Nuestro protocolo proporciona una manera completa, discreta y precisa de describir cómo las personas pueden interactuar con las comunidades en línea mientras se están recuperando de la adicción a las drogas y el alcohol. Esta técnica va más allá del enfoque autoinformado que se ha utilizado en estudios anteriores, lo que nos permite medir marcadores más implícitos de recuperación. Antes de iniciar la extracción, cargue las funciones, conjuntos de datos o código compilado necesarios que permitan a los usuarios analizar, transformar o extraer datos en R y cargar la retención externa y los datos de usuario en R, como un marco de datos desde un archivo CSV.
Cuando se hayan cargado todos los paquetes, utilice la función get group de R Facebook para extraer datos de la página de redes sociales de la comunidad de interés y guardar los datos como un marco de datos. Usando la función get posts de R Facebook, junto con los IDs de publicación acabas de extraer, extrae los datos sobre los me gusta de las publicaciones realizados en la página. Usando la función get posts de R Facebook y los IDs de publicaciones extraídos, extraiga datos sobre los comentarios realizados en cada publicación y guarde estos datos como un marco de datos.
Usando los ID de comentarios, extraiga datos sobre los "me gusta" de comentarios realizados en cada publicación y guarde estos datos como un marco de datos. A continuación, combine las publicaciones, publique Me gusta, comentarios y comentarios como datos en un marco de datos y agregue un desglose mensual. Para calcular la actividad de redes sociales realizada y recibida por cada cliente, calcula el número de publicaciones, comentarios, me gusta de publicación y comentarios realizados por cada cliente, y el número de publicaciones, comentarios, me gusta de publicación y comentarios por cada cliente.
Unirse al marco de datos de la actividad de redes sociales realizada y recibida por cada cliente en el marco de datos de retención, y calcular la diferencia entre las publicaciones y comentarios con "me gusta" y sin "me gusta", y la diferencia entre las publicaciones con comentarios y sin comentarios. Unir los datos de diferencias me gusta a los datos de retención y los comentarios diferencian los datos a los datos de retención. Calcula todos los likes realizados por cada cliente, y todos los likes recibidos por cada cliente.
A continuación, identifique qué usuarios no participaron en el grupo de redes sociales. Para realizar un análisis de redes sociales, cree una lista de relaciones dentro de la red social, basada en publicaciones y comentarios de me gusta y comentar publicaciones mirando dos columnas dentro del conjunto de datos. La primera columna contiene el ID anónimo de la persona que realiza la publicación, mientras que la segunda columna contiene el ID anónimo de la persona que le gusta o comenta la publicación.
A continuación, cree una lista de vértices de todas las personas del grupo convirtiendo las dos columnas de la lista de relaciones en una columna y eliminando los identificadores anónimos duplicados, de modo que solo quede el identificador anónimo único. Usando el marco de datos del gráfico y obtenga funciones de adyacencia en el paquete igraph, cree objetos de matriz de gráficos y gráficos a partir de las listas de bordes y vértices. A continuación, utilice las funciones de grado y entrección del paquete igraph, para obtener las estadísticas de grado de red y de entrección del grupo en línea.
Para realizar un análisis linguístico informatizado en el software Linguistic Inquiry Word Count, exporte los datos de redes sociales textuales y publique la columna de ID de comentario en archivos CSV. Importe los archivos CSV de los datos de redes sociales textuales en el software Linguistic Inquiry Word Count o LIWC, haciendo clic en analizar texto, archivo CSV de Excel y la columna que contiene las publicaciones y comentarios para seleccionar el texto que se va a analizar. Después de que LIWC haya completado el análisis de los datos textuales, guarde la salida como un nuevo archivo CSV.
Importe el archivo CSV de resultados LIWC en R y combine los resultados con los datos existentes. Los datos coincidirán con la columna de ID de comentario posterior, que existe tanto en LIWC como en los marcos de datos existentes. Calcule las puntuaciones totales de LIWC para cada usuario en publicaciones y comentarios, y una estas puntuaciones a los datos de retención.
Calcule las puntuaciones TOTALES de LIWC para cada usuario en todos los datos combinados de publicaciones textuales y comentarios, y una estas puntuaciones a los datos de retención. A continuación, quite cualquier análisis de red del marco de datos de retención. Para determinar si los indicadores de interacción con la comunidad en línea predicen la retención en el programa de recuperación sin conexión, utilice la función de mensajería instantánea en la base R para realizar un análisis de regresión lineal de los datos de retención como la variable dependiente y las categorías LIWC, comentarios, me gusta de publicación y comentarios como variables independientes.
A continuación, combine los resultados del análisis de regresión en un marco de datos. Para crear un mapa de análisis de redes sociales mensual, prepare marcos de datos para mapas de análisis de redes sociales y cree una lista de bordes basada en la actividad de redes sociales acumulativa mensual. Cree una lista de vértices basada en la actividad de redes sociales acumulativa mensual y cree gráficos y matrices de gráficos basadas en la actividad de redes sociales acumulativa mensual.
Establezca el diseño de los mapas de análisis de redes sociales en función de la actividad acumulativa de redes sociales y agregue colores basados en los roles de usuario. A continuación, cree mapas de análisis de redes sociales y guarde los mapas en un archivo. Para calcular la actividad mensual acumulada de redes sociales del grupo de redes sociales, calcule la actividad acumulada mensual de redes sociales por parte del personal, los clientes y otros miembros del grupo de redes sociales.
A continuación, calcule la actividad acumulada mensual de redes sociales por parte de todos los miembros del grupo de redes sociales y únase a los marcos de datos de actividad de redes sociales acumulativas mensuales. Aquí, se muestra una representación visual de la red social y su evolución a lo largo de un período de ocho meses en forma de conexiones entre todos los participantes en la comunidad online. El número de conexiones que tiene un agente en la red determina cuán centrales serán en la red social.
Estos resultados representativos apoyan el argumento de que las interacciones sociales positivas en general entre los miembros de una comunidad de recuperación en línea apoyan el proceso de recuperación. Los niveles de compromiso de los participantes con la comunidad en línea se miden calculando las contribuciones de todos los participantes en la comunidad en línea como el número de publicaciones, comentarios y "me gusta" realizados por el personal, los clientes y los miembros más amplios de la comunidad. Como muestran los resultados, en este análisis, los niveles de interacción en línea y validación en grupo, como se refleja en el número de "me gusta" recibidos para publicaciones y comentarios, predicen la retención del programa.
La retención del programa también se predice mediante marcadores de identificación, tal como se capturan mediante el uso del pronombre que en las publicaciones, y por las palabras de logro tanto en publicaciones como en comentarios. Por último, donde los participantes se encuentran dentro de la red social también representa un aspecto importante de la retención. Al usar este enfoque, debemos recordar que esta es sólo una manera de capturar procesos psicológicos en comunidades en línea.
Idealmente, también se debe tener acceso a otros orígenes de datos. Este método se puede adaptar para investigar las interacciones sociales en línea en otros tipos de comunidades en línea, incluidos foros en línea, grupos de discusión, salas de chat, etc.
