (kurtarma online topluluk aracılığıyla geliştirilen) ve kurtarma sonuçları arasındaki dernek değerlendirilmesi rolünün incelenmesi izin verdi.

Introduction

Sunulan yöntem, çevrimiçi bağlamlarda alkol ve diğer ilaçlar (AOD) bağımlılığı kurtarma sermayesi yakalamak için tasarlanmıştır. Bağımlılık alanında, kurtarma sermaye “başlangıç ve madde kötüye durdurma bakım ayı getirilmeye getirilebilir bir kaynağın toplam toplamı” olarak tanımlanır1. Kurtarma sermayesi öncelikle kendi kendine raporları ile ölçülür2,3 yüz yüze bağlamlarda. Bu yaklaşım, çevrimiçi bağlamlarda kurtarma sermayesini ölçmek için alternatif bir yöntem sağlayarak online kurtarma topluluklarındaki çevrimiçi etkileşimlerin kalitesini ve miktarını yakalar.

Sağlık ile ilgili konularda bir dizi eş-destek şeklinde çevrimiçi kaynakların kullanımı sürekli artış göz önüne alındığında4,5, bu kaynakların kalitesini yakalamak için yeni yöntemler geliştirmek için gereklidir. Online eş destek online Forumlar ve topluluklar sosyal etkileşimler şeklinde oluşur. Bu çevrimiçi bağlamlarda destekleyici sosyal etkileşimler, geri alma süreci,6,7üzerinde olumlu bir etkiye sahip olan kurtarma sermayesi oluşturmaya katkıda bulunur. Önerilen yöntem alternatif yöntemlerle bir dizi avantaj sunar. Öncelikle, bazı sınırlamalar bağımlılığı araştırma kendi kendine rapor önlemleri kullanımı içeren üstesinden, özellikle hatırlama ve Self-presentational önyargıları etrafında. Kendi kendine rapor önlemleri güvenilirlik ve geçerlilik makul düzeylerde olarak kabul edilir iken, onlar önyargıları ve yanlışlıklar duyarlıdır. Doğruluğu artırmak ve önyargı en aza indirmek için, bu sorunları önlemek veya en aza indirmek için tasarlanmış yeni önlemler ve veri toplama durumları kullanımını artırmak için bir ihtiyaç olduğunu tanınmıştır8. Veri erişerek doğal olarak nerede kurtarma çeşitli aşamalarında insanların kendiliğinden etkileşim ve bu verilerden anlamlı bilgiler (psikolojik devletlerin göstergeleri yakalamak için mümkün) ayıklamak analiz yöntemlerini kullanarak içerik meydana Sosyal arzu nedeniyle önyargıları (öz-presentational) ve yanlışlıklar geri çağırma sınırlamaları nedeniyle azaltılabilir hatta ortadan kaldırılabilir. İkincisi, bu yöntem son derece verimli ve uygun maliyetli, zaten mevcut çevrimiçi verilerin çıkarılması dayanır gibi (yani, açık online forumlarda kamu erişilebilir).

Sonraki açıklanan yöntem, erken iyileşme aşamalarında bağımlıları için geleneksel, yüz yüz bağımlılığı kurtarma programı tamamlamak için kurulan bir online toplumda bina kurtarma sermaye bir çalışmada uygulandı yöntemidir. Bu durumda, çevrimiçi (sosyal medya) verileri program saklama verileriyle bağlantılıysa, ancak yöntem bağlantı verilerinin kullanılabileceği veya erişilemiyor olduğu durumlarda da kullanılabilir.

Protocol

Burada açıklanan araştırma, Sheffield Hallam Üniversitesi ‘nde araştırma etiği topluluğu tarafından onaylanmıştır. 1. Kurulum Not: lütfen ek dosya 1olarak sağlanan ekli R komut dosyasına bakın. Gerekli paketleri yükleyin (Rfacebook9, dplyr10, igraph11ve Openxlsx12) R. Packages işlevleri, veri kümeleri veya kullanıcıların verileri çözümlemek, dönüştürmek veya ayıklamak için izin derlenmiş kod bakın. Bir CSV dosyasından veri çerçevesi olarak R ‘ye (dış) saklama ve Kullanıcı verilerini yükleyin.Not: bekletme verileri, bir istemcinin çevrimdışı (Geleneksel) bağımlılık kurtarma programına katılacağı gün sayısını gösterir. (Çevrimdışı) kurtarma programının yöneticisi tarafından, katılımcı adı ve programda yer alan gün sayısı ile bir CSV dosyasına kaydedilmiş olarak sağlandı. Katılımcı adı, R ‘ye alınmadan önce anonim KIMLIK numarası ile değiştirildi. 2. çevrimiçi topluluktan veri çıkarma (bir bağımlılık kurtarma topluluğunun sosyal sayfası) Not: Bu protokol bir sosyal medya sayfasına uygulanır, ancak farklı türde çevrimiçi topluluklara adapte edilebilir. Rfacebook paketi durumunda, Kullanıcı R içine sosyal medya sayfasından veri ayıklamak için izin verir. Başvurulan Web sitesi13kılavuzunun takip ederek bir sosyal medya (Facebook) erişim belirteci oluşturun. R ‘de erişim belirteci oluşturun. Rfacebook “getGroup” işlevini kullanarak, ilgi topluluğunun sosyal medya sayfasından veri ayıklamak (örneğin, post içeriği, yorum ve her yazı için beğeniler sayısı, her yazı için benzersiz bir KIMLIK numarası, vb.). Bu veriler daha sonra veri çerçevesi olarak kaydedilir.Not: veri çerçevesi aslında veri depolamak için kullanılan R içinde bir tablosudur. Rfacebook ‘tan “getPosts” fonksiyonunu kullanarak, 2,3 adımda çıkarılan Post kimlikleri ile birlikte, sayfada yapılan mesajlar hakkında veri ayıklayın. Rfacebook “getPosts” işlevini kullanarak, post kimlikleri adım 2,3 ayıklanan ile birlikte, her yazının üzerine yapılan yorumlar veri ayıklamak (örneğin, insanların Kullanıcı kimlikleri yazılan yorum, ne zaman yorum yapıldığında, kaç gelen yazı seviyor). Bu veriler daha sonra veri çerçevesi olarak kaydedilir. Adım 2,5 ayıklanan yorum kimlikleri kullanarak, “Yorum seviyor” her yazı üzerinde yapılan veri ayıklamak (örneğin, insanların yorum sevme Kullanıcı kimlikleri). Bu veriler daha sonra veri çerçevesi olarak kaydedilir. Gönderileri, mesaj beğenilerini, yorumlarını ve yorum beğenmeyi bir veri çerçevesine birleştirin. Aylık bir arıza ekleyin (örneğin, ay 1-8). 3. her müşteri tarafından yapılan ve alınan sosyal medya aktivitesinin hesaplanması Her müşteri tarafından yapılan mesajlar, Yorumlar, post seviyor ve yorum seviyor sayısını hesaplayın. Her istemci tarafından alınan mesaj, yorum, post seviyor ve yorum beğenilerini sayısını hesaplayın. Her istemci tarafından yapılan ve alınan sosyal medya aktivitesinin veri çerçevesine katıl ve saklama veri çerçevesine katılın. Beğeniler ve hiçbir beğenmeler ile mesajlar ve Yorumlar arasındaki farkı hesaplayın. Yorumlar ve yorum olmayan gönderiler arasındaki farkı hesaplayın. Saklama verilerine beğen fark verilerine katılın. Yorum farkı verilerini bekletme verilerine katılın. Her istemci tarafından yapılan tüm beğeniler hesaplayın. Her istemci tarafından alınan tüm beğenmeler hesaplayın. Hangi kullanıcıların sosyal medya grubuna katılmadı (yani, aktivite yok) tanımlayın. 4. sosyal ağ analizinin yürütülmesi Bir kenar listesi oluşturun. Bir kenar listesi, bu durumda 1) mesajlar ve Yorumlar ve 2) mesajlar yorum sevme dayanmaktadır sosyal ağ içinde ilişkilerin bir listesidir. Bu veri kümesi içinde iki sütuna bakarak yapılır. İkinci sütun, gönderiyi yapan kişinin anonim KIMLIĞINI içerir, ikincisi ise gönderiyi sevme veya yorum yapan kişinin anonim KIMLIĞINI içerir. Bir tepe noktası listesi oluşturun. Köşe listesi, gruptaki tüm kişilerin listesidir. Bu, bir sütuna ilişkiler listesinde iki sütun dönüştürme ve yalnızca benzersiz anonim KIMLIĞI bırakılır böylece yinelenen anonim kimlikleri kaldırma yapılır. Igraph paketinde “Graph. Data. Frame” ve “al. Bitişiklik” işlevlerini kullanarak, kenar ve köşe listelerinden grafik ve grafik matris nesneleri oluşturun. İgraph paketinin “degree” ve “betweenness” işlevlerini kullanarak çevrimiçi grubun ağ istatistiklerini (derece ve betweenness) elde edersiniz. 5. LıWC ‘de bilgisayarlı linguistik analizinin yapılması Metinsel sosyal medya verilerini (örn. mesajlar ve Yorumlar) ve CSV dosyalarına post/comment ID sütununu dışa aktarın. Metin sosyal medya verilerinin CSV dosyalarını Linguistic sorgulama kelime sayımı (LıWC) yazılımına alın. LıWC kategorileri oluşturun ve yeni CSV dosyalarına kaydedin. “Excel/CSV dosyası” üzerinde “metin analiz” üzerine tıklayarak, bunu yapmak ve metin analiz edilecek seçmek için mesajlar ve yorumlar içeren sütuna tıklayarak. LıWC metinsel verileri analiz tamamladıktan sonra, yeni bir CSV dosyası olarak çıktısını kaydedin. LıWC sonuçları CSV dosyasını R ‘ye alın ve varolan verilerle birleştirin. Veriler, hem LıWC hem de varolan veri çerçevelerinde bulunan post/comment ID sütunuyla eşleştirilir. Gönderiler ve yorumlarda her kullanıcı için toplam LıWC puanları hesaplayın, ardından bekletme verilerine katılın. Tüm metin verilerinde (post ve Yorumlar kombine) her kullanıcı için toplam LıWC puanları hesaplayın, ardından saklama verilerine katılın. NAs ‘ı bekletme verisi veri çerçevesinden kaldırın. 6. regresyon analizinin yürütülmesi (çevrimiçi toplulukla etkileşim göstergelerinin çevrimdışı kurtarma programında tutulması gerektiğini belirlemek için) Bağımsız değişkenler tanımlayın. Temel R “LM” işlevini kullanarak, bağımlı değişken olarak bekletme verileri kullanarak doğrusal regresyon analizi ve LıWC Kategoriler, Yorumlar, post sevdikleri ve yorum beğenilerini bağımsız değişkenler olarak gerçekleştirin. Regresyon Çözümleme sonuçlarını bir veri çerçevesine birleştirin. 7. aylık SNA haritaları oluşturma Veri çerçeveleri için SNA eşlemeleri hazırlayın. Aylık toplu sosyal medya aktivitesini temel alan bir kenar listesi oluşturun. Aylık toplu sosyal medya aktivitesini temel alan bir tepe noktası listesi oluşturun. Aylık toplu sosyal medya aktivitesine dayalı grafikler ve grafik matrisleri oluşturun. Toplu sosyal medya etkinliğine göre SNA eşlemler düzenini ayarlayın. Kullanıcı rollerini temel alan renkler ekleyin. SNA eşlemeleri oluşturun ve bunları bir dosyaya kaydedin. 8. sosyal medya grubunun aylık toplu sosyal medya etkinliğini hesaplamak Personel, müşteriler ve sosyal medya grubunun diğer üyeleri tarafından aylık toplu sosyal medya etkinliğini hesaplayın. Sosyal medya grubunun tüm üyeleri tarafından aylık toplu sosyal medya etkinliğini hesaplayın. Aylık toplu sosyal medya etkinlik veri çerçevelerine birlikte katılın.

Representative Results

Bu yöntem kullanılarak elde edilen temsili sonuçların ayrıntılı bir açıklaması, araştırma yapıldığı kurumun araştırma etiği komitesinden tam onay alınan ve gözden geçirilmiş olan son çalışmalarımız14′ te bulunabilir. Burada açıklanan raporda, çalışma bir kurtarma topluluğunun çevrimiçi katılımının, kurtarma sermayesi oluşturma yoluyla kurtarma sürecine katkıda bulunup bulunmadığını araştırdı (daha fazla düzeyde ve çevrimiçi sosyal etkileşimlerin kalitesi ve pozitif kimlik geliştirme). Diğer bir deyişle, çalışma online kurtarma sermayesi göstergeleri değerlendirilmiş online veri sekiz ay içinde geliştirilen ve aynı zamanda erken aşamalarında bağımlıları için topluluk katılımı teşvik etmek için tasarlanmış bir kurtarma programında bekletme tahmin incelendi Kurtarma. Katılımcıların çevrimiçi olarak nasıl etkileşimde bulunduğunu eşlemek için, bir kurtarma topluluğunun sosyal medya sayfasından (n = 609) çıkarılan verileri kullanarak sosyal ağ analizi (SNA) yürütülmüştür. Resim 1′ de sosyal ağın ve evriminin görsel bir gösterimi sunulmuştur. Şekil, çevrimiçi toplumda tüm katılımcılar arasındaki bağlantılar şeklinde 8 ay boyunca her ay gözlenen online toplumdaki aktiviteyi gösterir (yani, mesajlar hakkında yorum yapmak, gönderileri sevme ve yorum sevme). Ağdaki bir “aracı” nın sosyal ağda ne kadar merkezi olacağını belirleyen bağlantı sayısı. Bilgisayarlı dil analizi (sosyal kimlik işaretçileri yakalama) metinsel veri değerlendirmek için kullanılan ve doğrusal regresyon analizi kurtarma sermayesi göstergelerinin program tutma tahmin olup olmadığını belirlemek için yapılmıştır. Bu analizler, program tutmaması tarafından gerçekten tahmin edildiğini belirtti: (a) yorum beğeniler formunda alınan grup doğrulamasının seviyeleri ve sosyal medya sayfasında alınan tüm Beğenmeler, (b) sosyal ağdaki pozisyon (Ağ Merkezi) ve (c) Grup kimlik ve başarı (çevrimiçi iletişimin dil içeriği tarafından yakalanan). Sonuçlar, bir çevrimiçi kurtarma topluluğunun üyeleri arasındaki genel, olumlu sosyal etkileşimlerin kurtarma sürecini desteklediğinden bağımsız değişkeni destekliyor. Bu bulguların bir özeti aşağıda verilmiştir. Şekil 1: çevrimiçi toplumun 8 aydan fazla sosyal ağının aylık temsili, katılımcılar arasındaki sosyal etkileşimlerin deseninde değişiklikler önermektedir. Bu temsiller nasıl başlangıcında, çevrimiçi toplumda istemci üyelerinin çoğu (çevrimdışı kurtarma programının istemcileri) çoğunlukla kesilir ve program personeli ve çevrimiçi aktivite sürücü istemcileri sadece az sayıda olduğunu göstermektedir. Ancak, bu kademeli olarak değişir, böylece 8 ay sonra, istemciler en çok bağlı olanlar (Bu nedenle en merkezi), ağdaki en yüksek bağlantı sayısı (şekil bir önceki yayından uyarlanmıştır)14. Bu figürün daha büyük bir versiyonunu görmek Için lütfen tıklayınız. Açıklayıcı istatistik Katılımcıların online topluluk ile nişan seviyeleri, çevrimiçi toplumlardaki tüm katılımcıların katkıları, personel, müşteriler ve daha geniş topluluk üyeleri tarafından yapılan gönderi, yorum ve beğenilerin sayısı olarak hesaplanarak ölçülmüştür. Tablo 1 , 8 ay boyunca katkı tipine göre (her katılımcı kategorisi tarafından yapılan) bir arıza sunar. Grup üyeleri Çevrimiçi katkı türü 1. ay 2. ay 3. ay 4. ay 5. ay 6. ay 7. ay 8. ay Tüm Mesajlar ve Yorumlar 382 388 (770) 579 (1349) 369 (1718) 530 (2248) 581 (2829) 796 (3625) 674 (4299) Mesaj verilen seviyor 1167 878 (2045) 1856 (3901) 1440 (5341) 1880 (7221) 1756 (8977) 2667 (11644) 1857 (13501) Verilen yorum seviyor 784 970 (1604) 825 (2429) 171 (2600) 634 (3234) 970 (4204) 825 (5029) 171 (5200) Personel Mesajlar ve Yorumlar 129 106 (235) 170 (405) 96 (501) 185 (686) 176 (862) 227 (1089) 316 (1405) Mesaj verilen seviyor 188 147 (335) 302 (637) 209 (846) 385 (1231) 372 (1603) 567 (2170) 511 (2681) Verilen yorum seviyor 168 303 (471) 237 (708) 69 (777) 168 (945) 303 (1248) 237 (1485) 69 (1554) Istemci Mesajlar ve Yorumlar 145 155 (300) 214 (514) 132 (646) 208 (854) 286 (1140) 419 (1559) 253 (1812) Mesaj verilen seviyor 365 252 (617) 415 (1032) 303 (1335) 549 (1884) 529 (2413) 898 (3311) 576 (3887) Verilen yorum seviyor 143 318 (461) 235 (696) 33 (729) 143 (872) 318 (1190) 235 (1425) 33 (1458) Diğer Mesajlar ve Yorumlar 108 127 (235) 195 (430) 141 (571) 137 (708) 119 (827) 150 (977) 105 (1082) Mesaj verilen seviyor 614 479 (1093) 1139 (2232) 928 (3160) 946 (4106) 855 (4961) 1202 (6163) 770 (6933) Verilen yorum seviyor 473 349 (672) 353 (1025) 69 (1094) 323 (1417) 349 (1766) 353 (2119) 69 (2188) Tablo 1: gösterilen türü tarafından online katkıları sayısıdır (post ve Yorumlar yapılan, mesajlar verilen seviyor, ve Yorumlar verilen sevdikleri) üzerinden online topluluk üyeleri tarafından 8 ay. Çevrimiçi topluluğun üyeleri (çevrimdışı kurtarma programı tarafından istihdam destek personeli) personel olarak sınıflandırılır, istemciler (çevrimdışı kurtarma programına katılan kurtarmak insanlar), ve diğerleri (Destekçiler ve Pro-kurtarma savunucuları daha geniş bir topluluk). Programda bekletme determinants Aşağıdaki hipotezler test edildi: (1) program saklama kurtarma sermaye gelişimi göstergeleri ile ilişkili olmalıdır (yani, miktarı ve çevrimiçi etkileşim kalitesini yansıtılır), ve (2) program saklama da ile ilişkili olmalıdır kimlik değişikliği göstergeleri, (yani, pozitif kurtarma kimlik geliştirme göstergeleri). Çevrimiçi etkileşimin miktarı, a) yapılan mesaj sayısı, b) yapılan yorum sayısı, c) alınan yazı beğenisi sayısı, d) alınan yorum sayısı ve e) sayısı alınan tüm beğenilerin sayısıdır. Çevrimiçi etkileşimin kalitesini belirlemek için ağ yapısı ve dil içeriği analiz edildi. Daha spesifik olarak, sosyal ağ analizinden (SNA) türetilen derece ve aradalık katsayıları ve bilgisayarlı dil analizinden elde edilen olumlu etkilerin dilsel göstergeleri kullanıldı. Pozitif kimlik değişikliğinde göstergeler (kurtarma topluluğuyla kimlik olarak), zamiri “Biz” ve başarı kelimelerini (örn. deneyin, gol, kazan vb.) kullanma sıklığı kullanıldı. Son olarak, bağımlı değişken (programda bekletme) programda harcanan toplam gün sayısı (86 ile 464 gün arasında değişen) ile belirtilir. Sonuçlar, çevrimiçi etkileşim ve grup içi doğrulama düzeyleri tarafından gösterildiği gibi (mesajlar ve yorumlar için alınan beğenilerin sayısına yansıtıldığı gibi) program tutma (Tablo 2) tahmin. Program saklama da kimlik işaretçileri tarafından tahmin edildi (olarak “Biz” mesajlar ve hem mesajlar ve Yorumlar başarı kelimeleri zamiri kullanımı tarafından yakalanan). Son olarak, katılımcılar sosyal ağ içinde yer alan (yani, merkezlilik derecesi) de saklama önemli bir yönünü temsil eder (Tablo 2). Değişken B Se Β R2 Alınan yorum seviyor 0,43 0,18 .47* 0,22 Alınan beğenmeler (tümü) 0,08 0,03 .43* 0,18 Yorum-benzeri fark 1,09 0,5 .43* 0,19 Ağ derecesi 0,01 0 .43* 0,18 LıWC biz (post) 3,89 1,76 .43* 0,19 LıWC başarı (post) 0,56 0,26 .43* 0,18 LıWC başarı (tümü) 0,14 0,07 .42* 0,17 Tablo 2: çevrimiçi etkileşimi, ağ istatistikleri ve dil kategorileri tarafından öngörülen bekletme süresi.

Discussion

Burada açıklanan yaklaşım, çevrimiçi grup süreçlerinin bir bağımlılık kurtarma programında tutulması nasıl etkileyebilecek ölçümünde yeni bir yönteme dayanır. Bağımlılığı kurtarma online bir topluluk için bu yöntemi uygulayarak, orada dört önemli yönleri program saklama tahmin edildi bulundu: son derece online sosyal ağ merkezi olmak, online toplum içinde yer alan, olumlu etkiler ifade çevrimiçi topluluğun diğer üyeleri ile iletişim ve ağ14katkıları için diğerlerinden doğrulama alma. Bu yöntem kullanılarak elde edilen bulgular, mevcut teorik Kurtarma modellerini destekler. Yani, kurtarma literatüründe iki anahtar model, kurtarma15 sosyal kimlik modeli ve durdurma bakım16sosyal kimlik modeli, her ikisi de destekleyici gruplara aktif katılım önemini vurgulamak Kurtarma. Her iki model de bu tür gruplara daha fazla kimlik ve bağlılık, gruplar ve sonuç olarak nüksetme ile gelecekteki temas düşük katkıda öneririz.

Araştırmalarımızda gösterildiği gibi, yöntem bize kurtarma veya çevrimiçi topluluğun bireysel üyelerinin değişikliği yörüngeleri harita izin14. Çevrimiçi sosyal ağların görselleştirmeleri ve zaman içinde evrimleri, çevrimiçi topluluğun üyelerinin çevreden ağ merkezine ve tersi arasında hareket etme konusunda değerli bilgiler sağlayabilir (ağda bu hareketler online topluluk ile nişan seviyeleri değişiklikleri). Bir 2017 çalışmada14, ağ merkezine çevre gelen hareket açısından en önemli değişiklikler üstlenilen çevrimiçi topluluğun üyeleri ile görüşmeler SNA dayalı bulgularımızın nirengi bir yolu olarak yapılmıştır, bilgisayarlı dilsel analiz ve bekletme verilerine karşı regresyon. Gelecekteki çalışmalar, bunun yerine, çevrimiçi toplulukla ilgili olmayan üyelere, hiç nişanlananlara veya madde kullanımı ve reoffending gibi sonuçların daha doğrudan önlemleri üzerine odaklanabilir. Bu metodoloji, yardım forumlarında Moderatörler rolünü değerlendirmek için, örneğin, müdahale programlarında kullanılmak üzere daha ince ayarlanmış olabilir.

Şu anda hiçbir çalışma burada açıklanan yöntemin yararları üzerinde kanıt sağlayan kendisi tarafından kullanıldığında (yöntemi açıklanan saklama verileri ile birlikte kullanılan ve anahtar online topluluk ile görüşmeler nitel verilerle üçgen üyeleri14), ancak bu yaklaşım bağımlılık kurtarma çalışmalarında kendini raporlama ve diğer önlemleri tamamlayabilir doğru ve Önyargı-ücretsiz veri sağlayabilir.

Bu yöntem, standart, yüz yüze kurtarma programına tamamlayıcı bir destek formu olarak kurulan bir sosyal medya sayfası bağlamında çevrimiçi sosyal etkileşimleri incelemek için uygulandı. Ancak, küçük değişiklikler ile, yöntem çevrimiçi topluluklar (Online forumlar, tartışma grupları, sohbet odaları, yorum Web siteleri, vb) diğer türleri çevrimiçi sosyal etkileşimleri araştırmak için kullanılabilir. Bu yöntemin önemli avantajlarından biri, herhangi bir çevrimiçi topluma bağımlılık kurtarma toplulukları ötesinde bağlamlara adapte edilebilir ve uygulanabilir olmasıdır. Örneğin, kendi politik psikoloji araştırmalarımızda, çok sağ çevrimiçi toplulukların üyeleri arasındaki bu etkileşimlerde çevrimiçi etkileşimlerin ve değişikliklerin kalitesini yakalamak için benzer bir Yöntem (burada açıklanan yöntemden geliştirilmiştir) kullanırız. Buna göre, yöntem, Üyeler (sosyal ağ bağlantıları olarak) ve dilsel içerik arasında bağlantı formunda veri ayıklanabilir herhangi bir çevrimiçi topluluk için uygulanabilir.

Ancak, erişim ve çevrimiçi verilerle çalışma, araştırmacılar etik konuların farkında olması gerekir, bazıları kendi kendine raporlama ve genel olarak diğer veri türleri için geçerli ve bazıları sadece bir çevrimiçi ortamda karşılaşılan. Burada açıklanan araştırma (hangi Sheffield Hallam Üniversitesi ‘nde araştırma etiği topluluğu tarafından onaylanmış), onay kurtarma programı yöneten organizasyon elde edildi, ve sıkı önlemler tamamen anonimlik sağlamak için alınmıştır açık sosyal medya sayfasında katılımcılar (örn., çevrimiçi ve saklama veri eşleştirme sonra, tüm tanımlama bilgileri dosyalardan kaldırıldı ve ayrıca potansiyel olarak kendi kendine tanımlayıcı tırnak genel olarak erişilebilen çevrimiçi iletişim kullanıldı).

Organizasyon ile yakın iletişim de programda katılımcılar çalışma ve araştırma bulguları farkında olduğunu sağladı ve araştırmacılardan biri çalışma ve sonuçlarını açıklamak için Grup ile düzenli bir araya geldi. Diğer durumlarda, ancak, nerede çevrimiçi topluluklar belirli çevrimdışı programlar ile ilişkili değildir, kim onay için veri ayıklama ile ilgili istenmelidir belirlemek daha zor olabilir (özellikle unmoderated forumlarda, nerede kurtarma insanlar çevrimiçi eş desteği isteyin). Etik araştırmaların genel ilkeleri geçerli olsa da, araştırmacılar çevrimiçi verilerin çıkarılması ve analizinin katılımcılar için önemli riskler oluşturmadığından emin olmak için bir vaka-by-case yaklaşımı benimsemeleri gerekir (örn. Gizlilik ödün).

Disclosures

The authors have nothing to disclose.

Acknowledgements

Biz müşterileri ve Jobs, arkadaşlar ve evler, INGILTERE, kim desteklenen ve araştırma katılmak için kabul personel minnettar.

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