我们研究了一个大型在线乳腺癌支持社区中的支持对话，该社区具有各种交流平台，包括讨论板和聊天室。讨论板平台是互联网上最受欢迎和最活跃的乳腺癌在线支持社区之一。在我们进行研究时，它有超过90,000名注册会员和66个论坛，按疾病阶段(如转移性乳腺癌)、治疗(如激素治疗)、人口特征(如40-60岁的女性)和治疗方案(如乳房重建)等标准组织。在论坛上，成员们提出问题，分享故事，并阅读关于如何应对疾病的帖子。这个讨论板平台为研究在线支持社区的动态提供了丰富的环境。

我们收集了2001年10月至2011年1月在线支持社区讨论区的所有公开帖子。在此期间，这些论坛在68158个讨论线程中总共包含了1,562,459条消息。每个讨论线程的中位数长度为6条消息(平均值22.9，标准差280.5)。从第一条线程启动消息到最后一条线程的平均生命周期为2天(平均值29.3，标准差115.6)。总共有81.12%(55,291/68,158)线程启动消息在24小时内收到响应，而11.42%(7785/68,158)从未收到响应。

我们雇佣了亚马逊Mechanical Turk (MTurk)的工作人员来判断从1000个线程启动者的随机样本中有多少消息，以及他们的第一个回复中包含了每个结构 图1例如消极的信息自我表露或情感支持。MTurk是一个众包的在线市场。它允许请求者发布被称为“人类智能任务”(HITs)的工作，被称为“土耳其人”的工人可以选择执行这些工作。斯诺等[ 30.]的研究表明，MTurk上的少数(5到7之间)naïve评委的综合判断，导致对文本的评级与专家在以下维度上的评级非常相似，如所表达的情绪、所提到的事件的相对时间、单词相似度、单词意义消除歧义以及语言隐含或暗示。

我们创建了独立的任务来判断每个概念 图1．一组土耳其人评估了有多少帖子启动者包含了对发帖者生活中的事件或她的想法和感受的自我表露。另一组则对发起讨论的人提出问题的数量进行打分。第三组评估了有多少帖子发起者寻求情感或信息支持。最后，给第四组人看了第一条回复(有相应的回复作为参考)，并判断有多少人提供了信息和情感支持。土耳其人做出的9项判决的措辞列在 表1．土耳其人用7分制的李克特量表(1= 0;7=很多)。

10个土耳其人做出每个判断，用不同的子集对每条信息进行评级。我们通过平均打分来汇总员工对每条信息的回复。土耳其人判断提问的每条信息报酬为0.03美元，判断情绪自我表露、信息自我表露、感知支持需求和支持提供的每条信息报酬为0.05美元。为了鼓励员工认真对待数字评分任务，他们还在信息中突出显示了为他们的评分提供证据的单词和短语。为了进一步控制注释的质量，我们将员工库限制为土耳其人，他们表明了美国的位置，并且至少98%的工作被他们以前的土耳其雇主接受。

表2提供了土耳其人判断的7个构念之间的描述性统计和相关性。

以下是我们最终手工编码数据集中的2个示例。例1显示了具有高情感支持和低信息支持的消息，例2显示了具有低情感支持和高信息支持的消息。示例消息使用Bruckman [ 31］．虽然这些例子说明了一种支持高而另一种支持低的情况，但在整个手工编码的样本中，这两种类型的支持仅呈弱负相关( r₉₇₂=。 P<措施)。

例1(情感支持=5.7;信息支持= 1.0):

例2(情感支持=1.2;信息支持= 4.5):

我们使用类内相关性(ICC)评估了评分者判断的可靠性，它表明了判断中可归因于被判断的信息的方差比例。 表1显示了本研究中使用的社会支持相关结构的ICCs。我们通过将土耳其人的判断与专家对信息和情感支持的判断进行比较，验证了他们的判断，这些信息和情感支持包含在Meier等人研究的语料库中选择的50条信息中。 21]和班比娜[ 16］．土耳其人与专家对情感支持的平均评分之间的相关性( r=.70)和信息支持( r=.76)都很高。

我们首先测试了自我表露引发情感支持，而问题引发信息支持的假设，使用1000个turker编码的信息数据集。我们使用结构方程模型研究了帖子发起者自我表露和提问的数量与第一个回复中提供的情感和信息支持的数量之间的关系。报告了标准化回归系数(β)。 图2显示结果的路径模型。该模型很好地拟合了人工编码数据，比较拟合指数(CFI)=0.98，近似均方根误差(RMSEA)=0.062(见[ 32]用于评估结构方程模型拟合优度的经验法则;CFI>0.97通常被认为是良好的拟合，而RMSEA介于0.05至0.08之间通常被认为是可接受的拟合)。注意，我们在模型中没有包括积极/消极情绪自我表露和信息支持提供之间的关系，因为这些关系并不显著，排除它们可以提高模型的拟合性。这适用于本文所报道的所有模型。

更多的线程启动信息包含消极的情绪自我表露(beta=。24, se 0.04， P<.001)和消极的信息自我披露(beta=。25, se 0.04， P<.001)，对他们的回应越多，提供的情感支持就越多。积极的信息自我表露也与回答中更多的情感支持有关，尽管没有那么强(beta=。10, se 0.04， P= .02点)。然而，积极的情绪自我表露与更多的情绪支持没有显著相关(beta=。07, se 0.04， P= 10)。与自我表露通常会增加情感支持的效果相反，提问与获得较少的情感支持相关(beta= -)。21, se 0.03， P<措施)。

参与者使用不同的策略来获得信息支持。发帖者在明确要求时更有可能获得信息和建议，但在描述生活中积极的事件时则不太可能得到。线程启动者提出的问题越多，第一个回复提供的信息支持就越多(beta=。38, se 0.03， P<措施)。相反，当线程启动者透露更多积极的信息自我表露时，回复包含较少的信息支持(beta= -)。09, se 0.03， P= .003)。消极的信息自我表露与接受信息支持无关(beta=。3, se .03， P=球)。这些结果与之前的研究结果一致，即提出明确的问题并提供理由可以获得信息和建议。 33， 34］．相比之下，当话题发起者描述他们生活中的积极事件时，他们不太可能收到信息和建议，即使他们问了问题。也许在这些情况下，接收者认为线程启动者并不真正需要他们的帮助，尽管他们要求帮助。

当人们以自我表露为主题时，特别是当他们透露了生活中消极的想法、感受和消极事件时，当他们避免问问题时，其他人可能会为他们提供情感支持。然而，当他们提出问题并避免描述生活中积极的事件时，其他人会为他们提供信息和建议。我们假设这些语言特征会导致社会支持，因为社区中的其他参与者分别将它们视为情感支持和信息支持需求的指标。也就是说，社区的其他成员将这些语言特性视为对特定类型支持的请求。为了验证这一假设，我们进行了中介分析，以评估线程启动消息中的语言特征是否对回复中的情感和信息支持有影响，因为它们表明了对特定类型支持的渴望。

结果显示在 图3，其中只包括结构之间的直接路径。尽管CFI指数(0.98)表明中介模型很好地拟合了数据，RMSEA标准(0.119)是有问题的。正如Schermelleh等人[ 32]指出，“决定数据模型是否适合或不适合是相当困难的，特别是如果模型适合的各种测量方法指向关于模型实际与观测数据匹配程度的相互矛盾的结论……[尽管存在关于什么构成良好拟合SEM模型的经验法则]，但这些经验法则的截止标准是相当武断的，不应该太当真。”我们将我们的发现解释为中介作用。作为 图3说明，当人们被认为在寻求情感支持时，他们就会得到情感支持(beta=。30, se 0.04， P<.001)和信息支持(beta=. 001)。36, se 0.04， P<措施)。语言特征在预测接受信息或情感支持方面的影响 图2所有这些都至少部分地受到了作者寻求这种特殊支持的看法的调解，如所示 图3．数据来自人类对每个结构的判断。数字表示结构方程模型的标准化回归系数。只有结构之间的直接联系才有意义 P<。05一个re shown. Indirect effects can be calculated by multiplying the direct effects (eg, the indirect effects of asking questions on receiving informational support mediated by seeking informational support is .80*.36=.29).

从获得情感支持的角度来看，所有言语行为的效果都部分或完全受到其对作者寻求情感支持判断的影响。消极的情绪自我表露(写下悲伤、恐惧、愤怒和其他消极的想法和感受)与获得更多的情感支持有关，这种影响完全由作者寻求情感支持的感知所介导(间接效应/总效应=.19/.21=90%);在控制了作者寻求情感支持的知觉后，消极情绪自我表露对获得情感支持的直接影响变得不显著(beta=.02， P= .74点)。同样，积极的信息自我表露对获得情感支持的影响部分由作者寻求情感支持的判断所介导(.03/.13=23%)，留下一个不显著的直接路径(beta=.10， P= . 07)。消极信息自我表露对获得情感支持的影响也部分受到作者寻求情感支持的判断的中介(.08/.23=35%)。消极信息自我表露对获得情感支持的直接影响从0.25 (in 图2)至。15 ( P<.001)时，控制了作者寻求情感支持的感知。提问对获得情感支持的负面影响也部分地由作者没有寻求情感支持的判断所介导(- 0.04 / - 0.14 =29%)。然而，提问对获得情感支持也有直接的负面影响(beta= -.10， P<措施)。

关注信息支持的接受，积极和消极的信息自我表露和提问的效果完全被它们对作者寻求信息支持的判断的直接影响所调节。尽管人们可能在提问后获得信息支持(总效应=.26)，但总效应是由提问和寻求信息之间的联系以及寻求信息和接受信息之间的联系(.29/.26=112%)介导的。同样地，在接受信息支持的积极信息披露的总负相关中，有42%是由它与作者寻求信息支持的感知之间的关联所介导的(-.05 / -.12 =42%)。

第2部分试图部分复制前面描述的分析，这些分析基于对1000个交互的人类编码，通过使用机器学习技术对58,357个交互进行自动化编码。我们构建了机器学习模型来自动测量发帖者在帖子开始时使用的语言诱导策略，以及他们在第一次回复时获得的情感和信息支持。我们的目标是使用机器学习方法将信息的特征与人类对各种诱导策略以及情感和信息支持的存在所做的判断联系起来。如随后所述，输入特征包括消息的语言特征，例如长度、来自一般和特定领域词典的单词、语法特征(例如，名词和动词短语的顺序)、高级语义特征(例如，建议和问题的存在)和问题。输出是数值，表示一条信息提出问题或提供各种类型的自我披露或支持的程度。一个模型是成功的，如果(1)它对感兴趣的结果的评估与人类法官的评估相匹配;(2)它是简约的，使用少量的输入特征，同时产生准确的评估。

构建、验证和应用机器学习模型涉及5个步骤。首先，人工判断手工编码的语言策略和信息样本中的支持条款。他们的判断代表了“基本事实”或“黄金标准”，我们将机器学习估计与之进行比较。其次，我们将信息表示为一组可以被计算机解释的语言特征，并将其作为机器学习算法的输入。第三，通过迭代测试机器学习算法的不同配置和输入特征的组合，我们从部分手工编码的数据中确定了最佳的机器学习模型。第四，为了评估最终模型的性能，我们将它们应用于一个数据样本。最后，我们通过应用机器学习模型来测试假设，自动编码整个数据集中的58,357个线程启动者-优先回复对。

由于大多数健康研究人员不熟悉用于构建机器学习模型来测量自我表露、提问、情感和信息支持的方法，我们将详细描述它们及其基本原理。对于机器学习的一般处理，我们建议读者参考Witten等人[ 35］．在我们的模型中，为每个结构构建模型的过程是相似的，因此我们通过描述如何测量情感和信息支持的存在来说明一般方法。

使用来自58,357个至少收到一个回复的线程启动者的机器编码数据，我们试图部分复制第1部分中提出的分析( 图2)，测试了自我表露引发情感支持而问题引发信息支持的假设。我们没有试图复制中介分析 图3使用机器编码的数据，因为预测感知支持需求的低级语言特征将与预测自我表露和提问的语言特征相同，从而产生通用方法差异的问题。 表6显示模型中使用的变量之间的描述性统计和相关性。

图4是路径模型，它显示了使用线程启动帖子中的语言特征来预测第一个回复中提供的情感和信息支持的数量的结果。报告的结果与我们使用前5个答复中提供的平均支持数量所得到的结果相似。无论是CFI (CFI=0.998)还是RMSEA (RMSEA=0.016)，该模型都能很好地拟合数据。

从这个大样本的机器编码数据中得到的大多数结果与从小样本的人工编码数据中得到的结果相同。该模型显示，4种类型的自我表露在线程启动消息中出现的次数越多，第一个回复包含的情感支持(全部)就越多 P<.001)，尽管对积极情绪自我表露的影响不显著( P=.10)的人工编码数据模型。具体来说，在诱导情感支持方面，消极信息自我表露的效果(beta=。18, SE 0.01)的影响强于任何一种积极情绪自我表露的影响(beta=。09, SE 0.01)或消极情绪自我表露(beta=。10，SE0.01), which in turn were stronger than the effect of positive informational self-disclosure (beta=.06, SE 0.01). However, these comparisons of effect strength should be treated with caution given high correlations among some constructs in 表6(例如，积极情绪和积极信息自我表露之间的相关性为0.83)。与人类编码的数据集一样，当线程启动者提出问题时，回复中包含较少的情感支持(beta= -)。17, SE 0.01)，但更多的信息支持(beta=。29, se 0.01)。积极的信息自我表露似乎会抑制信息支持(beta= -)。06年,SE < 0.00)。消极的信息自我表露似乎能引出信息支持(beta=。07，SE<0.00), although this association was not significant in the human-coded dataset, presumably because of the small sample size.

我们应用生存分析来检验这样一个假设:那些获得更多支持的人在支持社区中停留的时间更长，控制了他们收到的非支持性交流。生存分析是一种统计技术，用于调查对时间相关结果的影响，例如事件是否发生以及何时发生。在这项研究中，感兴趣的事件是一个成员离开社区的时间(或者相反，这个人继续参与的时间长度)。该分析通过情感和信息支持以及其他控制变量来预测参与支持社区的时长。因为在大多数在线群体中，成员在群体任期的早期离开的概率要比后期高得多，我们使用时变自变量的参数回归生存分析，假设生存时间为威布尔分布。分析使用Stata版本13 (StataCorp LP, College Station, TX, USA)对每个参与者有多条记录的参数回归生存时间模型进行streg最大似然估计。

我们收集的数据不包含人们阅读了哪些消息，只包含他们发布的消息。为了估计人们接触到的支持的数量，我们假设人们在他们发布的一周内阅读了他们发布的线程中的所有消息。因此，生存分析仅限于30301名至少发布了一条消息的人，因为没有公开的行为，就不可能估计他们查看的支持数量。有了这么大的数据量——大约30,000名成员暴露在大约50万条消息中——手动编码所有帖子是不现实的。因此，我们对暴露的测量是基于第2部分中描述的情绪和信息支持的机器编码测量。

我们将每个成员的第一篇帖子的时间戳作为参与乳腺癌讨论论坛的开始日期。此外，我们假设参与者如果在上次发帖后的12周内没有再次发帖，就会离开社区。根据这些标准，用户可以退出群组并多次重新加入。如果我们假设人们只离开小组一次，随后报告的结果是相同的。因为那些在数据收集结束后12周内发表最后一篇文章的人可能仍在参与，我们将他们视为正确的审查。

计数后暴露是用户公开的帖子总数，假设用户在其发布的一周内阅读了在线程中发布的所有消息。它是用户在同一周和同一线程中发布消息的帖子数。

接触情感和信息支持对于一个用户来说，是机器编码的情感和信息支持的平均水平，分别是用户在同一周和同一条帖子中发布的所有消息的平均值。

有个人资料是一个二进制度量，表明用户是否创建了个人资料页面(1)或没有(0)。共有31.19%(9,452/30,301)这样做了。

线程启动器百分比一个人在一周内发布的帖子是线程启动者的百分比(即，一个用户在一周内发布的线程启动者的数量除以该用户在一周内发布的帖子总数)。我们之所以包含这个变量，是因为发起对话的人可能与那些参与由他人发起的对话的人不同。