社会网络干预已经成功地改善了健康结果[ 1- 6]，包括与爱滋病预防有关的工作[ 7- 9］．我们正在进行的研究旨在设计社交网络干预措施，以减少与男性发生性行为的年轻黑人男性(YBMSM)(这里定义为年龄在16至29岁之间的个体)中的新艾滋病毒感染。在美国，YBMSM不成比例地受到艾滋病毒流行的影响[ 10]，而传统的个人层面的流行病学干预措施在减少YBMSM人群的艾滋病毒感染方面收效有限[ 11， 12］．利用社会网络的基于同伴的干预措施改善了一些人群的艾滋病毒结果[ 13- 18并提供了一个有希望的机会来改善YBMSM的艾滋病毒结果。在这里，我们研究了这种基于同伴网络的干预，旨在扩大暴露前预防(PrEP)的使用，这是一种新型的生物医学干预，估计在追随者中疗效超过90% [ 19， 20.-可以被开发。PrEP在YBMSM中仍未得到充分利用，因此需要确定创造性的技术来增加其使用。我们在这里的目标是使用来自Facebook的在线社交网络数据来确定能够最有效地在芝加哥YBMSM中传播prep相关信息的影响者，并探索在识别这些有影响力的代理人时出现的方法学挑战。

我们使用Facebook的数据 uConnect队列——ybmsm中最大的单点基于人群的样本——用于识别占据的对等变化动因(pca) 至关重要的社交网络中的职位。在未来的工作中，这些pca将被邀请参加关于如何有效传播PrEP信息的培训。虽然替代社交网站的使用已经激增，但Facebook仍然是一个有吸引力的选择，因为它是使用最广泛的社交平台。 21］．为了识别pca，我们感兴趣的人群是YBMSM的潜在影响者，他们本身可能不是YBMSM，而Facebook可以对他们的社交网络进行广泛的描述。

我们使用一个数字平台来描述YBMSM的社会网络，因为尽管展示了早期的前景，但基于同伴的艾滋病毒干预在一些人群中效果有限[ 22］．有人认为，使用数字方法来汇编更准确的社交网络数据，并应用正式的网络分析来识别pca，可能会提高同伴干预的效果[ 23］．作为一个数字平台，Facebook在改善健康行为方面的潜力已经在其他研究中得到了证明。 24- 26]，而Facebook在性少数群体和性别少数群体中的使用率仍然很高[ 27，包括芝加哥的YBMSM。(更深入的治疗以同伴为基础的网络干预艾滋病预防提供了 多媒体附件1)。

然而，在使用Facebook数据识别pca时存在许多挑战，包括:(1)Facebook网络的规模很大，这使得识别哪些个体更有可能在YBMSM中具有影响力成为问题;(2)难以评估可用于识别pca的方法的相对强度;(3)对Facebook网络的部分观察，增加了在有影响力的网络位置上识别个人的不确定性。我们使用各种技术来解决上述问题，包括推断Facebook网络未观察到的结构。

因此，本文的目标是双重的:(1)深入了解芝加哥YBMSM的Facebook网络结构，以及该结构如何与艾滋病毒预防干预的pca识别相关;(2)为研究人员提供指导，考虑在在线社交网络上使用pca以及将理论应用于实践时可能出现的实际困难。我们使用两种常用的算法来识别信息扩散的候选pca，并将其应用于观察和估算网络。我们检查 灵敏度而且 稳定(在下面的方法部分中定义)每个算法选择的PCA集，给定未观察到的数据的imputation。这个案例研究是更广泛的努力的第一步，以了解如何提高基于对等的网络干预的有效性。这里提供的方法和数据可能对其他使用社交网站进行基于同伴的健康干预的研究人员有用。

有关参加者招募的详细说明载于别处[ 28- 31］．简而言之，受访者驱动抽样(RDS)用于2013年6月至2014年7月期间从芝加哥南部和邻近郊区招募符合条件的YBMSM (n=618) [ 28］． 种子从不同的社会空间中挑选出来，并发给潜在的新兵优惠券。如果新招募的参与者愿意参加这项研究，那么他们将优惠券退还给研究协调员，并获得优惠券来自己招募研究参与者。这些优惠券中的信息使我们能够将新兵与他们的招聘人员联系起来。一组不同的用于招募的起始种子可以产生具有人口代表性的研究样本。RDS是链接追踪方案的一种变体，它提供了一种抽样设计和一种估计目标人群统计特性的方法[ 32］．RDS对抽样总体特别有吸引力 难以触及，它已被用于各种健康研究[ 33- 39］．

受访者符合下列条件即可获得招聘:(1)自我认同为非裔美国人或黑人;(2)出生时为男性;(3)年龄16 ~ 29岁;(4)大部分时间居住在芝加哥南部或邻近的以黑人为主的郊区;(5)愿意并能够在研究来访时提供知情同意;(6)报告在过去24个月内曾与男性口交或肛交[ 28］．这些研究参与者在一次面对面的研究访问中回答了一项生物行为调查，并有机会提供Facebook数据。

下载了同意uConnect参与者的Facebook好友列表，使我们能够列举出YBMSM的潜在影响者。Facebook开发了一款应用程序，可以从Facebook好友列表中识别同意受访者的独特个人。在隐私保护到位的情况下，该算法明确链接了所有同意uConnect的受访者的朋友列表。在618名受访者中，有600人使用互联网，490人在Facebook上有个人资料。在322名同意提供Facebook数据的用户中，有24人无法登录自己的账户。因此编制了298名uConnect受访者的无向网络数据集，其中包括受访者对之间以及受访者与受访者之间的友谊信息 nonrespondents(即没有参与研究的受访者的朋友)。此数据结构是典型的数字收集网络数据[ 40， 41］．

继Handcock和Gile之后[ 42]，我们将数据中观察到的和未观察到的分区描述为2x2表( 图1)．所有的友谊 关系或 边缘在网络术语中，受访者之间(n=298)，如左下角单元格所示，被观察到(约44,000个观察到的对偶)，对角线单元格中受访者和非受访者之间(n=182,998)的友谊(约5400万个观察到的对偶)。uConnect受访者的非受访者朋友之间的Facebook友谊，如右上方的格子所示，是未观察到的(约170亿未观察到的一对)。中提供了数据结构的原理图 图2．

上面编译的Facebook网络可能包括非受访者，他们与受访者有着各种各样的关系，包括社交、家庭和性，因此包含了强关系和弱关系的混合。我们的目标是识别关键位置的个人，包括那些不是受访者的人，并将他们招募为候选pca。对于我们的干预，非应答者本身不一定是YBMSM;只有非受访者成为YBMSM的潜在影响者才有必要。考虑到大量的非受访者和非受访者之间未观察到的关系数据，我们指定了一个边界条件，允许我们选择与芝加哥YBMSM有良好联系的个人。

我们为非受访者指定了一个边界，重点是与受访者的友谊数量(即他们的关系)，而不是其他通常用于指定边界的个人层面的标准[ 43， 44]，原因如下:首先，使用整个样本是不可行的，因为有大约170亿个未观察到的二元数据，而将所有这些都包含在我们的分析中意味着超过99%的关系数据是未观察到的。其次，我们对非受访者的属性数据有限，我们假设那些与芝加哥南部的YBMSM有大量联系的人最有可能也是潜在的影响者。第三，我们的最终目标是选择pca，尽管程度只是决定影响其他参与者潜力的一个网络标准，但预期大多数有影响力的节点将具有中等高的程度似乎是合理的。因此，我们构建了一个数据集，其中包括所有受访者和符合我们关系边界指定的阈值的非受访者。关于关系边界规范的精确度量在下面的结果部分中给出。

虽然我们的Facebook网络很大，但我们数据集中的信息并不完整，因为我们没有观察到非受访者之间的友谊。大量缺失的数据可能会使我们根据候选pca的网络位置对其评估产生偏差。因此，我们选择了应用统计imputation的方法来减少我们数据的部分观测所引起的偏差。

为了选择一种合适的技术来推断未观察到的Facebook友谊，我们首先需要定义数据中缺失的性质。我们遵循Rubin [ 45]，他提出失踪有三大类。当数据的缺失既不依赖于观测数据也不依赖于未观测数据时，称为“完全随机缺失”(MCAR)。当缺失的概率依赖于观测数据而不是未观测数据时，它们就是“随机缺失”(MAR) [ 46， 47］．如果数据丢失的概率也取决于未观察到的数据，则数据是“非随机丢失”(MNAR) [ 46］．

我们缺失的数据是MNAR。回想一下，我们的研究对象是使用RDS程序招募的。非受访者是受访者的Facebook好友，如果他们被招募到这项研究中，他们的数据就不会丢失。然而，由于以下不可知的原因，非受访者可能没有被招募:(1)他们不符合研究条件;(2)他们符合研究条件，但受访者不希望招募他们;(3)符合研究条件，但受访者没有足够的优惠券;(4)未被调查的人收到了一张优惠券，但没有参与这项研究。因此，所有非受访者的友谊信息缺失的事实，与他们与受访者之间观察到的友谊有关，也与他们未观察到的网络有关，因为无法确定非受访者不被招募的原因。由于上面解释的原因，我们还为非应答包含指定了基于程度的边界。因此，用Gile和Handcock的术语来说，应答者和非应答者具有“不同的受欢迎程度”[ 48]，超出了观测数据所能解释的范围。因此，我们怀疑非应答者的网络结构与应答者不同。然而，受访者和非受访者网络结构的差异本身并不违反MAR假设，只要缺失是由于观察到的影响，例如特定个体是否是受访者。然而，在我们的例子中，网络结构的差异并不完全是由于观察到的协变量;如上所述，这可能归因于许多未观察到的节点协变量。因此，我们数据中的缺失与MNAR的定义是一致的。

已经证明，仅使用观察到的子网络进行分析可能无法推广到更大的不完整网络[ 49］．因此，对未观察到的Facebook友谊的估算可能为候选pca提供更可靠的指标。为了建立这些未观察到的友谊，我们使用了指数随机图模型(ERGMs) [ 50，一类通常用于描述网络概率分布的模型，在开源中实现 statnet［ 51套装。erms被用来估计参与者对之间联系的对数概率，相对于所有联系都均匀分布在网络上的模型。观察到的存在关系被编码为1，观察到的不存在关系被编码为0，未观察到的关系被编码为缺失(“NA”在 R)．这种方法来源于Handcock和Gile提出的方法[ 42， 48]并在其他研究中被用来推断未观察到的联系[ 52， 53］．

为了推测非受访者之间的友谊，我们开发了一个机械模型来预测他们的可能性。虽然关于非受访者的个人属性的信息很少(结果中提供了更多细节)，但他们每个人与受访者共享的友谊数量是完全观察到的。我们还知道，Facebook关系往往具有较高的平均度和较高的方差。因此，我们可以合理地假设，在Facebook的背景下，那些与受访者更有社交性的非受访者之间也可能更有社交性。(相反的情况是，观察到与受访者的许多关系，可能表明这个人的许多关系是固定的 领带的预算已经用完了，因此，降低了他们与其他非受访者建立联系的概率。)然而，选择非受访者进行归责的程序偏向于那些更善于社交的人。因此，非受访者之间的友谊可能不仅仅与他们观察到的友谊成正比，而且可能会经历一种关系 抑制的效果。为了对这两种社会力量进行机械建模，我们在ERGM中使用了2个单独的参数: 社交能力而且 选择混合．

社交性是一个节点级参数，衡量受访者或非受访者与受访者共享的关系数量，选择性混合表示为衡量受访者和非受访者之间的关系数量的单个参数，如图中的对角线单元格中的任意一个表示 图1．社会性术语适用于完整的邻接矩阵，允许我们使用观察到的特征来推断未观察到的[ 48］．它代表了一个过程，即拥有更多受访者朋友的受访者也会拥有更多非受访者朋友。选择性混合项允许我们模拟应答者和非应答者之间的系统差异，因此，非应答者-非应答者象限将比其他两个象限(应答者-应答者和应答者-非应答者)的密度更大。这种方法允许我们使用观察到的信息对网络中未观察到的信息建模，同时直接考虑到受访者和非受访者之间观察到的系统差异，正如Gile和Handcock所提倡的[ 48］．因此，选择性混合参数抵消了由于上文定义的边界规范而选择最具社会性的非应答者所引起的一些偏差。

一旦一个模型来估算缺失的数据，我们模拟这个模型的随机实现。在完全观察到的网络中，来自估计的ERGM的模拟固定了节点集，并使用随机马尔科夫链蒙特卡罗(MCMC)算法来切换关系，从而得到一个表示从ERGM指定的概率分布中随机抽取的网络。在这种情况下，我们固定观察到的二元组合的值，只允许在MCMC算法期间选择未观察到的二元组合作为切换的候选。这一规范被用于输入100个随机生成的网络，每个网络的观察到的和未观察到的联系的数量与我们上面描述的拟合模型的随机抽取一致。100次impuimput被认为是足够的，因为在imput边数的最大可变性较低(<平均值的1.8%，其中平均值=40,970，范围=40,610-41,340)。

在模拟的网络中，非受访者之间在Facebook上的友谊被估算。我们使用这些网络来识别pca。值得注意的是，我们的pca所来自的人群并不仅限于YBMSM，而是YBMSM的潜在影响者。当考虑到感兴趣的流过程类型时，这种PCA识别程序可以说是最成功的[ 54］．根据这一论点，我们应用了两种计算算法，它们非常适合于底层流过程涉及信息扩散的情况:特征向量中心性[ 55]和关键球员积极的[ 56］．特征向量中心性假设感兴趣的流过程在网络中不受限制地移动。它描述了一种机制，其中一个节点可以同时影响所有相邻节点[ 54]，因此它已被用于使用同伴影响的公共卫生应用程序[ 57- 59］．关键人物的正演算法，以后简称为 keyplayer-是一种基于集合的度量方法，反映了最优集合不一定由个体得分最高的节点组成[ 56］．相反，关键玩家集合由与网络中的个体最大限度地连接的个体组成。因此，通过关键玩家集传递信息可以最小化它必须传播的社交距离，以达到社交网络中最大数量的个人。因此，Keyplayer是传播prep相关信息等场景的理想选择，并已用于相关的公共卫生应用[ 60， 61］．给出了这两种测度的数学定义和算法描述 多媒体附件1．

我们使用特征向量中心性和关键参与者在观察到的Facebook数据上识别候选pca，其中所有未观察到的联系都被假设为不存在，然后在100个估算网络中的每个网络上识别候选pca。这些算法被设计用于给定的观测网络，当网络观测完美时，理论工作得最好。然而，当网络未被完全观察到时，另一种方法是将每种算法应用于估算网络的样本，而不是仅在观察到的数据集上进行优化[ 56］．该方法提供了一组pca，对于网络数据观察不完美的情况，这些pca代表了一个很好的解决方案[ 56］．因此，我们采用了这个策略。

我们做了一个程序性的决定，根据观察到的网络上的每个测量选择300个个体，并选择了估算网络上最常见的300个pca。招募和培训的pca数量是同伴干预的一个关键考虑因素，有人认为，如果招募的同伴领导者数量约为干预设计对象人口规模的7-8%，同伴干预就可能成功[ 62］．在先前发表的作品中[ 63]，我们估计芝加哥约有3700名hiv阴性YBMSM，其中8%约为300人。

我们计算了每个个体在每个算法的估算中被识别为PCA的次数分布，以评估哪些个体值得进一步考虑。这些分布被用来确定 截止并定义为每个算法的充分性条件。在已确定的pca中，满足这个充分性条件的被称为“spca”。然后为每种算法计算观测网络上的pca与估算网络上的spca的交集集。我们定义了以下两个度量来分别比较观测网络和估算网络上的pca和spca集。

所有的计算和可视化都是使用R编程语言的软件包进行的[ 64］．的 系统网络体系结构(sna)［ 65), igraph［ 66包被用来管理关系数据。的 ergm［ 67]包拟合ergm并模拟估算网络。特征向量得分计算使用 igraph［ 66];关键播放器集被识别使用 影响者［ 68］．的 鹰图［ 69包用于在所需的格式之间转换数据 引文(或影响者)，使用相同的数据结构 igraph)和网络(或 ergm，使用相同的数据结构 网络)．的 系统网络体系结构(sna)［ 65), GGally［ 70软件包被用来可视化网络。

298名uConnect受访者共有182998个Facebook好友。数据集中有327741个被观察到的友谊，其中3256个仅存在于受访者之间，其余的友谊存在于受访者和非受访者之间。

如上所述，由于非应答者的数量很大，而且关于非应答者的个人层面信息有限，我们根据观察到的关系指定了非应答者纳入的边界:与至少10.1%(30/298)应答者为朋友的非应答者(n=587)被纳入我们的样本。将在不同边界下选择的非应答者的数量已给出 表1．指定边界涉及权衡;设置过低，丢失的数据量会迅速增加(大约为 n²)，并且纳入与芝加哥YBMSM没有密切联系的人的可能性增加了。通过指定过高的边界，我们可能会排除那些同时是YBMSM和强PCA候选人的人，基于他们的网络位置。我们考虑了属于不同边界规范的非应答者的数量( 表1)，以及每一种方法可能导致的数据缺失量。我们选择10%作为非受访者必须成为朋友的受访者数量的边界，因为它将我们的样本减少到一个可管理的计算大小，同时保留了可能是pca的广泛的非受访者样本。因此，最终样本由885人组成，包括33.6%(298/885)的受访者和66.3%(587/885)的非受访者。

在这个样本中，受访者和非受访者报告的年龄中位数都是23岁(有271名非受访者报告缺失)。此外，96.9%(289/298)的受访者和92.5%(543/587)的非受访者在他们的Facebook个人资料中表示他们目前的性别是男性(2份非受访者报告缺失)。大约81.5%(243/298)的受访者在他们的Facebook资料中将芝加哥列为他们的城市。在其余55名参与者中，52人在面对面访谈中报告他们的居住地为芝加哥南侧/南郊，3人报告他们的居住地为芝加哥东南侧。此外，66.2%(389/587)的非受访者将芝加哥列为他们的城市;大约5.9%(35/587)的非受访者没有报告他们所在的城市。剩下的非受访者中，大约一半的人将伊利诺伊州或另一个中西部州作为他们的主要居住地，其余的人分散在美国各地。

总的来说，我们观察到29700个友谊，其中3256个是受访者之间的友谊，26444个是受访者和非受访者之间的友谊。因此，每个受访者平均有110.5个友谊，其中与其他受访者的友谊平均为21.8个，与非受访者的友谊平均为88.7个。每个符合我们边界规范的非受访者平均有45.1个观察到的友谊。

受访者之间的友谊密度(定义为观察到的友谊数量与最大可能的友谊数量之比)为7.4%。受访者与非受访者的友谊密度为15.1%。(这些密度将帮助我们解释下面的imputation程序的输出。)

装有ERGM的估计值已经出来了 表2．在逻辑回归模型中，“边”项的作用类似于截距项。我们的系数是负的，这意味着在不考虑其他相加项的情况下，平局的基本概率小于50%。其余两项的系数均为正且显著。正社交系数表明，与其他受访者有更多联系的个体受访者与非受访者也有更多联系。正混合系数表明了上述阻尼作用。因此，非受访者之间估算的友谊数量低于观察到的受访者和非受访者之间友谊的比例缩放模型所预测的数量。

在 图3，顶部面板包含100个估算网络上邻接矩阵的频率图。(顶部的面板 图3显示所有885个节点的数据;在底部面板中，我们选择了前50名受访者和50名非受访者，以便更清晰地显示。)

的右上角显示的非应答者之间估算友谊的平均密度 图3，为23.8%。非受访者-非受访者的密度高于受访者-受访者友谊的密度(7.4%，如上所述)和受访者-非受访者友谊的密度(15.1%)。这种密度的差异反映了一个事实，即基于学位的标准被用来选择非受访者进行归责。然而，如果我们不包括选择性混合项，这个密度会更高。的每个面板中有三个单元格(左下角和对角线) 图3完全由观察到的两对组成，不需要归因。右上单元格包含未观察到的二元组合，这些二元组合中的边是在计算中随机生成的。

在观察网络和一个随机选择的估算网络中，受访者和非受访者的度分布如图所示 图4．受访者在观察图和估算图中具有相同的分布，因为估算不影响受访者关系。我们还观察到，11.7%(35/298)的受访者与归算样本中的任何人都没有友谊，这是排除不符合我们边界规范的非受访者的结果。

我们的边界规范的第二个结果是，我们看到非受访者的最低友谊数量是30。此外，在观察到的网络中，我们注意到非受访者之间的友谊数量范围更窄(30-100)。然而，在imputation之后，我们看到非应答者的程度分布更右偏，与应答者的程度分布相当。由于我们没有理由相信应答者和非应答者应该有不同的度分布，这种归算后形状上的对应是一个积极的信号，表明我们的方法在这个意义上是合理的。估算的非应答者分布的左侧与应答者分布的左侧不相似，但考虑到我们为选择非应答者施加的基于程度的边界规范，这是意料之中的。

本文提出了一种新颖的方法，在芝加哥YBMSM部分观察到的Facebook网络上选择候选pca，目标是在未来开发一个管道，允许来自社交网站的数据用于同伴健康干预。我们讨论了实施这种干预的几个挑战，包括处理大量未观察到的网络数据的方法，以及两种PCA识别算法，这些算法与我们的目标一致，即通过位于网络关键位置的个人传播预防信息。我们发现特征向量中心性对imputation的敏感性远远低于keyplayer，这与之前的结果一致[ 71］．我们还发现，相对于关键人物，特征向量在整个估算网络中具有相对核心的稳定pca集。特征向量中心性也较少受到非应答者包含的关系边界的影响，考虑到抽样的大量非应答者，这是必要的。这些发现使我们得出结论，特征向量中心性可能更适合于在我们的研究中识别pca。值得注意的是，我们无法知道哪个算法产生了正确的pca集，但考虑到我们的数据是MNAR，对每个算法的属性进行这样的系统评估可以指导我们的干预计划。

这个结论背后有几个值得讨论的潜在考虑。尽管以同伴为基础的干预在公共卫生方面已显示出前景[ 72- 75]，但在弱势人群中，它们预防艾滋病毒的效果有限[ 22， 23］．使用数字技术汇编社会网络数据，并应用正式的社会网络分析来识别pca，可能会提高干预措施的疗效[ 23， 40］．尽管年轻人越来越多地使用更新的社交网站，但Facebook在普通人群中的使用率仍然很高。 21，包括芝加哥的YBMSM。最近在一项后续研究中收集的数据显示，尽管芝加哥招募的YBMSM几乎100%使用Facebook，但使用Instagram和Snapchat的不到40%，大约20%的人在Twitter、Jack 'd或Grindr上有个人资料。因此，Facebook的数据使我们能够广泛地描述YBMSM的社交网络，以确定其潜在的影响者。然而，我们在使用Facebook数据识别pca时遇到了许多意想不到的挑战，使用Facebook或其他社交媒体平台的研究人员可能会遇到一些与我们相同的挑战。处理这里遇到的限制的模式可能有利于基于同行的健康研究;我们的案例研究是在开发这种模式方面向前迈出的一步。

该研究的一个重要局限性是，在imputation模型中没有明确的同质性参数。回想一下，未观察到的非受访者-非受访者的友谊必须从可观察到的受访者-非受访者的友谊中推断出来。许多关键的个人属性，包括年龄、出生性别、居住地和种族(或民族)，要么定义了受访者的纳入标准，要么与他们的纳入标准密切相关。正如调查结果中所描述的那样，符合边界规范的非受访者与受访者年龄相当，几乎所有人在他们的Facebook个人资料上都被确认为男性，大多数人将芝加哥视为他们的居住地。考虑到受访者和非受访者之间的年龄、性别和居住地重叠的程度，不可能有意义地衡量这些属性的同质性。此外，不可能测量种族/民族的同质性，因为这一属性对于大多数非受访者来说是不可用的。该模型也不包括任何测量高阶网络结构的参数。理想情况下，适合Facebook数据的ERGM将包括更高阶的效应，如三合会关闭，因为Facebook算法鼓励拥有共同朋友的人彼此成为朋友。我们在整合三合会关闭术语方面所做的大量努力使用了在更稀疏的网络上开发的现有参数(例如，共享伙伴统计数据)，但它们并不成功。(关于我们探索过的三元闭包模型的信息载于 多媒体附件1)。可能需要更多的理论工作来确定可以在缺失数据的大型网络中模拟更高阶效应的参数。然而，我们的努力确实揭示了一些有趣的新发现，即使用现有方法来模拟大型网络中的三位一体闭包的潜在局限性。

未来的研究方向包括建模分析，以识别后续波中的PCA，并评估两个波之间PCA集重叠的程度。这一点很重要，因为培训pca需要大量的前期投资，并且在一些网络中观察到，关键职位的个人在一年内就离职了[ 76］．因此，如果能够可靠地找到pca，那么识别长期存在的pca可能更具成本效益。此外，除了Facebook之外，许多在线环境现在都用于社交网络。随着基于同伴的健康干预措施的范围扩大，考虑替代社交媒体平台可能是有价值的，因为它们可能被证明对特定人群更有效。然而，并不是所有的交流都是通过网络媒体进行的。从离线数据中识别朋友和亲属关系仍然是一个重要的研究途径。更多的理论工作，明确说明在线和 自然社会环境可能会提高我们对如何更准确地识别pca的理解。针对这些问题的后续研究正在进行中。最后，提出了贝叶斯ergm来嵌入网络未观测数据[ 77]，并可能提供一种替代方法来重建未观察到的网络。(关于引入缺失网络数据的相关方法学方法的详细信息，以及我们为什么选择在这里使用的方法，请参见 多媒体附件1)．

这项研究是一个跨学科的招聘策略的个人位于一个大的社会网络的关键职位的审查。我们的首要目标是找到一组pca，在理解我们的数据施加的约束的同时，使我们的干预成功的可能性最大化。随着Facebook和其他在线社交媒体越来越多地以创造性的方式来影响健康行为，我们的案例研究将帮助研究人员在计划研究时预测一些潜在的困难。如果我们所描述的挑战是不可避免的，那么我们的经验可以提供有用的启发，以最大限度地发挥以同伴为基础的健康干预措施取得成功的潜力。