社区构建：治疗社区居住者内源性网络形成、同质性与亲社会排序的复制数据

数据集获取

源站：https://search.dataone.org/view/sha256%3A0f397cc3587c6309979819ff67fbaa8726673dca3fd9bb6ed8c72050ab8c484c

标准获取流程：

1. 访问源站链接，注册/登录账号；
2. 进入数据集详情页，按页面指引申请权限或直接下载；
3. 部分平台提供 SDK，例如：
   • OpenDataLab: pip install openxlab 后 openxlab.dataset.get(...)
   • ModelScope: pip install modelscope 后 modelscope download
   • 天池: 登录后页面提供直链下载
     以源站「数据下载/使用文档」页面为准。

数据说明

Warren等（2020）《药物与酒精依赖》的复制数据。背景：研究者已开始关注社交网络如何影响治疗社区（TC）的治疗结果。然而，关于TC居民社交网络在治疗过程中如何发展的研究较少。方法：我们使用时间指数随机图模型（TERGM）分析了三个矫正TC中居民之间总计320，387次同伴肯定所构成的社交网络变化，其中一个TC服务于男性，两个TC同时服务于男性和女性。网络在每周和每月时间框架内进行分析。结果：在每周时间框架内，居民倾向于闭合三元组。此前没有联系的居民倾向于不肯定相同的同伴。居民表现出按入组队列的同质性。其他结果在各TC单元之间不一致。在每月时间框架内，参与者表现出按毕业状态的同质性。他们在有联系时表现出相同的三元组闭合模式，在无联系时倾向于不肯定相同的同伴，以及按队列入组时间的同质性，与每周时间框架中相同。

结论：TCs利用三种人类倾向来促成改变。第一种是合作者倾向于协同工作，在此情境下是为了寻求毕业。第二种是人们倾向于形成集群。第三种是同质性，此处表现为按同期入学时间聚集。与TC临床理论一致，当居民之前没有联系时，他们会向各种同伴传播肯定。这表明居民在网络聚类与对整个社区的关注之间取得了平衡。

数据加载示例（图像类）

from PIL import Image
import glob, os

files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)

# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path)  # 要求 子目录=类别

目录组织与标注格式以源站说明和下载后实际文件为准。