我们调整了有针对性的抽样方法，以选择SFBA和GLA的大麻药房。传统上，这些方法被用于社会科学和公共卫生研究，以接触社区或医疗环境之外的"隐藏"人群(如医用大麻患者或注射吸毒者)[gydF4y2Ba 20.gydF4y2Ba］．目标抽样整合了街道民族志、理论抽样、分层调查抽样、定额抽样和受访者驱动抽样的组成部分[gydF4y2Ba 21gydF4y2Ba-gydF4y2Ba 24gydF4y2Ba］．由于它通过有目的和严格的过程来改进方便样本，越来越多的研究已经使用目标抽样来招募具有代表性的样本，这些样本与通过随机抽样技术获得的样本相当[gydF4y2Ba 25gydF4y2Ba-gydF4y2Ba 28gydF4y2Ba］．gydF4y2Ba

在加州大麻药房的背景下，我们包括了来自旧金山医疗药房计划、奥克兰大麻监管委员会、伯克利医用大麻委员会和洛杉矶医用大麻ID计划的持牌、注册和商业分区的药房。然后，我们将初始数据库与Leafly、WeedMaps和THCFinder进行了交叉引用，这三家流行的大麻网站允许用户在美国各地(包括加利福尼亚州)定位药房。这些网站包括简化的平台，提供关于社交网络个人资料的全面信息，这使我们能够扩大我们最初的数据库，并在Twitter上创建更大的药房账户集。在最后的药房账户样本中，我们收集了截至2016年2月16日的关注者的账户id和最后3200条可用推文。最后，从账户的元数据中得出了12种网络行为，分为三大类:账户年龄、发布频率和推文组成(gydF4y2Ba 表1gydF4y2Ba)．gydF4y2Ba

有了每个药房及其追随者的账户信息，我们从药房网络中创建了一个投影，边缘权重表示共享的追随者[gydF4y2Ba 29gydF4y2Ba］．由于采样的药房账户的关注者分布高度向右倾斜，我们通过计算共享关注者与潜在共享关注者的比例来标准化两个药房之间的关注者数量，其中gydF4y2Ba 潜在的共同关注者gydF4y2Ba是两个药房的最小追随者数。与Jaccard指数相似，该测量计算了一个投影函数，该函数确定了药房之间共享的潜在追随者[gydF4y2Ba 30.gydF4y2Ba，gydF4y2Ba 31gydF4y2Ba］．如所述gydF4y2Ba 图1gydF4y2Ba，两个假设的药房共享6个潜在共享追随者中的4个，得到66%的投影函数。gydF4y2Ba

鲁汶方法[gydF4y2Ba 32gydF4y2Ba]用于检测SFBA和GLA的药房社区。这种无监督算法发现大型网络的社区，并通过迭代的两阶段过程为网络提供了一个层次结构，最大限度地提高了模块化。该方法首先选择一个随机药房(即节点)，并将该药房分配给它的一个邻近药房的社区，直到网络中所有现有药房都分配给一个社区。在第二阶段中，每个药房代表第一阶段的一个社区，而药房之间的边代表这两个社区中药房之间先前连接的权重之和。在每个城市重复优化模块化和构建元网络这两个阶段，直到找到模块化值最大的网络。gydF4y2Ba

在创建网络数据和计算社区后，我们使用力向图绘制算法将每个城市的网络可视化。这种网络可视化算法将具有更多共同追随者潜力的节点彼此放置得更近，并排斥潜力有限或没有潜力的节点。为了本研究的目的，来自同一社区的药房使用彩色节点进行可视化。gydF4y2Ba

对于这12种网络行为，我们计算了描述性统计数据来描述每个城市的社区。研究人员还进行了Wilcoxon秩和和和Kruskal-Wallis检验，以探讨城市和社区之间在12种网络行为上是否存在统计学上的显著差异。然后，我们使用网络行为的12x12相关矩阵进行主成分因子分析(PCA)，以提取有经验意义的维度。PCA提供了一种方法来解决网络行为之间的多重共线性，并得到一组更简洁的维度来解释数据的可变性。最后，我们采用二次判别分析(QDA)来确定提取的网络行为的分类精度[gydF4y2Ba 33gydF4y2Ba］．为了本研究的目的，QDA为每个城市制作了分类表，允许使用从主成分分析中提取的网络行为维度区分模块化类。gydF4y2Ba

整体而言，共检查119个药房帐户，其中SFBA有61个，GLA有58个。每个网络行为的平均值显示在gydF4y2Ba 表2gydF4y2Ba．SFBA和GLA的每个账户平均成立时间约为3年。发帖频率和推文频率的网络行为在两个城市之间具有高度的可比性。虽然SFBA的药房账户比GLA的账户在推特上花费更多的天数和发送更多的推特，但没有发现显著差异。gydF4y2Ba

图2gydF4y2Ba可视化SFBA和GLA药房的两个共享追随者网络。节点的大小对应于关注者的总数，边缘的厚度表示共享关注者的潜力，节点的颜色参考了来自鲁汶方法的社区分类。总体而言，SFBA和GLA的每对账号之间共享粉丝的分布有所不同。SFBA的共享关注者范围为0.2%至71%，而GLA的共享关注者范围为3%至46%。gydF4y2Ba

在SFBA网络中，21% (n=13，用绿色标记)的药房位于连接较弱的社区，所有成员都有适度的Twitter粉丝。另外38% (n=23，用橙色标记)位于相当集中的药房社区，较小的账户之间有很强的相互联系。最大的社区占样本的41% (n=25，用紫色标记)，并且通过最受欢迎的药房有很强的相互联系。在GLA中，占网络38% (n=22，用橙色标记)的社区拥有两个拥有最多追随者的药房，尽管其成员之间的联系很弱。一个小而弱连接的网络占网络的17% (n=10，用绿色标记)，只有两个拥有相对较大的追随者群体。尽管Twitter上的粉丝数量不多，但剩下的45%的网络(n=26，用紫色标记)形成了最大、最紧密的联系社区，这表明任何一对成员之间都有相当一部分的共享粉丝。gydF4y2Ba

子图中(gydF4y2Ba 图3gydF4y2Ba)，我们重新校准了联系强度，并认为当一对给定药房的共享追随者的比例高于两个城市中任意一对给定药房之间共享追随者潜力的95%时，存在优势。我们测试了共享追随者潜力的各种阈值:中位数、第三四分位数(第75百分位数)、第90百分位数和第95百分位数。由于发现了高度一致的网络图，因此使用第95百分位作为最终阈值，以生成社交网络中联系强度最强、视觉清晰度最好的子图。gydF4y2Ba

作为gydF4y2Ba 图3gydF4y2Ba例如，有一家药房在SFBA特别受欢迎，它不仅吸引了比同行更多的追随者，而且与追随者的联系也更紧密。相比之下，GLA的大型药房不像SFBA的大型药房那样紧密联系和集中，因为它们没有很多追随者(gydF4y2Ba 图3gydF4y2Ba)．虽然他们中的四个似乎很受一大批追随者的欢迎，但他们占据了不同的网络位置，并通过一个较小但高度集中和相互联系的药房吸引了不同的Twitter用户群体。此外，有一群关系良好的药房，有一群人数不多，但大多是共享的追随者。gydF4y2Ba

中所提取社群的网络行为平均值gydF4y2Ba 多媒体附件1gydF4y2Ba．在SFBA中，弱连接的橙色社区拥有较低的每日最大推文率、每日平均推文率、话题标签率和用户提及率，尽管其发送推文的天数和百分比最高。相比之下，中度连接的绿色社区和强连接的紫色社区有更高的推文频率，以及更多的用户参与度(例如，提及和转发)、标签使用、嵌入式媒体和超链接。SFBA社区之间的帐户年龄、推文总天数、每天平均推文数和媒体推文百分比存在显著差异。对于GLA药房来说，高度连接的紫色社区在推特、嵌入式媒体、标签使用和超链接的天数中占比最高。弱连接的绿色和橙色社区往往拥有更高的账户年龄、总推文天数和总推文数。GLA群体之间的唯一显著差异是在帐户年龄上发现的。gydF4y2Ba

主成分因子分析得出五个相关因子(特征值>1.0)描述了SFBA药房的Twitter行为(gydF4y2Ba 表3gydF4y2Ba)．SFBA的第一个影响因素为gydF4y2Ba 活动gydF4y2Ba(特征值=4.3)，包括用户日消息频率的3种行为:每天最多tweets、每天平均tweets和每天tweets绝对偏差的中位数。第二个因素，gydF4y2Ba 年龄gydF4y2Ba(特征值=3.2)，包括两项:帐户年龄和带有图像和视频等媒体的推文百分比，这表明在具有较老帐户的SFBA药房中存在特定的Twitter使用模式，这些帐户不太可能在其推文中包含媒体。gydF4y2Ba

我们将SFBA药房的第三个因素归类为gydF4y2Ba 长寿gydF4y2Ba(特征值=1.4)，推文总天数和推文天数百分比均加载到该维度，其次为gydF4y2Ba 订婚gydF4y2Ba(特征值=1.2)，其中转发(即阅读原始推文的用户转发或与他人分享的推文)和提及(即推文中包含另一个用户帐户)的推文百分比都加载在这个因子上。粘性维度捕捉用户在Twitter上如何相互互动。最后,gydF4y2Ba 引用gydF4y2Ba(eigenvalue=1.0)包括两个将推文链接到其他信息源的项:带有标签(#)和超链接(http://).)的推文的百分比gydF4y2Ba

我们发现GLA药房的网络行为维度高度相似(gydF4y2Ba 表4gydF4y2Ba)．解释方差最大的因子是gydF4y2Ba 活动gydF4y2Ba(eigenvalue=3.0)，包括每日推文的平均值和每日加载量最大的推文的绝对偏差中位数。我们把第二个因素归类为gydF4y2Ba 长寿gydF4y2Ba(特征值=2.4)，考虑到账户年龄、发布推文的总天数和收集的推文总数显著加载到这个维度。从GLA数据中发现的第三个因素是gydF4y2Ba 订婚gydF4y2Ba(eigenvalue=1.8)，同样的两个行为项被加载到这个维度上。一个类似的gydF4y2Ba 引用gydF4y2Ba维度(eigenvalue=1.3)在GLA中被发现，尽管与SFBA中的超链接相比，标签伴随着带有多媒体内容的推文百分比的显著加载。对于GLA，一个显著的加载gydF4y2Ba 超链接gydF4y2Ba形成自己的维度(eigenvalue=1.3)。gydF4y2Ba

表5gydF4y2Ba说明了由网络行为维度(即列)分类的社区如何对应于通过鲁文方法(即行)识别的真实社区。如加粗对角线所示，该维度正确划分了SFBA 75%(46/61)的药房社区。橙色群落的分类精度最高，其次是绿色和紫色群落。gydF4y2Ba

在GLA中，各维度对药房社区的分类准确率为71%(41/58)，橙色和紫色社区的分类准确率较高(gydF4y2Ba 表6gydF4y2Ba)．只有20%的绿色社区被正确分类，很可能是由于样本量有限。中每个城市的QDA中维度的附加负载统计信息gydF4y2Ba 多媒体附件2gydF4y2Ba并像PCA中的因子负荷一样进行解释。gydF4y2Ba

作为一个流行的社交网络平台，Twitter可以让人们对有争议的社会现象进行快速的信息交流，它代表了一个不受监管的领域，大麻药房可以通过定期交流和与大量受众的接触形成社区。在这项研究中，SFBA和GLA的网络都包括一组极具影响力的药房，拥有大量共同的追随者。然而，SFBA的网络结构比GLA的网络结构更强连接和集中，GLA有4个大型药房，占据相对独立的网络空间。在这两个城市中，连接最紧密的药房拥有更新的账户，更高的日常活动，更频繁的用户参与，以及更多的嵌入式媒体、关键字和超链接的使用。因此，每个城市的社区之间的网络结构和网络行为都有显著差异，这为上下文指标提供了证据，可以用于监视Twitter上药房之间的信息交换。gydF4y2Ba

在大型且相互关联的药房社区中，网络行为表明定期向共享的关注者发布推文，这些关注者可能包括具有强烈共同利益的患者、消费者和大麻行业人群。这些高度活跃的药房的年轻化也可能证明了新的营销策略的出现，这些策略简化了产品促销，共享信息，并在Twitter上更大的共享经济中培养品牌忠诚度[gydF4y2Ba 34gydF4y2Ba］．此外，这些社区表现出相对较高的用户参与度和引用量，这两个维度可能通过推特媒介的互动和快速传播大麻相关信息的合作网络行为来回报集体消费大麻[gydF4y2Ba 35gydF4y2Ba］．总之，这些社区的结构和维度特征表明，有影响力的药房可能会使用Twitter来提高其网站的社交流量，并扩大其社交网络[gydF4y2Ba 18gydF4y2Ba，gydF4y2Ba 36gydF4y2Ba-gydF4y2Ba 41gydF4y2Ba］．gydF4y2Ba

相比之下，网络边缘的药房共享关注者潜力较低，并表现出更多一般性的网络行为(例如，纯文本推文)，不向关注者提供吸引人的内容或其他资源的链接。由于社会经济地位较高的人群更有可能发送和接收超链接[gydF4y2Ba 42gydF4y2Ba-gydF4y2Ba 45gydF4y2Ba，这些药房可能缺乏资源来从事网络行为，使它们处于连接更紧密的网络空间，这些网络空间的特征是定期通信和与大量共享追随者的战略接触。的gydF4y2Ba 引用gydF4y2Ba而且gydF4y2Ba 超链接gydF4y2Ba因此，本研究中发现的维度可以作为加州大麻市场社会资本的关键背景衡量标准。事实上，几家大型药房能够通过增加在两个城市的中心核心之外占据自己的网络空间gydF4y2Ba 引用gydF4y2Ba而且gydF4y2Ba 超链接gydF4y2Ba，这可能有助于吸引与大麻消费相关的地区偏好、动机和规范的共同追随者[gydF4y2Ba 46gydF4y2Ba］．加州的几项研究发现，大麻药房更有可能聚集在大麻需求、消费和发病率较高的社区[gydF4y2Ba 47gydF4y2Ba-gydF4y2Ba 50gydF4y2Ba]，纳入地理空间数据的后续分析将更适合于确定网络位置如何对应于加利福尼亚州和其他州的药房社区的地理分布[gydF4y2Ba 51gydF4y2Ba］．gydF4y2Ba

关于药房之间的社区形成，我们将共享追随者概念化为一种亲和力形式，表明他们选择共同关注的药房具有共同的兴趣和从属关系。通过将这一功能整合到社交网络中以了解药房之间的相互联系，共享的追随者代表了一种可能在药房之间流动的潜在资源，并有助于形成社区，以应对药房之间独特的网络行为模式[gydF4y2Ba 52gydF4y2Ba-gydF4y2Ba 54gydF4y2Ba］．在公共卫生监测的大背景下，SFBA和GLA中构建的社会网络可以作为更严格研究的基础，以评估新的社会政策和法规如何破坏或促进社区形成和网络行为。此外，互联网上快速增长的药房数量表明，本研究中确定的网络行为可能是捕捉Twitter上发生的交流频率和类型的有用措施。gydF4y2Ba 55gydF4y2Ba，gydF4y2Ba 56gydF4y2Ba］．为了更好地理解这些措施的效用，并制定可扩展的策略，以监测Twitter和其他社交媒体平台上的大规模行业实践，有必要与研究人员、政策制定者和利益相关者进行协调努力。gydF4y2Ba 57gydF4y2Ba，gydF4y2Ba 58gydF4y2Ba］．gydF4y2Ba

虽然这项研究利用共享追随者潜力来了解药房之间的网络结构和社区形成，但我们承认社会网络可能以多种方式表现出来。一个严格的流动网络，而不是共享的追随者网络，在药房之间使用共享或点赞的推文，可能会展示不同的社会互动和信息传播动态[gydF4y2Ba 59gydF4y2Ba］．事实上，探索性分析显示，SFBA和GLA的药房之间的消息扩散水平非常低，这表明共享的关注者通常不会交换或直接参与药房的推文。考虑到引用维度，来自药房推文的内容也可以构建为一个语义网络，不仅说明了短语、关键字和标签之间的概念联系，而且还对大麻产品的定价和促销方式进行了分类[gydF4y2Ba 60gydF4y2Ba，gydF4y2Ba 61gydF4y2Ba］．虽然这些分析超出了本文的范围，但严格的内容分析将提供一个框架，用于创建一个分类系统，可以系统地训练该分类系统，以识别大麻产品的直接面向消费者的广告和其他特定类型的推文，如健康声明、行业事件、科学研究以及对州和联邦政策的看法[gydF4y2Ba 61gydF4y2Ba-gydF4y2Ba 63gydF4y2Ba］．gydF4y2Ba

类似地，网络行为维度区分社区的能力表明，元数据可以为Twitter上的药房和消费者行为提供额外的见解。利用药房类型(如非营利组织、送货和医疗服务)、州和地方法律规定以及地理空间特征等元数据来利用这些维度的大型研究，可能会改善对药房社区的检测[gydF4y2Ba 64gydF4y2Ba］．例如，像随机块建模这样的计算方法可以用元数据提高社区检测的准确性gydF4y2Ba 先天的gydF4y2Ba关于它们相关性的假设[gydF4y2Ba 65gydF4y2Ba］．换句话说，这些方法可以学习(如无监督和半监督)是否存在重要的相关性，并根据元数据是否为网络结构和社区形成提供有用的信息，随后使用或忽略元数据[gydF4y2Ba 65gydF4y2Ba］．最后，与PCA和其他潜在变量建模方法相比，探索性图分析、潜在网络建模和剩余网络建模等综合技术代表了新的和令人兴奋的方法，可以帮助获得更简洁的网络行为维度[gydF4y2Ba 66gydF4y2Ba，gydF4y2Ba 67gydF4y2Ba］．gydF4y2Ba

这项研究的结果表明，推特上的网络结构和药房行为的多个维度塑造了加州两个最大的大麻市场。随着加州在2016年11月的投票中成功通过了64号提案，21岁及以上成年人娱乐性大麻使用合法化进一步强调了确定在线大麻营销的政策影响的必要性，并通过可能影响基于人群的消费的网络行为的上下文测量来监测社区活动。此外，在线市场和移动应用程序的出现表明，药房的数字化已经开始将消费者从店面转移到高科技协作消费平台，这些平台可以个性化产品选择和自动化购买。随着推特作为这一数字范式转变的关键部分，本研究中使用的可扩展方法将作为更严格的设计的基础，纵向跟踪社区形成和药房之间的网络行为模式。gydF4y2Ba