Integracja skomputeryzowanych analiz językowych i sieci społecznościowych w celu uchwycenia kapitału na wychodzenie z uzależnień w społeczności internetowej

Nasz protokół zapewnia kompleksowy, dyskretny i dokładny sposób opisania, w jaki sposób ludzie mogą angażować się w społeczności internetowe podczas powrotu do zdrowia po uzależnieniu od narkotyków i alkoholu. Technika ta wykracza poza podejście zgłaszane przez samych pacjentów, które było stosowane w poprzednich badaniach, pozwalając nam zmierzyć bardziej niejawne markery powrotu do zdrowia. Przed rozpoczęciem wyodrębniania załaduj wymagane funkcje, zestawy danych lub skompilowany kod, który umożliwia użytkownikom analizowanie, przekształcanie lub wyodrębnianie danych w języku R, a następnie załaduj przechowywanie zewnętrzne i dane użytkownika do języka R jako ramkę danych z pliku CSV.

Po załadowaniu wszystkich pakietów użyj funkcji pobierania grupy z języka R Facebook, aby wyodrębnić dane ze strony mediów społecznościowych interesującej społeczności i zapisać dane jako ramkę danych. Korzystając z funkcji pobierania postów z R Facebook, wraz z właśnie wyodrębnionymi identyfikatorami postów, wyodrębnij dane o polubieniach postów utworzonych na stronie. Korzystając z funkcji pobierania postów z języka R Facebook i wyodrębnionych identyfikatorów postów, wyodrębnij dane dotyczące komentarzy do każdego posta i zapisz te dane jako ramkę danych.

Korzystając z identyfikatorów komentarzy, wyodrębnij dane dotyczące polubień komentarzy do każdego posta i zapisz te dane jako ramkę danych. Następnie połącz posty, polubienia postów, komentarze i dane o polubieniach komentarzy w jedną ramkę danych i dodaj podział miesięczny. Aby obliczyć aktywność w mediach społecznościowych wykonaną i otrzymaną przez każdego klienta, oblicz liczbę postów, komentarzy, polubień postów i polubień komentarzy dokonanych przez każdego klienta oraz liczbę postów, komentarzy, polubień postów i polubień komentarzy otrzymanych przez każdego klienta.

Połącz ramkę danych aktywności w mediach społecznościowych wykonanych i otrzymanych przez każdego klienta z ramką danych przechowywania i oblicz różnicę między postami i komentarzami z polubieniami i brakiem polubień oraz różnicę między postami z komentarzami i bez komentarzy. Połącz dane o różnicach w polubieniach z danymi o przechowywaniu, a dane o różnicach w komentarzach z danymi o przechowywaniu. Oblicz wszystkie polubienia wykonane przez każdego klienta i wszystkie polubienia otrzymane przez każdego klienta.

Następnie określ, którzy użytkownicy nie uczestniczyli w grupie w mediach społecznościowych. Aby przeprowadzić analizę sieci społecznościowej, utwórz listę relacji brzegowych w sieci społecznościowej na podstawie polubień postów i komentarzy oraz komentowania postów, patrząc na dwie kolumny w zestawie danych. Pierwsza kolumna zawiera anonimowy identyfikator osoby tworzącej post, natomiast druga kolumna zawiera anonimowy identyfikator osoby polubionej lub komentującej post.

Następnie utwórz listę wierzchołków wszystkich osób w grupie, konwertując dwie kolumny na liście relacji na jedną kolumnę i usuwając wszelkie zduplikowane anonimowe identyfikatory, tak aby pozostał tylko unikatowy anonimowy identyfikator. Korzystając z ramki danych grafu i funkcji sąsiedztwa w pakiecie igraph, utwórz obiekty grafu i macierzy grafów na podstawie list krawędzi i wierzchołków. Następnie użyj funkcji stopnia i międzywęzła z pakietu igraph, aby uzyskać statystyki stopnia sieci i międzyści grupy online.

Aby przeprowadzić komputerową analizę lingwistyczną w oprogramowaniu Linguistic Inquiry Word Count, wyeksportuj tekstowe dane z mediów społecznościowych i kolumnę ID komentarza do plików CSV. Zaimportuj pliki CSV z tekstowymi danymi mediów społecznościowych do oprogramowania Linguistic Inquiry Word Count lub LIWC, klikając przycisk analizuj tekst, plik CSV programu Excel i kolumnę zawierającą posty i komentarze, aby wybrać tekst do analizy. Po zakończeniu analizy danych tekstowych przez LIWC zapisz dane wyjściowe jako nowy plik CSV.

Zaimportuj plik CSV z wynikami LIWC do języka R i scal wyniki z istniejącymi danymi. Dane zostaną dopasowane do kolumny identyfikatora komentarza do wpisu, która istnieje zarówno w LIWC, jak i w istniejących ramkach danych. Oblicz łączne wyniki LIWC dla każdego użytkownika w postach i komentarzach, a następnie połącz te wyniki z danymi dotyczącymi przechowywania.

Oblicz łączne wyniki LIWC dla każdego użytkownika we wszystkich połączonych danych postów tekstowych i komentarzy, a następnie połącz te wyniki z danymi dotyczącymi przechowywania. Następnie usuń wszystkie analizy sieci z ramki danych przechowywania. Aby określić, czy wskaźniki zaangażowania w społeczność online przewidują retencję w programie odzyskiwania offline, użyj funkcji IM w bazie R, aby przeprowadzić analizę regresji liniowej danych przechowywania jako zmiennej zależnej, a kategorii LIWC, komentarzy, polubień postów i polubień komentarzy jako zmiennych niezależnych.

Następnie połącz wyniki analizy regresji w jedną ramkę danych. Aby utworzyć miesięczną mapę analizy sieci społecznościowych, przygotuj ramki danych dla map analizy sieci społecznościowych i utwórz listę krawędzi na podstawie miesięcznej skumulowanej aktywności w mediach społecznościowych. Utwórz listę wierzchołków na podstawie miesięcznej skumulowanej aktywności w mediach społecznościowych oraz utwórz wykresy i macierze grafów na podstawie miesięcznej skumulowanej aktywności w mediach społecznościowych.

Ustaw układ map analizy sieci społecznościowych na podstawie skumulowanej aktywności w mediach społecznościowych i dodaj kolory na podstawie ról użytkowników. Następnie utwórz mapy analizy sieci społecznościowych i zapisz je do pliku. Aby obliczyć miesięczną skumulowaną aktywność grupy w mediach społecznościowych w mediach społecznościowych, oblicz miesięczną skumulowaną aktywność w mediach społecznościowych przez pracowników, klientów i innych członków grupy mediów społecznościowych.

Następnie oblicz miesięczną skumulowaną aktywność w mediach społecznościowych przez wszystkich członków grupy mediów społecznościowych i połącz ze sobą miesięczne ramki danych skumulowanej aktywności w mediach społecznościowych. Pokazano tu wizualną reprezentację sieci społecznościowej i jej ewolucję na przestrzeni ośmiu miesięcy w postaci połączeń między wszystkimi uczestnikami społeczności internetowej. Liczba połączeń posiadanych przez agenta w sieci określa, jak bardzo będzie on centralny w sieci społecznościowej.

Te reprezentatywne wyniki potwierdzają tezę, że ogólnie rzecz biorąc, pozytywne interakcje społeczne między członkami społeczności zdrowienia online wspierają proces zdrowienia. Poziom zaangażowania uczestników w społeczność internetową jest mierzony poprzez obliczanie wkładu wszystkich uczestników społeczności internetowej jako liczby postów, komentarzy i polubień zamieszczonych przez pracowników, klientów i szerszych członków społeczności. Jak pokazują wyniki, w tej analizie poziomy interakcji online i walidacji w grupie, odzwierciedlone liczbą polubień otrzymanych postów i komentarzy, przewidują retencję programu.

Retencja programu jest również przewidywana przez znaczniki identyfikacyjne, które są uchwycone przez użycie zaimka my w postach oraz przez słowa osiągnięć zarówno w postach, jak i komentarzach. Wreszcie, to, gdzie uczestnicy znajdują się w sieci społecznościowej, również stanowi ważny aspekt retencji. Korzystając z tego podejścia, musimy pamiętać, że jest to tylko jeden ze sposobów na uchwycenie procesów psychologicznych w społecznościach internetowych.

Najlepiej byłoby, gdyby korzystano również z innych źródeł danych. Metodę tę można dostosować do badania interakcji społecznościowych online w innych typach społeczności internetowych, w tym na forach internetowych, grupach dyskusyjnych, pokojach rozmów i tak dalej.