这是一篇开放获取的文章,根据创作共用署名许可(https://creativecommons.org/licenses/by/4.0/)的条款发布,允许在任何媒介上无限制地使用、分发和复制,前提是正确引用最初发表在《医学互联网研究杂志》上的原创作品。必须包括完整的书目信息,//www.mybigtv.com/上的原始出版物的链接,以及此版权和许可信息。
尽管越来越多的研究试图了解人们在网络健康社区中如何与他人互动,但专注于了解个人在网络健康社区中的信息交换和社会支持模式的研究仍然有限。在本文中,我们讨论了基于网络交换框架的患者社会互动如何发展成社会网络,并在基于网络的医疗保健社区环境中实证验证了该框架。
本研究旨在探讨基于网络的医疗保健社区的信息交换和社会支持的各种模式,并确定影响这种模式的因素。
使用社交网络分析和文本挖掘技术,我们在一个流行的基于web的健康社区收集的10年数据集上实证验证了网络交换框架。从数据集中提取一个回复网络,并使用指数随机图模型来发现网络中的信息交换和社会支持模式。
结果表明,在基于网络的健康社区中,双向信息交换是常见的。同质性效应在一般会话中存在,但在知识交流中减弱。网络健康社区的新成员往往会得到更多的支持。此外,两极分化的情绪增加了收到回复的机会,乐观的用户在为整个社区提供社会支持方面发挥着重要作用。
这项研究补充了网络交换理论的文献,有助于更好地理解基于网络的医疗保健背景下的社会交换模式。在实践中,本研究可以帮助网络患者更有效地获取信息和社会支持。
互联网和相关技术的快速发展创造了先进的虚拟平台,允许在网上讨论流行和紧迫的健康话题。与过去不同,现在的患者可以向专家寻求帮助,与世界各地类似的患者分享故事以获得情感支持,并随时了解相关问题的最新进展[
我们研究的目的是探索基于网络的医疗保健社区的信息交换和社会支持的各种模式,并确定影响这种模式的因素。基于网络交换框架[
在基于网络的健康社区中,患者可以通过分享他们战胜疾病的经验、相互传递医学知识以及提供有关卫生保健资源的信息来交换信息。不同的社区通常专注于不同的方面。一些社区专注于特定类型的疾病,而另一些社区则可以为患者提供独特的服务。例如,在DailyStrength网站上,焦虑症患者可以找到一个由社区建议的支持小组,讨论如何克服压力或其他障碍。在天米家园,糖尿病患者和他们的家人可以发帖分享他们如何长期应对不同阶段的糖尿病。PatientsLikeMe为患者提供基于个人资料的配对服务,快速与其他经历过或正在经历类似疾病的同龄人取得联系。网络卫生社区的成员可以通过相互交换信息,从他们的集体知识和技能中获益[
以往的研究表明,社会支持在帮助个人改善健康状况或治疗心理问题方面起着至关重要的作用[
通过在网上询问有关健康问题,用户可以从专家那里获得专业知识。此外,患者可以从患有类似疾病的其他人那里学习经验。虽然这些信息利益也可以来自信息交换,但获得社会支持与信息交换的主要区别在于互动模式。与相互作用的信息交流不同,社会支持可以是单方面的。
情感支持主要来自有相似疾病经历的网络用户或此类患者的朋友。患者可以谈论他们克服了什么困难,他们为康复做了什么,并可以鼓励同龄人乐观起来,与疾病作斗争。一些患者报告说,他们从网络陌生人那里得到的理解比从现实世界的家人或朋友那里得到的要多。
以往的研究表明,社会网络是社会支持和信息交换的关键前因之一[
网络健康社区的成员通过交流建立了一个社会网络。此类社交网络为用户提供了在基于网络的社区中交换信息和寻求社会支持的机会[
最近,有人提出了一个网络交换框架来理论个体之间的社会互动如何聚合成一个社会网络[
在本研究中,基于网络交换框架,我们提出了关于基于网络的健康社区信息交换的研究假设。首先,我们将患者之间交换的信息和知识视为网络健康社区中的资源,因此,社会交换理论可以帮助解释信息交换的模式。其次,个体之间的信息交换聚集成患者之间的网络,因为患者通常与多个同伴交互。因此,采用网络视角可以更好地解释个体患者之间的信息交换和社会支持。
在我们的模型中,我们在网络交换框架中包含了构成网络形成的3种主要结构倾向:直接互惠、间接互惠和优先依恋[
根据互惠原则[
假设1:基于网络的健康社区可能会发展出双向信息交换。
这种直接互惠的模式可以进一步体现在基于网络的社区成员的子群体中。社会交往有助于性格相似的人相互了解并建立信任。
假设2:在基于网络的健康社区中,分享类似问题的用户之间可能会发生双向信息交换。
通常,基于网络的健康社区成员也可以成为基于网络的朋友,这样他们就可以发送私人信息或随时更新彼此的帖子。发送私人或离线消息的可能性可能会减少他们可见的基于网络的对话。然而,能够关注朋友的帖子可能会增加他们阅读朋友消息和发起对话的机会。此外,基于网络的友谊可以发展成关系资本。
假设3:在网络上的朋友之间,双向信息交换可能会发展。
间接互惠是指返回信息交换,但不返回原始提供者[
假设4:接受社会支持的患者倾向于向不一定是支持提供者的其他人提供支持。
优先连接是指一个新节点倾向于与已经拥有许多连接的现有节点建立连接的过程[
假设5:高度活跃的用户更有可能收到回复作为社会支持。
在基于网络的健康社区环境中,优先依恋的另一个维度是与加入社区的新成员的联系。与传统的优先连接概念相反,我们不期望新成员能够选择与哪些节点形成连接。这是因为大多数新患者加入一个社区是为了得到帮助,而不是帮助,至少在最初的阶段。
假设6:在基于网络的健康社区中,新患者更有可能得到作为社会支持的回复。
另一个可能影响网络健康社区偏好依恋的因素是情绪。之前的研究发现,情绪两极分化的用户在网络上更容易受到关注。例如,表达积极的情绪有助于同伴改善心理和身体健康状况[
假设7:在网络健康社区中,情绪两极分化的患者更有可能收到作为社会支持的回复。
一个相关的问题是,谁在为情绪两极分化的用户提供社会支持。一方面,同质性在社交网络中扮演着重要的角色[
假设8a:患者更可能收到情感效价相似的同伴的回复。
假设8b:患者更可能收到情绪效价相反的同伴的回复。
为了验证我们的假设,我们收集了天米家园[
天米家园为不同的讨论主题设置了独立的分论坛。最受欢迎的(就发帖数量而言)包括
以下节点属性在我们的研究中建模。
在注册时,用户可以选择以下身份类型之一:医生、患者家属、1/2/X型患者、web服务人员或其他。
Tianmijiayuan [
我们根据用户注册时间将用户分为长期用户和新用户。计算每个用户注册后的月数,注册长度后25%的用户被编码为新用户。对于稳健性测试,我们将此阈值更改为20%、23%、27%和30%,以检查此操作化如何影响结果(请参阅
进行情绪分析,以确定每个用户在数据集中的整体情绪[
节点属性的操作化。
节点属性 | 类型 | 测量方法 |
用户类型,% | 分类变量 |
1- 1型糖尿病患者,23.7 2- 2型糖尿病患者,58.3 3- X型糖尿病患者,3.6 4 .家庭成员,7.0分 5、0.7 6-Web服务人员,1.1 其他7位,5.6 |
活动水平 | 二元分类变量 |
1 .高度活跃的用户 0的用户 |
登记时间 | 二元分类变量 |
1新用户 0的用户 |
情感 | 分类变量 |
2-Optimistic用户 1-Pessimistic用户 0-Neutral用户 |
在本研究中,将提取的后铺网络作为基网络。如果一个用户回复另一个用户的帖子或回复帖子,就会形成一个网络连接。网络连接数作为网络连接强度。
然后根据连接强度阈值进行网络二分。根据先前的研究[
指数随机图模型(ERGM)可以同时模拟节点之间的结构关系以及节点个体属性对网络形成的影响[
在ERGM中,观察到的网络表示为Y={Yij},其中Yij表示节点i和j (Y)之间是否有联系ij=1)或否(Yij= 0)。ERGM基于假设的网络模式(即配置)生成随机网络,并将生成的网络与实际观察到的网络进行比较。它们越相似,假设的网络模式就越有可能存在于实际网络中。ERGM的一般数学公式如下:
所有构型A的总和,y代表一种特定的网络图y,和
为了用ERGM检验我们的假设,我们将假设转换为网络模式。
在随后的部分中,对于每个假设,我们将在整个论坛上讨论我们的发现,然后将观察结果与子论坛中的结果进行比较,以检查模式如何随着讨论主题的不同而变化。我们认为一个假设只有在至少三个检验中得到支持时才被支持。
指数随机图模型检验结果。
配置 | 整个论坛(样本量=1528) | 糖尿病知识(样本量=1188) | 糖尿病患者通讯区(样本量=455) | 糖尿病患者的生活(样本量=376) | |||||||
|
系数 |
|
系数 |
|
系数 |
|
系数 |
|
|||
H1:互惠 | 3.850 | <措施 | 3.153 | <措施 | 3.509 | <措施 | 3.684 | <措施 | |||
H2:类型 | 0.240 | <措施 | −0.139 | <措施 | 0.188 | <措施 | −0.287 | <措施 | |||
H3:朋友 | 3.473 | <措施 | 3.712 | <措施 | 0.019 | .007 | 0.010 | .14点 | |||
H5: active_user | 0.012 | .76 | −0.220 | <措施 | −0.176 | .002 | −0.411 | <措施 | |||
编辑:new_user | 0.409 | <措施 | −0.110 | 0.004 | −0.400 | <措施 | −0.338 | 03 | |||
H7:乐观 | 0.289 | <措施 | −1.383 | <措施 | −1.050 | <措施 | −0.819 | <措施 | |||
H7:悲观 | 0.144 | .045 | 0.692 | <措施 | −2.214 | .04点 | −0.596 | . 21 | |||
H8a: opti-opti | −0.332 | 23) | 1.294 | 0.03 | 0.829 | . 21 | −0.100 | .92 | |||
H8a: pessi-pessi | −0.140 | 点 | −0.180 | 0.45 | N/A一个 | <措施 | N/A | <措施 | |||
H8b: opti-pessi | 0.168 | .51 | 0.281 | 0.17 | N/A | <措施 | N/A | <措施 | |||
H8b: pessi-opti | −0.218 | 的相关性 | 1.345 | 0.004 | N/A | <措施 | N/A | <措施 |
一个N/A:不适用。
首先,我们发现正的和显著的系数
一个积极和显著的参数观察
一个积极和显著的参数观察
的
我们发现了一个积极和显著的参数估计
这两个
对于情感相似的用户之间的交流,两者都不是
进行了稳健性测试,以检查活跃用户和新用户的操作化是否会影响我们的结果。我们的基础实验使用25.00(%)阈值来识别新用户和活跃用户。在稳健性测试中,我们使用20.00(%)、23.00(%)、27.00(%)和30.00(%)来操作这两个节点属性,并对整个论坛进行ERGM分析。
鲁棒性测试结果,新用户在不同阈值下进行评估。
配置 | 指数随机图模型参数和 |
|||||||||
|
基础测试,阈值=25.00 (%) | 稳健性检验1,阈值=20.00 (%) | 稳健性检验2,阈值=23.00 (%) | 稳健性检验3,阈值=27.00 (%) | 稳健性检验4,阈值=30.00 (%) | |||||
|
系数 |
|
系数 |
|
系数 |
|
系数 |
|
系数 |
|
H1:互惠 | 3.850 | <措施 | 4.070 | <措施 | 4.050 | <措施 | 3.785 | <措施 | 3.799 | <措施 |
H2:类型 | 0.240 | <措施 | 0.247 | <措施 | 0.239 | <措施 | 0.258 | <措施 | 0.267 | <措施 |
H3:朋友 | 3.473 | <措施 | 3.370 | <措施 | 3.516 | <措施 | 2.976 | <措施 | 2.996 | <措施 |
H5: active_user | 0.012 | .76 | −0.005 | 多多 | 03 | 点 | −0.019 | 收 | −0.013 | .74点 |
编辑:new_user | 0.409 | <措施 | 0.487 | <措施 | 0.432 | <措施 | 0.362 | <措施 | 0.316 | <措施 |
H7:乐观 | 0.289 | <措施 | 0.305(<措施) | <措施 | 0.331 | <措施 | 0.320 | <措施 | 0.340 | <措施 |
H7:悲观 | 0.144 | 0。 | 0.050 | 的相关性 | 0.134 | 。08 | 0.118 | 。08 | 0.145 | 0。 |
H8a: opti-opti | −0.332 | 23) | −0.138 | .64点 | −0.042 | .89 | −0.210 | 点 | 0.117 | 正 |
H8a: pessi-pessi | −0.140 | 点 | −0.244 | 点 | −0.432 | 。 | −0.319 | 陈霞 | −0.757 | 点 |
H8b: opti-pessi | 0.168 | .51 | 0.224 | 38 | 0.200 | 的相关性 | 0.223 | 无误 | 0.071 | .79 |
H8b: pessi-opti | −0.218 | 的相关性 | −0.652 | 0。 | −0.522 | 厚 | −0.585 | 点 | −0.448 | 13。 |
鲁棒性测试结果,活跃用户在不同阈值下进行评估。
配置 | 指数随机图模型参数和 |
|||||||||||||
|
基础测试,阈值=25.00 (%) | 稳健性检验1,阈值=20.00 (%) | 稳健性检验2,阈值=23.00 (%) | 稳健性检验3,阈值=27.00 (%) | 稳健性检验4,阈值=30.00 (%) | |||||||||
|
系数 |
|
系数 |
|
系数 |
|
系数 |
|
系数 |
|
||||
H1:互惠 | 3.850 | <措施 | 3.748 | <措施 | 4.052 | <措施 | 3.881 | <措施 | 3.943 | <措施 | ||||
H2:类型 | 0.240 | <措施 | 0.243 | <措施 | 0.259 | <措施 | 0.260 | <措施 | 0.271 | <措施 | ||||
H3:朋友 | 3.473 | <措施 | 3.071 | <措施 | 3.635 | <措施 | 3.293 | <措施 | 3.130 | <措施 | ||||
H5: active_user | 0.012 | .76 | −.067 | .14点 | 0.040 | 。31 | 0.181 | <措施 | 0.232 | <措施 | ||||
编辑:new_user | 0.409 | <措施 | 0.431 | <措施 | 0.423 | <措施 | 0.440 | <措施 | 0.497 | <措施 | ||||
H7:乐观 | 0.289 | <措施 | 0.315 | <措施 | 0.310 | <措施 | 0.353 | <措施 | 0.343 | <措施 | ||||
H7:悲观 | 0.144 | 0。 | 0.156 | .04点 | 0.177 | 02 | 0.125 | .04点 | 0.168 | .04点 | ||||
H8a: opti-opti | −0.332 | 23) | −0.069 | 总共花掉 | 0.047 | 总共花掉 | −0.229 | 36 | −0.286 | 。 | ||||
H8a: pessi-pessi | −0.140 | 点 | −0.212 | 54 | −0.366 | 。31 | −0.250 | .37点 | −0.394 | .20 | ||||
H8b: opti-pessi | 0.168 | .51 | 0.204 | 点 | 0.244 | .37点 | 0.166 | 报 | 0.357 | .30 | ||||
H8b: pessi-opti | −0.218 | 的相关性 | −0.354 | 陈霞 | −0.591 | 点 | −0.529 | .09点 | −0.400 | .30 |
本研究使用ERGM探讨基于网络的健康社区的信息交换和社会支持模式。
研究假设和结果的总结。
假设 | 结果 | 影响 |
假设1:基于网络的健康社区可能会发展出双向信息交换。 | 支持 | 在网络社区中,互惠规范是存在的。 |
假设2:在基于网络的健康社区中,分享类似问题的用户之间可能会发生双向信息交换。 | 部分支持 | 在网络社区中,当健康信息交换时,同质性效应并不强。 |
假设3:在网络上的朋友之间,双向信息交换可能会发展。 | 支持 | 在网络社区中,朋友们可能经常交换信息。 |
假设4:接受社会支持的患者倾向于向不一定是支持提供者的其他人提供支持。 | 不支持 | 网络卫生社区几乎不存在间接互惠。 |
假设5:高度活跃的用户更有可能收到回复作为社会支持。 | 不支持 | 在知识共享群体中,偏好依恋的方向与之相反。 |
假设6:在基于网络的健康社区中,新用户更有可能收到作为社会支持的回复。 | 部分支持 | 最近注册的用户倾向于参与多个分论坛的讨论,而不是停留在一个特定的分论坛。 |
假设7:在基于网络的健康社区中,情绪两极分化的患者更有可能收到对其帖子的回复。 | 部分支持 | 研究发现,在网络健康社区寻求信息支持时,负面情绪具有独特的促进作用。 |
假设8a:患者更可能收到情感效价相似的同伴的回复。假设8b:患者更可能收到情绪效价相反的同伴的回复。 | 部分支持 | 情绪极化患者之间的交流具有复杂的模式:只有当涉及到信息交换时,乐观的用户才更有可能给予其他情绪极化用户支持。 |
我们的研究对文献有一些贡献。首先,本研究首次尝试在基于web的健康社区开发的回复网络上测试网络交换框架。基于网络的健康讨论不同于其他类型的对话,因为它们包含敏感和私人信息以及专业知识。处理这些信息会产生特殊的社区规范,从而导致独特的社会交换模式[
其次,我们的研究使用情绪分析来识别来自网络健康社区的乐观用户和悲观用户。据我们所知,我们的研究是第一个研究不同情感的用户如何不同地参与信息交换和社会支持活动的研究。
在实践中,本研究的发现可帮助网络健康社区的患者更有效地获取信息和社会支持。例如,除了交朋友之外,鼓励患者参与保健知识和个人生活的讨论,以增加他们在社区的知名度。在寻求信息支持时表达负面情绪是可以的,在与他人交朋友时表现出积极的态度可能更有帮助。
本研究的局限性在于我们的实证分析集中在与糖尿病相关的健康社区。尽管我们期望在其他提供网络论坛的基于网络的健康社区中也能观察到类似的信息交换和社会支持模式,但有趣的是,看看其他社交功能的添加(例如,基于协同过滤向用户提供提要的健康平台)是否会影响患者彼此之间的互动。此外,在这项研究涵盖的10年时间框架内,互联网发生了巨大的变化。由于用户数量随着时间的推移而增加,本研究中经过网络二分法的最终用户可能代表了一个更近的样本。进行时间分析来研究社会支持模式如何动态演变也可能是未来的一个方向。
研究假设,分析水平和图形插图。
指数随机图模型
本研究得到国家自然科学基金项目(71971082、71471064、71371005、91646205)、上海市软科学重点项目(19692106700)、教育部人文社会科学青年基金项目(18YJC630068)、中央高校基本科研业务费专项资助。
没有宣布。