Psicología
Social - Comunitaria
Francisco
Torres Guerrero
Profesor Investigador
Universidad Autonoma de Nuevo Leon
Monterrey, México
Fernando Rodríguez
Universidad Autonoma de Nuevo Leon
Monterrey, México
RESUMEN
Palabras clave: apoyo social
y violencia, redes sociales, twitter
El apoyo social juega un importante papel en los programas de prevención, tratamiento y rehabilitación ya que puede proveer a los individuos herramientas psicosociales para conservar la integridad física y psicológica a través de su crecimiento (Caplan, 1974). Este es un constructo amplio que con frecuencia se define según los propósitos de cada estudio. Puede referirse al número o densidad de la red social de apoyo, a la calidad de ésta, a la percepción subjetiva de que ciertas conductas brindan apoyo en un contexto social, y al grado de relación que se tiene y que puede aludir asimismo a aspectos emocionales o instrumentales (Hernández & Ramírez, 2006). Sidney Cobb (1976) definió el apoyo social como información que lleva al sujeto a creer que hay quienes se preocupan por su bienestar, lo aman, estiman, y que pertenece a una red de obligaciones mutuas. (Albrecht & Adelman, 1987; Albrecht, Goldsmith, & Thompson, 2003) definen el apoyo social como la comunicación que ayuda a manejar la incertidumbre e incrementar la percepción de control sobre la propia vida. Se han investigado ampliamente los efectos positivos del apoyo social en las personas que lo reciben, ayudándolos a superar o resistir situaciones estresantes o traumáticas (Dean & Lin, 1977), (Cohen & McKay, 1984), (Langford, Bowsher, Maloney, & Lillis, 2008). En el área de la salud se ha comprobado que pacientes que reciben apoyo social tienden a sobrevivir por más tiempo o incluso llegar a recuperarse de enfermedades graves como los problemas de corazón (Flynn et al., 2009), SIDA (VIH) (Ganster & Victor, 2011) o cáncer (Schroevers, Helgeson, Sanderman, & Ranchor, 2010). Gracias al crecimiento de la Internet, han comenzado a surgir espacios en los que las personas pueden tener discusiones, compartir información, o buscar apoyo. Esto ha motivado a la investigación del comportamiento de los usuarios en Internet con respecto al apoyo social que pueden recibir en él. Se ha propuesto una teoría del apoyo social en línea (Online Social Support, OSS) haciendo referencia a estos medios electrónicos de comunicación que permiten a las personas interactuar por vía remota (LaCoursiere, 2001). LaCoursiere (2001) menciona que el propósito de la teoría del apoyo social en línea (OSS) no se enfoca en el estudio de la búsqueda de información en Internet sobre un problema con el fin de resolverlo, sino en la interacción con otras personas dentro de las redes sociales en línea por medio de las cuales se puede obtener apoyo social, a pesar de la distancia y de lo poco que se conocen las personas que participan en esta interacción.
El
interés por la investigación del comportamiento del usuario en las redes
sociales se ha incrementado recientemente debido a la gran velocidad con que
nuevos usuarios se incorporan a las mismas, utilizándolas como un medio para
expresarse e intercambiar información diariamente (Java, Song, Finin, &
Tseng, 2007). La facilidad con la que se pueden obtener grandes cantidades de
información proveniente de la interacción de las personas en las redes sociales
como Twitter, Facebook, Google+, etc., hace posible el estudio del
comportamiento de los usuarios desde diferentes perspectivas (Jansen, Zhang,
Sobel, & Chowdury, 2009; Grossman, 2009). Utilizamos la red social de
Twitter para realizar este trabajo, ya que es una de las principales redes
sociales actualmente, que ha crecido considerablemente en los últimos años
(Twitter, 2010). Twitter se basa en la publicación de pequeños mensajes o
comentarios llamados tweets los
cuales tienen un límite de 140 caracteres. Cada usuario puede elegir a las
personas de las que desea recibir actualizaciones de comentarios según sea su
interés. Cuando un usuario desea obtener dichas actualizaciones de comentarios
se dice que el usuario es seguidor (“follower“) del otro
usuario. Twitter se ha utilizado en diversas investigaciones como la detección
de terremotos (Sakaki, Okazaki, & Matsuo, 2010), estudio de la personalidad
(Ryan & Xenos, 2011; Qiu, Lin, Ramsay, & Yang, 2012) o en fenómenos
sociales como una revolución (Attia, Aziz, Friedman, & Elhusseiny, 2011;
Lysenko & Desouza, 2012).
En este trabajo
utilizamos minería de texto en los comentarios de los usuarios provenientes del
área metropolitana de la ciudad de Monterrey, Nuevo León, México. La minería de
texto es un proceso que consiste en extraer información útil de conjuntos
grandes de documentos de texto e identificar automáticamente patrones
interesantes y relaciones en datos textuales (Feldman & Sanger, 2006). De
esta forma, pudimos analizar el comportamiento de los usuarios en las redes sociales
con respecto al apoyo social, realizando un estudio correlacional del lenguaje
utilizado en ellas. El propósito es confirmar que las redes sociales son
utilizadas actualmente para brindar apoyo social, y que esto forma parte del
comportamiento masivo de las personas en las redes sociales. Este conocimiento
es importante, ya que se pueden crear espacios en Internet especializados para
ayudar a personas que necesitan apoyo u orientación psicológica, o utilizar
directamente cuentas de usuario registradas en diferentes redes sociales con el
fin de ser utilizadas como un medio para brindar este soporte.
En
la ciudad de Monterrey se ha registrado un incremento en la violencia en años
recientes. La figura 1 muestra una gráfica con información sobre los delitos denunciados
ante la Procuraduría General de Justicia (PGJ). Dicha institución ofrece datos
estadísticos sobre el número de delitos denunciados. Según su página Web (http://www.nl.gob.mx/?P=proc_general_justicia),
“La Procuraduría General de Justicia del Estado es la dependencia del Poder
Ejecutivo que representa a la institución del Ministerio Publico, encargada de
defender los intereses de la sociedad debiendo, por lo tanto, organizar,
controlar y supervisar esta institución, vigilando, a su vez, el cumplimiento
de las leyes, promoviendo y coordinando la participación ciudadana en la
actividad de la prevención del delito, a fin de lograr la procuración de
justicia.”. Se ha demostrado que la exposición a actos de violencia puede crear
trastornos psicológicos (Kataoka, Langley, Stein, Jaycox, Zhang, Sánchez &
Wong, 2009; Elze, Stiffman, & Dore, 2011) pero también que estos trastornos
podrían llegar a resolverse mediante el apoyo social (Brookmeyer, Henrich,
Cohen, & Shahar, 2011). La gente está expuesta al terrorismo se ve afectada
psicológicamente, lo cual provoca problemas en la salud física y mental. Estos
problemas con respecto a la salud física incluyen pérdida de peso, caída del
cabello, obesidad, insomnio, entre otras, y problemas de salud mental como
depresión, desórdenes alimenticios o histeria, tan solo por mencionar algunos.
Estudios como el de (Henrich & Shahar, 2008) en Israel, señalan que los
adolescentes que han sufrido ataques terroristas pueden superar el trauma si
reciben apoyo social.
Figura 1. Delitos denunciados según la PGJ.
Figura 1. Delitos denunciados según la PGJ.
Método
Para
realizar el análisis de correlación utilizamos comentarios provenientes de
usuarios de la red social de Twitter. Extrajimos un conjunto de tweets de usuarios provenientes del área
Metropolitana de Monterrey, seleccionando aquellos que contienen palabras
relacionadas con el Apoyo Social y la Violencia. Estos datos fueron resumidos
por día durante un periodo de 1 año que comprende del 1 de diciembre de 2010 al
1 de diciembre de 2011. Las correlaciones fueron calculadas utilizando las
cantidades diarias de comentarios relacionados con cada tema. Finalmente,
realizamos un conteo de tweets relacionados
con el Apoyo Social que son dirigidos a otros usuarios mediante mención cuando
estos escriben comentarios relacionados con la Violencia. La mención en Twitter
se conoce como el acto de escribir el nombre de otro usuario en el comentario
(Twitter, 2013). Cuando un usuario hace una mención de otro usuario, este
último recibe una notificación del comentario para su lectura, por lo que las
menciones pueden ser consideradas como mensajes personales aunque sean vistos
por muchos otros usuarios.
El
proceso de extracción de usuarios de Twitter se llevó a cabo utilizando una
herramienta informática llamada TwitterAPI, que es una librería de funciones
que permiten automatizar la búsqueda de usuarios y comentarios dentro de la red
social de Twitter, utilizando un lenguaje de programación. TwitterAPI puede ser
utilizada gratuitamente y es publicada por la misma empresa en su página de
Internet (http://dev.twitter.com).
Esta herramienta permite realizar búsquedas a partir de ciertos términos dados
y obtener una lista de tweets publicados
recientemente que se relacionan con las palabras claves proporcionadas.
Originalmente, realizamos una búsqueda con la palabra “Monterrey” y obtuvimos
una muestra de 100 usuarios, que en su descripción especificaban que vivían o
se encontraban en la ciudad de Monterrey. Twitter permite a los usuarios crear
un perfil que los describa brevemente para que otros los conozcan y puedan
establecer una relación de amistad, si así lo desean (convertirse en follower). Como parte de este perfil se encuentra la
posibilidad de agregar el lugar donde se encuentran. Posteriormente, para cada
usuario obtuvimos su lista de contactos buscando usuarios que al igual que
ellos publicaran su localización en el área metropolitana de Monterrey; los
municipios de Guadalupe, San Nicolás, San Pedro, Escobedo y Apodaca. El
siguiente usuario, para inspeccionar su lista de contactos, fue elegido por
tener la mayor cantidad de usuarios de Monterrey que lo tienen como contacto.
Siguiendo este proceso obtuvimos 80867 usuarios, cuyo conjunto llamaremos M1, junto con los últimos 1000 tweets publicados por cada uno de ellos. De estos
usuarios separamos 8721, cuyo conjunto llamaremos M2, (M2
M1), que fueron
elegidos por haber estado activos durante el periodo del 1 de diciembre de 2010
al 1 de diciembre de 2011, y publicando por lo menos 1 comentario en cada mes;
así mismo, se comprobó que los usuarios se hubieran registrado en la red social
antes del periodo de investigación.
M1), que fueron
elegidos por haber estado activos durante el periodo del 1 de diciembre de 2010
al 1 de diciembre de 2011, y publicando por lo menos 1 comentario en cada mes;
así mismo, se comprobó que los usuarios se hubieran registrado en la red social
antes del periodo de investigación.
Para
realizar el análisis de correlación de los comentarios que se relacionan con la
Violencia y el Apoyo Social, es necesario crear una representación de dichos
temas y posteriormente detectar los comentarios relacionados con ellos. Para
representar los temas de Violencia y Apoyo Social utilizamos conjuntos de
palabras características de cada tema, obtenidas utilizando una herramienta
informática llamada Lucene (http://lucene.apache.org).
Lucene también está disponible gratuitamente en su sitio web al igual que
TwitterAPI. Permite indexar y hacer búsquedas de documentos de texto en
repositorios grandes de documentos. Una característica importante de Lucene es
la de almacenamiento de datos estadísticos de las palabras, como la cantidad de
veces que se repite la palabra en un documento especifico o el total de
documentos en donde dicha palabra se menciona por lo menos una vez. Estos datos
numéricos se utilizan para calcular el valor TF-IDF (http://www.tfidf.com) de cada palabra en los
documentos. El valor TF-IDF (del inglés, Term Frecuency-Inverse Document
Frecuency) es un estadístico que representa la relevancia de una
palabra dentro de un documento y es utilizado con frecuencia en el área de
Recuperación de Información(Information Retrieval)
(Hiemstra, 2000). Utilizando Lucene, creamos una colección de documentos en
donde agregamos los 8721 usuarios de M2. Cada
documento representa un usuario y se formó mediante la concatenación de cada
uno de los tweet del usuario. Posteriormente, agregamos dos documentos que
representaban los temas de la Violencia y el Apoyo Social. Para crear estos
documentos hicimos una búsqueda de todos los tweets publicados
por los usuarios en M1 que
contenían palabras según el tema (Ver tabla 1) y mediante la concatenación de
estos tweetsformamos los documentos que introdujimos al
repositorio creado con Lucene. Estas palabras fueron elegidas para buscar los tweets relacionados con el Apoyo Social y la
Violencia, porque están relacionadas con los problemas que se viven en nuestra
ciudad y con el apoyo social. De esta forma, la colección se formó con 8721
documentos (uno por cada usuario de M2), más
2 documentos (los temas de Violencia y Apoyo Social). Nuestro repositorio
incluye en total 40186542 tweets, los cuales
fueron obtenidos durante el proceso de extracción de la muestra de los
usuarios. Con la búsqueda para el tema de Violencia se obtuvieron solamente
67.544 tweets, mientras que para el tema de Apoyo Social
obtuvimos 141.284 tweets.
Tabla 1
Palabras utilizadas para crear documentos que representan los temas de Violencia y Apoyo Social.
Palabras utilizadas para crear documentos que representan los temas de Violencia y Apoyo Social.
Utilizando
Lucene evaluamos el valor TF-IDF de cada palabra en los documentos de Violencia
y Apoyo Social. El cálculo del valor estadístico fue obtenido utilizando la
fórmula 1. Donde w representa la palabra, fw,d representa el número de veces que
aparece la palabra w en el
documento d, D es el conjunto de todos
los documentos yfw,D es el
número de documentos en donde aparece la palabra w.
Resultados y discusión
Figura
2. Frecuencia de uso diario de palabras
relacionadas con Violencia y Apoyo Social durante el periodo del 1 de diciembre
de 2010 al 1 de diciembre de 2011.
La correlación entre ambos tipos de frecuencias es de 0.8502, la cual es indicativa de una relación lineal muy fuerte entre ambas cantidades diarias. Si excluimos los comentarios del caso “Casino Royale“, es decir, todos aquellos que fueron publicados en esa fecha, obtenemos una correlación de .9082. La figura 3 muestra una gráfica de puntos en la cual se evidencia la relación lineal que existe entre la frecuencia de uso de estas palabras. Además, observamos en la figura 2 una tendencia creciente en la cantidad de comentarios publicados. Atribuimos este crecimiento a una posible adopción de Twitter por parte de los usuarios en su vida diaria y la forma de comunicarse. Dicha adopción pudo ser gradual durante el tiempo observado. Recordemos que los usuarios de nuestra muestra fueron elegidos por haber estado activos durante todo el año y haberse registrado antes del periodo de investigación. Otro factor que puede influir es la confianza que los usuarios van teniendo para expresarse libremente en las redes sociales. En la figura 4 vemos una gráfica que muestra la cantidad total de comentarios publicados diariamente. Los comentarios totales muestran un comportamiento visiblemente diferente.
Figura
4. Cantidad total de comentarios por fecha.
Tabla 3
Estadísticas descriptivas de la respuesta de los usuarios utilizando mención.
Se
observa un patrón de ondulaciones. Los puntos más bajos de las ondulaciones
corresponden con los fines de semana, en cuyos días la gente tiende a publicar
menos comentarios. Si bien, el pico de los comentarios del caso “Casino Royale”
sigue siendo visible el 25 de agosto de 2011, no es tan impresionante como en
la figura 2, y en general se observa la misma tendencia creciente. La
correlación de la frecuencia de uso diario de palabras relacionadas con el
Apoyo Social y la cantidad total de tweetspublicados es
de 0.9280, mientras que la frecuencia de uso diario de palabras relacionadas
con la Violencia y la cantidad total de tweets es de
0.6796. Esto quiere decir que además de la cantidad total de tweets, la cantidad de palabras relacionadas con la
Violencia depende de otros factores para incrementarse. Estos factores pueden
ser realmente eventos violentos que afectan a la población. La figura 5 muestra
una gráfica que describe el comportamiento de los usuarios en Twitter, cuando
los usuarios de M2 publican un
comentario relacionado con la Violencia. Estos recibirán una respuesta por
parte de los usuarios de M1. Como
(M2M1), nos
referimos a una respuesta proveniente de cualquier usuario. Lo importante en el
caso de la mención en Twitter es que los usuarios reciben una notificación de
dicho mensaje, por lo que se consideran mensajes personales en una conversación
entre dos o más personas, aunque los mensajes son vistos por cualquier usuario
dentro de la red social. La cantidad de comentarios relacionados con la
Violencia producidos por los usuarios deM2 tiene
una correlación de 0.8239 con los comentarios producidos por los usuarios deM1 que mencionan usuarios de M2 y están relacionados con el Apoyo
Social. Un intervalo de confianza con 
= 0.05 para la media de
comentarios de Apoyo Social por comentario de violencia es de 27.71% a 30.60%
para todo el año. Si excluimos el día 24 de diciembre de 2010 en donde se
alcanza el porcentaje más alto de todo el año (191%), obtenemos un intervalo de
confianza con = 0.05 para la media de
27.55% a 29.87%. Esto quiere decir que los usuarios que publican comentarios
relacionados con Violencia recibirán una respuesta de otros usuarios
(probablemente desconocidos), con una frecuencia de casi un 30%. La tabla 3
muestra estos resultados. Se debe tener en cuenta que esta frecuencia está
calculada considerando todo el conjunto de usuarios en M2, una investigación a nivel de usuario
seria apropiada para cuantificar el Apoyo Social recibido en redes sociales.
M1), nos
referimos a una respuesta proveniente de cualquier usuario. Lo importante en el
caso de la mención en Twitter es que los usuarios reciben una notificación de
dicho mensaje, por lo que se consideran mensajes personales en una conversación
entre dos o más personas, aunque los mensajes son vistos por cualquier usuario
dentro de la red social. La cantidad de comentarios relacionados con la
Violencia producidos por los usuarios deM2 tiene
una correlación de 0.8239 con los comentarios producidos por los usuarios deM1 que mencionan usuarios de M2 y están relacionados con el Apoyo
Social. Un intervalo de confianza con = 0.05 para la media de
comentarios de Apoyo Social por comentario de violencia es de 27.71% a 30.60%
para todo el año. Si excluimos el día 24 de diciembre de 2010 en donde se
alcanza el porcentaje más alto de todo el año (191%), obtenemos un intervalo de
confianza con = 0.05 para la media de
27.55% a 29.87%. Esto quiere decir que los usuarios que publican comentarios
relacionados con Violencia recibirán una respuesta de otros usuarios
(probablemente desconocidos), con una frecuencia de casi un 30%. La tabla 3
muestra estos resultados. Se debe tener en cuenta que esta frecuencia está
calculada considerando todo el conjunto de usuarios en M2, una investigación a nivel de usuario
seria apropiada para cuantificar el Apoyo Social recibido en redes sociales.
Conclusiones
Analizamos el
comportamiento de los usuarios de Twitter provenientes del área metropolitana
de Monterrey, Nuevo León, México. Los resultados indican que en las redes
sociales las personas reciben Apoyo Social de otros usuarios que pueden ser
conocidos o desconocidos para ellos. Cuando los usuarios escriben comentarios
relacionados con la Violencia es probable que escriban también comentarios
relacionados con el Apoyo Social dada la alta correlación que tienen. A su vez,
cuando un usuario publica un comentario relacionado con la Violencia existe una
probabilidad de que reciba comentarios de Apoyo Social mediante mención. En
trabajos futuros se podría proponer una medida del Apoyo Social en las redes
sociales e investigar el porcentaje proveniente de conocidos en persona,
conocidos solo en línea y desconocidos. Existen otros tipos de violencia que se
han investigado frecuentemente, como es el caso de la violencia contra la mujer
en México y su relación con el uso de drogas y el alcohol (Pérez, Pérez, &
Rodríguez, 2008; Alonso, López, Esparza, Martínez, Guzmán & Alonso, 2011).
Se podría realizar un análisis del comportamiento de dichas mujeres en redes
sociales para observar si buscan y reciben apoyo.
Referencias
Albrecht,
T., & Adelman, M. (1987). Communicating social support. Sage Publications, Inc.
Albrecht, T., Goldsmith, D., & Thompson, T.
(2003). Social support, social networks, and health. Handbook
of health communication, 263-284.
Alonso
Castillo, M., López García, K., Esparza Almanza, S., Martínez Maldonado, R.,
Guzmán Facundo, F., & Alonso Castillo, B. (2011). Violencia contra la mujer
y su relación con el consumo de drogas en el área metropolitana de monterrey,
nuevo león, México. Investigación en Enfermería.
Imagen y Desarrollo, 11 (1).
Attia,
A., Aziz, N., Friedman, B., & Elhusseiny, M. (2011). Commentary: The impact of social networking tools
on political change in egypts revolution 2.0. Electronic Commerce Research
and Applications, 10 (4), 369-374. doi:10.1016/j.elerap.2011.05.003
Beran, T., & Li, Q. (2005). Cyber-harassment: A
study of a new method for an old behavior. Journal of educational
Computing Research, 32 (3), 265-277. doi:10.2190/8YQM-B04H-PG4D-BLLH
Brookmeyer, K., Henrich, C., Cohen, G., &
Shahar, G. (2011). Israeli adolescents exposed to community and terror
violence: The protective role of social support. The Journal of Early Adolescence, 31 (4), 577-603.
doi:10.1177/0272431610366247
Caplan, G. (1974). Support
systems and community mental health: Lectures on concept development. Behavioral
Publications.
Chen, G. (2011). Tweet this: A uses and
gratifications perspective on how active twitter use gratifies a need to
connect with others. Computers in Human Behavior ,
27 (2), 755-762. doi:10.1016/j.chb.2010.10.023
Cobb, S. (1976). Presidential address-1976. social
support as a moderator of life stress. Psychosomatic medicine,
38 (5), 300-314.
Cohen, S., & McKay, G. (1984). Social support,
stress, and the buffering hypothesis: A theoretical analysis. Handbook of psychology and health, 4 , 253-267.
Dean, A., & Lin, N. (1977). The
stress-buffering role of social support. Journal of Nervous and
Mental Disease; Journal of Nervous and Mental Disease, 162(6),
403-417. doi:10.1097/00005053-197712000-00006
Dimond, J., Fiesler, C., & Bruckman, A. (2011).
Domestic violence and information communication technologies. Interacting with Computers, 23 (5), 413-421.
doi:10.1016/j.intcom.2011.04.006
Ellison, N., Steinfield, C., & Lampe, C.
(2006). Spatially bounded online social networks and social capital. International Communication Association, 36
(1-37).
Ellison, N., Steinfield, C., & Lampe, C.
(2007). The benefits of facebook friends: social capital and college students
use of online social network sites. Journal of Computer-Mediated
Communication, 12 (4), 1143-1168.
doi:10.1111/j.1083-6101.2007.00367.x
Elze, D., Stiffman, A., & Dore, P. (2011). The
association between types of violence exposure and youths’mental health
problems. International Journal of Adolescent Medicine
and Health, 11 (3-4), 221-256. doi:10.1515/IJAMH.1999.11.3-4.221
Feldman, R., & Sanger, J. (2006). The text mining handbook: advanced approaches in analyzing
unstructured data. Cambridge University Press.
Flynn, K., Piña, I., Whellan, D., Lin, L.,
Blumenthal, J., Ellis, S., . . . others (2009). Effects of exercise training on
health status in patients with chronic heart failure. JAMA: the journal of the American Medical Association,
301 (14), 1451-1459. doi:10.1001/jama.2009.457
Ganster, D., & Victor, B. (2011). The impact of
social support on mental and physical health. British Journal of Medical
Psychology, 61 (1), 17-36.
doi:10.1111/j.2044-8341.1988.tb02763.x
Grossman, L. (2009). Iran protests: Twitter, the
medium of the movement. Time Magazine, 17.
Henrich, C., & Shahar, G. (2008). Social
support buffers the effects of terrorism on adolescent depression: Findings from
sderot, israel. Journal of the American Academy of Child &
Adolescent Psychiatry, 47 (9), 1073-1076.
doi:10.1097/CHI.0b013e31817eed08
Hernández,
R., & Ramírez, M. (2006). Apoyo social en mujeres de familias
monoparentales y biparentales psicología y salud, julio-diciembre, año/vol. 16,
número 002 Universidad Veracruzana Xalapa, México. Psicología y Salud, 16 (2), 149-157.
Hiemstra, D. (2000). A probabilistic justification
for using tf× idf term weighting in information retrieval. International Journal on Digital Libraries, 3 (2),
131-139. doi:10.1007/s007999900025
Jansen, B., Zhang, M., Sobel, K., & Chowdury,
A. (2009). Twitter power:Tweets as electronic word of mouth. Journal of the American society for information science and
technology, 60 (11), 2169-2188. doi:10.1002/asi.21149
Java, A., Song, X., Finin, T., & Tseng, B.
(2007). Why we twitter: understanding microblogging usage and communities. In Proceedings of the 9th webkdd and 1st sna-kdd 2007 workshop on web
mining and social network analysis (pp. 56-65).
doi:10.1145/1348549.1348556
Joinson, A. (2008). Looking at, looking up or
keeping up with people?: motives and use of facebook. In Proceedings of the twenty-sixth annual sigchi conference on human
factors in computing systems (pp. 1027-1036). doi:10.1145/1357054.1357213
Kataoka, S., Langley, A., Stein, B., Jaycox, L.,
Zhang, L., Sanchez, N., & Wong, M. (2009). Violence exposure and ptsd. Journal of child and family studies, 8 (3), 334-341.
doi:10.1007/s10826-008-9235-9
LaCoursiere, S. (2001). A theory of online social
support. Advances in Nursing Science, 24 (1), 60-77.
Langford, C., Bowsher, J., Maloney, J., &
Lillis, P. (2008). Social support: a conceptual analysis. Journal
of Advanced Nursing, 25 (1), 95-100.
doi:10.1046/j.1365-2648.1997.1997025095.x
Lysenko, V., & Desouza, K. (2012). Moldova’s
internet revolution: Analyzing the role of technologies in various phases of
the confrontation. Technological Forecasting and
Social Change, 79 (2), 341-361. doi:10.1016/j.techfore.2011.05.009
Pérez, P., Pérez, E., & Rodríguez, L. (2008). Violencia
y familia en nuevo león.
CIENCIA UANL, 11 (1), 87-92.
CIENCIA UANL, 11 (1), 87-92.
Qiu,
L., Lin, H., Ramsay, J., & Yang, F. (2012). You are what you tweet: Personality expression and
perception on twitter. Journal of Research in
Personality, 46 (6), 710 – 718. doi:10.1016/j.jrp.2012.08.008
Raacke, J., & Bonds-Raacke, J. (2008). Myspace
and facebook: Applying the uses and gratifications theory to exploring
friend-networking sites. CyberPsychology & Behavior ,
11 (2), 169-174. doi:10.1089/cpb.2007.0056
Ryan, T., & Xenos, S. (2011). Who uses
facebook? an investigation into the relationship between the big five, shyness,
narcissism, loneliness, and facebook usage. Computers in Human Behavior ,
27 (5), 1658-1664. doi:10.1016/j.chb.2011.02.004
Sakaki, T., Okazaki, M., & Matsuo, Y. (2010).
Earthquake shakes twitter users: real-time event detection by social sensors.
In Proceedings of the 19th international conference on world wide web (pp.
851-860). doi:10.1145/1772690.1772777
Schroevers, M., Helgeson, V., Sanderman, R., &
Ranchor, A. (2010). Type of social support matters for prediction of
posttraumatic growth among cancer survivors.Psycho-Oncology, 19
(1), 46-53. doi:10.1002/pon.1501
Slonje, R., Smith, P., & Frisén, A. (2012). The
nature of cyberbullying, and strategies for prevention. Computers in Human Behavior , 29 (1), 26-32.
doi:10.1016/j.chb.2012.05.024
Twitter, I. (2010). Measuring
tweets. http://blog.twitter.com/2010/02/measuring-tweets.html.
(Descargado el 27 de Noviembre de 2012)
Twitter, I. (2013). What are
@replies and mentions?
http://support.twitter.com/articles/14023-what-are-replies-and-mentions.
(Descargado el 20
de Enero de 2013)
http://www.psicologiacientifica.com/correlacion-de-comentarios-en-twitter-apoyo-social-y-violencia/
http://www.psicologiacientifica.com/correlacion-de-comentarios-en-twitter-apoyo-social-y-violencia/
