Analyzing Empowerment Processes Among Cancer Patients in an Online Community: A Text Mining Approach
Notice bibliographique
Résumé
BACKGROUND: Peer-to-peer online support groups and the discussion forums in these groups can help patients by providing opportunities for increasing their empowerment. Most previous research on online empowerment and online social support uses qualitative methods or questionnaires to gain insight into the dynamics of online empowerment processes. OBJECTIVE: The overall goal of this study was to analyze the presence of the empowerment processes in the online peer-to-peer communication of people affected by cancer, using text mining techniques. Use of these relatively new methods enables us to study social processes such as empowerment on a large scale and with unsolicited data. METHODS: The sample consisted of 5534 messages in 1708 threads, written by 2071 users of a forum for cancer patients and their relatives. We labeled the posts in our sample with 2 types of labels: labels referring to empowerment processes and labels denoting psychological processes. The latter were identified using the Linguistic Inquiry and Word Count (LIWC) method. Both groups of labels were automatically assigned to posts. Automatic labeling of the empowerment processes was done by text classifiers trained on a manually labeled subsample. For the automatic labeling of the LIWC categories, we used the Dutch version of the LIWC consisting of a total of 66 word categories that are assigned to text based on occurrences of words in the text. After the automatic labeling with both types of labels, we investigated (1) the relationship between empowerment processes and the intensity of online participation, (2) the relationship between empowerment processes and the LIWC categories, and (3) the differences between patients with different types of cancer. RESULTS: The precision of the automatic labeling was 85.6%, which we considered to be sufficient for automatically labeling the complete corpus and doing further analyses on the labeled data. Overall, 62.94% (3482/5532) of the messages contained a narrative, 23.83% (1318/5532) a question, and 27.49% (1521/5532) informational support. Emotional support and references to external sources were less frequent. Users with more posts more often referred to an external source and more often provided informational support and emotional support (Kendall τ>0.2; P<.001) and less often shared narratives (Kendall τ=-0.297; P<.001). A number of LIWC categories are significant predictors for the empowerment processes: words expressing assent (ok and yes) and emotional processes (expressions of feelings) are significant positive predictors for emotional support (P=.002). The differences between patients with different types of cancer are small. CONCLUSIONS: Empowerment processes are associated with the intensity of online use. The relationship between linguistic analyses and empowerment processes indicates that empowerment processes can be identified from the occurrences of specific linguistic cues denoting psychological processes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,009 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».