{"CACHEDAT":"2026-05-27 08:20:17","TRANSLATEDAT":"2026-05-27 08:20:17","SOURCESIGNATURE":"e60b88bd6d7b3c71f7e12fe57b14f89a9e6878cc2949671a0bb004fa9e4abe88","SLUG":"information-circulation-visibility-7ESlNDSxYa","MARKDOWN":"# Information Visibility & Prominence\n\nInformation Visibility refers to whether — and how prominently — specific information items, topics, sources, or accounts appear to users in digital environments. Information that exists in a platform's index or network does not automatically reach all users, nor reach them in the same way. \n\nVisibility is the outcome of two interacting forces: \n\n* how information is circulated (sharing, redistribution, spread) and \n* how it is surfaced prominently, pushed down, or filtered out.\n\n\n:::warning\n**Distinguishing reliability and visibility is essential for information literacy.**\n\n* **Reliability** depends on who created an item (author) and how it was edited (editorial review) — not on whoever shared it, on the environment it appeared in, or on how prominently it was surfaced.\n* **Visibility** depends on who shares an item, on the mechanisms that surface it, and on the practices through which it is amplified. Visibility is not a measure of reliability.\n\nFor example, a retweeted article: the account that shared it and the platform that surfaced it influenced its visibility — but the article has its own author and editorial history, whose reliability must be assessed separately.\n\n:::\n\n# Information Circulation: Sharing, Forwarding, Linking, Reposting, Quoting\n\nPeople, accounts (including bots), and organisations circulate existing information items by sharing, forwarding, linking, reposting, quoting, or otherwise redistributing them.\n\n→ When an item is passed on with added commentary, interpretation, or reframing, a new information item is created with a new author.\n\n# Source-Driven Information Promotion & Visibility\n\nPractices initiated by sources — those who create, publish, or promote information items. Sources include individual users, content creators, organisations, advertisers, and website operators. Unlike platform-driven mechanisms, these practices are driven by the sources themselves, who decide how to make their content visible. They operate in two modes: by adapting content to the platforms' ranking systems (Reach, Direct Addressing, SEO, SMO, Platform-specific Optimisation), or by paying directly for placement (Paid Placements).\n\n## Account Reach\n\nThe size and structure of a sharer's potential audience.\n\nSeveral factors determine reach:\n\n* #### follower or subscriber count\n* #### verification status \n* #### account standing: age, engagement history, platform reputation\n\nReach affects visibility in two ways:\n\n* *directly*: items shared by high-reach accounts appear in more feeds at the moment of sharing\n* *indirectly*: high-reach accounts generate more engagement signals, which platform algorithms then use to elevate items in ranking (→ Algorithmic Gatekeeping)\n\n→ Reach varies widely: a private account with 100 followers and a public account with one million followers operate at fundamentally different scales of influence on visibility.\n\n## Direct Addressing\n\nMechanisms by which sharers target specific recipients, producing immediate prominence for those users through platform notifications.\n\nExamples:\n\n* #### @mentions\n* #### tagging (in photos, posts, or threads)\n* #### quote-tweets & reply-mentions\n* #### group direct messages\n* #### mailing-list addressing (To, CC)\n\n→ Direct addressing differs from regular sharing: the targeted user receives the item directly via notification, regardless of whether they would otherwise have encountered it through their feed.\n\n→ Direct addressing is a hybrid mechanism. It operates user-side, but functions through platform infrastructure (notification systems). Its effect is immediate prominence for the addressed user.\n\n## Search Engine Optimisation (SEO)\n\nSource-side practices to adapt **websites** — their content, metadata, and link structure — so that they rank more prominently in **general-purpose search engine results** (Google, Bing, DuckDuckGo, etc.).\n\nCommon practices include:\n\n* keyword research and integration in titles, headings, body text\n* metadata optimisation (title tags, meta descriptions, alt text)\n* link building (acquiring inbound links from authoritative sites)\n* site structure and internal linking\n* page speed and mobile-friendliness\n* producing content that matches search intent\n\n→ SEO is the most formalised optimisation discipline because search engine ranking signals are relatively stable and well-documented (Lewandowski et al.). Specialised SEO professionals, agencies, and tools support its practice.\n\n→ SEO does not change how search engines rank pages — it adapts the website to fit existing ranking criteria. Publishers can shape what the algorithm sees, not how it decides.\n\n## Social Media Optimisation (SMO)\n\nSource-side practices to maximise visibility, engagement, and shareability of content on social media platforms.\n\nCommon practices include:\n\n* hashtag strategies (trending or topic-specific tags)\n* posting timing (when target audiences are active)\n* content format choices (short video, carousels, reels)\n* headline and hook design (catching attention quickly)\n* encouraging engagement (questions, polls, calls to action)\n* cross-platform repurposing of content\n\n→ SMO is less formalised than SEO because social media ranking signals are more opaque and platform-specific. Practices shift as algorithms change.\n\n## Platform-Specific Optimisation\n\nOptimisation strategies tailored to the conventions and ranking logics of individual platforms — beyond general SEO or SMO principles.\n\n* TikTok: hooking viewers in the first three seconds, using trending sounds, vertical short-form video\n* Instagram: high-quality visuals, Reels-first strategy, hashtag mixing\n* YouTube: thumbnail design, watch-time optimisation, keyword-rich titles and descriptions\n* LinkedIn: long-form professional posts, native publishing, networked engagement\n* X (Twitter): concise hooks, threads, replying to high-reach accounts\n\n→ Platform-specific optimisation requires understanding each platform's ranking system, audience behaviour, and content format preferences. What works on TikTok rarely works on LinkedIn.\n\n## Paid Placements & Advertising\n\nSource-side practice of paying for visibility — sponsored content placed alongside organic content, typically through advertising.\n\nCommon forms:\n\n* sponsored search results (search engine ads)\n* sponsored posts and promoted content (social media)\n* display ads (banners, videos)\n* influencer partnerships (paid collaborations)\n\n→ Paid placements bypass organic ranking systems: instead of optimising content to rank well, the source pays the platform directly for placement.\n\n→ They are sometimes clearly labelled (\"Sponsored\", \"Ad\"), sometimes only weakly distinguishable from organic results. Labelling standards vary by jurisdiction and platform. \n\n# Platform-Side Information Promotion & Gatekeeping\n\n\n:::warning\nWhat users actually see is rarely the product of a single mechanism. In a search engine, an algorithmically ordered list of organic results is presented alongside paid placements, AI-generated summaries, and sometimes editorial highlights — and the underlying ranking signals can be deliberately influenced through *Search Engine Optimisation*. In a social media feed, algorithmically ranked posts appear next to sponsored content, recommended accounts, and trending overlays. Each component follows its own logic and contributes to a composite visibility outcome.\n\n:::\n\n## Editorial Curation\n\nPlatform-side manual curation: information items deliberately featured by editorial teams or platform operators rather than surfaced through algorithmic ranking.\n\nExamples:\n\n* featured Snippets in search results\n* curated trending sections\n* editor-selected stories in news aggregators\n* platform-promoted hashtags\n* Editor's Picks in app stores\n* featured creators or accounts\n\n→ Editorial highlights sit alongside the algorithmic mechanisms and reflect the platform's own judgements about which content deserves prominent display.\n\n→ Unlike algorithmic gatekeeping (curation and personalisation), editorial gatekeeping involve human editorial choices by the platform itself. Functionally, this is a form of *Editorial Gatekeeping* ) — performed by the platform rather than by traditional publishers.\n\n## Algorithmic Gatekeeping\n\n**Algorithmic Gatekeeping** refers to the role of algorithms in deciding which information items reach which users — the digital counterpart to *Editorial Gatekeeping* (→ Information, Sources & Information Environments → Editorial Review). It involves both **selection** (what is surfaced and ranked highly) and **exclusion** (what is filtered, demoted, or hidden).\n\nAlgorithmic gatekeeping operates across different platform types:\n\n* in **search engines**, algorithms select and order results based on queries\n* in **social media feeds**, algorithms decide which posts appear more prominently\n* in **video platforms**, algorithms suggest what to watch next\n* in **AI-based answer systems**, algorithms generate, summarise, or synthesise responses\n\nAlgorithmic gatekeeping operates in two modes that often work together: general operations applied across all users (*Algorithmic Curation*), and individual tailoring based on tracked user signals (*Algorithmic Personalisation*).\n\n### Algorithmic Curation\n\nGeneral algorithmic operations applied across users — they shape what information is available on the platform, regardless of who the user is.\n\n* **Crawling and Indexing** — *Which information items become available for display?*\n  * search engines crawling the web\n  * content aggregators indexing news sources\n  * app stores cataloguing available apps\n* **Filtering and Moderation** — *Which items are blocked or down-ranked under platform rules?*\n  * spam filters\n  * removal of policy-violating content (hate speech, illegal content, graphic material)\n  * down-ranking of low-quality or misleading material\n* **Quality Scoring** — *Which sources or items are evaluated as more credible or higher-quality?*\n  * search engines penalising low-quality sites\n  * news aggregators ranking by source authority\n  * peer-review-influenced ranking on academic search engines\n* **Trending Detection** — *Which items are surfaced as currently popular?*\n  * trending topics on social platforms\n  * top charts on streaming services\n  * \"What's happening\" and \"Today's headlines\" sections\n  * popular hashtags\n\n→ Algorithmic curation defines the *pool* of information available on the platform. It largely operates the same way for all users.\n\n### Algorithmic Personalisation\n\nAlgorithmic operations that adapt the selection, order, and presentation of information to individual users based on their tracked signals. These signals accumulate over time into user histories that algorithms draw on.\n\n→ Two users on the same platform — even with the same query — typically see substantially different content.\n\n* **Personalised Ranking** — *Which items are ordered higher for this user?*\n  * personalised search results (location, history, profile shape ordering)\n  * social media feed ordering (\"For You\" feeds, \"Top posts\")\n  * engagement-based ranking — optimisation for predicted interaction, dominant on social media\n* **Recommendations** — *Which items are suggested to this user beyond what they actively requested?*\n  * \"Recommended for you\" video lists\n  * suggested accounts, groups, or topics to follow\n  * \"People you may know\"\n  * related articles, similar products, \"Up next\"\n* **Personalised Advertising** — *Which adverts are targeted to this user?*\n  * search ads tailored to past queries\n  * social media sponsored posts based on profile and behaviour\n  * retargeted display ads on websites\n  * influencer partnerships matched to audience interests\n\n→ Two users on the same platform — even with the same query — typically see substantially different content.\n\n→ Personalisation creates a **feedback loop**: what users do affects what they see next, and what they see next can influence what they do.\n\n#### ☑ User Signals Tracked by the Platform for Algorithmic Personalisation\n\nActions a user performs — actively or passively — within an information channel that may be tracked and used by algorithms to personalise the selection and visibility of information items.\n\n→ User actions are not limited to deliberate interactions such as clicking or liking. Many actions are passive or automatic, such as how long a user stays on a page, how far they scroll, or where they are located. Users are often unaware that these actions influence what they encounter next.\n\n| Type | What it is | Examples |\n|------|------------|----------|\n| **Explicit feedback** | Deliberate interactions the user chooses to perform | - searches / search queries<br>- clicks<br>- likes / reactions<br>- comments / replies<br>- shares / reposts / forwards<br>- follows / subscribes<br>- saves / bookmarks<br>- ratings / reviews<br>- purchases / downloads |\n| **Implicit behaviour** | Passive behavioural signals captured during use | - watch time / listen time / dwell time<br>- scroll behaviour (how far, how fast)<br>- hover behaviour<br>- skip behaviour |\n| **Contextual data** | Information about the situation in which the user is accessing the platform | - user's location data while using the application<br>- device type (e.g., phone or laptop)<br>- time of access |\n| **Account and social data** | Information from the user's profile and social connections | - profile information (age, interests, profession, gender)<br>- language settings<br>- linked accounts<br>- contact list / address book |\n\n\n:::info\n* Adomavicius, G., & Tuzhilin, A. (2011). Context-aware recommender systems. In F. Ricci, L. Rokach, B. Shapira, & P. B. Kantor (Eds.), *Recommender Systems Handbook* (pp. 217–253). Springer. <https://doi.org/10.1007/978-0-387-85820-3_7>\n* Kelly, D., & Teevan, J. (2003). Implicit feedback for inferring user preference: A bibliography. *ACM SIGIR Forum, 37*(2), 18–28. <https://doi.org/10.1145/959258.959260>\n* Li, W., Kuo, J.-C., Sheng, M., Zhang, P., & Wu, Q. (2025). Beyond explicit and implicit: How users provide feedback to shape personalized recommendation content. In *Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems (CHI '25)*. Association for Computing Machinery. <https://doi.org/10.1145/3706598.3713241>\n* Narayanan, A. (2023). *Understanding social media recommendation algorithms.* Knight First Amendment Institute, Columbia University. <https://knightcolumbia.org/content/understanding-social-media-recommendation-algorithms>\n\n:::\n\n# Information Amplification\n\nAmplification refers to the systematic boosting of an item's visibility beyond the individual-user level — to produce broad visibility across user accounts, and sometimes across information environments. \n\nWhere *Source-Driven Promotion* (above) covers what a single source itself does to gain visibility, and *Platform-Side Gatekeeping* (above) describes the algorithmic operations through which platforms surface and rank content for individual users, *Amplification* refers to the resulting *boost outcomes at scale* — produced either as the aggregate effect of those platform operations (→ *Algorithmic Amplification*) or through coordinated activity by multiple actors (→ *Coordinated Amplification*).\n\n## Amplification Mechanisms\n\nAmplification operates through two principal mechanisms.\n\n* **Algorithmic Amplification** is *platform-driven*: it is the aggregate effect of *Algorithmic Gatekeeping* — the cumulative outcome of platform curation and personalisation on which items reach which users and how prominently.\n* **Coordinated Amplification** is *actor-driven*: multiple accounts, groups, or campaigns deliberately act in concert to boost the visibility of an item, hashtag, or narrative beyond what individual user activity would produce. The literature classifies it along two dimensions — the **coordination** (transparent or concealed) and the **accounts** (real or fake) — and distinguishes accordingly (Rogers & Righetti, 2025):\n  * **Coordinated Authentic Amplification**: coordination is transparent and accounts are real (e.g. open civic campaigns, advocacy, marketing).\n  * **Coordinated Inauthentic / Artificial Amplification**: coordination is concealed, accounts are fake, or both — manufacturing an appearance of organic support (Meta's *Coordinated Inauthentic Behaviour* / CIB; Gleicher, 2018).\n\nThe two mechanisms frequently combine. Coordinated networks exploit engagement-based ranking to trigger algorithmic boosts; algorithmic ranking, in turn, compounds whatever visibility coordination has already produced.\n\n* \n:::info\n  * Gleicher, N. (2018). *Coordinated Inauthentic Behavior Explained*. Meta Newsroom. <https://about.fb.com/news/2018/12/inside-feed-coordinated-inauthentic-behavior/>\n  * Rogers, R., & Righetti, N. (2025). Coordinated inauthentic behaviour on Facebook? A typology of manufactured attention. <https://doi.org/10.1177/29768624251369784>\n\n  :::\n\n### Algorithmic Amplification\n\nAlgorithmic amplification is the cumulative effect of the gatekeeping mechanisms above (Curation and Personalisation): the systematic shaping of which items, topics, accounts, and formats appear prominently to users — and which are filtered, demoted, or pushed down.\n\nEmpirical research shows that engagement-based ranking systematically amplifies emotionally charged and out-group hostile content, even when users themselves do not prefer such content (Milli et al., 2025). It also compounds existing reach: accounts and items with high prior engagement are rewarded with further visibility, producing highly skewed reach distributions (rich-get-richer effect).\n\nAlgorithmic interventions can have nonlinear effects in the opposite direction as well. A reduction of around 20% in an item's feed prominence can cut its reach by an order of magnitude (Narayanan, 2023).\n\nAlgorithmic amplification is not a neutral reflection of user activity. Its effects are emergent and visible primarily in the aggregate: individual recommendations are imprecise (engagement rates remain below 1% on most platforms), but ranking, recommendation, and demotion systematically shape what circulates across the platform.\n\n\n:::info\n* Milli, S., et al. (2025). Engagement, user satisfaction, and the amplification of divisive content on social media. PNAS Nexus.\n\n\n* Narayanan, A. (2023). Understanding social media recommendation algorithms. Knight First Amendment Institute.\n\n:::\n\n### Coordinated Authentic Amplification\n\nCoordinated Authentic Amplification is the deliberate boosting of an information item, topic, hashtag, account, or narrative through openly disclosed, organised activity by real accounts. The coordinated origin is not concealed: participants act under their real identities or under known group affiliations.\n\nTypical contexts include \n\n* civic campaigns (e.g. NGO petitions, advocacy hashtags), \n* political mobilisation (e.g. party campaigning, get-out-the-vote efforts), \n* marketing and brand campaigns, \n* professional association communications, and \n* cultural movements such as Fridays for Future or #MeToo.\n\n\n:::warning\nWhether the underlying message is well-founded, balanced, or one-sided is a separate question — *authenticity* refers only to the transparency of the coordination, not to the truth-value or fairness of the content. An authentic campaign can amplify accurate information, misleading information, or a one-sided position.\n\n:::\n\n\n:::warning\nAuthentic and inauthentic coordination can produce visibility patterns that look identical from the outside — synchronised sharing, hashtag clustering, rapid uptake. The distinguishing feature is not the visible pattern but whether the coordinated origin is openly disclosed.\n\n:::\n\n### Coordinated Inauthentic / Artificial Amplification\n\nCoordinated Inauthentic / Artificial Amplification is the deliberate boosting of an information item, topic, hashtag, account, or narrative through organised activity in which the coordinated origin is concealed, the participating accounts are fake, or both. The aim is to manufacture an appearance of organic, independent support. Meta's term *Coordinated Inauthentic Behaviour* (CIB) — now incorporated into the EU Digital Services Act — centres on this combination of false identities and adversarial methods to evade detection (Gleicher, 2018; Rogers & Righetti, 2025).\n\nTypical contexts include political influence operations (state-sponsored or party-aligned), astroturfing campaigns (commercial or ideological), targeted disinformation around elections, public health, or geopolitical conflict, and reputation manipulation through fake reviews, ratings, or engagement. The operational means — *bots*, *trolls*, *sockpuppets*, and their coordinated networks (*bot farms*, *troll farms*, *sockpuppet networks*, *click farms*) — are described in detail below.\n\n\n:::warning\n*Inauthenticity* refers to the concealment of the coordinated origin or the use of fake accounts — not to the truth-value of the content being amplified. A coordinated network of fake accounts can amplify accurate information; a single authentic individual can spread fabricated information. Coordinated inauthentic amplification and the spread of false content are distinct phenomena that can occur independently or together.\n\n:::\n\nThe following account types described in this section apply across Digital Information Channels & Platforms where users can create accounts and post or interact publicly — particularly social media, discussion forums and community spaces, video and audio platforms, and review or comment sections. They are less prominent in private communication apps or in environments without user-generated content.They appear both independently and within coordinated networks. They are listed here because of their typical role in amplification dynamics; the explicitly coordinated formations are the Account Networks.\n\n| Term | Definition | Controlled by | Defined by | Typical purpose |\n|------|------------|---------------|------------|-----------------|\n| **Social Bot** | An automated or partly automated account that posts, likes, follows, shares, or replies online. | Software      | **Automation** | To amplify messages, create artificial popularity, spam, influence debate, or spread content at scale. |\n| **Cyborg** | A hybrid account combining human operation with software automation. | Mixed: human and software | **Selective automation** | To combine the scale of automation with the contextual plausibility of human input — for legitimate scheduling/management or for harder-to-detect influence operations. |\n| **Troll** | A person or account that deliberately provokes, disrupts, or inflames online discussion. | Usually a human user; sometimes coordinated groups | **Disruptive / provocative / antagonistic behaviour** | To upset others, derail conversations, provoke reactions, spread hostility, or polarise debate. |\n| **Sockpuppet** | A fake account used by someone to hide their real identity or pretend to be a different person. | A human user, though the account may also use automation | **Deceptive identity** | To create false support, attack others anonymously, evade bans, manipulate debate, or give the impression of independent agreement. |\n\n#### Social Bot\n\nA **social bot** is a bot designed to operate on social media platforms, posting, commenting, sharing, or interacting in ways that simulate human users. Social bots are typically programmed to act at scale and at high speed, far beyond what a human user could manage. Their activity is often repetitive and coordinated across many accounts, which distinguishes it from normal human use.\n\nSocial bots can be used for legitimate purposes — such as customer service, news distribution, or marketing — but they are also widely used to influence public opinion, amplify certain messages, manipulate discussions, or manufacture the appearance of widespread support for specific ideas, products, or causes. In the context of misinformation and disinformation, social bots play a particular role in spreading content rapidly and giving the false impression that many independent voices share the same view.\n\nWhen social bots are deployed in coordinated networks, they form a *Bot Farm*.\n\n\n:::info\n#### Bot\n\nA bot is a computer programme that automatically performs tasks, often repetitive ones. Bots range from simple, harmless tools — such as web crawlers that index pages for search engines, automated testing systems, or chatbots that answer routine customer questions — to malicious programmes designed to spread spam, malware, or disinformation.\n\n:::\n\n#### Cyborg\n\nA **cyborg** is a hybrid account that is partly operated by a human and partly automated by software. A cyborg may have routine posts scheduled or generated by software while a person handles selected interactions, replies, or sensitive content. The balance between automated and human activity varies between accounts.\n\nCyborgs can be used for legitimate purposes — such as content scheduling, brand or institutional account management, or hybrid customer service — but they are also used in influence operations to combine the scale and speed of automation with the contextual plausibility of human input.\n\nCyborgs are more difficult to identify than purely automated bots because part of their behaviour is genuinely human, which means single detection indicators rarely suffice for reliable identification.\n\n#### Troll\n\nA **troll** is a real person who deliberately disrupts online discussions through provocative, aggressive, or hostile behaviour. Trolls typically use personal accounts and target controversial issues, public figures (such as politicians or journalists), or media organisations. Their aim is to upset others, trigger reactions, or escalate conflicts — sometimes in support of a particular agenda, sometimes for entertainment or attention.\n\nWhile trolls often act independently, they may also operate in coordinated groups, sometimes paid by political or commercial actors (see *Troll Farm* under Mechanisms of Amplification).\n\n**Trolling is best understood as a pattern of online behaviour, not a specific kind of account.** The same behaviour can be performed by automated accounts, and ordinary users can engage in trolling on occasion.\n\n#### Sockpuppet\n\nA **sockpuppet** is a fake online identity created and operated by a real person who hides their true identity. Unlike trolls — who often act under a single openly hostile account — a sockpuppet operator typically runs multiple fake accounts in parallel to create the impression that several independent users hold the same opinion, support the same cause, or agree with the operator's own (often separate) main account.\n\nSockpuppets are commonly used to manufacture artificial consensus, support one's own arguments under different names, attack opponents while appearing impartial, evade bans by creating new identities after suspension, or manipulate online reviews, votes, and polls.\n\nSockpuppets differ from social bots in that they are manually operated by humans, which makes their content more contextually plausible and harder to detect through automated means. They differ from trolls in that their primary goal is deception about identity and the manufacturing of apparent consensus, not provocation — although sockpuppet operators can also engage in trolling behaviour through their fake identities.\n\nWhen a person or small group operates a coordinated set of sockpuppets together, they form a *Sockpuppet Network* (see Mechanisms of Amplification).\n\n#### ☑ Differentiating Social Bots, Trolls, and Sockpuppets\n\n| **Detection Dimension** | **Social Bots** | **Trolls** | **Sockpuppets** |\n|---------------------|-------------|--------|-------------|\n| **Profile Characteristics** | - [ ] The account looks newly created <br> - [ ] The profile is incomplete or generic <br> - [ ] The username may look non-personal and sometimes include random numbers | - [ ] The account has typically been active for longer and has a post history <br> - [ ] The profile is complete and seems personal; it may present strong ideological or political self-description <br> - [ ] The username looks personal | - [ ] The profile looks plausible and personal, often with a profile picture and biographical details (sometimes stolen, AI-generated, or copied) <br> - [ ] Account history may be moderate and designed to look authentic over time |\n| **Posting Behaviour** | - [ ] The activity does not match normal human online behaviour <br> - [ ] The accounts post or repost content very frequently <br> - [ ] The accounts post or repost content at all hours, day and night | - [ ] The activity resembles normal human online behaviour <br> - [ ] The account posts or replies at irregular times <br> - [ ] The account becomes more active during controversial discussions | - [ ] Activity patterns resemble normal human use <br> - [ ] Multiple accounts run by the same operator may show similar active hours or rhythms <br> - [ ] Sockpuppets tend to start fewer discussions and write shorter posts than typical users |\n| **Interactions**    | - [ ] The account does not have real conversations <br> - [ ] The accounts mostly like, share, or repost <br> - [ ] Replies are short and automated | - [ ] The account replies directly to other users <br> - [ ] The account engages in debates with the purpose of provoking reactions <br> - [ ] Conversations are extended to create or escalate conflict | - [ ] The account engages in real conversations, often supporting the operator's main account or other sockpuppets <br> - [ ] Replies are contextually appropriate and seem authentic <br> - [ ] Pairs of sockpuppets often interact in the same discussion at similar times |\n| **Content Features** | - [ ] The content is one-sided and repetitive <br> - [ ] The same narratives are posted many times | - [ ] The content is specifically tailored to harm or provoke a target <br> - [ ] The content targets individuals or social groups | - [ ] Content seems genuine and varied across accounts <br> - [ ] The underlying message or stance aligns suspiciously across the network <br> - [ ] More frequent use of personal pronouns such as \"I\" |\n| **Language**        | - [ ] Generic expressions, repetitive phrasing with keywords | - [ ] Varied, emotional, often abusive or offensive language | - [ ] Natural and varied language <br> - [ ] Multiple accounts may share linguistic fingerprints (similar phrasing, vocabulary, punctuation, or error patterns) |\n| **Network & Technical Indicators** | - [ ] Social bots follow other social bots, but the relationship is typically one-way and not reciprocal <br> - [ ] Coordinated behaviour is observable across multiple bot accounts | - [ ] Trolls follow human accounts <br> - [ ] Connections are often reciprocal (they follow their followers and vice versa) <br> - [ ] Trolls typically act independently of each other | - [ ] Multiple accounts engaging with each other in mutually supportive ways <br> - [ ] Connections may be artificially reciprocal between sockpuppets in the same network, or deliberately absent to avoid detection <br> - [ ] Same IP address, device fingerprint, or login pattern \\\\\\*(platform-side detection)\\\\\\* <br> - [ ] More clustered ego-networks than ordinary users <br> - [ ] Correlated activity timing across accounts |\n\n\n\n:::info\n* Ferrara, E. (2023). Social bot detection in the age of ChatGPT: Challenges and opportunities. *First Monday, 28*(6). <https://doi.org/10.5210/fm.v28i6.13185>\n* Kumar, S., Cheng, J., Leskovec, J., & Subrahmanian, V. S. (2017). An army of me: Sockpuppets in online discussion communities. *Proceedings of the 26th International Conference on World Wide Web (WWW '17)*, 857–866. <https://doi.org/10.1145/3038912.3052677>\n* Orabi, M., Mouheb, D., Al Aghbari, Z., & Kamel, I. (2020). Detection of bots in social media: A systematic review. *Information Processing & Management, 57*(4), 102250. <https://doi.org/10.1016/j.ipm.2020.102250>\n* Solorio, T., Hasan, R., & Mizan, M. (2013). A case study of sockpuppet detection in Wikipedia. *Proceedings of the Workshop on Language Analysis in Social Media (LASM) at NAACL-HLT*, 59–68. Association for Computational Linguistics. <https://aclanthology.org/W13-1107/>\n* Tomaiuolo, M., Lombardo, G., Mordonini, M., Cagnoni, S., & Poggi, A. (2020). A survey on troll detection. *Future Internet, 12*(2), <https://doi.org/10.3390/fi12020031>\n* Tsikerdekis, M., & Zeadally, S. (2014). Multiple account identity deception detection in social media using nonverbal behavior. *IEEE Transactions on Information Forensics and Security, 9*(8), 1311–1321. <https://doi.org/10.1109/TIFS.2014.2332820>\n* Uyheng, J., Moffitt, J. D., & Carley, K. M. (2022). The language and targets of online trolling: A psycholinguistic approach for social cybersecurity. *Information Processing & Management, 59*(5), 103012. <https://doi.org/10.1016/j.ipm.2022.103012>\n\n:::\n\n#### Account Networks\n\n#### Bot Farm\n\nA **bot farm** is a network of bots operating simultaneously across multiple devices or servers, deployed by a single operator or organisation for a particular purpose.\n\nBot farms have a range of legitimate uses, including web indexing, automated software testing, data aggregation, and website performance monitoring. However, they are also commonly used for malicious activities such as creating fake engagement, generating large volumes of content, distributing spam, or carrying out cybersecurity attacks. When used to manipulate online discourse, bot farms can create the false impression of widespread support, opposition, or interest in a topic, account, or campaign.\n\n#### Troll Farm\n\nA **troll farm** is an organised group of coordinated, often paid workers who post deliberately provocative, misleading, or false content online — typically through fake accounts. Their aim is usually to manipulate public opinion, spread disinformation, or create social and political unrest. Troll farms have been documented in connection with state-sponsored influence operations as well as commercial reputation manipulation.\n\n#### Sockpuppet Network\n\nA sockpuppet network is a coordinated set of sockpuppet accounts operated by one person or a small group, used to simulate independent voices supporting a shared narrative, campaign, account, or cause. Sockpuppet networks are commonly used in political astroturfing, review and rating manipulation, and coordinated disinformation campaigns. Unlike bot farms, sockpuppet networks rely on manual operation by humans, which makes the content of individual accounts appear more authentic and harder to detect through automated means. Their coordination usually becomes detectable only when multiple accounts can be linked through behavioural patterns, shared technical signals, or mutual engagement.\n\n#### Click Farm\n\nA **click farm** is an operation where large numbers of low-paid workers, automated bots, or both are used to click on ads, follow social media accounts, like posts, leave reviews, or download apps. The goal is to artificially boost online engagement or traffic, making content, accounts, or products appear more popular than they actually are.\n\n## Phenomena\n\n#### ☑ Virality vs. Trending\n\n| Feature | Virality | Trending |\n|---------|----------|----------|\n| **What is being spread** | A single information item: a specific video, post, image, or other piece of content | A topic, hashtag, sound, format, or discussion cluster: not one specific item, but many posts referring to or using the same thing |\n| **Primary drivers** | Users share, repost, or forward the information item to others, who in turn pass it along; this cascading spread can be further amplified by recommendation algorithms | Many users post about, mention, or use the same topic, hashtag, or format within a short time; the platform detects this concentration of activity and highlights it in a dedicated \"Trending\" section (such as a trending topics list, trending hashtag overview, or trending sounds page) |\n| **Time pattern** | Often short and explosive; may recur later | Time-bound; persists as long as activity stays high or the platform keeps surfacing it |\n| **How it can be manipulated** | Coordinated sharing, bot amplification, artificial engagement directed at the specific information item | Coordinated posting campaigns, manufactured fake trends through bot networks, platform decisions to promote, filter, or suppress |\n\n*Both virality and trending can emerge organically or be artificially amplified through coordinated campaigns, bot activity, or platform decisions. Both can also give an advantage to emotionally arousing, morally charged, or divisive content, especially in political or conflict-oriented contexts.*\n\n### Virality\n\nThe pattern by which a specific information item spreads rapidly through sharing, recommendation, and re-circulation across networks, analogous to the way a virus propagates. Virality is shaped by content characteristics, social network structures, platform affordances, timing, and algorithmic amplification. \n\nContent that evokes high-arousal emotions, moral reactions, or out-group animosity is often more likely to be shared, especially in political or conflict-oriented contexts. However, virality is not determined only by the size of the original source: smaller accounts or outlets can also produce highly viral items. \n\nVirality can emerge organically, but it can also be artificially amplified through coordinated sharing, platform manipulation, or bot activity.\n\n### Trending\n\nA platform-assigned status indicating that a topic, hashtag, sound, format, or discussion cluster has received unusually concentrated activity within a short period. \n\nTrending is identified algorithmically and surfaced through platform features such as X / Twitter Trending Topics, trending hashtags, trending sounds, trending challenges, or other platform-specific trend features. Trending depends on platform-specific signals such as post volume, rate of increase, engagement, location, personalisation, and moderation filters. \n\nTopics that generate high engagement — including divisive, emotionally arousing, or morally charged topics — may be more likely to trend, but this depends on the platform's ranking system and moderation rules. \n\nTrending can emerge organically from many independent contributions, but it can also be influenced by coordinated campaigns, bot activity, or platform decisions about what to promote, filter, moderate, or suppress.\n\n\n:::info\n* **Berger, J. (2013).** *Contagious: Why Things Catch On.* New York: Simon & Schuster.\n* **Berger, J., & Milkman, K. L. (2012).** What makes online content viral? *Journal of Marketing Research*, 49(2), 192–205. <https://doi.org/10.1509/jmr.10.0353>\n* **Brady, W. J., McLoughlin, K., Doan, T. N., & Crockett, M. J. (2021).** How social learning amplifies moral outrage expression in online social networks. *Science Advances*, 7(33), eabe5641. <https://doi.org/10.1126/sciadv.abe5641>\n* **Jenkins, H., Ford, S., & Green, J. (2013).** *Spreadable Media: Creating Value and Meaning in a Networked Culture.* New York: NYU Press.\n* **Lee, J., & Umback, J. (2026).** The viral turn: rethinking virality in the creator economy on TikTok. *Continuum*, 1–26. <https://doi.org/10.1080/10304312.2026.2625794>\n* **Maarouf, A., Pröllochs, N., & Feuerriegel, S. (2024).** The virality of hate speech on social media. *Proceedings of the ACM on Human-Computer Interaction*, 8 (CSCW1), 1–22. <https://doi.org/10.1145/3641025>\n* **Rathje, S., Van Bavel, J. J., & van der Linden, S. (2021).** Out-group animosity drives engagement on social media. *Proceedings of the National Academy of Sciences*, 118(26), e2024292118. <https://doi.org/10.1073/pnas.2024292118>\n* **Rathje, S., & Van Bavel, J. J. (2025).** The psychology of virality. *Trends in Cognitive Sciences*, 29(10), 914–927. <https://doi.org/10.1016/j.tics.2025.06.014>\n* **Rogers, E. M. (2003).** *Diffusion of Innovations* (5th ed.). New York: Free Press.\n* **Sangiorgio, E., Cinelli, M., Cerqueti, R., & Quattrociocchi, W. (2024).** Followers do not dictate the virality of news outlets on social media. *PNAS Nexus*, 3(7), pgae257. <https://doi.org/10.1093/pnasnexus/pgae257>\n* **Schlessinger, J., Garimella, K., Jakesch, M., & Eckles, D. (2023).** Effects of Algorithmic Trend Promotion: Evidence from Coordinated Campaigns in Twitter's Trending Topics. *Proceedings of the International AAAI Conference on Web and Social Media (ICWSM)*, 17(1), 777–786. <https://doi.org/10.1609/icwsm.v17i1.22187>\n* **Schöne, J. P., Parkinson, B., & Goldenberg, A. (2021).** Negativity spreads more than positivity on Twitter after both positive and negative political situations. *Affective Science*, 2(4), 379–390. <https://doi.org/10.1007/s42761-021-00057-7>\n\n:::\n\n### Spill-Over Effects & Epistemic Laundering\n\nThe process by which information that gains visibility within one information environment — whether through artificial amplification, trending, or editorial selection — is picked up and further distributed in other information environments or information access sytsems, thereby reaching audiences beyond the original environment. \n\nSpill-over can occur through journalistic reporting, cross-platform sharing, editorial curation, or user-driven redistribution. \n\n→ A research finding shared on a scholarly forum may be discussed on social media and summarised by an AI assistant. \\n→ A topic artificially amplified by bots on a social media platform may be picked up by journalists. \n\n→ Spill-over effects can increase the reach of both reliable and unreliable information, and can make information appear more widely established than it originally was. \n\n#### Epistemic Laundering\n\nSpill-over does not always preserve the apparent status of information. When the receiving channel carries stronger signals of authority or reliability than the channel of origin — academic format, peer review, formal publication — the information itself can be perceived as more reliable simply through having moved. This effect is known as Epistemic Laundering: information gains perceived reliability through its passage across channels, without any actual change to the underlying claims or evidence. It exploits the tendency of recipients to attribute the reliability of the channel in which they encounter information to the information itself. \n\n→ A claim originating in an anonymous blog post may be cited in a preprint, reproduced in an AI-generated answer, and finally cited in a peer-reviewed paper — at each step gaining academic surface and apparent authority, while the underlying claim remains unchanged or unverified.\n\n\n:::success\nA team at the University of Gothenburg, led by a medical researcher, invented a fake skin condition called Bixonimania to test whether AI systems would absorb and repeat medical misinformation. They presented it as a supposed condition linked to blue-light exposure from screens, with symptoms such as sore, itchy eyes and a pinkish hue on the eyelids. They then created deliberately fake academic-looking preprints, planted with obvious warning signs — a fictional author with an AI-generated photo, a non-existent university, and references to Starfleet Academy and the USS Enterprise. Nature reported that the preprints have since been removed from Preprints.org.\n\nWithin weeks, major AI chatbots began reproducing Bixonimania as a real medical condition, in some cases offering users explanatory or health-related advice. In parallel, the fake material was cited in at least one published paper, since retracted, in the Springer Nature journal *Cureus*.\n\nSpill-over: log posts → fake preprint → webcrawlers → AI chatbot answers → academic citation\n\n:::\n\n\n:::info\nStokel-Walker, C. (2026). Scientists invented a fake disease. AI told people it was real. Nature, 652(8110), 559-561. <https://doi.org/10.1038/d41586-026-01100-y>\n\n:::\n\n# Information Narrowing\n\nWhereas *Information Amplification* (above) describes how visibility is broadened across user accounts, *Information Narrowing* describes the inverse: how the range of perspectives reaching an individual user or social group becomes restricted. Two distinct mechanisms produce this narrowing — *Filter Bubble* (algorithmic personalisation) and *Echo Chamber* (user self-selection). The two are often conflated in popular discourse but operate differently.\n\n## Filter Bubble\n\nA **filter bubble** is an isolated information environment created by *Algorithmic Personalisation*, in which a user is increasingly exposed to content that aligns with their inferred preferences and past behaviour, while content that diverges is filtered out — typically without the user's awareness. The term was coined by Eli Pariser (2011) to describe how personalisation algorithms on Google, Facebook, and similar platforms can produce systematic exposure asymmetries based on user signals such as click history, location, and profile data.\n\nThe defining feature of a filter bubble is *unintentionality from the user's side*: the narrowing is generated by the platform's optimisation, not by the user's deliberate choice of sources.\n\n\n:::warning\nEmpirical research has substantially qualified Pariser's original thesis. Studies have found that algorithmic personalisation does shape what users see, but most users still encounter ideologically diverse content — partly because their own social networks include varied views, and partly because algorithms do not isolate as completely as the popular discourse suggests (Bakshy et al., 2015; Flaxman et al., 2016; Bruns, 2019). The filter-bubble effect is real but typically weaker than commonly assumed; pre-internet selective exposure (e.g., choosing newspapers or TV channels) was in many cases stronger.\n\n:::\n\n\n:::info\n* Pariser, E. (2011). *The Filter Bubble: What the Internet Is Hiding from You*. Penguin Press.\n* Bakshy, E., Messing, S., & Adamic, L. A. (2015). Exposure to ideologically diverse news and opinion on Facebook. *Science*, 348(6239), 1130–1132. <https://doi.org/10.1126/science.aaa1160>\n* Flaxman, S., Goel, S., & Rao, J. M. (2016). Filter bubbles, echo chambers, and online news consumption. *Public Opinion Quarterly*, 80(S1), 298–320. <https://doi.org/10.1093/poq/nfw006>\n* Bruns, A. (2019). *Are Filter Bubbles Real?* Polity Press.\n\n:::\n\n## Echo Chamber\n\nAn **echo chamber** is a social information environment in which a user is primarily exposed to opinions, claims, or ideologies that reinforce their existing beliefs, while dissenting views are absent, dismissed, or actively discredited. Cass Sunstein (2017) describes the political consequences: when groups insulate themselves from outside perspectives, internal beliefs intensify and become more extreme over time (group polarisation).\n\nUnlike *Filter Bubble*, which arises from algorithmic personalisation, an echo chamber results primarily from **user self-selection**: choices about whom to follow, which communities to join, which sources to trust, and which voices to dismiss. These choices are partly driven by *Confirmation Bias* — the cognitive tendency to seek out and trust information that aligns with existing beliefs. The reinforcing effect comes from the social structure itself, not from invisible algorithmic filtering.\n\nC. Thi Nguyen (2020) draws a conceptual distinction that matters for intervention:\n\n* An **epistemic bubble** is a social structure in which other relevant voices are simply *absent*. Its inhabitants do not hear opposing perspectives, but they do not actively reject them.\n* An **echo chamber** in the strict sense is a social structure in which other relevant voices are *actively discredited*. Members may hear opposing perspectives but learn to distrust their sources.\n\nAn epistemic bubble can be opened by introducing new information; an echo chamber resists correction even when external evidence is presented, because the sources of that evidence have already been delegitimised.\n\n\n:::warning\nEmpirical work suggests that strong, ideologically isolated echo chambers are less common than popular discourse implies (Cinelli et al., 2021; Guess et al., 2018), but where they exist, they can be highly resistant to correction. Mere agreement within a group is not in itself an echo chamber — the defining feature is the active exclusion or discrediting of outside perspectives.\n\n:::\n\n\n:::info\n* Sunstein, C. R. (2017). *#Republic: Divided Democracy in the Age of Social Media*. Princeton University Press.\n* Nguyen, C. T. (2020). Echo chambers and epistemic bubbles. *Episteme*, 17(2), 141–161. <https://doi.org/10.1017/epi.2018.32>\n* Cinelli, M., De Francisci Morales, G., Galeazzi, A., Quattrociocchi, W., & Starnini, M. (2021). The echo chamber effect on social media. *PNAS*, 118(9), e2023301118. <https://doi.org/10.1073/pnas.2023301118>\n* Guess, A., Lyons, B., Nyhan, B., & Reifler, J. (2018). *Avoiding the Echo Chamber about Echo Chambers: Why Selective Exposure to Like-minded Political News Is Less Prevalent Than You Think*. Knight Foundation White Paper.\n\n:::","HTML":"<style>.scilmi-outline-content h1,.scilmi-outline-content h2{font-weight:700}.scilmi-outline-content .badge-scilmi{background:#0d6efd;color:#fff;padding:2px 8px;border-radius:99px;}</style><h1>Ορατότητα και προβολή των πληροφοριών</h1>\n<p>Η ορατότητα των πληροφοριών αναφέρεται στο κατά πόσον — και με ποια προβολή — συγκεκριμένα στοιχεία πληροφοριών, θέματα, πηγές ή λογαριασμοί εμφανίζονται στους χρήστες σε ψηφιακά περιβάλλοντα. Οι πληροφορίες που υπάρχουν στον δείκτη ή στο δίκτυο μιας πλατφόρμας δεν φτάνουν αυτόματα σε όλους τους χρήστες, ούτε τους φτάνουν με τον ίδιο τρόπο.</p>\n<p>Η ορατότητα είναι το αποτέλεσμα δύο αλληλεπιδρώντων δυνάμεων:</p>\n<ul>\n<li>του τρόπου με τον οποίο κυκλοφορούν οι πληροφορίες (κοινή χρήση, αναδιανομή, διάδοση) και\n</li>\n<li>ο τρόπος με τον οποίο προβάλλεται εμφανώς, υποβαθμίζεται ή φιλτράρεται.\n</li>\n</ul>\n<div class=\"scilmi-callout scilmi-callout-warning\">\n<div class=\"scilmi-callout-row\" aria-label=\"Warning\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" clip-rule=\"evenodd\" d=\"M12 20C7.58172 20 4 16.4183 4 12C4 7.58172 7.58172 4 12 4C16.4183 4 20 7.58172 20 12C20 16.4183 16.4183 20 12 20ZM12 15C12.5523 15 13 15.4477 13 16C13 16.5523 12.5523 17 12 17C11.4477 17 11 16.5523 11 16C11 15.4477 11.4477 15 12 15ZM12 14C13 14 13 13 13 13L13 10.5L13 8C13 8 13 7 12 7C11 7 11 8 11 8L11 13C11 13 11 14 12 14Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><p><strong>Η διάκριση μεταξύ αξιοπιστίας και ορατότητας είναι ουσιαστική για την πληροφοριακή παιδεία.</strong></p>\n<ul>\n<li><strong>Η αξιοπιστία</strong> εξαρτάται από το ποιος δημιούργησε ένα στοιχείο (συγγραφέας) και πώς επεξεργάστηκε (επιμέλεια) — όχι από το ποιος το μοιράστηκε, από το περιβάλλον στο οποίο εμφανίστηκε ή από το πόσο εμφανώς προβλήθηκε.\n</li>\n<li><strong>Η ορατότητα</strong> εξαρτάται από το ποιος μοιράζεται ένα στοιχείο, από τους μηχανισμούς που το αναδεικνύουν και από τις πρακτικές μέσω των οποίων ενισχύεται. Η ορατότητα δεν αποτελεί μέτρο αξιοπιστίας.\n<p>Για παράδειγμα, ένα άρθρο που έχει αναδημοσιευτεί: ο λογαριασμός που το μοιράστηκε και η πλατφόρμα που το ανέδειξε επηρέασαν την ορατότητά του — αλλά το άρθρο έχει τον δικό του συγγραφέα και το δικό του ιστορικό επιμέλειας, των οποίων η αξιοπιστία πρέπει να αξιολογηθεί ξεχωριστά.</p>\n</li>\n</ul></div>\n</div>\n</div>\n<h1>Κυκλοφορία πληροφοριών: Κοινοποίηση, προώθηση, σύνδεση, αναδημοσίευση, παραπομπή</h1>\n<p>Άτομα, λογαριασμοί (συμπεριλαμβανομένων των bots) και οργανισμοί κυκλοφορούν υπάρχοντα στοιχεία πληροφοριών μέσω της κοινοποίησης, της προώθησης, της σύνδεσης, της αναδημοσίευσης, της παραπομπής ή της αναδιανομής τους με άλλο τρόπο.</p>\n<p>→ Όταν ένα στοιχείο διαβιβάζεται με προσθήκη σχολίων, ερμηνειών ή αναδιατύπωσης, δημιουργείται ένα νέο στοιχείο πληροφορίας με νέο συγγραφέα.</p>\n<h1>Προώθηση και προβολή πληροφοριών με βάση την πηγή</h1>\n<p>Πρακτικές που ξεκινούν από τις πηγές — εκείνους που δημιουργούν, δημοσιεύουν ή προωθούν στοιχεία πληροφοριών. Οι πηγές περιλαμβάνουν μεμονωμένους χρήστες, δημιουργούς περιεχομένου, οργανισμούς, διαφημιστές και διαχειριστές ιστοτόπων. Σε αντίθεση με τους μηχανισμούς που καθοδηγούνται από τις πλατφόρμες, αυτές οι πρακτικές καθοδηγούνται από τις ίδιες τις πηγές, οι οποίες αποφασίζουν πώς θα καταστήσουν ορατό το περιεχόμενό τους. Λειτουργούν με δύο τρόπους: προσαρμόζοντας το περιεχόμενο στα συστήματα κατάταξης των πλατφορμών (εμβέλεια, άμεση προσέγγιση, SEO, SMO, βελτιστοποίηση για συγκεκριμένη πλατφόρμα) ή πληρώνοντας απευθείας για την τοποθέτηση (πληρωμένες τοποθετήσεις).</p>\n<h2>Εμβέλεια λογαριασμού</h2>\n<p>Το μέγεθος και η δομή του δυνητικού κοινού ενός χρήστη που μοιράζεται περιεχόμενο.</p>\n<p>Διάφοροι παράγοντες καθορίζουν την εμβέλεια:</p>\n<ul>\n<li>#### αριθμός ακολούθων ή συνδρομητών\n</li>\n<li>#### κατάσταση επαλήθευσης\n</li>\n<li>#### κατάσταση λογαριασμού: ηλικία, ιστορικό αλληλεπίδρασης, φήμη στην πλατφόρμα\n</li>\n</ul>\n<p>Η εμβέλεια επηρεάζει την ορατότητα με δύο τρόπους:</p>\n<ul>\n<li><em>άμεσα</em>: τα στοιχεία που μοιράζονται λογαριασμοί με μεγάλη εμβέλεια εμφανίζονται σε περισσότερα feed τη στιγμή της κοινοποίησης\n</li>\n<li><em>έμμεσα</em>: οι λογαριασμοί με μεγάλη εμβέλεια δημιουργούν περισσότερα σήματα αλληλεπίδρασης, τα οποία στη συνέχεια χρησιμοποιούν οι αλγόριθμοι της πλατφόρμας για να ανεβάσουν τις αναρτήσεις στην κατάταξη (→ Αλγοριθμική διαχείριση πρόσβασης)\n</li>\n</ul>\n<p>→ Η εμβέλεια ποικίλλει σημαντικά: ένας ιδιωτικός λογαριασμός με 100 ακόλουθους και ένας δημόσιος λογαριασμός με ένα εκατομμύριο ακόλουθους λειτουργούν σε θεμελιωδώς διαφορετικές κλίμακες επιρροής στην ορατότητα.</p>\n<h2>Άμεση απεύθυνση</h2>\n<p>Μηχανισμοί μέσω των οποίων οι χρήστες που μοιράζονται περιεχόμενο στοχεύουν συγκεκριμένους παραλήπτες, δημιουργώντας άμεση προβολή για αυτούς τους χρήστες μέσω ειδοποιήσεων της πλατφόρμας.</p>\n<p>Παραδείγματα:</p>\n<ul>\n<li>#### @αναφορές\n</li>\n<li>#### προσθήκη ετικετών (σε φωτογραφίες, αναρτήσεις ή νήματα)\n</li>\n<li>#### αναδημοσιεύσεις &amp; αναφορές σε απαντήσεις\n</li>\n<li>#### ομαδικά άμεσα μηνύματα\n</li>\n<li>#### Αποστολή σε λίστα παραληπτών (Προς, CC)\n</li>\n</ul>\n<p>→ Η άμεση αποστολή διαφέρει από την κανονική κοινοποίηση: ο χρήστης στον οποίο απευθύνεται λαμβάνει το στοιχείο απευθείας μέσω ειδοποίησης, ανεξάρτητα από το αν θα το είχε δει μέσω του feed του.</p>\n<p>→ Η άμεση αποστολή είναι ένας υβριδικός μηχανισμός. Λειτουργεί από την πλευρά του χρήστη, αλλά μέσω της υποδομής της πλατφόρμας (συστήματα ειδοποιήσεων). Το αποτέλεσμα είναι η άμεση προβολή για τον χρήστη στον οποίο απευθύνεται.</p>\n<h2>Βελτιστοποίηση για μηχανές αναζήτησης (SEO)</h2>\n<p>Πρακτικές από την πλευρά της πηγής για την προσαρμογή <strong>ιστοσελίδων</strong> — του περιεχομένου, των μεταδεδομένων και της δομής των συνδέσμων τους — έτσι ώστε να κατατάσσονται σε πιο εμφανή θέση στα <strong>αποτελέσματα γενικών μηχανών αναζήτησης</strong> (Google, Bing, DuckDuckGo κ.λπ.).</p>\n<p>Συνηθισμένες πρακτικές περιλαμβάνουν:</p>\n<ul>\n<li>έρευνα λέξεων-κλειδιών και ενσωμάτωσή τους σε τίτλους, επικεφαλίδες, κύριο κείμενο\n</li>\n<li>βελτιστοποίηση μεταδεδομένων (ετικέτες τίτλου, μεταπεριγραφές, εναλλακτικό κείμενο)\n</li>\n<li>δημιουργία συνδέσμων (απόκτηση εισερχόμενων συνδέσμων από έγκυρους ιστότοπους)\n</li>\n<li>δομή ιστότοπου και εσωτερικοί σύνδεσμοι\n</li>\n<li>ταχύτητα σελίδας και φιλικότητα προς κινητά\n</li>\n<li>δημιουργία περιεχομένου που ανταποκρίνεται στην πρόθεση αναζήτησης\n</li>\n</ul>\n<p>→ Το SEO είναι η πιο τυποποιημένη πρακτική βελτιστοποίησης, καθώς τα σήματα κατάταξης των μηχανών αναζήτησης είναι σχετικά σταθερά και καλά τεκμηριωμένα (Lewandowski et al.). Εξειδικευμένοι επαγγελματίες, εταιρείες και εργαλεία SEO υποστηρίζουν την εφαρμογή του.</p>\n<p>→ Το SEO δεν αλλάζει τον τρόπο με τον οποίο οι μηχανές αναζήτησης κατατάσσουν τις σελίδες — προσαρμόζει τον ιστότοπο ώστε να ανταποκρίνεται στα υπάρχοντα κριτήρια κατάταξης. Οι εκδότες μπορούν να διαμορφώσουν αυτό που βλέπει ο αλγόριθμος, όχι τον τρόπο με τον οποίο αποφασίζει.</p>\n<h2>Βελτιστοποίηση κοινωνικών μέσων (SMO)</h2>\n<p>Πρακτικές από την πλευρά της πηγής για τη μεγιστοποίηση της ορατότητας, της αλληλεπίδρασης και της δυνατότητας κοινοποίησης του περιεχομένου σε πλατφόρμες κοινωνικών μέσων.</p>\n<p>Συνηθισμένες πρακτικές περιλαμβάνουν:</p>\n<ul>\n<li>στρατηγικές hashtag (ετικέτες που είναι δημοφιλείς ή σχετικές με συγκεκριμένα θέματα)\n</li>\n<li>χρόνος δημοσίευσης (όταν το κοινό-στόχος είναι ενεργό)\n</li>\n<li>επιλογές μορφής περιεχομένου (σύντομα βίντεο, καρουζέλ, ρίλ)\n</li>\n<li>σχεδιασμός τίτλων και «αγκίστρων» (για γρήγορη προσέλκυση της προσοχής)\n</li>\n<li>ενθάρρυνση της αλληλεπίδρασης (ερωτήσεις, δημοσκοπήσεις, προσκλήσεις για δράση)\n</li>\n<li>επαναχρησιμοποίηση περιεχομένου σε διάφορες πλατφόρμες\n</li>\n</ul>\n<p>→ Το SMO είναι λιγότερο τυποποιημένο από το SEO, καθώς τα σήματα κατάταξης στα κοινωνικά μέσα είναι πιο αδιαφανή και εξαρτώνται από την εκάστοτε πλατφόρμα. Οι πρακτικές αλλάζουν καθώς αλλάζουν οι αλγόριθμοι.</p>\n<h2>Βελτιστοποίηση ειδικά για κάθε πλατφόρμα</h2>\n<p>Στρατηγικές βελτιστοποίησης προσαρμοσμένες στις συμβάσεις και τη λογική κατάταξης των επιμέρους πλατφορμών — πέρα από τις γενικές αρχές του SEO ή του SMO.</p>\n<ul>\n<li>TikTok: προσέλκυση των θεατών στα πρώτα τρία δευτερόλεπτα, χρήση δημοφιλών ήχων, κάθετα βίντεο μικρού μήκους\n</li>\n<li>Instagram: οπτικό υλικό υψηλής ποιότητας, στρατηγική που δίνει προτεραιότητα στα Reels, συνδυασμός hashtag\n</li>\n<li>YouTube: σχεδιασμός μικρογραφιών, βελτιστοποίηση χρόνου παρακολούθησης, τίτλοι και περιγραφές πλούσιοι σε λέξεις-κλειδιά\n</li>\n<li>LinkedIn: επαγγελματικές αναρτήσεις μεγάλου μήκους, εγγενής δημοσίευση, δικτυακή αλληλεπίδραση\n</li>\n<li>X (Twitter): συνοπτικά «άγκιστρα», νήματα, απαντήσεις σε λογαριασμούς με μεγάλη εμβέλεια\n</li>\n</ul>\n<p>→ Η βελτιστοποίηση για κάθε πλατφόρμα απαιτεί κατανόηση του συστήματος κατάταξης, της συμπεριφοράς του κοινού και των προτιμήσεων ως προς τη μορφή περιεχομένου της εκάστοτε πλατφόρμας. Αυτό που λειτουργεί στο TikTok σπάνια λειτουργεί στο LinkedIn.</p>\n<h2>Πληρωμένες τοποθετήσεις &amp; διαφήμιση</h2>\n<p>Πρακτική από την πλευρά της πηγής που συνίσταται στην πληρωμή για προβολή — χορηγούμενο περιεχόμενο που τοποθετείται παράλληλα με οργανικό περιεχόμενο, συνήθως μέσω διαφήμισης.</p>\n<p>Συνηθισμένες μορφές:</p>\n<ul>\n<li>χορηγούμενα αποτελέσματα αναζήτησης (διαφημίσεις μηχανών αναζήτησης)\n</li>\n<li>χορηγούμενες αναρτήσεις και προωθούμενο περιεχόμενο (μέσα κοινωνικής δικτύωσης)\n</li>\n<li>διαφημίσεις προβολής (banners, βίντεο)\n</li>\n<li>συνεργασίες με influencers (πληρωμένες συνεργασίες)\n</li>\n</ul>\n<p>→ Οι πληρωμένες τοποθετήσεις παρακάμπτουν τα συστήματα οργανικής κατάταξης: αντί να βελτιστοποιεί το περιεχόμενο για να κατατάσσεται καλά, η πηγή πληρώνει απευθείας την πλατφόρμα για την τοποθέτηση.</p>\n<p>→ Μερικές φορές φέρουν σαφή επισήμανση («Χορηγία», «Διαφήμιση»), ενώ άλλες φορές διακρίνονται ελάχιστα από τα οργανικά αποτελέσματα. Τα πρότυπα επισήμανσης διαφέρουν ανάλογα με τη δικαιοδοσία και την πλατφόρμα.</p>\n<h1>Προώθηση πληροφοριών και έλεγχος πρόσβασης από την πλευρά της πλατφόρμας</h1>\n<div class=\"scilmi-callout scilmi-callout-warning\">\n<div class=\"scilmi-callout-row\" aria-label=\"Warning\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" clip-rule=\"evenodd\" d=\"M12 20C7.58172 20 4 16.4183 4 12C4 7.58172 7.58172 4 12 4C16.4183 4 20 7.58172 20 12C20 16.4183 16.4183 20 12 20ZM12 15C12.5523 15 13 15.4477 13 16C13 16.5523 12.5523 17 12 17C11.4477 17 11 16.5523 11 16C11 15.4477 11.4477 15 12 15ZM12 14C13 14 13 13 13 13L13 10.5L13 8C13 8 13 7 12 7C11 7 11 8 11 8L11 13C11 13 11 14 12 14Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><p>Αυτό που βλέπουν πραγματικά οι χρήστες σπάνια είναι το αποτέλεσμα ενός μόνο μηχανισμού. Σε μια μηχανή αναζήτησης, μια αλγοριθμικά ταξινομημένη λίστα οργανικών αποτελεσμάτων παρουσιάζεται παράλληλα με πληρωμένες τοποθετήσεις, περιλήψεις που δημιουργούνται από τεχνητή νοημοσύνη και, μερικές φορές, επιλεγμένα άρθρα — και τα υποκείμενα σήματα κατάταξης μπορούν να επηρεαστούν σκόπιμα μέσω <em>της βελτιστοποίησης για μηχανές αναζήτησης</em>. Σε μια ροή κοινωνικών μέσων, οι αλγοριθμικά καταταγμένες αναρτήσεις εμφανίζονται δίπλα σε χορηγούμενο περιεχόμενο, προτεινόμενους λογαριασμούς και επικαιρότητες. Κάθε στοιχείο ακολουθεί τη δική του λογική και συμβάλλει σε ένα σύνθετο αποτέλεσμα ορατότητας.</p></div>\n</div>\n</div>\n<h2>Συντακτική επιμέλεια</h2>\n<p>Χειροκίνητη επιμέλεια από την πλευρά της πλατφόρμας: στοιχεία πληροφοριών που προβάλλονται σκόπιμα από συντακτικές ομάδες ή διαχειριστές πλατφορμών και όχι μέσω αλγοριθμικής κατάταξης.</p>\n<p>Παραδείγματα:</p>\n<ul>\n<li>επιλεγμένα αποσπάσματα στα αποτελέσματα αναζήτησης\n</li>\n<li>επιμελημένες ενότητες με τις τάσεις\n</li>\n<li>ιστορίες επιλεγμένες από συντάκτες σε συλλέκτες ειδήσεων\n</li>\n<li>hashtags που προωθούνται από την πλατφόρμα\n</li>\n<li>Επιλογές του συντάκτη στα καταστήματα εφαρμογών\n</li>\n<li>Προτεινόμενοι δημιουργοί ή λογαριασμοί\n</li>\n</ul>\n<p>→ Τα επιλεγμένα από τη σύνταξη περιεχόμενα συνυπάρχουν με τους αλγοριθμικούς μηχανισμούς και αντανακλούν τις δικές της κρίσεις της πλατφόρμας σχετικά με το ποιο περιεχόμενο αξίζει να προβληθεί σε περίοπτη θέση.</p>\n<p>→ Σε αντίθεση με τον αλγοριθμικό έλεγχο πρόσβασης (επιμέλεια και εξατομίκευση), ο συντακτικός έλεγχος πρόσβασης περιλαμβάνει ανθρώπινες συντακτικές επιλογές από την ίδια την πλατφόρμα. Λειτουργικά, πρόκειται για μια μορφή <em>συντακτικού ελέγχου</em> <em>πρόσβασης</em> — που εκτελείται από την πλατφόρμα και όχι από τους παραδοσιακούς εκδότες.</p>\n<h2>Αλγοριθμική διαχείριση</h2>\n<p><strong>Η αλγοριθμική διαχείριση</strong> αναφέρεται στον ρόλο των αλγορίθμων στην απόφαση ποια στοιχεία πληροφοριών φτάνουν σε ποιους χρήστες — το ψηφιακό αντίστοιχο της <em>συντακτικής διαχείρισης</em> (→ Πληροφορίες, πηγές και περιβάλλοντα πληροφοριών → Συντακτική αναθεώρηση). Περιλαμβάνει τόσο <strong>την επιλογή</strong> (τι εμφανίζεται και κατατάσσεται υψηλά) όσο και <strong>τον αποκλεισμό</strong> (τι φιλτράρεται, υποβαθμίζεται ή κρύβεται).</p>\n<p>Το αλγοριθμικό gatekeeping λειτουργεί σε διαφορετικούς τύπους πλατφορμών:</p>\n<ul>\n<li>στις <strong>μηχανές αναζήτησης</strong>, οι αλγόριθμοι επιλέγουν και ταξινομούν τα αποτελέσματα με βάση τις ερωτήσεις\n</li>\n<li>στα <strong>feeds των κοινωνικών μέσων</strong>, οι αλγόριθμοι αποφασίζουν ποιες αναρτήσεις εμφανίζονται πιο εμφανώς\n</li>\n<li>στις <strong>πλατφόρμες βίντεο</strong>, οι αλγόριθμοι προτείνουν τι να παρακολουθήσετε στη συνέχεια\n</li>\n<li>στα <strong>συστήματα απαντήσεων που βασίζονται στην τεχνητή νοημοσύνη</strong>, οι αλγόριθμοι δημιουργούν, συνοψίζουν ή συνθέτουν απαντήσεις\n</li>\n</ul>\n<p>Η αλγοριθμική διαχείριση λειτουργεί με δύο τρόπους που συχνά λειτουργούν από κοινού: γενικές λειτουργίες που εφαρμόζονται σε όλους τους χρήστες (<em>αλγοριθμική επιμέλεια</em>) και εξατομικευμένη προσαρμογή με βάση τα σήματα των χρηστών που παρακολουθούνται (<em>αλγοριθμική εξατομίκευση</em>).</p>\n<h3>Αλγοριθμική επιμέλεια</h3>\n<p>Γενικές αλγοριθμικές λειτουργίες που εφαρμόζονται σε όλους τους χρήστες — διαμορφώνουν τις πληροφορίες που είναι διαθέσιμες στην πλατφόρμα, ανεξάρτητα από το ποιος είναι ο χρήστης.</p>\n<ul>\n<li><strong>Ανίχνευση και ευρετηρίαση</strong>\n— <em>Ποιες πληροφορίες καθίστανται διαθέσιμες για εμφάνιση;</em>\n<ul>\n<li>μηχανές αναζήτησης που ανιχνεύουν τον ιστό\n</li>\n<li>συγκεντρωτές περιεχομένου που ευρετηριάζουν πηγές ειδήσεων\n</li>\n<li>καταστήματα εφαρμογών που καταλογογραφούν τις διαθέσιμες εφαρμογές\n</li>\n</ul>\n</li>\n<li><strong>Φιλτράρισμα και διαμεσολάβηση</strong>\n— <em>Ποια στοιχεία αποκλείονται ή υποβαθμίζονται σύμφωνα με τους κανόνες της πλατφόρμας;</em>\n<ul>\n<li>φίλτρα ανεπιθύμητης αλληλογραφίας\n</li>\n<li>αφαίρεση περιεχομένου που παραβιάζει την πολιτική (ρητορική μίσους, παράνομο περιεχόμενο, γραφικό υλικό)\n</li>\n<li>χαμηλότερη κατάταξη υλικού χαμηλής ποιότητας ή παραπλανητικού\n</li>\n</ul>\n</li>\n<li><strong>Βαθμολογία ποιότητας</strong>\n— <em>Ποιες πηγές ή στοιχεία αξιολογούνται ως πιο αξιόπιστα ή υψηλότερης ποιότητας;</em>\n<ul>\n<li>μηχανές αναζήτησης που επιβάλλουν κυρώσεις σε ιστότοπους χαμηλής ποιότητας\n</li>\n<li>αθροιστές ειδήσεων κατάταξη βάσει της αξιοπιστίας της πηγής\n</li>\n<li>Κατάταξη επηρεασμένη από αξιολόγηση ομοτίμων στις ακαδημαϊκές μηχανές αναζήτησης\n</li>\n</ul>\n</li>\n<li><strong>Ανίχνευση τάσεων</strong>\n— <em>Ποια στοιχεία εμφανίζονται ως δημοφιλή αυτή τη στιγμή;</em>\n<ul>\n<li>δημοφιλή θέματα σε κοινωνικές πλατφόρμες\n</li>\n<li>κορυφαία charts σε υπηρεσίες streaming\n</li>\n<li>Ενότητες «Τι συμβαίνει» και «Σημερινές επικεφαλίδες»\n</li>\n<li>δημοφιλή hashtag\n</li>\n</ul>\n</li>\n</ul>\n<p>→ Η αλγοριθμική επιμέλεια καθορίζει το <em>σύνολο</em> των πληροφοριών που είναι διαθέσιμες στην πλατφόρμα. Λειτουργεί σε μεγάλο βαθμό με τον ίδιο τρόπο για όλους τους χρήστες.</p>\n<h3>Αλγοριθμική εξατομίκευση</h3>\n<p>Αλγοριθμικές λειτουργίες που προσαρμόζουν την επιλογή, τη σειρά και την παρουσίαση των πληροφοριών σε μεμονωμένους χρήστες με βάση τα σήματα που παρακολουθούνται. Αυτά τα σήματα συσσωρεύονται με την πάροδο του χρόνου σε ιστορικά χρηστών στα οποία βασίζονται οι αλγόριθμοι.</p>\n<p>→ Δύο χρήστες στην ίδια πλατφόρμα —ακόμη και με την ίδια αναζήτηση— συνήθως βλέπουν ουσιαστικά διαφορετικό περιεχόμενο.</p>\n<ul>\n<li><strong>Εξατομικευμένη κατάταξη</strong>\n— <em>Ποια στοιχεία κατατάσσονται υψηλότερα για αυτόν τον χρήστη;</em>\n<ul>\n<li>εξατομικευμένα αποτελέσματα αναζήτησης (τοποθεσία, ιστορικό, ταξινόμηση βάσει προφίλ)\n</li>\n<li>ταξινόμηση ροών κοινωνικών μέσων (ροές «Για εσάς», «Κορυφαίες αναρτήσεις»)\n</li>\n<li>Κατάταξη βάσει αλληλεπίδρασης — βελτιστοποίηση για προβλεπόμενη αλληλεπίδραση, κυρίαρχη στα κοινωνικά μέσα\n</li>\n</ul>\n</li>\n<li><strong>Προτάσεις</strong>\n— <em>Ποια στοιχεία προτείνονται σε αυτόν τον χρήστη πέρα από αυτά που ζήτησε ενεργά;</em>\n<ul>\n<li>Λίστες βίντεο «Προτεινόμενα για εσάς»\n</li>\n<li>προτεινόμενοι λογαριασμοί, ομάδες ή θέματα για παρακολούθηση\n</li>\n<li>«Άτομα που ίσως γνωρίζετε»\n</li>\n<li>σχετικά άρθρα, παρόμοια προϊόντα, «Επόμενο»\n</li>\n</ul>\n</li>\n<li><strong>Εξατομικευμένη διαφήμιση</strong>\n— <em>Ποιες διαφημίσεις στοχεύουν αυτόν τον χρήστη;</em>\n<ul>\n<li>διαφημίσεις αναζήτησης προσαρμοσμένες σε προηγούμενες αναζητήσεις\n</li>\n<li>χορηγούμενες αναρτήσεις στα μέσα κοινωνικής δικτύωσης με βάση το προφίλ και τη συμπεριφορά\n</li>\n<li>διαφημίσεις επαναστόχευσης σε ιστότοπους\n</li>\n<li>Συνεργασίες με influencers που ταιριάζουν στα ενδιαφέροντα του κοινού\n</li>\n</ul>\n</li>\n</ul>\n<p>→ Δύο χρήστες στην ίδια πλατφόρμα — ακόμη και με την ίδια αναζήτηση — συνήθως βλέπουν ουσιαστικά διαφορετικό περιεχόμενο.</p>\n<p>→ Η εξατομίκευση δημιουργεί έναν <strong>κύκλο ανατροφοδότησης</strong>: αυτό που κάνουν οι χρήστες επηρεάζει αυτό που βλέπουν στη συνέχεια, και αυτό που βλέπουν στη συνέχεια μπορεί να επηρεάσει αυτό που κάνουν.</p>\n<h4>☑ Σήματα χρήστη που παρακολουθούνται από την πλατφόρμα για αλγοριθμική εξατομίκευση</h4>\n<p>Ενέργειες που εκτελεί ένας χρήστης — ενεργά ή παθητικά — εντός ενός καναλιού πληροφοριών, οι οποίες μπορούν να παρακολουθούνται και να χρησιμοποιούνται από αλγόριθμους για την εξατομίκευση της επιλογής και της ορατότητας των στοιχείων πληροφοριών.</p>\n<p>→ Οι ενέργειες των χρηστών δεν περιορίζονται σε σκόπιμες αλληλεπιδράσεις, όπως το κλικ ή το «μου αρέσει». Πολλές ενέργειες είναι παθητικές ή αυτόματες, όπως το πόσο χρόνο παραμένει ένας χρήστης σε μια σελίδα, πόσο προς τα κάτω κύλιει τη σελίδα ή πού βρίσκεται. Οι χρήστες συχνά δεν γνωρίζουν ότι αυτές οι ενέργειες επηρεάζουν αυτό που θα δουν στη συνέχεια.</p>\n<table><thead><tr>\n<th>Τύπος</th>\n<th>Τι είναι</th>\n<th>Παραδείγματα</th>\n</tr></thead><tbody>\n<tr>\n<td><strong>Ρητή ανατροφοδότηση</strong></td>\n<td>Σκόπιμες αλληλεπιδράσεις που ο χρήστης επιλέγει να πραγματοποιήσει</td>\n<td>- αναζητήσεις /<br>ερωτήματα αναζήτησης-<br>κλικ- επισημάνσεις &quot;μου αρέσει&quot; /<br>αντιδράσεις- σχόλια /<br>απαντήσεις- κοινοποιήσεις / αναδημοσιεύσεις /<br>προωθήσεις- ακολουθήσεις /<br>εγγραφές- αποθηκεύσεις /<br>σελιδοδείκτες- αξιολογήσεις /<br>κριτικές- αγορές / λήψεις</td>\n</tr>\n<tr>\n<td><strong>Σιωπηρή συμπεριφορά</strong></td>\n<td>Παθητικά σήματα συμπεριφοράς που καταγράφονται κατά τη χρήση</td>\n<td>- χρόνος παρακολούθησης / χρόνος ακρόασης / χρόνος παραμονής -<br>συμπεριφορά κύλισης (πόσο μακριά, πόσο γρήγορα)<br>- συμπεριφορά κατά την τοποθέτηση του δείκτη -<br>συμπεριφορά παράλειψης</td>\n</tr>\n<tr>\n<td><strong>Δεδομένα περιβάλλοντος</strong></td>\n<td>Πληροφορίες σχετικά με την κατάσταση στην οποία ο χρήστης έχει πρόσβαση στην πλατφόρμα</td>\n<td>- δεδομένα τοποθεσίας του χρήστη κατά τη χρήση της εφαρμογής<br>- τύπος συσκευής (π.χ. τηλέφωνο ή φορητός υπολογιστής)<br>- ώρα πρόσβασης</td>\n</tr>\n<tr>\n<td><strong>Δεδομένα λογαριασμού και κοινωνικά δεδομένα</strong></td>\n<td>Πληροφορίες από το προφίλ του χρήστη και τις κοινωνικές του συνδέσεις</td>\n<td>- πληροφορίες προφίλ (ηλικία, ενδιαφέροντα, επάγγελμα, φύλο)<br>-<br>ρυθμίσεις γλώσσας - συνδεδεμένοι<br>λογαριασμοί - λίστα επαφών / βιβλίο διευθύνσεων</td>\n</tr>\n</tbody></table>\n<div class=\"scilmi-callout scilmi-callout-info\">\n<div class=\"scilmi-callout-row\" aria-label=\"Info\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" d=\"M20 12C20 7.58172 16.4183 4 12 4C7.58172 4 4 7.58172 4 12C4 16.4183 7.58172 20 12 20C16.4183 20 20 16.4183 20 12ZM11 8C11 8.55228 11.4477 9 12 9C12.5523 9 13 8.55228 13 8C13 7.44772 12.5523 7 12 7C11.4477 7 11 7.44772 11 8ZM12 10C13 10 13 11 13 11V16C13 16 13 17 12 17C11 17 11 16 11 16V11C11 11 11 11 10.5 11C10 11 10 10 10 10H12Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><ul>\n<li>\nAdomavicius, G., &amp; Tuzhilin, A. (2011). Συστήματα προτάσεων με γνώμονα το πλαίσιο. Σε F. Ricci, L. Rokach, B. Shapira, &amp; P. B. Kantor (Επιμ.), <em>Εγχειρίδιο Συστημάτων Προτάσεων</em>\n(σ. 217–253). Springer. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1007&#x2f;978-0-387-85820-3_7\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1007/978-0-387-85820-3_7</a>\n</li>\n<li>\nKelly, D., &amp; Teevan, J. (2003). Σιωπηρή ανατροφοδότηση για την εξαγωγή συμπερασμάτων σχετικά με τις προτιμήσεις των χρηστών: Μια βιβλιογραφία. <em>ACM SIGIR Forum, 37</em>\n(2), 18–28. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1145&#x2f;959258.959260\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1145/959258.959260</a>\n</li>\n<li>\nLi, W., Kuo, J.-C., Sheng, M., Zhang, P., &amp; Wu, Q. (2025). Πέρα από το ρητό και το σιωπηρό: Πώς οι χρήστες παρέχουν ανατροφοδότηση για τη διαμόρφωση εξατομικευμένου περιεχομένου συστάσεων. Στα <em>Πρακτικά του Συνεδρίου CHI 2025 για τους Ανθρώπινους Παράγοντες στα Υπολογιστικά Συστήματα (CHI &#x27;25)</em>\n. Ένωση Μηχανικών Υπολογιστών. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1145&#x2f;3706598.3713241\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1145/3706598.3713241</a>\n</li>\n<li>\nNarayanan, A. (2023). <em>Κατανόηση των αλγορίθμων προτάσεων στα μέσα κοινωνικής δικτύωσης.</em>\nΙνστιτούτο Knight First Amendment, Πανεπιστήμιο Columbia.<a class=\"notranslate\" translate=\"no\" href=\"https&#x3a;&#x2f;&#x2f;knightcolumbia.org&#x2f;content&#x2f;understanding-social-media-recommendation-algorithms\" target=\"_blank\" rel=\"noopener\">https://knightcolumbia.org/content/understanding-social-media-recommendation-algorithms</a>\n</li>\n</ul></div>\n</div>\n</div>\n<h1>Ενίσχυση της πληροφορίας</h1>\n<p>Η ενίσχυση αναφέρεται στη συστηματική ενίσχυση της ορατότητας ενός στοιχείου πέρα από το επίπεδο του μεμονωμένου χρήστη — με σκοπό την επίτευξη ευρείας ορατότητας σε όλους τους λογαριασμούς χρηστών και, ενίοτε, σε όλα τα περιβάλλοντα πληροφοριών.</p>\n<p>Ενώ <em>η προώθηση με βάση την πηγή</em> (παραπάνω) καλύπτει αυτό που κάνει μια μεμονωμένη πηγή για να αποκτήσει ορατότητα και <em>η διαχείριση πρόσβασης από την πλευρά της πλατφόρμας</em> (παραπάνω) περιγράφει τις αλγοριθμικές λειτουργίες μέσω των οποίων οι πλατφόρμες προβάλλουν και κατατάσσουν το περιεχόμενο για μεμονωμένους χρήστες, <em>η ενίσχυση</em> αναφέρεται στα <em>αποτελέσματα</em> της <em>ενίσχυσης σε μεγάλη κλίμακα</em> — που παράγονται είτε ως το συνολικό αποτέλεσμα αυτών των λειτουργιών της πλατφόρμας (→ <em>Αλγοριθμική ενίσχυση</em>) είτε μέσω συντονισμένης δραστηριότητας από πολλαπλούς παράγοντες (→ <em>Συντονισμένη ενίσχυση</em>).</p>\n<h2>Μηχανισμοί ενίσχυσης</h2>\n<p>Η ενίσχυση λειτουργεί μέσω δύο βασικών μηχανισμών.</p>\n<ul>\n<li><strong>Η αλγοριθμική ενίσχυση</strong> καθοδηγείται <em>από την πλατφόρμα</em>: είναι το αθροιστικό αποτέλεσμα της <em>αλγοριθμικής διαχείρισης</em> — το σωρευτικό αποτέλεσμα της επιμέλειας και της εξατομίκευσης της πλατφόρμας σχετικά με το ποια στοιχεία φτάνουν σε ποιους χρήστες και με ποια προβολή.\n</li>\n<li><strong>Η Συντονισμένη Ενίσχυση</strong> καθοδηγείται <em>από τους παράγοντες</em>: πολλαπλοί λογαριασμοί, ομάδες ή εκστρατείες ενεργούν σκόπιμα από κοινού για να ενισχύσουν την ορατότητα ενός στοιχείου, ενός hashtag ή μιας αφήγησης πέρα από αυτό που θα παρήγαγε η δραστηριότητα ενός μεμονωμένου χρήστη. Η βιβλιογραφία την ταξινομεί κατά μήκος δύο διαστάσεων — του <strong>συντονισμού</strong> (διαφανής ή κρυφός) και των <strong>λογαριασμών</strong> (πραγματικοί ή ψεύτικοι) — και διακρίνει αναλόγως (Rogers &amp; Righetti, 2025):\n<ul>\n<li><strong>Συντονισμένη αυθεντική ενίσχυση</strong>: ο συντονισμός είναι διαφανής και οι λογαριασμοί είναι πραγματικοί (π.χ. ανοιχτές εκστρατείες πολιτών, υπεράσπιση, μάρκετινγκ).\n</li>\n<li><strong>Συντονισμένη μη αυθεντική / τεχνητή ενίσχυση</strong>: ο συντονισμός είναι κρυφός, οι λογαριασμοί είναι ψεύτικοι, ή και τα δύο — δημιουργώντας την εντύπωση οργανικής υποστήριξης (<em>Συντονισμένη Μη Αυθεντική Συμπεριφορά</em> της Meta / CIB; Gleicher, 2018).\n</li>\n</ul>\n</li>\n</ul>\n<p>Οι δύο μηχανισμοί συνδυάζονται συχνά. Τα συντονισμένα δίκτυα εκμεταλλεύονται την κατάταξη βάσει αλληλεπίδρασης για να ενεργοποιήσουν αλγοριθμικές ενισχύσεις· η αλγοριθμική κατάταξη, με τη σειρά της, ενισχύει την ορατότητα που έχει ήδη δημιουργήσει ο συντονισμός.</p>\n<div class=\"scilmi-callout scilmi-callout-info\">\n<div class=\"scilmi-callout-row\" aria-label=\"Info\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" d=\"M20 12C20 7.58172 16.4183 4 12 4C7.58172 4 4 7.58172 4 12C4 16.4183 7.58172 20 12 20C16.4183 20 20 16.4183 20 12ZM11 8C11 8.55228 11.4477 9 12 9C12.5523 9 13 8.55228 13 8C13 7.44772 12.5523 7 12 7C11.4477 7 11 7.44772 11 8ZM12 10C13 10 13 11 13 11V16C13 16 13 17 12 17C11 17 11 16 11 16V11C11 11 11 11 10.5 11C10 11 10 10 10 10H12Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><ul>\n<li>\nGleicher, N. (2018). <em>Επεξήγηση της Συντονισμένης Μη Αυθεντικής Συμπεριφοράς</em>\n. Meta Newsroom.<a class=\"notranslate\" translate=\"no\" href=\"https&#x3a;&#x2f;&#x2f;about.fb.com&#x2f;news&#x2f;2018&#x2f;12&#x2f;inside-feed-coordinated-inauthentic-behavior&#x2f;\" target=\"_blank\" rel=\"noopener\">https://about.fb.com/news/2018/12/inside-feed-coordinated-inauthentic-behavior/</a>\n</li>\n<li>\nRogers, R., &amp; Righetti, N. (2025). Συντονισμένη μη αυθεντική συμπεριφορά στο Facebook; Μια τυπολογία της τεχνητής προσοχής. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1177&#x2f;29768624251369784\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1177/29768624251369784</a>\n</li>\n</ul></div>\n</div>\n</div>\n<h3>Αλγοριθμική ενίσχυση</h3>\n<p>Η αλγοριθμική ενίσχυση είναι το σωρευτικό αποτέλεσμα των παραπάνω μηχανισμών ελέγχου (Επιμέλεια και Εξατομίκευση): η συστηματική διαμόρφωση του ποια στοιχεία, θέματα, λογαριασμοί και μορφές εμφανίζονται σε εμφανή θέση στους χρήστες — και ποια φιλτράρονται, υποβαθμίζονται ή ωθούνται προς τα κάτω.</p>\n<p>Η εμπειρική έρευνα δείχνει ότι η κατάταξη βάσει αλληλεπίδρασης ενισχύει συστηματικά το συναισθηματικά φορτισμένο και εχθρικό προς ομάδες εκτός της δικής τους περιεχόμενο, ακόμη και όταν οι ίδιοι οι χρήστες δεν προτιμούν τέτοιο περιεχόμενο (Milli et al., 2025). Επίσης, επιτείνει την υπάρχουσα εμβέλεια: λογαριασμοί και στοιχεία με υψηλή προηγούμενη αλληλεπίδραση ανταμείβονται με περαιτέρω ορατότητα, δημιουργώντας εξαιρετικά ασύμμετρες κατανομές εμβέλειας (φαινόμενο «οι πλούσιοι γίνονται πλουσιότεροι»).</p>\n<p>Οι αλγοριθμικές παρεμβάσεις μπορούν επίσης να έχουν μη γραμμικά αποτελέσματα προς την αντίθετη κατεύθυνση. Μια μείωση κατά περίπου 20% στην προβολή ενός στοιχείου στο feed μπορεί να μειώσει την εμβέλειά του κατά μία τάξη μεγέθους (Narayanan, 2023).</p>\n<p>Η αλγοριθμική ενίσχυση δεν αποτελεί ουδέτερη αντανάκλαση της δραστηριότητας των χρηστών. Τα αποτελέσματά της είναι αναδυόμενα και ορατά κυρίως στο σύνολο: οι μεμονωμένες συστάσεις είναι ασαφείς (τα ποσοστά αλληλεπίδρασης παραμένουν κάτω από 1% στις περισσότερες πλατφόρμες), αλλά η κατάταξη, η σύσταση και η υποβάθμιση διαμορφώνουν συστηματικά το περιεχόμενο που κυκλοφορεί στην πλατφόρμα.</p>\n<div class=\"scilmi-callout scilmi-callout-info\">\n<div class=\"scilmi-callout-row\" aria-label=\"Info\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" d=\"M20 12C20 7.58172 16.4183 4 12 4C7.58172 4 4 7.58172 4 12C4 16.4183 7.58172 20 12 20C16.4183 20 20 16.4183 20 12ZM11 8C11 8.55228 11.4477 9 12 9C12.5523 9 13 8.55228 13 8C13 7.44772 12.5523 7 12 7C11.4477 7 11 7.44772 11 8ZM12 10C13 10 13 11 13 11V16C13 16 13 17 12 17C11 17 11 16 11 16V11C11 11 11 11 10.5 11C10 11 10 10 10 10H12Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><ul>\n<li>Milli, S., et al. (2025). Αλληλεπίδραση, ικανοποίηση χρηστών και ενίσχυση διχαστικού περιεχομένου στα κοινωνικά μέσα. PNAS Nexus.\n</li>\n<li>Narayanan, A. (2023). Κατανόηση των αλγορίθμων συστάσεων στα κοινωνικά μέσα. Knight First Amendment Institute.\n</li>\n</ul></div>\n</div>\n</div>\n<h3>Συντονισμένη αυθεντική ενίσχυση</h3>\n<p>Η συντονισμένη αυθεντική ενίσχυση είναι η σκόπιμη προώθηση μιας πληροφορίας, ενός θέματος, ενός hashtag, ενός λογαριασμού ή μιας αφήγησης μέσω ανοιχτά γνωστοποιημένης, οργανωμένης δραστηριότητας από πραγματικούς λογαριασμούς. Η συντονισμένη προέλευση δεν αποκρύπτεται: οι συμμετέχοντες ενεργούν με την πραγματική τους ταυτότητα ή υπό γνωστές ομαδικές συνδέσεις.</p>\n<p>Τυπικά παραδείγματα περιλαμβάνουν</p>\n<ul>\n<li>πολιτικές εκστρατείες (π.χ. αιτήσεις ΜΚΟ, hashtag υπεράσπισης),\n</li>\n<li>πολιτική κινητοποίηση (π.χ. προεκλογική εκστρατεία κομμάτων, προσπάθειες για την αύξηση της εκλογικής συμμετοχής),\n</li>\n<li>εκστρατείες μάρκετινγκ και προώθησης εμπορικών σημάτων,\n</li>\n<li>επικοινωνίες επαγγελματικών ενώσεων, και\n</li>\n<li>πολιτιστικά κινήματα όπως το Fridays for Future ή το #MeToo.\n</li>\n</ul>\n<div class=\"scilmi-callout scilmi-callout-warning\">\n<div class=\"scilmi-callout-row\" aria-label=\"Warning\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" clip-rule=\"evenodd\" d=\"M12 20C7.58172 20 4 16.4183 4 12C4 7.58172 7.58172 4 12 4C16.4183 4 20 7.58172 20 12C20 16.4183 16.4183 20 12 20ZM12 15C12.5523 15 13 15.4477 13 16C13 16.5523 12.5523 17 12 17C11.4477 17 11 16.5523 11 16C11 15.4477 11.4477 15 12 15ZM12 14C13 14 13 13 13 13L13 10.5L13 8C13 8 13 7 12 7C11 7 11 8 11 8L11 13C11 13 11 14 12 14Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><p>Το αν το υποκείμενο μήνυμα είναι τεκμηριωμένο, ισορροπημένο ή μονόπλευρο είναι ένα ξεχωριστό ζήτημα — <em>η αυθεντικότητα</em> αναφέρεται μόνο στη διαφάνεια του συντονισμού, όχι στην αλήθεια ή τη δικαιοσύνη του περιεχομένου. Μια αυθεντική εκστρατεία μπορεί να ενισχύσει ακριβείς πληροφορίες, παραπλανητικές πληροφορίες ή μια μονόπλευρη θέση.</p></div>\n</div>\n</div>\n<div class=\"scilmi-callout scilmi-callout-warning\">\n<div class=\"scilmi-callout-row\" aria-label=\"Warning\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" clip-rule=\"evenodd\" d=\"M12 20C7.58172 20 4 16.4183 4 12C4 7.58172 7.58172 4 12 4C16.4183 4 20 7.58172 20 12C20 16.4183 16.4183 20 12 20ZM12 15C12.5523 15 13 15.4477 13 16C13 16.5523 12.5523 17 12 17C11.4477 17 11 16.5523 11 16C11 15.4477 11.4477 15 12 15ZM12 14C13 14 13 13 13 13L13 10.5L13 8C13 8 13 7 12 7C11 7 11 8 11 8L11 13C11 13 11 14 12 14Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><p>Ο αυθεντικός και ο μη αυθεντικός συντονισμός μπορούν να παράγουν μοτίβα ορατότητας που φαίνονται πανομοιότυπα από έξω — συγχρονισμένη κοινοποίηση, ομαδοποίηση hashtag, ταχεία διάδοση. Το διακριτικό χαρακτηριστικό δεν είναι το ορατό μοτίβο, αλλά το αν η συντονισμένη προέλευση αποκαλύπτεται ανοιχτά.</p></div>\n</div>\n</div>\n<h3>Συντονισμένη μη αυθεντική / τεχνητή ενίσχυση</h3>\n<p>Ο συντονισμένος μη αυθεντικός / τεχνητός ενισχυμός είναι η σκόπιμη προώθηση ενός στοιχείου πληροφορίας, θέματος, hashtag, λογαριασμού ή αφήγησης μέσω οργανωμένης δραστηριότητας στην οποία η συντονισμένη προέλευση αποκρύπτεται, οι συμμετέχοντες λογαριασμοί είναι ψεύτικοι, ή και τα δύο. Ο στόχος είναι να δημιουργηθεί η εντύπωση οργανικής, ανεξάρτητης υποστήριξης. Ο όρος της Meta <em>«Συντονισμένη μη αυθεντική συμπεριφορά»</em> (CIB) — που έχει πλέον ενσωματωθεί στον νόμο της ΕΕ για τις ψηφιακές υπηρεσίες — επικεντρώνεται σε αυτόν τον συνδυασμό ψευδών ταυτοτήτων και αντιμαχικών μεθόδων για την αποφυγή της ανίχνευσης (Gleicher, 2018; Rogers &amp; Righetti, 2025).</p>\n<p>Τυπικά παραδείγματα περιλαμβάνουν επιχειρήσεις πολιτικής επιρροής (υποστηριζόμενες από το κράτος ή συνδεδεμένες με πολιτικά κόμματα), εκστρατείες astroturfing (εμπορικές ή ιδεολογικές), στοχευμένη παραπληροφόρηση γύρω από εκλογές, θέματα δημόσιας υγείας ή γεωπολιτικές συγκρούσεις, καθώς και χειραγώγηση της φήμης μέσω ψεύτικων κριτικών, αξιολογήσεων ή αλληλεπίδρασης. Τα επιχειρησιακά μέσα — <em>bots</em>, <em>trolls</em>, <em>sockpuppets</em> και τα συντονισμένα δίκτυά τους (<em>bot farms</em>, <em>troll farms</em>, <em>sockpuppet networks</em>, <em>click farms</em>) — περιγράφονται λεπτομερώς παρακάτω.</p>\n<div class=\"scilmi-callout scilmi-callout-warning\">\n<div class=\"scilmi-callout-row\" aria-label=\"Warning\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" clip-rule=\"evenodd\" d=\"M12 20C7.58172 20 4 16.4183 4 12C4 7.58172 7.58172 4 12 4C16.4183 4 20 7.58172 20 12C20 16.4183 16.4183 20 12 20ZM12 15C12.5523 15 13 15.4477 13 16C13 16.5523 12.5523 17 12 17C11.4477 17 11 16.5523 11 16C11 15.4477 11.4477 15 12 15ZM12 14C13 14 13 13 13 13L13 10.5L13 8C13 8 13 7 12 7C11 7 11 8 11 8L11 13C11 13 11 14 12 14Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><p><em>Η αναξιοπιστία</em> αναφέρεται στην απόκρυψη της συντονισμένης προέλευσης ή στη χρήση ψεύτικων λογαριασμών — όχι στην αληθινή αξία του περιεχομένου που ενισχύεται. Ένα συντονισμένο δίκτυο ψεύτικων λογαριασμών μπορεί να ενισχύσει ακριβείς πληροφορίες· ένα μεμονωμένο αυθεντικό άτομο μπορεί να διαδώσει πλαστές πληροφορίες. Η συντονισμένη αναξιόπιστη ενίσχυση και η διάδοση ψευδούς περιεχομένου είναι διακριτά φαινόμενα που μπορούν να συμβούν ανεξάρτητα ή μαζί.</p></div>\n</div>\n</div>\n<p>Οι ακόλουθοι τύποι λογαριασμών που περιγράφονται σε αυτή την ενότητα ισχύουν σε όλα τα Ψηφιακά Κανάλια &amp; Πλατφόρμες Πληροφοριών όπου οι χρήστες μπορούν να δημιουργήσουν λογαριασμούς και να δημοσιεύουν ή να αλληλεπιδρούν δημόσια — ιδίως στα μέσα κοινωνικής δικτύωσης, στα φόρουμ συζήτησης και στους χώρους κοινότητας, στις πλατφόρμες βίντεο και ήχου, καθώς και στις ενότητες κριτικών ή σχολίων. Είναι λιγότερο εμφανείς σε εφαρμογές ιδιωτικής επικοινωνίας ή σε περιβάλλοντα χωρίς περιεχόμενο που δημιουργείται από χρήστες. Εμφανίζονται τόσο ανεξάρτητα όσο και εντός συντονισμένων δικτύων. Αναφέρονται εδώ λόγω του τυπικού ρόλου τους στη δυναμική της ενίσχυσης· οι ρητά συντονισμένες δομές είναι τα Δίκτυα Λογαριασμών.</p>\n<table><thead><tr>\n<th>Όρος</th>\n<th>Ορισμός</th>\n<th>Ελέγχεται από</th>\n<th>Ορίζεται από</th>\n<th>Τυπικός σκοπός</th>\n</tr></thead><tbody>\n<tr>\n<td><strong>Κοινωνικό bot</strong></td>\n<td>Ένας αυτοματοποιημένος ή μερικώς αυτοματοποιημένος λογαριασμός που δημοσιεύει, κάνει «μου αρέσει», ακολουθεί, μοιράζεται ή απαντά στο διαδίκτυο.</td>\n<td>Λογισμικό</td>\n<td><strong>Αυτοματοποίηση</strong></td>\n<td>Για την ενίσχυση μηνυμάτων, τη δημιουργία τεχνητής δημοτικότητας, την αποστολή ανεπιθύμητων μηνυμάτων, την επηρεασμό συζητήσεων ή τη διάδοση περιεχομένου σε μεγάλη κλίμακα.</td>\n</tr>\n<tr>\n<td><strong>Κυβόργ</strong></td>\n<td>Ένας υβριδικός λογαριασμός που συνδυάζει την ανθρώπινη λειτουργία με την αυτοματοποίηση λογισμικού.</td>\n<td>Μικτή: ανθρώπινη και λογισμική</td>\n<td><strong>Επιλεκτική αυτοματοποίηση</strong></td>\n<td>Για να συνδυάσει την κλίμακα της αυτοματοποίησης με την πειστικότητα της ανθρώπινης εισροής στο πλαίσιο — για νόμιμο προγραμματισμό/διαχείριση ή για πιο δύσκολα ανιχνεύσιμες επιχειρήσεις επιρροής.</td>\n</tr>\n<tr>\n<td><strong>Τρολ</strong></td>\n<td>Ένα άτομο ή ένας λογαριασμός που προκαλεί, διαταράσσει ή φουντώνει σκόπιμα τη συζήτηση στο διαδίκτυο.</td>\n<td>Συνήθως ένας ανθρώπινος χρήστης· μερικές φορές συντονισμένες ομάδες</td>\n<td><strong>Διαταρακτική / προκλητική / ανταγωνιστική συμπεριφορά</strong></td>\n<td>Να αναστατώνει τους άλλους, να εκτροχιάζει τις συζητήσεις, να προκαλεί αντιδράσεις, να διαδίδει εχθρότητα ή να πολώνει τη συζήτηση.</td>\n</tr>\n<tr>\n<td><strong>Σοκπαπέτ</strong></td>\n<td>Ένας ψεύτικος λογαριασμός που χρησιμοποιείται από κάποιον για να κρύψει την πραγματική του ταυτότητα ή να προσποιηθεί ότι είναι διαφορετικό άτομο.</td>\n<td>Ένας ανθρώπινος χρήστης, αν και ο λογαριασμός μπορεί επίσης να χρησιμοποιεί αυτοματοποίηση</td>\n<td><strong>Παραπλανητική ταυτότητα</strong></td>\n<td>Για τη δημιουργία ψευδούς υποστήριξης, την ανώνυμη επίθεση σε άλλους, την αποφυγή απαγορεύσεων, τη χειραγώγηση της συζήτησης ή τη δημιουργία της εντύπωσης ανεξάρτητης συναίνεσης.</td>\n</tr>\n</tbody></table>\n<h4>Κοινωνικό bot</h4>\n<p>Ένα <strong>κοινωνικό bot</strong> είναι ένα bot που έχει σχεδιαστεί για να λειτουργεί σε πλατφόρμες κοινωνικών μέσων, δημοσιεύοντας, σχολιάζοντας, μοιράζοντας ή αλληλεπιδρώντας με τρόπους που προσομοιάζουν τους ανθρώπινους χρήστες. Τα κοινωνικά bots είναι συνήθως προγραμματισμένα να ενεργούν σε μεγάλη κλίμακα και με υψηλή ταχύτητα, πολύ πέρα από αυτό που θα μπορούσε να διαχειριστεί ένας ανθρώπινος χρήστης. Η δραστηριότητά τους είναι συχνά επαναληπτική και συντονισμένη σε πολλούς λογαριασμούς, κάτι που τη διακρίνει από τη συνήθη ανθρώπινη χρήση.</p>\n<p>Τα κοινωνικά bot μπορούν να χρησιμοποιηθούν για νόμιμους σκοπούς — όπως εξυπηρέτηση πελατών, διανομή ειδήσεων ή μάρκετινγκ — αλλά χρησιμοποιούνται επίσης ευρέως για να επηρεάσουν την κοινή γνώμη, να ενισχύσουν συγκεκριμένα μηνύματα, να χειραγωγήσουν συζητήσεις ή να δημιουργήσουν την εντύπωση ευρείας υποστήριξης για συγκεκριμένες ιδέες, προϊόντα ή σκοπούς. Στο πλαίσιο της παραπληροφόρησης και της αποπληροφόρησης, τα κοινωνικά bot διαδραματίζουν ιδιαίτερο ρόλο στη γρήγορη διάδοση περιεχομένου και στη δημιουργία της ψευδούς εντύπωσης ότι πολλές ανεξάρτητες φωνές μοιράζονται την ίδια άποψη.</p>\n<p>Όταν τα κοινωνικά bots χρησιμοποιούνται σε συντονισμένα δίκτυα, σχηματίζουν ένα <em>«Bot Farm</em>».</p>\n<div class=\"scilmi-callout scilmi-callout-info\">\n<div class=\"scilmi-callout-row\" aria-label=\"Info\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" d=\"M20 12C20 7.58172 16.4183 4 12 4C7.58172 4 4 7.58172 4 12C4 16.4183 7.58172 20 12 20C16.4183 20 20 16.4183 20 12ZM11 8C11 8.55228 11.4477 9 12 9C12.5523 9 13 8.55228 13 8C13 7.44772 12.5523 7 12 7C11.4477 7 11 7.44772 11 8ZM12 10C13 10 13 11 13 11V16C13 16 13 17 12 17C11 17 11 16 11 16V11C11 11 11 11 10.5 11C10 11 10 10 10 10H12Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><h4>Bot</h4>\n<p>Ένα bot είναι ένα πρόγραμμα υπολογιστή που εκτελεί αυτόματα εργασίες, συχνά επαναλαμβανόμενες. Τα bots κυμαίνονται από απλά, αβλαβή εργαλεία — όπως web crawlers που ευρετηριάζουν σελίδες για μηχανές αναζήτησης, αυτοματοποιημένα συστήματα δοκιμών ή chatbots που απαντούν σε συνήθεις ερωτήσεις πελατών — έως κακόβουλα προγράμματα σχεδιασμένα για τη διάδοση spam, κακόβουλου λογισμικού ή παραπληροφόρησης.</p></div>\n</div>\n</div>\n<h4>Cyborg</h4>\n<p>Ένα <strong>cyborg</strong> είναι ένας υβριδικός λογαριασμός που λειτουργεί εν μέρει από άνθρωπο και εν μέρει αυτοματοποιημένα από λογισμικό. Ένα cyborg μπορεί να έχει προγραμματισμένες ή δημιουργημένες από λογισμικό συνήθεις αναρτήσεις, ενώ ένα άτομο χειρίζεται επιλεγμένες αλληλεπιδράσεις, απαντήσεις ή ευαίσθητο περιεχόμενο. Η ισορροπία μεταξύ αυτοματοποιημένης και ανθρώπινης δραστηριότητας ποικίλλει μεταξύ των λογαριασμών.</p>\n<p>Τα cyborgs μπορούν να χρησιμοποιηθούν για νόμιμους σκοπούς — όπως προγραμματισμός περιεχομένου, διαχείριση λογαριασμών εμπορικών σημάτων ή οργανισμών ή υβριδική εξυπηρέτηση πελατών — αλλά χρησιμοποιούνται επίσης σε επιχειρήσεις άσκησης επιρροής για να συνδυάσουν την κλίμακα και την ταχύτητα της αυτοματοποίησης με την πειστικότητα της ανθρώπινης εισροής στο συγκεκριμένο πλαίσιο.</p>\n<p>Τα cyborgs είναι πιο δύσκολο να εντοπιστούν από τα καθαρά αυτοματοποιημένα bots, επειδή μέρος της συμπεριφοράς τους είναι πραγματικά ανθρώπινο, πράγμα που σημαίνει ότι οι μεμονωμένοι δείκτες ανίχνευσης σπάνια αρκούν για αξιόπιστη αναγνώριση.</p>\n<h4>Τρολ</h4>\n<p>Ένας <strong>τρολ</strong> είναι ένα πραγματικό πρόσωπο που διαταράσσει σκόπιμα τις διαδικτυακές συζητήσεις μέσω προκλητικής, επιθετικής ή εχθρικής συμπεριφοράς. Οι τρολ χρησιμοποιούν συνήθως προσωπικούς λογαριασμούς και στοχεύουν σε αμφιλεγόμενα ζητήματα, δημόσια πρόσωπα (όπως πολιτικούς ή δημοσιογράφους) ή μέσα ενημέρωσης. Στόχος τους είναι να ενοχλήσουν τους άλλους, να προκαλέσουν αντιδράσεις ή να κλιμακώσουν συγκρούσεις — μερικές φορές για να υποστηρίξουν μια συγκεκριμένη ατζέντα, άλλες φορές για διασκέδαση ή για να τραβήξουν την προσοχή.</p>\n<p>Ενώ τα τρολ συχνά ενεργούν ανεξάρτητα, μπορεί επίσης να λειτουργούν σε συντονισμένες ομάδες, μερικές φορές πληρωμένα από πολιτικούς ή εμπορικούς παράγοντες (βλ. <em>«Φάρμα τρολ»</em> στην ενότητα «Μηχανισμοί ενίσχυσης»).</p>\n<p><strong>Το trolling κατανοείται καλύτερα ως ένα μοτίβο διαδικτυακής συμπεριφοράς και όχι ως ένα συγκεκριμένο είδος λογαριασμού.</strong> Η ίδια συμπεριφορά μπορεί να εκδηλωθεί από αυτοματοποιημένους λογαριασμούς, ενώ και απλοί χρήστες μπορεί να εμπλακούν περιστασιακά σε trolling.</p>\n<h4>Sockpuppet</h4>\n<p>Ένα <strong>sockpuppet</strong> είναι μια ψεύτικη διαδικτυακή ταυτότητα που δημιουργείται και λειτουργεί από ένα πραγματικό άτομο που κρύβει την πραγματική του ταυτότητα. Σε αντίθεση με τους τρολ — οι οποίοι συχνά ενεργούν κάτω από έναν μόνο ανοιχτά εχθρικό λογαριασμό — ένας χειριστής sockpuppet συνήθως διαχειρίζεται παράλληλα πολλούς ψεύτικους λογαριασμούς για να δημιουργήσει την εντύπωση ότι αρκετοί ανεξάρτητοι χρήστες έχουν την ίδια άποψη, υποστηρίζουν την ίδια υπόθεση ή συμφωνούν με τον κύριο (συχνά ξεχωριστό) λογαριασμό του χειριστή.</p>\n<p>Τα sockpuppets χρησιμοποιούνται συνήθως για να δημιουργήσουν τεχνητή συναίνεση, να υποστηρίξουν τα δικά τους επιχειρήματα με διαφορετικά ονόματα, να επιτεθούν σε αντιπάλους ενώ φαίνονται αμερόληπτοι, να αποφύγουν απαγορεύσεις δημιουργώντας νέες ταυτότητες μετά την αναστολή, ή να χειραγωγήσουν διαδικτυακές κριτικές, ψήφους και δημοσκοπήσεις.</p>\n<p>Τα sockpuppets διαφέρουν από τα social bots στο ότι λειτουργούν χειροκίνητα από ανθρώπους, γεγονός που καθιστά το περιεχόμενό τους πιο πειστικό από πλευράς πλαισίου και πιο δύσκολο να ανιχνευθεί με αυτοματοποιημένα μέσα. Διαφέρουν από τους trolls στο ότι ο πρωταρχικός τους στόχος είναι η παραπλάνηση σχετικά με την ταυτότητα και η δημιουργία φαινομενικής συναίνεσης, όχι η πρόκληση — αν και οι διαχειριστές των sockpuppets μπορούν επίσης να εμπλακούν σε συμπεριφορές trolling μέσω των ψεύτικων ταυτοτήτων τους.</p>\n<p>Όταν ένα άτομο ή μια μικρή ομάδα χειρίζεται συντονισμένα ένα σύνολο sockpuppets, σχηματίζουν ένα <em>δίκτυο Sockpuppet</em> (βλ. Μηχανισμοί ενίσχυσης).</p>\n<h4>☑ Διαφοροποίηση των κοινωνικών bot, των trolls και των sockpuppets</h4>\n<table><thead><tr>\n<th><strong>Διάσταση ανίχνευσης</strong></th>\n<th><strong>Κοινωνικά Bots</strong></th>\n<th><strong>Τρολ</strong></th>\n<th><strong>Ψεύτικα προφίλ</strong></th>\n</tr></thead><tbody>\n<tr>\n<td><strong>Χαρακτηριστικά προφίλ</strong></td>\n<td>- [ ] Ο λογαριασμός φαίνεται να έχει δημιουργηθεί πρόσφατα -<br>[ ] Το προφίλ είναι ελλιπές ή<br>γενικό - [ ] Το όνομα χρήστη μπορεί να φαίνεται μη προσωπικό και μερικές φορές να περιλαμβάνει τυχαίους αριθμούς</td>\n<td>- [ ] Ο λογαριασμός είναι συνήθως ενεργός για μεγαλύτερο χρονικό διάστημα και έχει ιστορικό αναρτήσεων -<br>[ ] Το προφίλ είναι πλήρες και φαίνεται προσωπικό· μπορεί να παρουσιάζει έντονη ιδεολογική ή πολιτική<br>αυτοπεριγραφή - [ ] Το όνομα χρήστη φαίνεται προσωπικό</td>\n<td>- [ ] Το προφίλ φαίνεται αληθοφανές και προσωπικό, συχνά με φωτογραφία προφίλ και βιογραφικά στοιχεία (μερικές φορές κλεμμένα, δημιουργημένα από τεχνητή νοημοσύνη ή αντιγραμμένα)<br>- [ ] Το ιστορικό του λογαριασμού μπορεί να είναι μέτριο και σχεδιασμένο ώστε να φαίνεται αυθεντικό με την πάροδο του χρόνου</td>\n</tr>\n<tr>\n<td><strong>Συμπεριφορά δημοσίευσης</strong></td>\n<td>- [ ] Η δραστηριότητα δεν ταιριάζει με τη συνήθη ανθρώπινη<br>συμπεριφορά στο διαδίκτυο - [ ] Οι λογαριασμοί δημοσιεύουν ή αναδημοσιεύουν περιεχόμενο πολύ<br>συχνά - [ ] Οι λογαριασμοί δημοσιεύουν ή αναδημοσιεύουν περιεχόμενο όλες τις ώρες, μέρα και νύχτα</td>\n<td>- [ ] Η δραστηριότητα μοιάζει με τη φυσιολογική ανθρώπινη<br>συμπεριφορά στο διαδίκτυο - [ ] Ο λογαριασμός δημοσιεύει ή απαντά σε ακανόνιστα χρονικά<br>διαστήματα - [ ] Ο λογαριασμός γίνεται πιο ενεργός κατά τη διάρκεια αμφιλεγόμενων συζητήσεων</td>\n<td>- [ ] Τα μοτίβα δραστηριότητας μοιάζουν με τη φυσιολογική ανθρώπινη<br>χρήση - [ ] Πολλαπλοί λογαριασμοί που διαχειρίζεται ο ίδιος χρήστης ενδέχεται να παρουσιάζουν παρόμοιες ώρες ή<br>ρυθμούς δραστηριότητας - [ ] Οι ψεύτικοι λογαριασμοί τείνουν να ξεκινάνε λιγότερες συζητήσεις και να γράφουν πιο σύντομες αναρτήσεις από τους τυπικούς χρήστες</td>\n</tr>\n<tr>\n<td><strong>Αλληλεπιδράσεις</strong></td>\n<td>- [ ] Ο λογαριασμός δεν έχει πραγματικές<br>συνομιλίες - [ ] Οι λογαριασμοί κυρίως κάνουν «like», μοιράζονται ή<br>αναδημοσιεύουν - [ ] Οι απαντήσεις είναι σύντομες και αυτοματοποιημένες</td>\n<td>- [ ] Ο λογαριασμός απαντά απευθείας σε άλλους<br>χρήστες - [ ] Ο λογαριασμός συμμετέχει σε συζητήσεις με σκοπό να προκαλέσει<br>αντιδράσεις - [ ] Οι συνομιλίες παρατείνονται για να δημιουργήσουν ή να κλιμακώσουν τη σύγκρουση</td>\n<td>- [ ] Ο λογαριασμός συμμετέχει σε πραγματικές συνομιλίες, συχνά υποστηρίζοντας τον κύριο λογαριασμό του διαχειριστή ή άλλους ψεύτικους<br>λογαριασμούς - [ ] Οι απαντήσεις είναι κατάλληλες για το πλαίσιο και φαίνονται<br>αυθεντικές - [ ] Ζεύγη ψεύτικων λογαριασμών συχνά αλληλεπιδρούν στην ίδια συζήτηση σε παρόμοιες χρονικές στιγμές</td>\n</tr>\n<tr>\n<td><strong>Χαρακτηριστικά περιεχομένου</strong></td>\n<td>- [ ] Το περιεχόμενο είναι μονόπλευρο και<br>επαναλαμβανόμενο - [ ] Οι ίδιες αφηγήσεις δημοσιεύονται πολλές φορές</td>\n<td>- [ ] Το περιεχόμενο είναι ειδικά προσαρμοσμένο για να βλάψει ή να προκαλέσει έναν<br>στόχο - [ ] Το περιεχόμενο στοχεύει άτομα ή κοινωνικές ομάδες</td>\n<td>- [ ] Το περιεχόμενο φαίνεται γνήσιο και ποικίλο μεταξύ των<br>λογαριασμών - [ ] Το υποκείμενο μήνυμα ή η στάση ευθυγραμμίζεται ύποπτα σε όλο το δίκτυο<br>- [ ] Πιο συχνή χρήση προσωπικών αντωνυμιών όπως το «εγώ»</td>\n</tr>\n<tr>\n<td><strong>Γλώσσα</strong></td>\n<td>- [ ] Γενικές εκφράσεις, επαναλαμβανόμενες φράσεις με λέξεις-κλειδιά</td>\n<td>- [ ] Ποικίλη, συναισθηματική, συχνά υβριστική ή προσβλητική γλώσσα</td>\n<td>- [ ] Φυσική και ποικίλη<br>γλώσσα - [ ] Πολλαπλοί λογαριασμοί ενδέχεται να μοιράζονται γλωσσικά αποτυπώματα (παρόμοιες φράσεις, λεξιλόγιο, στίξη ή μοτίβα λαθών)</td>\n</tr>\n<tr>\n<td><strong>Δείκτες δικτύου και τεχνικοί δείκτες</strong></td>\n<td>- [ ] Τα κοινωνικά bots ακολουθούν άλλα κοινωνικά bots, αλλά η σχέση είναι συνήθως μονόδρομη και όχι<br>αμοιβαία- [ ] Συντονισμένη συμπεριφορά παρατηρείται σε πολλούς λογαριασμούς bot</td>\n<td>- [ ] Οι τρολ ακολουθούν<br>λογαριασμούς ανθρώπων - [ ] Οι συνδέσεις είναι συχνά αμοιβαίες (ακολουθούν τους ακόλουθούς τους και το αντίστροφο)<br>- [ ] Οι τρολ συνήθως ενεργούν ανεξάρτητα ο ένας από τον άλλο</td>\n<td>- [ ] Πολλαπλοί λογαριασμοί που αλληλεπιδρούν μεταξύ τους με τρόπους αμοιβαίας<br>υποστήριξης- [ ] Οι συνδέσεις μπορεί να είναι τεχνητά αμοιβαίες μεταξύ ψεύτικων λογαριασμών στο ίδιο δίκτυο, ή να απουσιάζουν σκόπιμα για να αποφευχθεί η<br>ανίχνευση- [ ] Ίδια διεύθυνση IP, δακτυλικό αποτύπωμα συσκευής ή μοτίβο σύνδεσης \\\\*(ανίχνευση από την πλευρά της πλατφόρμας)\\\\*-<br>[ ] Περισσότερα συγκεντρωμένα δίκτυα εγωκεντρικών λογαριασμών σε σχέση με τους συνηθισμένους<br>χρήστες- [ ] Συσχετισμένος χρονισμός δραστηριότητας μεταξύ λογαριασμών</td>\n</tr>\n</tbody></table>\n<div class=\"scilmi-callout scilmi-callout-info\">\n<div class=\"scilmi-callout-row\" aria-label=\"Info\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" d=\"M20 12C20 7.58172 16.4183 4 12 4C7.58172 4 4 7.58172 4 12C4 16.4183 7.58172 20 12 20C16.4183 20 20 16.4183 20 12ZM11 8C11 8.55228 11.4477 9 12 9C12.5523 9 13 8.55228 13 8C13 7.44772 12.5523 7 12 7C11.4477 7 11 7.44772 11 8ZM12 10C13 10 13 11 13 11V16C13 16 13 17 12 17C11 17 11 16 11 16V11C11 11 11 11 10.5 11C10 11 10 10 10 10H12Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><ul>\n<li>\nFerrara, E. (2023). Ανίχνευση κοινωνικών bot στην εποχή του ChatGPT: Προκλήσεις και ευκαιρίες. <em>First Monday, 28</em>\n(6). <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.5210&#x2f;fm.v28i6.13185\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.5210/fm.v28i6.13185</a>\n</li>\n<li>\nKumar, S., Cheng, J., Leskovec, J., &amp; Subrahmanian, V. S. (2017). Ένας στρατός από εμένα: Sockpuppets σε διαδικτυακές κοινότητες συζήτησης. <em>Πρακτικά του 26ου Διεθνούς Συνεδρίου για τον Παγκόσμιο Ιστό (WWW &#x27;17)</em>\n, 857–866. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1145&#x2f;3038912.3052677\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1145/3038912.3052677</a>\n</li>\n<li>\nOrabi, M., Mouheb, D., Al Aghbari, Z., &amp; Kamel, I. (2020). Ανίχνευση bots στα κοινωνικά μέσα: Μια συστηματική ανασκόπηση. <em>Επεξεργασία &amp; Διαχείριση Πληροφοριών, 57</em>\n(4), 102250. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1016&#x2f;j.ipm.2020.102250\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1016/j.ipm.2020.102250</a>\n</li>\n<li>\nSolorio, T., Hasan, R., &amp; Mizan, M. (2013). Μια μελέτη περίπτωσης για την ανίχνευση ψευδών λογαριασμών στη Βικιπαίδεια. <em>Πρακτικά του Εργαστηρίου για την Ανάλυση Γλώσσας στα Μέσα Κοινωνικής Δικτύωσης (LASM) στο NAACL-HLT</em>\n, 59–68. Ένωση Υπολογιστικής Γλωσσολογίας.<a class=\"notranslate\" translate=\"no\" href=\"https&#x3a;&#x2f;&#x2f;aclanthology.org&#x2f;W13-1107&#x2f;\" target=\"_blank\" rel=\"noopener\">https://aclanthology.org/W13-1107/</a>\n</li>\n<li>\nTomaiuolo, M., Lombardo, G., Mordonini, M., Cagnoni, S., &amp; Poggi, A. (2020). Μια έρευνα σχετικά με την ανίχνευση τρολ. <em>Future Internet, 12</em>\n(2), <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.3390&#x2f;fi12020031\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.3390/fi12020031</a>\n</li>\n<li>\nTsikerdekis, M., &amp; Zeadally, S. (2014). Ανίχνευση εξαπάτησης ταυτότητας πολλαπλών λογαριασμών στα μέσα κοινωνικής δικτύωσης με χρήση μη λεκτικής συμπεριφοράς. <em>IEEE Transactions on Information Forensics and Security, 9</em>\n(8), 1311–1321. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1109&#x2f;TIFS.2014.2332820\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1109/TIFS.2014.2332820</a>\n</li>\n<li>\nUyheng, J., Moffitt, J. D., &amp; Carley, K. M. (2022). Η γλώσσα και οι στόχοι του διαδικτυακού trolling: Μια ψυχογλωσσολογική προσέγγιση για την κοινωνική κυβερνοασφάλεια. <em>Information Processing &amp; Management, 59</em>\n(5), 103012. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1016&#x2f;j.ipm.2022.103012\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1016/j.ipm.2022.103012</a>\n</li>\n</ul></div>\n</div>\n</div>\n<h4>Δίκτυα λογαριασμών</h4>\n<h4>Φάρμα bot</h4>\n<p>Ένα <strong>bot farm</strong> είναι ένα δίκτυο bots που λειτουργούν ταυτόχρονα σε πολλαπλές συσκευές ή διακομιστές, τα οποία αναπτύσσονται από έναν μόνο χειριστή ή οργανισμό για συγκεκριμένο σκοπό.</p>\n<p>Τα bot farms έχουν μια σειρά από νόμιμες χρήσεις, όπως η ευρετηρίαση ιστού, οι αυτοματοποιημένες δοκιμές λογισμικού, η συγκέντρωση δεδομένων και η παρακολούθηση της απόδοσης ιστοσελίδων. Ωστόσο, χρησιμοποιούνται επίσης συχνά για κακόβουλες δραστηριότητες, όπως η δημιουργία ψεύτικης αλληλεπίδρασης, η παραγωγή μεγάλου όγκου περιεχομένου, η διανομή spam ή η διεξαγωγή επιθέσεων στον κυβερνοχώρο. Όταν χρησιμοποιούνται για τη χειραγώγηση του διαδικτυακού διαλόγου, τα bot farms μπορούν να δημιουργήσουν την ψευδή εντύπωση ευρείας υποστήριξης, αντίθεσης ή ενδιαφέροντος για ένα θέμα, έναν λογαριασμό ή μια εκστρατεία.</p>\n<h4>Φάρμα τρολ</h4>\n<p>Μια <strong>φάρμα τρολ</strong> είναι μια οργανωμένη ομάδα συντονισμένων, συχνά αμειβόμενων εργαζομένων που δημοσιεύουν σκόπιμα προκλητικό, παραπλανητικό ή ψευδές περιεχόμενο στο διαδίκτυο — συνήθως μέσω ψεύτικων λογαριασμών. Στόχος τους είναι συνήθως η χειραγώγηση της κοινής γνώμης, η διάδοση παραπληροφόρησης ή η δημιουργία κοινωνικής και πολιτικής αναταραχής. Οι φάρμες τρολ έχουν τεκμηριωθεί σε σχέση με κρατικά χρηματοδοτούμενες επιχειρήσεις επηρεασμού, καθώς και με εμπορική χειραγώγηση της φήμης.</p>\n<h4>Δίκτυο ψεύτικων λογαριασμών</h4>\n<p>Ένα δίκτυο ψεύτικων λογαριασμών είναι ένα συντονισμένο σύνολο ψεύτικων λογαριασμών που διαχειρίζεται ένα άτομο ή μια μικρή ομάδα, και χρησιμοποιείται για να προσομοιάζει ανεξάρτητες φωνές που υποστηρίζουν μια κοινή αφήγηση, εκστρατεία, λογαριασμό ή σκοπό. Τα δίκτυα ψεύτικων λογαριασμών χρησιμοποιούνται συνήθως σε πολιτικές εκστρατείες astroturfing, χειραγώγηση κριτικών και αξιολογήσεων, καθώς και συντονισμένες εκστρατείες παραπληροφόρησης. Σε αντίθεση με τα bot farms, τα δίκτυα sockpuppet βασίζονται στη χειροκίνητη λειτουργία από ανθρώπους, γεγονός που κάνει το περιεχόμενο των μεμονωμένων λογαριασμών να φαίνεται πιο αυθεντικό και πιο δύσκολο να ανιχνευθεί με αυτοματοποιημένα μέσα. Ο συντονισμός τους συνήθως γίνεται ανιχνεύσιμος μόνο όταν πολλοί λογαριασμοί μπορούν να συνδεθούν μέσω προτύπων συμπεριφοράς, κοινών τεχνικών σημάτων ή αμοιβαίας αλληλεπίδρασης.</p>\n<h4>Click Farm</h4>\n<p>Ένα <strong>click farm</strong> είναι μια επιχείρηση όπου χρησιμοποιείται μεγάλος αριθμός χαμηλόμισθων εργαζομένων, αυτοματοποιημένων bot ή και τα δύο για να κάνουν κλικ σε διαφημίσεις, να ακολουθούν λογαριασμούς στα μέσα κοινωνικής δικτύωσης, να κάνουν «like» σε αναρτήσεις, να αφήνουν κριτικές ή να κατεβάζουν εφαρμογές. Ο στόχος είναι να ενισχυθεί τεχνητά η διαδικτυακή αλληλεπίδραση ή η επισκεψιμότητα, κάνοντας το περιεχόμενο, τους λογαριασμούς ή τα προϊόντα να φαίνονται πιο δημοφιλή από ό,τι είναι στην πραγματικότητα.</p>\n<h2>Φαινόμενα</h2>\n<h4>☑ Ιογενής διάδοση έναντι τάσεων</h4>\n<table><thead><tr>\n<th>Χαρακτηριστικό</th>\n<th>Ιογενής διάδοση</th>\n<th>Τάση</th>\n</tr></thead><tbody>\n<tr>\n<td><strong>Τι διαδίδεται</strong></td>\n<td>Μια μεμονωμένη πληροφορία: ένα συγκεκριμένο βίντεο, ανάρτηση, εικόνα ή άλλο περιεχόμενο</td>\n<td>Ένα θέμα, hashtag, ήχος, μορφή ή ομάδα συζητήσεων: όχι ένα συγκεκριμένο στοιχείο, αλλά πολλές αναρτήσεις που αναφέρονται ή χρησιμοποιούν το ίδιο πράγμα</td>\n</tr>\n<tr>\n<td><strong>Κύριοι παράγοντες</strong></td>\n<td>Οι χρήστες μοιράζονται, αναδημοσιεύουν ή προωθούν το στοιχείο πληροφορίας σε άλλους, οι οποίοι με τη σειρά τους το μεταδίδουν περαιτέρω. Αυτή η αλυσιδωτή διάδοση μπορεί να ενισχυθεί περαιτέρω από αλγόριθμους συστάσεων</td>\n<td>Πολλοί χρήστες δημοσιεύουν, αναφέρουν ή χρησιμοποιούν το ίδιο θέμα, hashtag ή μορφή σε σύντομο χρονικό διάστημα. Η πλατφόρμα ανιχνεύει αυτή τη συγκέντρωση δραστηριότητας και την επισημαίνει σε μια ειδική ενότητα «Τάσεις» (όπως μια λίστα με τα θέματα που είναι στην τάση, μια επισκόπηση των hashtag που είναι στην τάση ή μια σελίδα με τους ήχους που είναι στην τάση)</td>\n</tr>\n<tr>\n<td><strong>Χρονικό μοτίβο</strong></td>\n<td>Συχνά σύντομο και εκρηκτικό· μπορεί να επαναληφθεί αργότερα</td>\n<td>Περιορισμένο χρονικά· διαρκεί όσο η δραστηριότητα παραμένει υψηλή ή η πλατφόρμα συνεχίζει να το προβάλλει</td>\n</tr>\n<tr>\n<td><strong>Πώς μπορεί να χειραγωγηθεί</strong></td>\n<td>Συντονισμένη κοινοποίηση, ενίσχυση από bots, τεχνητή αλληλεπίδραση που στοχεύει στο συγκεκριμένο στοιχείο πληροφοριών</td>\n<td>Συντονισμένες εκστρατείες δημοσίευσης, κατασκευασμένες ψεύτικες τάσεις μέσω δικτύων bot, αποφάσεις της πλατφόρμας για προώθηση, φιλτράρισμα ή καταστολή</td>\n</tr>\n</tbody></table>\n<p><em>Τόσο η ιογενής διάδοση όσο και η τάση μπορούν να προκύψουν οργανικά ή να ενισχυθούν τεχνητά μέσω συντονισμένων εκστρατειών, δραστηριότητας bot ή αποφάσεων της πλατφόρμας. Και οι δύο μπορούν επίσης να προσφέρουν πλεονέκτημα σε περιεχόμενο που προκαλεί συναισθηματική αντίδραση, έχει ηθικό φορτίο ή δημιουργεί διχασμό, ειδικά σε πολιτικά ή συγκρουσιακά πλαίσια.</em></p>\n<h3>Ιογενής διάδοση</h3>\n<p>Το μοτίβο με το οποίο ένα συγκεκριμένο στοιχείο πληροφορίας διαδίδεται ραγδαία μέσω της κοινοποίησης, της σύστασης και της ανακυκλοφορίας σε δίκτυα, ανάλογα με τον τρόπο που διαδίδεται ένας ιός. Η ιογενής διάδοση διαμορφώνεται από τα χαρακτηριστικά του περιεχομένου, τις δομές των κοινωνικών δικτύων, τις δυνατότητες της πλατφόρμας, το χρονοδιάγραμμα και την αλγοριθμική ενίσχυση.</p>\n<p>Το περιεχόμενο που προκαλεί έντονα συναισθήματα, ηθικές αντιδράσεις ή εχθρότητα προς ομάδες εκτός της δικής μας είναι συχνά πιο πιθανό να μοιραστεί, ειδικά σε πολιτικά ή συγκρουσιακά πλαίσια. Ωστόσο, η ιογενής διάδοση δεν καθορίζεται μόνο από το μέγεθος της αρχικής πηγής: μικρότεροι λογαριασμοί ή μέσα ενημέρωσης μπορούν επίσης να παράγουν στοιχεία με υψηλή ιογενή διάδοση.</p>\n<p>Η ιογενής διάδοση μπορεί να προκύψει οργανικά, αλλά μπορεί επίσης να ενισχυθεί τεχνητά μέσω συντονισμένης κοινοποίησης, χειραγώγησης της πλατφόρμας ή δραστηριότητας bot.</p>\n<h3>Τάσεις</h3>\n<p>Μια κατάσταση που αποδίδεται από την πλατφόρμα και υποδηλώνει ότι ένα θέμα, ένα hashtag, ένας ήχος, μια μορφή ή μια ομάδα συζητήσεων έχει λάβει ασυνήθιστα συγκεντρωμένη δραστηριότητα μέσα σε σύντομο χρονικό διάστημα.</p>\n<p>Η τάση προσδιορίζεται αλγοριθμικά και εμφανίζεται μέσω λειτουργιών της πλατφόρμας, όπως τα Trending Topics του X / Twitter, τα trending hashtags, τα trending sounds, τα trending challenges ή άλλες λειτουργίες τάσεων που είναι συγκεκριμένες για την πλατφόρμα. Η τάση εξαρτάται από σήματα συγκεκριμένα για την πλατφόρμα, όπως ο όγκος των αναρτήσεων, ο ρυθμός αύξησης, η αλληλεπίδραση, η τοποθεσία, η εξατομίκευση και τα φίλτρα εποπτείας.</p>\n<p>Τα θέματα που δημιουργούν υψηλή αλληλεπίδραση — συμπεριλαμβανομένων των διχαστικών, συναισθηματικά φορτισμένων ή ηθικά φορτισμένων θεμάτων — ενδέχεται να έχουν περισσότερες πιθανότητες να γίνουν τάση, αλλά αυτό εξαρτάται από το σύστημα κατάταξης και τους κανόνες διαμεσολάβησης της πλατφόρμας.</p>\n<p>Οι τάσεις μπορούν να προκύψουν οργανικά από πολλές ανεξάρτητες συνεισφορές, αλλά μπορούν επίσης να επηρεαστούν από συντονισμένες εκστρατείες, δραστηριότητα bot ή αποφάσεις της πλατφόρμας σχετικά με το τι θα προωθηθεί, θα φιλτραριστεί, θα μετριαστεί ή θα κατασταλεί.</p>\n<div class=\"scilmi-callout scilmi-callout-info\">\n<div class=\"scilmi-callout-row\" aria-label=\"Info\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" d=\"M20 12C20 7.58172 16.4183 4 12 4C7.58172 4 4 7.58172 4 12C4 16.4183 7.58172 20 12 20C16.4183 20 20 16.4183 20 12ZM11 8C11 8.55228 11.4477 9 12 9C12.5523 9 13 8.55228 13 8C13 7.44772 12.5523 7 12 7C11.4477 7 11 7.44772 11 8ZM12 10C13 10 13 11 13 11V16C13 16 13 17 12 17C11 17 11 16 11 16V11C11 11 11 11 10.5 11C10 11 10 10 10 10H12Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><ul>\n<li><strong>Berger, J. (2013).</strong> <em>Contagious: Why Things Catch On.</em> Νέα Υόρκη: Simon &amp; Schuster.\n</li>\n<li><strong>Berger, J., &amp; Milkman, K. L. (2012).</strong>\nWhat makes online content viral? <em>Journal of Marketing Research</em>\n, 49(2), 192–205. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1509&#x2f;jmr.10.0353\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1509/jmr.10.0353</a>\n</li>\n<li><strong>Brady, W. J., McLoughlin, K., Doan, T. N., &amp; Crockett, M. J. (2021).</strong>\nHow social learning amplifies moral outrage expression in online social networks. <em>Science Advances</em>\n, 7(33), eabe5641. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1126&#x2f;sciadv.abe5641\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1126/sciadv.abe5641</a>\n</li>\n<li><strong>Jenkins, H., Ford, S., &amp; Green, J. (2013).</strong> <em>Spreadable Media: Creating Value and Meaning in a Networked Culture.</em> Νέα Υόρκη: NYU Press.\n</li>\n<li><strong>Lee, J., &amp; Umback, J. (2026).</strong>\nΗ στροφή προς το viral: επανεξέταση της virality στην οικονομία των δημιουργών στο TikTok. <em>Continuum</em>\n, 1–26. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1080&#x2f;10304312.2026.2625794\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1080/10304312.2026.2625794</a>\n</li>\n<li><strong>Maarouf, A., Pröllochs, N., &amp; Feuerriegel, S. (2024).</strong>\nΗ ιογενής διάδοση της ρητορικής μίσους στα κοινωνικά μέσα. <em>Πρακτικά του ACM για την Αλληλεπίδραση Ανθρώπου-Υπολογιστή</em>\n, 8 (CSCW1), 1–22. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1145&#x2f;3641025\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1145/3641025</a>\n</li>\n<li><strong>Rathje, S., Van Bavel, J. J., &amp; van der Linden, S. (2021).</strong>\nΗ εχθρότητα προς τις ομάδες εκτός της δικής μας ομάδας οδηγεί στην εμπλοκή στα μέσα κοινωνικής δικτύωσης. <em>Πρακτικά της Εθνικής Ακαδημίας Επιστημών</em>\n, 118(26), e2024292118. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1073&#x2f;pnas.2024292118\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1073/pnas.2024292118</a>\n</li>\n<li><strong>Rathje, S., &amp; Van Bavel, J. J. (2025).</strong>\nΗ ψυχολογία της ιογένειας. <em>Τάσεις στις Γνωστικές Επιστήμες</em>\n, 29(10), 914–927. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1016&#x2f;j.tics.2025.06.014\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1016/j.tics.2025.06.014</a>\n</li>\n<li><strong>Rogers, E. M. (2003).</strong> <em>Diffusion of Innovations</em> (5η έκδοση). Νέα Υόρκη: Free Press.\n</li>\n<li><strong>Sangiorgio, E., Cinelli, M., Cerqueti, R., &amp; Quattrociocchi, W. (2024).</strong>\nΟι ακόλουθοι δεν καθορίζουν τη ιογενή διάδοση των ειδησεογραφικών μέσων στα κοινωνικά δίκτυα. <em>PNAS Nexus</em>\n, 3(7), σελ. 257. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1093&#x2f;pnasnexus&#x2f;pgae257\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1093/pnasnexus/pgae257</a>\n</li>\n<li><strong>Schlessinger, J., Garimella, K., Jakesch, M., &amp; Eckles, D. (2023).</strong>\nΕπιδράσεις της αλγοριθμικής προώθησης τάσεων: Στοιχεία από συντονισμένες εκστρατείες στα Trending Topics του Twitter. <em>Πρακτικά του Διεθνούς Συνεδρίου AAAI για τον Ιστό και τα Κοινωνικά Μέσα (ICWSM)</em>\n, 17(1), 777–786. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1609&#x2f;icwsm.v17i1.22187\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1609/icwsm.v17i1.22187</a>\n</li>\n<li><strong>Schöne, J. P., Parkinson, B., &amp; Goldenberg, A. (2021).</strong>\nΗ αρνητικότητα διαδίδεται περισσότερο από τη θετικότητα στο Twitter μετά από θετικές και αρνητικές πολιτικές καταστάσεις. <em>Affective Science</em>\n, 2(4), 379–390. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1007&#x2f;s42761-021-00057-7\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1007/s42761-021-00057-7</a>\n</li>\n</ul></div>\n</div>\n</div>\n<h3>Επιδράσεις διάχυσης &amp; Επιστημική «ξεπλύση»</h3>\n<p>Η διαδικασία κατά την οποία πληροφορίες που αποκτούν ορατότητα σε ένα περιβάλλον πληροφοριών — είτε μέσω τεχνητής ενίσχυσης, τάσεων ή συντακτικής επιλογής — συλλέγονται και διανέμονται περαιτέρω σε άλλα περιβάλλοντα πληροφοριών ή συστήματα πρόσβασης σε πληροφορίες, φτάνοντας έτσι σε ακροατήρια πέρα από το αρχικό περιβάλλον.</p>\n<p>Η διάχυση μπορεί να συμβεί μέσω δημοσιογραφικής κάλυψης, διαπλατφορμικής κοινοποίησης, συντακτικής επιμέλειας ή αναδιανομής από τους χρήστες.</p>\n<p>→ Ένα ερευνητικό εύρημα που μοιράζεται σε ένα ακαδημαϊκό φόρουμ μπορεί να συζητηθεί στα μέσα κοινωνικής δικτύωσης και να συνοψιστεί από έναν βοηθό τεχνητής νοημοσύνης. <br>→ Ένα θέμα που ενισχύεται τεχνητά από bots σε μια πλατφόρμα κοινωνικής δικτύωσης μπορεί να αναλάβουν δημοσιογράφοι.</p>\n<p>→ Οι επιδράσεις διάχυσης μπορούν να αυξήσουν την εμβέλεια τόσο των αξιόπιστων όσο και των αναξιόπιστων πληροφοριών και να κάνουν τις πληροφορίες να φαίνονται πιο ευρέως αποδεκτές από ό,τι ήταν αρχικά.</p>\n<h4>Επιστημολογική «ξεπλύση»</h4>\n<p>Η διάχυση δεν διατηρεί πάντα την φαινομενική κατάσταση των πληροφοριών. Όταν το κανάλι λήψης μεταφέρει ισχυρότερα σήματα εξουσίας ή αξιοπιστίας από το κανάλι προέλευσης — ακαδημαϊκό μορφότυπο, αξιολόγηση από ομοτίμους, επίσημη δημοσίευση — η ίδια η πληροφορία μπορεί να γίνει αντιληπτή ως πιο αξιόπιστη απλώς και μόνο επειδή έχει μετακινηθεί. Αυτό το φαινόμενο είναι γνωστό ως «επιστημική «ξεπλύση»: η πληροφορία αποκτά αντιληπτή αξιοπιστία μέσω της διέλευσής της από τα κανάλια, χωρίς καμία πραγματική αλλαγή στις υποκείμενες ισχυρισμούς ή αποδείξεις. Εκμεταλλεύεται την τάση των αποδεκτών να αποδίδουν την αξιοπιστία του καναλιού στο οποίο συναντούν την πληροφορία στην ίδια την πληροφορία.</p>\n<p>→ Ένας ισχυρισμός που προέρχεται από μια ανώνυμη ανάρτηση σε blog μπορεί να αναφερθεί σε ένα προτύπωμα, να αναπαραχθεί σε μια απάντηση που δημιουργήθηκε από τεχνητή νοημοσύνη και, τέλος, να αναφερθεί σε ένα άρθρο που έχει υποβληθεί σε αξιολόγηση από ομότιμους — σε κάθε βήμα αποκτώντας ακαδημαϊκή επιφάνεια και φαινομενική εξουσία, ενώ ο υποκείμενος ισχυρισμός παραμένει αμετάβλητος ή μη επαληθευμένος.</p>\n<div class=\"scilmi-callout scilmi-callout-success\">\n<div class=\"scilmi-callout-row\" aria-label=\"Success\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" clip-rule=\"evenodd\" d=\"M12 20C16.4183 20 20 16.4183 20 12C20 7.58172 16.4183 4 12 4C7.58172 4 4 7.58172 4 12C4 16.4183 7.58172 20 12 20ZM9.26825 11.3599L10.9587 13.3885L14.7 8.40006C15.0314 7.95823 15.6582 7.86869 16.1 8.20006C16.5419 8.53143 16.6314 9.15823 16.3 9.60006L11.8 15.6001C11.4128 16.1164 10.645 16.1361 10.2318 15.6402L7.7318 12.6402C7.37824 12.216 7.43556 11.5854 7.85984 11.2318C8.28412 10.8783 8.91468 10.9356 9.26825 11.3599Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><p>Μια ομάδα στο Πανεπιστήμιο του Γκέτεμποργκ, με επικεφαλής έναν ιατρικό ερευνητή, επινόησε μια ψεύτικη δερματική πάθηση που ονομάζεται Bixonimania για να ελέγξει αν τα συστήματα τεχνητής νοημοσύνης θα απορροφούσαν και θα επαναλάμβαναν ιατρική παραπληροφόρηση. Την παρουσίασαν ως μια υποτιθέμενη πάθηση που συνδέεται με την έκθεση σε μπλε φως από οθόνες, με συμπτώματα όπως πόνο και κνησμό στα μάτια και ροζ απόχρωση στα βλέφαρα. Στη συνέχεια, δημιούργησαν σκόπιμα ψεύτικα προεκτυπώματα με ακαδημαϊκή εμφάνιση, γεμάτα με προφανή προειδοποιητικά σημάδια — έναν φανταστικό συγγραφέα με φωτογραφία που δημιουργήθηκε από τεχνητή νοημοσύνη, ένα ανύπαρκτο πανεπιστήμιο και αναφορές στην Ακαδημία Starfleet και το USS Enterprise. Το Nature ανέφερε ότι τα προεκτυπώματα έχουν αφαιρεθεί από τότε από το Preprints.org. Μέσα σε λίγες εβδομάδες, μεγάλα chatbots τεχνητής νοημοσύνης άρχισαν να αναπαράγουν τη Bixonimania ως πραγματική ιατρική πάθηση, προσφέροντας σε ορισμένες περιπτώσεις στους χρήστες επεξηγηματικές ή σχετικές με την υγεία συμβουλές. Παράλληλα, το ψεύτικο υλικό αναφέρθηκε σε τουλάχιστον ένα δημοσιευμένο άρθρο, το οποίο έχει πλέον αποσυρθεί, στο περιοδικό <em>Cureus</em> της Springer Nature. Διαδοχή: αναρτήσεις σε ιστολόγια → ψεύτικο προτύπωμα → webcrawlers → απαντήσεις chatbot τεχνητής νοημοσύνης → ακαδημαϊκή αναφορά</p></div>\n</div>\n</div>\n<div class=\"scilmi-callout scilmi-callout-info\">\n<div class=\"scilmi-callout-row\" aria-label=\"Info\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" d=\"M20 12C20 7.58172 16.4183 4 12 4C7.58172 4 4 7.58172 4 12C4 16.4183 7.58172 20 12 20C16.4183 20 20 16.4183 20 12ZM11 8C11 8.55228 11.4477 9 12 9C12.5523 9 13 8.55228 13 8C13 7.44772 12.5523 7 12 7C11.4477 7 11 7.44772 11 8ZM12 10C13 10 13 11 13 11V16C13 16 13 17 12 17C11 17 11 16 11 16V11C11 11 11 11 10.5 11C10 11 10 10 10 10H12Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><p>Stokel-Walker, C. (2026). Οι επιστήμονες επινόησαν μια ψεύτικη ασθένεια. Η τεχνητή νοημοσύνη είπε στους ανθρώπους ότι ήταν πραγματική. Nature, 652(8110), 559-561. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1038&#x2f;d41586-026-01100-y\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1038/d41586-026-01100-y</a></p></div>\n</div>\n</div>\n<h1>Περιορισμός πληροφοριών</h1>\n<p>Ενώ <em>η Ενίσχυση Πληροφοριών</em> (παραπάνω) περιγράφει πώς διευρύνεται η ορατότητα σε όλους τους λογαριασμούς χρηστών, <em>η Περιορισμός Πληροφοριών</em> περιγράφει το αντίθετο: πώς περιορίζεται το εύρος των προοπτικών που φτάνουν σε έναν μεμονωμένο χρήστη ή μια κοινωνική ομάδα. Δύο διακριτοί μηχανισμοί προκαλούν αυτόν τον περιορισμό — <em>η Φούσκα Φίλτρου</em> (αλγοριθμική εξατομίκευση) και <em>η Αίθουσα Ηχούς</em> (αυτοεπιλογή χρήστη). Οι δύο συχνά συγχέονται στον δημοφιλή λόγο, αλλά λειτουργούν διαφορετικά.</p>\n<h2>Φούσκα φίλτρου</h2>\n<p>Η <strong>φυσαλίδα φίλτρου</strong> είναι ένα απομονωμένο περιβάλλον πληροφοριών που δημιουργείται από <em>την αλγοριθμική εξατομίκευση</em>, στο οποίο ένας χρήστης εκτίθεται όλο και περισσότερο σε περιεχόμενο που συνάδει με τις υποθετικές προτιμήσεις και τη συμπεριφορά του στο παρελθόν, ενώ το περιεχόμενο που αποκλίνει φιλτράρεται — συνήθως χωρίς να το αντιλαμβάνεται ο χρήστης. Ο όρος επινοήθηκε από τον Eli Pariser (2011) για να περιγράψει τον τρόπο με τον οποίο οι αλγόριθμοι εξατομίκευσης στο Google, το Facebook και παρόμοιες πλατφόρμες μπορούν να δημιουργήσουν συστηματικές ασυμμετρίες έκθεσης με βάση σήματα χρηστών, όπως το ιστορικό κλικ, η τοποθεσία και τα δεδομένα προφίλ.</p>\n<p>Το καθοριστικό χαρακτηριστικό μιας φυσαλίδας φίλτρου είναι <em>η ακούσια φύση </em>της <em>από την πλευρά του χρήστη</em>: η στένωση δημιουργείται από τη βελτιστοποίηση της πλατφόρμας, όχι από τη σκόπιμη επιλογή πηγών εκ μέρους του χρήστη.</p>\n<div class=\"scilmi-callout scilmi-callout-warning\">\n<div class=\"scilmi-callout-row\" aria-label=\"Warning\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" clip-rule=\"evenodd\" d=\"M12 20C7.58172 20 4 16.4183 4 12C4 7.58172 7.58172 4 12 4C16.4183 4 20 7.58172 20 12C20 16.4183 16.4183 20 12 20ZM12 15C12.5523 15 13 15.4477 13 16C13 16.5523 12.5523 17 12 17C11.4477 17 11 16.5523 11 16C11 15.4477 11.4477 15 12 15ZM12 14C13 14 13 13 13 13L13 10.5L13 8C13 8 13 7 12 7C11 7 11 8 11 8L11 13C11 13 11 14 12 14Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><p>Η εμπειρική έρευνα έχει περιορίσει σημαντικά την αρχική θέση του Pariser. Μελέτες έχουν διαπιστώσει ότι η αλγοριθμική εξατομίκευση διαμορφώνει όντως αυτό που βλέπουν οι χρήστες, αλλά οι περισσότεροι χρήστες εξακολουθούν να συναντούν ιδεολογικά ποικιλόμορφο περιεχόμενο — εν μέρει επειδή τα δικά τους κοινωνικά δίκτυα περιλαμβάνουν ποικίλες απόψεις, και εν μέρει επειδή οι αλγόριθμοι δεν απομονώνουν τόσο πλήρως όσο υποδηλώνει ο δημοφιλής λόγος (Bakshy et al., 2015; Flaxman et al., 2016; Bruns, 2019). Το φαινόμενο της «φυσαλίδας φίλτρου» είναι πραγματικό, αλλά συνήθως πιο αδύναμο από ό,τι συνήθως υποτίθεται· η επιλεκτική έκθεση πριν από την έλευση του Διαδικτύου (π.χ. η επιλογή εφημερίδων ή τηλεοπτικών καναλιών) ήταν σε πολλές περιπτώσεις ισχυρότερη.</p></div>\n</div>\n</div>\n<div class=\"scilmi-callout scilmi-callout-info\">\n<div class=\"scilmi-callout-row\" aria-label=\"Info\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" d=\"M20 12C20 7.58172 16.4183 4 12 4C7.58172 4 4 7.58172 4 12C4 16.4183 7.58172 20 12 20C16.4183 20 20 16.4183 20 12ZM11 8C11 8.55228 11.4477 9 12 9C12.5523 9 13 8.55228 13 8C13 7.44772 12.5523 7 12 7C11.4477 7 11 7.44772 11 8ZM12 10C13 10 13 11 13 11V16C13 16 13 17 12 17C11 17 11 16 11 16V11C11 11 11 11 10.5 11C10 11 10 10 10 10H12Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><ul>\n<li>Pariser, E. (2011). <em>The Filter Bubble: What the Internet Is Hiding from You</em>. Penguin Press.\n</li>\n<li>\nBakshy, E., Messing, S., &amp; Adamic, L. A. (2015). Exposure to ideologically diverse news and opinion on Facebook. <em>Science</em>\n, 348(6239), 1130–1132. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1126&#x2f;science.aaa1160\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1126/science.aaa1160</a>\n</li>\n<li>\nFlaxman, S., Goel, S., &amp; Rao, J. M. (2016). Φούσκες φίλτρων, θάλαμοι ηχούς και κατανάλωση ειδήσεων στο διαδίκτυο. <em>Public Opinion Quarterly</em>\n, 80(S1), 298–320. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1093&#x2f;poq&#x2f;nfw006\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1093/poq/nfw006</a>\n</li>\n<li>Bruns, A. (2019). <em>Are Filter Bubbles Real?</em> Polity Press.\n</li>\n</ul></div>\n</div>\n</div>\n<h2>Αίθουσα ηχούς</h2>\n<p>Ένας <strong>θάλαμος ηχούς</strong> είναι ένα κοινωνικό περιβάλλον πληροφοριών στο οποίο ένας χρήστης εκτίθεται κυρίως σε απόψεις, ισχυρισμούς ή ιδεολογίες που ενισχύουν τις υπάρχουσες πεποιθήσεις του, ενώ οι αντίθετες απόψεις απουσιάζουν, απορρίπτονται ή απαξιώνονται ενεργά. Ο Cass Sunstein (2017) περιγράφει τις πολιτικές συνέπειες: όταν οι ομάδες απομονώνονται από εξωτερικές προοπτικές, οι εσωτερικές πεποιθήσεις εντείνονται και γίνονται πιο ακραίες με την πάροδο του χρόνου (πολώση ομάδων).</p>\n<p>Σε αντίθεση με <em>τη φυσαλίδα φίλτρου</em>, η οποία προκύπτει από την αλγοριθμική εξατομίκευση, μια αίθουσα ηχούς προκύπτει κυρίως από <strong>την αυτοεπιλογή του χρήστη</strong>: επιλογές σχετικά με το ποιον να ακολουθήσει, σε ποιες κοινότητες να ενταχθεί, ποιες πηγές να εμπιστευτεί και ποιες φωνές να απορρίψει. Αυτές οι επιλογές καθοδηγούνται εν μέρει από <em>την προκατάληψη επιβεβαίωσης</em> — τη γνωστική τάση να αναζητά και να εμπιστεύεται πληροφορίες που συνάδουν με τις υπάρχουσες πεποιθήσεις. Το ενισχυτικό αποτέλεσμα προέρχεται από την ίδια την κοινωνική δομή, όχι από αόρατο αλγοριθμικό φιλτράρισμα.</p>\n<p>Ο C. Thi Nguyen (2020) κάνει μια εννοιολογική διάκριση που έχει σημασία για την παρέμβαση:</p>\n<ul>\n<li>Μια <strong>γνωστική φούσκα</strong> είναι μια κοινωνική δομή στην οποία απλώς απουσιάζουν άλλες σχετικές φωνές. Οι κάτοικοί της δεν ακούν αντίθετες απόψεις, αλλά δεν τις απορρίπτουν ενεργά.\n</li>\n<li>Μια <strong>αίθουσα ηχούς,</strong> με τη στενή έννοια, είναι μια κοινωνική δομή στην οποία άλλες σχετικές φωνές <em>απαξιώνονται</em> <em>ενεργά</em>. Τα μέλη μπορεί να ακούν αντίθετες απόψεις, αλλά μαθαίνουν να μην εμπιστεύονται τις πηγές τους.\n</li>\n</ul>\n<p>Μια γνωστική φούσκα μπορεί να ανοίξει με την εισαγωγή νέων πληροφοριών· ένας θάλαμος ηχούς αντιστέκεται στη διόρθωση ακόμη και όταν παρουσιάζονται εξωτερικά στοιχεία, επειδή οι πηγές αυτών των στοιχείων έχουν ήδη απονομιμοποιηθεί.</p>\n<div class=\"scilmi-callout scilmi-callout-warning\">\n<div class=\"scilmi-callout-row\" aria-label=\"Warning\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" clip-rule=\"evenodd\" d=\"M12 20C7.58172 20 4 16.4183 4 12C4 7.58172 7.58172 4 12 4C16.4183 4 20 7.58172 20 12C20 16.4183 16.4183 20 12 20ZM12 15C12.5523 15 13 15.4477 13 16C13 16.5523 12.5523 17 12 17C11.4477 17 11 16.5523 11 16C11 15.4477 11.4477 15 12 15ZM12 14C13 14 13 13 13 13L13 10.5L13 8C13 8 13 7 12 7C11 7 11 8 11 8L11 13C11 13 11 14 12 14Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><p>Εμπειρικές μελέτες υποδηλώνουν ότι οι ισχυροί, ιδεολογικά απομονωμένοι θάλαμοι ηχούς είναι λιγότερο συνηθισμένοι από ό,τι υπονοεί ο δημοφιλής λόγος (Cinelli et al., 2021; Guess et al., 2018), αλλά όπου υπάρχουν, μπορούν να είναι ιδιαίτερα ανθεκτικοί στη διόρθωση. Η απλή συμφωνία εντός μιας ομάδας δεν αποτελεί από μόνη της θάλαμο ηχούς — το καθοριστικό χαρακτηριστικό είναι ο ενεργός αποκλεισμός ή η απαξίωση εξωτερικών απόψεων.</p></div>\n</div>\n</div>\n<div class=\"scilmi-callout scilmi-callout-info\">\n<div class=\"scilmi-callout-row\" aria-label=\"Info\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" d=\"M20 12C20 7.58172 16.4183 4 12 4C7.58172 4 4 7.58172 4 12C4 16.4183 7.58172 20 12 20C16.4183 20 20 16.4183 20 12ZM11 8C11 8.55228 11.4477 9 12 9C12.5523 9 13 8.55228 13 8C13 7.44772 12.5523 7 12 7C11.4477 7 11 7.44772 11 8ZM12 10C13 10 13 11 13 11V16C13 16 13 17 12 17C11 17 11 16 11 16V11C11 11 11 11 10.5 11C10 11 10 10 10 10H12Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><ul>\n<li>Sunstein, C. R. (2017). <em>#Republic: Divided Democracy in the Age of Social Media</em>. Princeton University Press.\n</li>\n<li>\nNguyen, C. T. (2020). Echo chambers and epistemic bubbles. <em>Episteme</em>\n, 17(2), 141–161. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1017&#x2f;epi.2018.32\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1017/epi.2018.32</a>\n</li>\n<li>\nCinelli, M., De Francisci Morales, G., Galeazzi, A., Quattrociocchi, W., &amp; Starnini, M. (2021). The echo chamber effect on social media. <em>PNAS</em>\n, 118(9), e2023301118. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1073&#x2f;pnas.2023301118\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1073/pnas.2023301118</a>\n</li>\n<li>Guess, A., Lyons, B., Nyhan, B., &amp; Reifler, J. (2018). <em>Αποφεύγοντας την «αίθουσα ηχούς» σχετικά με τις «αίθουσες ηχούς»: Γιατί η επιλεκτική έκθεση σε πολιτικές ειδήσεις που συνάδουν με τις δικές μας απόψεις είναι λιγότερο διαδεδομένη από ό,τι νομίζετε</em>. Λευκή Βίβλος του Ιδρύματος Knight.\n</li>\n</ul></div>\n</div>\n</div>","UPDATEDAT":"2026-05-08T06:56:38.108Z","LANG":"el","ID":"3b24684f-982f-46f5-bc94-0c5e6b459760","TITLE":"Κυκλοφορία πληροφοριών και προβολή","SOURCELANG":"en"}