Summary

Het integreren van computergestuurde linguïstische en sociale netwerk analyses om verslavings herstel kapitaal in een online gemeenschap te vangen

Published: May 31, 2019
doi:

Summary

Het artikel beschrijft een nieuwe aanpak voor het analyseren van dynamische online sociale interacties (in een online context) geïllustreerd door een studie van een online gemeenschap van herstel van alcohol en drugsverslaving.

Abstract

Het artikel beschrijft een nieuwe methodologie die is ontworpen met het doel om een uitgebreide, onopvallende en accurate manier te vinden om de ontwikkeling van sociale herstel kapitaal in online gemeenschappen van herstel van alcohol en drugs (AOD) verslaving te vangen. Het herstel kapitaal werd geconceptualiseerd als zowel de betrokkenheid bij de online Recovery Community als de identificatie bij de community. Om de ontwikkeling van herstel kapitaal te meten, werden natuurlijk voorkomende gegevens geëxtraheerd uit de sociale media-pagina van een specifiek herstel programma, waarbij de pagina wordt ingesteld als een bron voor een face-to-face herstel programma. Als u de betrokkenheid bij de online community wilt toewijzen, is de sociale netwerk analyse (SNA) die online sociale interactie vastlegt, uitgevoerd. Sociale interactie werd gemeten door de verbanden tussen de online bijdragers/leden van de online gemeenschap zoals vertegenwoordigd door programma cliënten, personeel en supporters uit de bredere gemeenschap. Om markers van sociale identificatie vast te leggen bij de online community, is geautomatiseerde taalkundige analyse van de tekstuele gegevens (inhoud van berichten en commentaren) uitgevoerd. Het op deze manier vastgelegde herstel kapitaal werd geanalyseerd op basis van retentie gegevens (een proxy-uitkomst indicator), als dagen doorgebracht in het (face-to-face) herstel programma. De online gegevens geëxtraheerd werd gekoppeld aan de deelnemersgegevens met betrekking tot het behoud van het programma om te testen voorspelling van een sleutelherstel uitkomst. Deze aanpak liet de rol van online ondersteunings gemeenschappen onderzoeken en beoordeling van de associatie tussen herstel kapitaal (ontwikkeld via de online gemeenschap van herstel) en herstel resultaten.

Introduction

De gepresenteerde methode is ontworpen om alcohol en andere drugs (AOD) verslaving herstel kapitaal in online contexten vast te leggen. Op het gebied van verslaving is herstel kapitaal gedefinieerd als “de som van de middelen die kunnen worden uitgeoefend op de initiatie en het onderhoud van de stof misbruik stopzetting”1. Het herstel kapitaal is voornamelijk gemeten via zelf rapportages2,3 in face-to-face contexten. Deze aanpak biedt een alternatieve methode voor het meten van herstel kapitaal in online contexten door het vastleggen van de kwaliteit en kwantiteit van online interacties in online gemeenschappen van herstel.

Gezien de gestage toename van het gebruik van online middelen in de vorm van peer-support in een reeks van gezondheidsgerelateerde kwesties4,5, is het noodzakelijk om nieuwe methoden te ontwikkelen om de kwaliteit van deze middelen vast te leggen. Online peer support vindt plaats in de vorm van sociale interacties in online forums en communities. Ondersteunende sociale interacties in deze online contexten dragen bij aan de opbouw van herstel kapitaal, wat op zijn beurt een positief effect heeft op het herstelproces6,7. De voorgestelde methode biedt een aantal voordelen ten opzichte van alternatieve methoden. Ten eerste, het overkomt een aantal van de beperkingen met betrekking tot het gebruik van zelf rapport maatregelen in verslavings onderzoek, met name rond terugroepen en zelf-presentationele biases. Hoewel zelf-rapport maatregelen worden geacht een redelijke mate van betrouwbaarheid en geldigheid te hebben, zijn ze vatbaar voor vooroordelen en onnauwkeurigheden. Om de nauwkeurigheid te verbeteren en bias te minimaliseren, is erkend dat er behoefte is aan het verhogen van het gebruik van nieuwe maatregelen en het verzamelen van gegevens situaties die zijn ontworpen om deze problemen te voorkomen of te minimaliseren8. Door de toegang tot gegevens die van nature voorkomen in contexten waar mensen in verschillende stadia van herstel spontaan interageren, en door gebruik te maken van analysemethoden die zinvolle informatie uit deze gegevens kunnen extraheren (in staat om indicatoren van psychologische toestanden vast te leggen), vooroordelen als gevolg van sociale wenselijkheid (zelf-presentationele) en onnauwkeurigheden als gevolg van beperkingen in terugroepen kunnen worden verminderd of zelfs geëlimineerd. Ten tweede, deze methode is zeer efficiënt en kosteneffectief, omdat het berust op de winning van reeds bestaande online gegevens (dat wil zeggen, in open online forums die openbaar toegankelijk zijn).

Hierna beschreven is de methode die werd toegepast op een studie van het opbouwen van herstel kapitaal in een online gemeenschap die is opgericht om een traditioneel, face-to-face verslavings herstel programma aan te vullen voor verslaafden in vroege herstel stadia. In dit geval werden online (Social Media) gegevens gekoppeld aan de Bewaar gegevens van het programma, maar de methode kan ook worden gebruikt in gevallen waarin koppelingsgegevens niet beschikbaar of toegankelijk zijn.

Protocol

Het hier beschreven onderzoek werd goedgekeurd door de Research Ethics Community op de Sheffield Hallam University. 1. instellen Opmerking: Raadpleeg het bijgevoegde R-script als aanvullend bestand 1. Vereiste pakketten laden (Rfacebook9, dplyr10, igraph11en openxlsx12) in R. packages verwijzen naar functies, gegevenssets of gecompileerde code waarmee gebruikersgegevens kunnen analyseren, transformeren of extraheren. Load (externe) retentie en gebruikersgegevens in R als een gegevensframe uit een CSV-bestand.Opmerking: Bewaar gegevens hebben betrekking op het aantal dagen dat een klant deelneemt aan het offline (traditionele) verslavings herstel programma. Het werd verstrekt door de beheerder van het (offline) herstel programma zoals opgenomen in een CSV-bestand met de naam van de deelnemer en het aantal dagen dat ze betrokken zijn geweest bij het programma. De naam van de deelnemer is vervangen door het anonieme ID-nummer voordat het in R wordt geïmporteerd. 2. extractie van gegevens uit de online gemeenschap (de sociale pagina van een verslavings herstel Gemeenschap) Opmerking: dit protocol is van toepassing op een Social Media-pagina, maar kan worden aangepast aan verschillende soorten online communities. In het geval van het Rfacebook-pakket kan de gebruiker gegevens uit de sociale media-pagina extraheren in R. Maak een toegangstoken voor sociale media (Facebook) door de gids te volgen op de website13waarnaar wordt verwezen. Toegangstoken maken in R. Met behulp van de “getGroup” functie van Rfacebook, extraheren gegevens van de Social Media pagina van de community van belang (bijvoorbeeld, inhoud van de post, aantal opmerkingen en likes voor elke post, een uniek ID-nummer voor elke post, enz.). Deze gegevens worden vervolgens opgeslagen als een gegevensframe.Opmerking: een gegevensframe is in feite een tabel binnen R die wordt gebruikt om gegevens op te slaan. Met behulp van de “getPosts” functie van Rfacebook, samen met de post-Id’s geëxtraheerd in stap 2,3, extraheren gegevens over berichten likes gemaakt op de pagina. Met behulp van de “getPosts” functie van Rfacebook, samen met de post-Id’s geëxtraheerd in stap 2,3, extraheren gegevens over de opmerkingen gemaakt op elk bericht (bijvoorbeeld, gebruikers-Id’s van mensen die commentaar geven op het bericht, wanneer de opmerking is gemaakt, hoeveel houdt van de post ontvangen). Deze gegevens worden vervolgens opgeslagen als een gegevensframe. Gebruik de commentaar-Id’s die zijn geëxtraheerd in stap 2,5 en extraheer gegevens op de ‘ commentaar likes ‘ die op elk bericht zijn gemaakt (bijvoorbeeld gebruikersnamen van mensen die de opmerking leuk vinden). Deze gegevens worden vervolgens opgeslagen als een gegevensframe. Combineer de berichten, vind likes, opmerkingen en opmerkingen houdt van gegevens in één gegevensframe. Voeg een maandelijkse specificatie toe (d.w.z. maand 1 tot 8). 3. berekening van de sociale media activiteit gemaakt en ontvangen door elke cliënt Bereken het aantal posts, reacties, post likes en commentaar likes gemaakt door elke klant. Bereken het aantal posts, reacties, post likes en commentaar likes ontvangen door elke klant. Deelnemen aan het gegevensframe van sociale media-activiteit gemaakt en ontvangen door elke client naar de retentie gegevensframe. Bereken het verschil tussen berichten en reacties met likes en geen likes. Bereken het verschil tussen berichten met opmerkingen en geen opmerkingen. Neem deel aan de likes-verschil gegevens voor de retentie gegevens. Deelnemen aan de opmerkingen verschil gegevens naar de retentie gegevens. Bereken alle likes gemaakt door elke klant. Bereken alle likes die elke klant ontvangt. Bepaal welke gebruikers niet hebben deelnemen aan de sociale mediagroep (d.w.z. geen activiteit). 4. het uitvoeren van sociale netwerk analyse Maak een rand lijst. Een rand lijst is een lijst van relaties binnen het sociale netwerk, die in dit geval is gebaseerd op 1) het leuk vinden van berichten en opmerkingen en 2) commentaar op berichten. Dit wordt gedaan door te kijken naar twee kolommen in de gegevensset. De eerste kolom bevat de anonieme ID van de persoon die het bericht maakt, terwijl het tweede de anonieme ID bevat van de persoon die het bericht leuk vindt of een opmerking plaatst. Maak een lijst met hoekpunten. Een hoekpunt lijst is een lijst met alle personen in de groep. Dit wordt gedaan door de twee kolommen in de lijst met relaties om te zetten in één kolom en dubbele anonieme Id’s te verwijderen, zodat alleen de unieke anonieme ID overblijft. Met behulp van de functies “Graph. data. frame” en “Get. aangrenzing” in het igraph-pakket maakt u grafiek-en Graph-Matrix objecten van de lijsten rand en hoekpunt. Gebruik de functies “degree” en “betweenness” uit het igraph-pakket om de netwerkstatistieken (mate en betweenness) van de online groep te verkrijgen. 5. het uitvoeren van computergestuurde taalkundige analyse in LIWC Exporteer tekstuele sociale mediagegevens (d.w.z. berichten en commentaren) en post/comment ID kolom in CSV-bestanden. Importeer de CSV-bestanden van tekstuele sociale mediagegevens in de taalkundig onderzoek woordtelling (LIWC) software. Genereer LIWC-categorieën en sla deze op in nieuwe CSV-bestanden. Doe dit door te klikken op “Analyseer tekst”, vervolgens op “Excel/CSV-bestand” en te klikken op de kolom met de berichten en opmerkingen om de tekst te selecteren die moet worden geanalyseerd. Nadat LIWC het analyseren van de tekstuele gegevens heeft voltooid, slaat u de uitvoer op als een nieuw CSV-bestand. Importeer het CSV-bestand met LIWC-resultaten in R en voeg deze samen met bestaande gegevens. De gegevens worden vergeleken met de post/commentaar-ID-kolom, die in zowel LIWC als bestaande gegevensframes bestaat. Bereken de totale LIWC-scores voor elke gebruiker in berichten en reacties en voeg vervolgens toe aan de retentie gegevens. Bereken de totale LIWC-scores voor elke gebruiker in alle tekstuele gegevens (combinatie van berichten en opmerkingen) en voeg vervolgens toe aan de Bewaar gegevens. Verwijder NAs uit het gegevensframe retentie gegevens. 6. het uitvoeren van regressie-analyse (om te bepalen of indicatoren van de betrokkenheid bij de online gemeenschap te voorspellen retentie in het offline herstel programma) Definieer de onafhankelijke variabelen. Met behulp van de functie “lm” in base R, lineaire regressieanalyse met behulp van de retentie gegevens als de afhankelijke variabele uitvoeren en LIWC categorieën, opmerkingen, post likes, en commentaar likes als onafhankelijke variabelen. Combineer regressieanalyse resultaten in één gegevensframe. 7. het maken van maandelijkse SNA Maps Gegevensframes voorbereiden voor SNA-toewijzingen. Maak een rand lijst op basis van maandelijkse cumulatieve sociale media-activiteiten. Maak een vertex lijst op basis van maandelijkse cumulatieve sociale media-activiteiten. Maak grafieken en grafiek matrices op basis van maandelijkse cumulatieve sociale media-activiteiten. Stel de indeling van SNA Maps in op basis van de cumulatieve sociale-media activiteit. Voeg kleuren toe op basis van gebruikersrollen. Maak SNA-kaarten en sla deze op in een bestand. 8. berekening van de maandelijkse cumulatieve sociale media-activiteit van de sociale mediagroep Bereken de maandelijkse cumulatieve sociale media-activiteit door medewerkers, klanten en andere leden van de sociale mediagroep. Bereken maandelijkse cumulatieve sociale media-activiteiten door alle leden van de sociale mediagroep. Doe mee aan de maandelijkse cumulatieve gegevensframes voor sociale media-activiteit.

Representative Results

Een gedetailleerde beschrijving van de representatieve resultaten die met deze methode zijn verkregen, vindt u in ons recente werk14, dat is beoordeeld en volledig is goedgekeurd door de ethische Commissie onderzoek van de instelling waar het onderzoek werd uitgevoerd. In het hier beschreven rapport heeft de studie onderzocht of online participatie in een Gemeenschap van herstel bijdraagt aan het herstelproces via Recovery Capital Building (zoals vastgelegd door verhoogde niveaus en kwaliteit van online sociale interacties en ontwikkeling van positieve identiteiten). Met andere woorden, de studie heeft onderzocht of de indicatoren van het online-herstel kapitaal in de acht maanden van online gegevens zijn beoordeeld en ook de voorspelling van het behoud in een herstel programma voor de bevordering van de betrokkenheid van de Gemeenschap bij verslaafden in de vroege stadia van Herstel. Als u wilt toewijzen hoe deelnemers online interactie hebben gehad, is de analyse van sociale netwerken (SNA) uitgevoerd met gegevens die zijn geëxtraheerd uit de pagina sociale media (n = 609) van een herstel Gemeenschap. Een visuele representatie van het sociale netwerk en de evolutie ervan wordt weergegeven in Figuur 1. De afbeelding illustreert de activiteit in de online gemeenschap die elke maand wordt waargenomen gedurende een periode van 8 maanden in de vorm van verbindingen tussen alle deelnemers aan de online community (d.w.z. commentaar op berichten, het leuk vinden van berichten en het leuk om opmerkingen te vinden). Het aantal verbindingen dat een ‘ agent ‘ in het netwerk heeft, bepaalt hoe centraal ze in het sociale netwerk zullen zijn. Computergestuurde taalkundige analyse werd gebruikt om de tekstuele gegevens te beoordelen (het vastleggen van sociale identiteits markeringen) en de lineaire regressieanalyse werd uitgevoerd om te bepalen of de indicatoren van Recovery Capital voorspelde programma retentie. Deze analyses gaven aan dat het behoud van het programma inderdaad werd voorspeld door: (a) niveaus van groepsvalidatie ontvangen in de vorm van commentaar likes en alle likes ontvangen op de sociale media-pagina, (b) positie in het sociale netwerk (netwerk centraliteit), en (c) groep identiteit en prestatie (zoals vastgelegd in de taalkundige inhoud van online communicatie). De resultaten steunden het argument dat in het algemeen positieve sociale interacties tussen leden van een online herstel Gemeenschap het herstelproces ondersteunen. Een samenvatting van deze bevindingen wordt hieronder weergegeven. Figuur 1: maandelijkse representaties van het sociale netwerk van de online gemeenschap over 8 maanden suggereren veranderingen in het patroon van sociale interacties tussen de deelnemers. Deze representaties illustreren hoe de meeste leden van de klant in de online community (klanten van het offline herstel programma) bij het begin meestal worden losgekoppeld en het is het programma personeel en slechts een klein aantal klanten die de online activiteit stimuleren. Echter, dit verandert geleidelijk, zodat na 8 maanden, de klanten zijn degenen die het meest verbonden (dus de meest centrale), met het grootste aantal verbindingen in het netwerk (figuur is aangepast uit een eerdere publicatie)14. Klik hier om een grotere versie van dit cijfer te bekijken. Beschrijvende statistieken De mate van betrokkenheid van deelnemers bij de online community werd gemeten door de bijdragen van alle deelnemers aan de online community te berekenen als het aantal berichten, opmerkingen en likes van medewerkers, klanten en bredere communityleden. Tabel 1 geeft een uitsplitsing per type bijdrage (zoals gemaakt door elke categorie deelnemers) over 8 maanden. Groepsleden Type online bijdrage Maand 1 Maand 2 Maand 3 Maand 4 Maand 5 Maand 6 Maand 7 Maand 8 Alle Berichten en opmerkingen 382 388 (770) 579 (1349) 369 (1718) 530 (2248) 581 (2829) 796 (3625) 674 (4299) Post likes gegeven 1167 878 (2045) 1856 (3901) 1440 (5341) 1880 (7221) 1756 (8977) 2667 (11644) 1857 (13501) Commentaar likes gegeven 784 970 (1604) 825 (2429) 171 (2600) 634 (3234) 970 (4204) 825 (5029) 171 (5200) Personeel Berichten en opmerkingen 129 106 (235) 170 (405) 96 (501) 185 (686) 176 (862) 227 (1089) 316 (1405) Post likes gegeven 188 147 (335) 302 (637) 209 (846) 385 (1231) 372 (1603) 567 (2170) 511 (2681) Commentaar likes gegeven 168 303 (471) 237 (708) 69 (777) 168 (945) 303 (1248) 237 (1485) 69 (1554) Clients Berichten en opmerkingen 145 155 (300) 214 (514) 132 (646) 208 (854) 286 (1140) 419 (1559) 253 (1812) Post likes gegeven 365 252 (617) 415 (1032) 303 (1335) 549 (1884) 529 (2413) 898 (3311) 576 (3887) Commentaar likes gegeven 143 318 (461) 235 (696) 33 (729) 143 (872) 318 (1190) 235 (1425) 33 (1458) Anderen Berichten en opmerkingen 108 127 (235) 195 (430) 141 (571) 137 (708) 119 (827) 150 (977) 105 (1082) Post likes gegeven 614 479 (1093) 1139 (2232) 928 (3160) 946 (4106) 855 (4961) 1202 (6163) 770 (6933) Commentaar likes gegeven 473 349 (672) 353 (1025) 69 (1094) 323 (1417) 349 (1766) 353 (2119) 69 (2188) Tabel 1: getoond is het aantal online bijdragen per type (post en commentaren gemaakt, likes gegeven aan berichten, en likes gegeven aan opmerkingen) door leden van de online gemeenschap over de 8 maanden. De leden van de online community zijn geclassificeerd als personeel (ondersteunend personeel in dienst van het offline herstel programma), klanten (mensen die deelnemen aan het offline herstel programma), en anderen (supporters en Pro-Recovery pleitbezorgers van de bredere gemeenschap). Determinanten van retentie in het programma De volgende hypotheses werden getest: (1) het behoud van het programma moet worden geassocieerd met indicatoren van herstel kapitaal ontwikkeling (d.w.z., weerspiegeld in de kwantiteit en kwaliteit van online interactie), en (2) de programma retentie moet ook worden geassocieerd met indicatoren van identiteits verandering, (d.w.z. indicatoren van positieve herstel identiteit ontwikkeling). De hoeveelheid van online interactie werd aangegeven door de a) aantal gemaakte Posts, b) aantal gemaakte opmerkingen, c) aantal ontvangen bericht likes, d) aantal ontvangen opmerkingen, en e) aantal ontvangen likes. Om de kwaliteit van online interactie te bepalen, zijn de netwerkstructuur en de taal inhoud geanalyseerd. Meer in het bijzonder werden de graad-en betweenheid coëfficiënten afgeleid van sociale netwerk analyse (SNA) en taalkundige indicatoren van positieve invloed afgeleid van computergestuurde taalkundige analyse gebruikt. Als indicatoren van positieve identiteits verandering (als identificatie bij de herstel Gemeenschap) werden de gebruiksfrequentie van het voornaamwoord “wij” en prestatie woorden (bijv. proberen, doel, winnen, enz.) gebruikt. Ten slotte werd de afhankelijke variabele (retentie in het programma) aangegeven door het totale aantal dagen dat in het programma is doorgebracht (variërend van 86 tot 464 dagen hier). Zoals blijkt uit de resultaten, niveaus van online interactie en validatie in de groep (zoals weergegeven door het aantal likes ontvangen voor berichten en opmerkingen) voorspelde programma retentie (tabel 2). Het behoud van het programma werd ook voorspeld door identificatiemarkeringen (zoals vastgelegd door het gebruik van het voornaamwoord “we” in berichten en van prestatie woorden in zowel berichten als commentaren). Tot slot, waar de deelnemers zich binnen het sociale netwerk bevinden (d.w.z. de mate van centraliteit) vertegenwoordigt ook een belangrijk aspect van retentie (tabel 2). Variabele B Se Β R2 Commentaar likes ontvangen 0,43 0,18 .47* 0,22 Likes ontvangen (alle) 0,08 0,03 .43* 0,18 Commentaar-achtig verschil 1,09 0,5 .43* 0,19 Netwerk graad 0,01 0 .43* 0,18 LIWC we (post) 3,89 1,76 .43* 0,19 LIWC-prestatie (post) 0,56 0,26 .43* 0,18 LIWC-prestatie (alle) 0,14 0,07 .42* 0,17 Tabel 2: retentietijd zoals voorspeld door online engagement, netwerkstatistieken en taalkundige categorieën.

Discussion

De hier beschreven aanpak is gebaseerd op een nieuwe methode om te meten hoe online groepsprocessen de retentie in een verslavings herstel programma kunnen beïnvloeden. Het toepassen van deze methode op een online gemeenschap van herstel van verslaving, bleek dat er vier belangrijke aspecten voorspelde programma retentie: zeer betrokken zijn bij de online gemeenschap, centraal in het online sociale netwerk, positieve invloed uitgedrukt in communicatie met andere leden van de online gemeenschap, en het ontvangen van validatie van anderen voor bijdragen aan het netwerk14. De bevindingen die met deze methode worden verkregen, ondersteunen bestaande theoretische modellen van herstel. Twee belangrijke modellen in de terugwinnings literatuur, het sociale Identiteitsmodel van Recovery15 en het sociale identiteitsmodel van stopzetting16, benadrukken allebei het belang van actieve participatie in groepen die steun Herstel. Beide modellen suggereren dat een verhoogde identificatie en toewijding aan dergelijke groepen bijdragen aan een lager toekomstig contact met behulp van groepen en daaruit voortvloeiende terugval.

Zoals geïllustreerd in ons onderzoek, de methode stond ons toe om trajecten van herstel of verandering van individuele leden van de online community14in kaart te laten komen. Visualisaties van de online sociale netwerken en hun evolutie in de loop van de tijd kunnen waardevolle informatie verschaffen over de verplaatsing van leden van de online gemeenschap van de periferie tot het midden van het netwerk en omgekeerd (deze bewegingen in het netwerk geven aan wijzigingen in de mate van betrokkenheid bij de online community). In een 2017 studie14werden interviews met leden van de online gemeenschap die de belangrijkste veranderingen in termen van beweging van de periferie naar het centrum van de netwerken ondergingen, uitgevoerd als een manier om onze bevindingen te trianguleren op basis van SNA, computergestuurde taalkundige analyse en regressie tegen retentie gegevens. Toekomstige studies kunnen in plaats daarvan gericht zijn op de leden die zich ontgaan bij de online gemeenschap, op degenen die nooit betrokken raken, of op meer directe maatregelen van uitkomst zoals het gebruik van stoffen en recidive. Deze methodologie kan verder worden verfijnd voor gebruik in interventieprogramma’s, bijvoorbeeld voor het beoordelen van de rol van moderators in Helpforums.

Er zijn momenteel geen studies die bewijs leveren over de voordelen van de hier beschreven methode bij gebruik op zichzelf (de beschreven methode werd gebruikt in combinatie met retentie gegevens en betrianguleerd met kwalitatieve gegevens van interviews met belangrijke online gemeenschap leden14), maar deze aanpak kan accurate en bias-free gegevens bieden die kunnen worden aangevuld met zelfrapportage en andere maatregelen in studies naar verslavings herstel.

Deze methode werd toegepast om online sociale interacties te onderzoeken in de context van een Social Media-pagina die is opgericht als een aanvullende vorm van ondersteuning voor een standaard, face-to-face herstel programma. Met kleine wijzigingen kan de methode echter worden gebruikt om online sociale interacties te onderzoeken in andere soorten online community’s (online forums, discussiegroepen, chat rooms, commentaar websites, enz.). Een van de belangrijkste voordelen van deze methode is dat het kan worden aangepast en toegepast op contexten buiten gemeenschappen van verslaving herstel aan elke online gemeenschap. In ons eigen onderzoek naar politieke psychologie gebruiken we bijvoorbeeld een soortgelijke methode (ontwikkeld volgens de hier beschreven methode) om de kwaliteit van online interacties en veranderingen in deze interacties tussen leden van rechts-online communities vast te leggen. In feite kan de methode worden toegepast op elke online gemeenschap waarin gegevens in de vorm van verbindingen tussen leden (als sociale netwerkkoppelingen) en taalkundige inhoud kunnen worden geëxtraheerd.

Echter, bij de toegang tot en het werken met online gegevens, onderzoekers moeten zich bewust zijn van ethische kwesties, sommige die van toepassing zijn op zelfrapportage en andere soorten gegevens in het algemeen en sommige die alleen in een online omgeving worden aangetroffen. In het hier beschreven onderzoek (dat werd goedgekeurd door de Gemeenschap voor onderzoek ethiek op de Universiteit van Sheffield Hallam), werd toestemming verkregen van de organisatie die het herstel programma beheerde, en werden strikte maatregelen genomen om volledige anonimiteit van deelnemers op de Open Social Media-pagina (bijv. na online en retentie gegevens, alle identificerende informatie werd verwijderd uit de bestanden en ook geen potentieel zelf identificerende citaten werden gebruikt uit de openbaar toegankelijke online communicatie).

Nauwe communicatie met de organisatie zorgde er ook voor dat de deelnemers aan het programma op de hoogte waren van de studie en onderzoeksresultaten, en een van de onderzoekers ontmoette regelmatig met de groep om de studie en de resultaten uit te leggen. In andere gevallen, echter, wanneer online communities niet zijn gekoppeld aan specifieke offline Programma’s, kan het moeilijker zijn om te bepalen wie moet worden gevraagd om toestemming met betrekking tot gegevensextractie (van toepassing vooral in niet-gemodereerde forums, waar mensen in herstel Online peer support zoeken). Hoewel de algemene beginselen van ethisch onderzoek van toepassing zullen zijn, moeten onderzoekers een case-by-case benadering hanteren om ervoor te zorgen dat de extractie en analyse van online gegevens geen significante Risico’s voor de deelnemers inhouden (bijvoorbeeld door afbreuk te doen aan de privacy).

Disclosures

The authors have nothing to disclose.

Acknowledgements

We zijn de klanten en het personeel van Jobs, vrienden en huizen, Verenigd Koninkrijk, dankbaar dat ze hebben gesteund en afgesproken deel te nemen aan ons onderzoek.

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