{"CACHEDAT":"2026-05-18 09:47:24","TRANSLATEDAT":"2026-05-18 09:47:24","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
- clicks
- likes / reactions
- comments / replies
- shares / reposts / forwards
- follows / subscribes
- saves / bookmarks
- ratings / reviews
- purchases / downloads |\n| **Implicit behaviour** | Passive behavioural signals captured during use | - watch time / listen time / dwell time
- scroll behaviour (how far, how fast)
- hover behaviour
- 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
- device type (e.g., phone or laptop)
- time of access |\n| **Account and social data** | Information from the user's profile and social connections | - profile information (age, interests, profession, gender)
- language settings
- linked accounts
- 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. \n* Kelly, D., & Teevan, J. (2003). Implicit feedback for inferring user preference: A bibliography. *ACM SIGIR Forum, 37*(2), 18–28. \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. \n* Narayanan, A. (2023). *Understanding social media recommendation algorithms.* Knight First Amendment Institute, Columbia University. \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. \n * Rogers, R., & Righetti, N. (2025). Coordinated inauthentic behaviour on Facebook? A typology of manufactured attention. \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
- [ ] The profile is incomplete or generic
- [ ] The username may look non-personal and sometimes include random numbers | - [ ] The account has typically been active for longer and has a post history
- [ ] The profile is complete and seems personal; it may present strong ideological or political self-description
- [ ] The username looks personal | - [ ] The profile looks plausible and personal, often with a profile picture and biographical details (sometimes stolen, AI-generated, or copied)
- [ ] Account history may be moderate and designed to look authentic over time |\n| **Posting Behaviour** | - [ ] The activity does not match normal human online behaviour
- [ ] The accounts post or repost content very frequently
- [ ] The accounts post or repost content at all hours, day and night | - [ ] The activity resembles normal human online behaviour
- [ ] The account posts or replies at irregular times
- [ ] The account becomes more active during controversial discussions | - [ ] Activity patterns resemble normal human use
- [ ] Multiple accounts run by the same operator may show similar active hours or rhythms
- [ ] Sockpuppets tend to start fewer discussions and write shorter posts than typical users |\n| **Interactions** | - [ ] The account does not have real conversations
- [ ] The accounts mostly like, share, or repost
- [ ] Replies are short and automated | - [ ] The account replies directly to other users
- [ ] The account engages in debates with the purpose of provoking reactions
- [ ] Conversations are extended to create or escalate conflict | - [ ] The account engages in real conversations, often supporting the operator's main account or other sockpuppets
- [ ] Replies are contextually appropriate and seem authentic
- [ ] Pairs of sockpuppets often interact in the same discussion at similar times |\n| **Content Features** | - [ ] The content is one-sided and repetitive
- [ ] The same narratives are posted many times | - [ ] The content is specifically tailored to harm or provoke a target
- [ ] The content targets individuals or social groups | - [ ] Content seems genuine and varied across accounts
- [ ] The underlying message or stance aligns suspiciously across the network
- [ ] 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
- [ ] 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
- [ ] Coordinated behaviour is observable across multiple bot accounts | - [ ] Trolls follow human accounts
- [ ] Connections are often reciprocal (they follow their followers and vice versa)
- [ ] Trolls typically act independently of each other | - [ ] Multiple accounts engaging with each other in mutually supportive ways
- [ ] Connections may be artificially reciprocal between sockpuppets in the same network, or deliberately absent to avoid detection
- [ ] Same IP address, device fingerprint, or login pattern \\\\\\*(platform-side detection)\\\\\\*
- [ ] More clustered ego-networks than ordinary users
- [ ] 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). \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. \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. \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. \n* Tomaiuolo, M., Lombardo, G., Mordonini, M., Cagnoni, S., & Poggi, A. (2020). A survey on troll detection. *Future Internet, 12*(2), \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. \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. \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. \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. \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. \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. \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. \n* **Rathje, S., & Van Bavel, J. J. (2025).** The psychology of virality. *Trends in Cognitive Sciences*, 29(10), 914–927. \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. \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. \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. \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. \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. \n* Flaxman, S., Goel, S., & Rao, J. M. (2016). Filter bubbles, echo chambers, and online news consumption. *Public Opinion Quarterly*, 80(S1), 298–320. \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. \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. \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":"

Az információk láthatósága és kiemeltsége

\n

Az információ láthatósága arra utal, hogy bizonyos információk, témák, források vagy fiókok megjelennek-e a felhasználók számára a digitális környezetben, és ha igen, milyen kiemelten. A platform indexében vagy hálózatában található információk nem jutnak el automatikusan minden felhasználóhoz, és nem is ugyanúgy.

\n

A láthatóság két egymásra ható erő eredménye:

\n
    \n
  • hogyan terjed az információ (megosztás, újraelosztás, terjesztés) és\n
    • \n
  • hogyan kerülnek előtérbe, háttérbe szorulnak vagy kiszűrésre kerülnek.\n
    • \n
\n
\n
\n\n

Az információs műveltség szempontjából elengedhetetlen a megbízhatóság és a láthatóság megkülönböztetése.

\n
    \n
  • A megbízhatóság attól függ, ki hozta létre az információt (szerző) és hogyan szerkesztették (szerkesztői áttekintés) – nem attól, ki osztotta meg, milyen környezetben jelent meg, vagy mennyire kiemelten jelenik meg.\n
    • \n
  • A láthatóság attól függ, ki osztja meg az adott elemet, milyen mechanizmusok emelik ki azt, és milyen gyakorlatok révén erősödik meg. A láthatóság nem a megbízhatóság mércéje.\n

    Például egy retweetelt cikk esetében: a megosztó fiók és a megjelenést biztosító platform befolyásolta a láthatóságát – de a cikknek megvan a saját szerzője és szerkesztési előzményei, amelyek megbízhatóságát külön kell értékelni.

    \n
    • \n
\n
\n
\n

Információáramlás: megosztás, továbbítás, linkelés, újrapostázás, idézés

\n

Az emberek, fiókok (beleértve a botokat is) és szervezetek megosztással, továbbítással, linkeléssel, újrapostolással, idézéssel vagy más módon történő újraelosztással terjesztik a meglévő információkat.

\n

→ Amikor egy információt hozzáadott kommentárral, értelmezéssel vagy új keretbe helyezéssel továbbadnak, új információ jön létre új szerzővel.

\n

Forrásvezérelt információterjesztés és láthatóság

\n

A források – azaz azok, akik információelemeket hoznak létre, tesznek közzé vagy népszerűsítenek – által kezdeményezett gyakorlatok. A források közé tartoznak az egyéni felhasználók, a tartalomalkotók, a szervezetek, a hirdetők és a weboldal-üzemeltetők. A platformvezérelt mechanizmusokkal ellentétben ezeket a gyakorlatokat maguk a források vezérlik, akik eldöntik, hogyan teszik láthatóvá tartalmukat. Két módon működnek: a tartalomnak a platformok rangsorolási rendszereihez való igazításával (elérés, közvetlen megszólítás, SEO, SMO, platformspecifikus optimalizálás), vagy a megjelenésért közvetlenül fizetve (fizetett megjelenések).

\n

Fiók elérése

\n

A megosztó potenciális közönségének mérete és szerkezete.

\n

A hatótávolságot több tényező határozza meg:

\n
    \n
  • #### követők vagy előfizetők száma\n
    • \n
  • #### hitelesítési státusz\n
    • \n
  • #### a fiók státusza: életkor, interakciós előzmények, platformon belüli hírnév\n
    • \n
\n

A hatótávolság kétféleképpen befolyásolja a láthatóságot:

\n
    \n
  • közvetlenül: a nagy elérhetőségű fiókok által megosztott bejegyzések a megosztás pillanatában több hírfolyamban jelennek meg\n
    • \n
  • közvetetten: a nagy elérhetőségű fiókok több interakciós jelet generálnak, amelyeket a platform algoritmusai felhasználnak a bejegyzések rangsorának emelésére (→ Algoritmikus szűrés)\n
    • \n
\n

→ A hatótávolság nagy eltéréseket mutat: egy 100 követővel rendelkező privát fiók és egy egymillió követővel rendelkező nyilvános fiók alapvetően különböző mértékben befolyásolja a láthatóságot.

\n

Közvetlen megszólítás

\n

Olyan mechanizmusok, amelyekkel a megosztók konkrét címzetteket céloznak meg, és a platform értesítései révén azonnali láthatóságot biztosítanak azoknak a felhasználóknak.

\n

Példák:

\n
    \n
  • #### @említések\n
    • \n
  • #### címkézés (fotókon, bejegyzésekben vagy szálakban)\n
    • \n
  • #### idéző-tweetek és válasz-említések\n
    • \n
  • #### csoportos közvetlen üzenetek\n
    • \n
  • #### levelezőlista-címzés (Címzett, Másolat)\n
    • \n
\n

→ A közvetlen címzés eltér a szokásos megosztástól: a célzott felhasználó közvetlenül értesítést kap az elemről, függetlenül attól, hogy egyébként találkozott volna-e vele a hírfolyamában.

\n

→ A közvetlen címzés egy hibrid mechanizmus. A felhasználói oldalon működik, de a platform infrastruktúráján (értesítési rendszereken) keresztül valósul meg. Hatása az, hogy a címzett felhasználó számára azonnal kiemelt helyen jelenik meg.

\n

Keresőmotor-optimalizálás (SEO)

\n

Forrásoldali gyakorlatok a weboldalak – azok tartalmának, metaadatainak és linkstruktúrájának – úgy történő adaptálására, hogy azok az általános célú keresőmotorok (Google, Bing, DuckDuckGo stb.) találati listáján előkelőbb helyen szerepeljenek.

\n

A gyakori gyakorlatok közé tartoznak:

\n
    \n
  • kulcsszókutatás és azok beépítése a címekbe, fejlécekbe, szövegbe\n
    • \n
  • metaadatok optimalizálása (címcímkék, meta leírások, alternatív szöveg)\n
    • \n
  • linképítés (bejövő linkek megszerzése tekintélyes webhelyekről)\n
    • \n
  • a weboldal felépítése és belső linkelése\n
    • \n
  • oldal sebessége és mobilbarát kialakítása\n
    • \n
  • a keresési szándéknak megfelelő tartalom előállítása\n
    • \n
\n

→ A SEO a leginkább formalizált optimalizációs terület, mivel a keresőmotorok rangsorolási jelzései viszonylag stabilak és jól dokumentáltak (Lewandowski et al.). Szakosodott SEO-szakemberek, ügynökségek és eszközök támogatják alkalmazását.

\n

→ A SEO nem változtatja meg a keresőmotorok oldalrangsorolásának módját – a weboldalt a meglévő rangsorolási kritériumokhoz igazítja. A kiadók alakíthatják, hogy mit lát az algoritmus, de nem azt, hogy hogyan dönt.

\n

Közösségi média optimalizálás (SMO)

\n

Forrásoldali gyakorlatok a tartalom láthatóságának, az interakcióknak és a megoszthatóságnak a maximalizálására a közösségi média platformokon.

\n

A gyakori gyakorlatok közé tartoznak:

\n
    \n
  • hashtag-stratégiák (trendekhez vagy témákhoz kapcsolódó címkék)\n
    • \n
  • a posztolás időzítése (amikor a célközönség aktív)\n
    • \n
  • tartalomformátumok kiválasztása (rövid videók, karusszelek, tekercsek)\n
    • \n
  • címsor és bevezető megfogalmazása (a figyelem gyors felkeltése)\n
    • \n
  • az interakció ösztönzése (kérdések, szavazások, cselekvésre ösztönzés)\n
    • \n
  • a tartalom platformok közötti újrafelhasználása\n
    • \n
\n

→ Az SMO kevésbé formalizált, mint a SEO, mivel a közösségi média rangsorolási jelzései átláthatatlanabbak és platformspecifikusak. A gyakorlatok az algoritmusok változásával változnak.

\n

Platformspecifikus optimalizálás

\n

Az egyes platformok konvencióihoz és rangsorolási logikájához igazított optimalizálási stratégiák – az általános SEO- vagy SMO-elveken túl.

\n
    \n
  • TikTok: a nézők figyelmének felkeltése az első három másodpercben, trendi hangok használata, függőleges, rövid videók\n
    • \n
  • Instagram: kiváló minőségű vizuális elemek, Reels-first stratégia, hashtag-keverés\n
    • \n
  • YouTube: miniatűrtervezés, nézettségi idő optimalizálása, kulcsszavakban gazdag címek és leírások\n
    • \n
  • LinkedIn: hosszú, szakmai bejegyzések, natív publikálás, hálózati interakció\n
    • \n
  • X (Twitter): tömör figyelemfelkeltő mondatok, szálak, nagy hatótávolságú fiókokra való válaszadás\n
    • \n
\n

→ A platformspecifikus optimalizáláshoz meg kell érteni az egyes platformok rangsorolási rendszerét, a közönség viselkedését és a tartalomformátumok preferenciáit. Ami a TikTokon működik, az ritkán működik a LinkedIn-en.

\n

Fizetett elhelyezések és hirdetések

\n

A láthatóságért fizető forrásoldali gyakorlat – szponzorált tartalom elhelyezése organikus tartalom mellett, általában hirdetések formájában.

\n

Gyakori formák:

\n
    \n
  • szponzorált keresési eredmények (keresőmotor-hirdetések)\n
    • \n
  • szponzorált bejegyzések és promóciós tartalom (közösségi média)\n
    • \n
  • display hirdetések (bannerek, videók)\n
    • \n
  • befolyásolókkal való partnerség (fizetett együttműködés)\n
    • \n
\n

→ A fizetett elhelyezések megkerülik az organikus rangsorolási rendszereket: ahelyett, hogy a tartalmat a jó rangsorolás érdekében optimalizálnák, a forrás közvetlenül a platformnak fizet az elhelyezésért.

\n

→ Néha egyértelműen jelölve vannak („Szponzorált”, „Hirdetés”), néha csak nehezen különböztethetők meg az organikus eredményektől. A jelölési szabványok joghatóságonként és platformonként eltérőek.

\n

Platformoldali információpromóció és szűrés

\n
\n
\n\n

Amit a felhasználók valójában látnak, az ritkán egyetlen mechanizmus eredménye. A keresőmotorokban az algoritmusok által rendezett organikus találatok listája fizetett hirdetések, mesterséges intelligencia által generált összefoglalók és néha szerkesztői kiemelt tartalmak mellett jelenik meg – és a rangsorolást meghatározó jelzéseket a keresőmotor-optimalizálás segítségével szándékosan befolyásolni lehet. A közösségi média hírfolyamában az algoritmusok által rangsorolt bejegyzések szponzorált tartalmak, ajánlott fiókok és trendek mellett jelennek meg. Minden elem a saját logikáját követi, és hozzájárul a végső láthatósági eredményhez.

\n
\n
\n

Szerkesztői kuráció

\n

Platformoldali manuális kuráció: olyan információelemek, amelyeket a szerkesztői csapatok vagy a platform üzemeltetői szándékosan emelnek ki, ahelyett, hogy algoritmikus rangsorolás révén kerülnének előtérbe.

\n

Példák:

\n
    \n
  • kiemelt részletek a keresési eredményekben\n
    • \n
  • kurált trendek\n
    • \n
  • szerkesztők által kiválasztott cikkek a hírgyűjtőkben\n
    • \n
  • a platform által népszerűsített hashtagek\n
    • \n
  • szerkesztői válogatások az alkalmazásboltokban\n
    • \n
  • kiemelt alkotók vagy fiókok\n
    • \n
\n

→ A szerkesztői kiemelt tartalmak az algoritmikus mechanizmusok mellett jelennek meg, és tükrözik a platform saját ítéletét arról, hogy mely tartalmak érdemelnek kiemelt megjelenést.

\n

→ Az algoritmikus szűréssel (kurálás és személyre szabás) ellentétben a szerkesztői szűrés a platform saját, emberi szerkesztői döntéseit foglalja magában. Funkcionálisan ez a szerkesztői szűrés egy formája — amelyet a hagyományos kiadók helyett a platform végez.

\n

Algoritmikus szűrés

\n

Az algoritmikus szűrés az algoritmusok szerepére utal annak eldöntésében, hogy mely információk jutnak el mely felhasználókhoz — ez a szerkesztői szűrés digitális megfelelője (→ Információ, források és információs környezetek → Szerkesztői áttekintés). Ez magában foglalja mind a kiválasztást (mi jelenik meg és kap magas rangsort), mind a kizárást (mi kerül kiszűrésre, visszaminősítésre vagy elrejtésre).

\n

Az algoritmikus kapuőrzés különböző platformtípusokon működik:

\n
    \n
  • a keresőmotorokban az algoritmusok a lekérdezések alapján választják ki és sorolják be az eredményeket\n
    • \n
  • a közösségi média hírfolyamaiban az algoritmusok döntik el, mely bejegyzések jelennek meg kiemeltebben\n
    • \n
  • a videóplatformokon az algoritmusok javasolják, mit nézzünk meg legközelebb\n
    • \n
  • az AI-alapú válaszadó rendszerekben az algoritmusok generálják, összefoglalják vagy szintetizálják a válaszokat\n
    • \n
\n

Az algoritmikus kapuőri tevékenység két, gyakran egymással együttműködő módban működik: az összes felhasználóra alkalmazott általános műveletek (algoritmikus kuráció) és a nyomon követett felhasználói jelek alapján történő egyéni testreszabás (algoritmikus személyre szabás).

\n

Algoritmikus kuráció

\n

A felhasználókra általánosan alkalmazott algoritmikus műveletek – ezek határozzák meg, hogy milyen információk érhetők el a platformon, függetlenül attól, hogy ki a felhasználó.

\n
    \n
  • Keresés és indexelés\n– Mely információk jelennek meg a képernyőn?\n
      \n
    • a webet feltérképező keresőmotorok\n
      • \n
    • tartalom-összesítők, amelyek indexelik a hírforrásokat\n
      • \n
    • az alkalmazásboltok a rendelkezésre álló alkalmazásokat katalogizálják\n
      • \n
    \n
    • \n
  • Szűrés és moderálás\n— Mely elemeket blokkolják vagy rangsorolják le a platform szabályai alapján?\n
      \n
    • spamszűrők\n
      • \n
    • a szabályokat sértő tartalmak eltávolítása (gyűlöletkeltő beszéd, illegális tartalom, durva képek)\n
      • \n
    • alacsony minőségű vagy félrevezető anyagok rangsorának csökkentése\n
      • \n
    \n
    • \n
  • Minőségi értékelés\n— Mely forrásokat vagy elemeket értékelik hitelesebbnek vagy jobb minőségűnek?\n
      \n
    • alacsony minőségű webhelyeket büntető keresőmotorok\n
      • \n
    • hírgyűjtők rangsorolása a forrás hitelessége alapján\n
      • \n
    • akadémiai keresőmotoroknál a szakértői értékelés által befolyásolt rangsorolás\n
      • \n
    \n
    • \n
  • Trendfelismerés\n— Mely elemek jelennek meg jelenleg népszerűként?\n
      \n
    • trendek a közösségi platformokon\n
      • \n
    • a streaming szolgáltatások toplistái\n
      • \n
    • „Mi történik” és „A mai főcímek” rovatok\n
      • \n
    • népszerű hashtagek\n
      • \n
    \n
    • \n
\n

→ Az algoritmikus kuráció határozza meg a platformon elérhető információk körét. Ez nagyjából minden felhasználó számára ugyanúgy működik.

\n

Algoritmikus személyre szabás

\n

Algoritmikus műveletek, amelyek az egyes felhasználók nyomon követett jelzései alapján az információk kiválasztását, sorrendjét és megjelenítését az egyes felhasználókhoz igazítják. Ezek a jelzések idővel felhasználói előzményekké halmozódnak fel, amelyekre az algoritmusok támaszkodnak.

\n

→ Két felhasználó ugyanazon a platformon – még ugyanazzal a keresési lekérdezéssel is – általában jelentősen eltérő tartalmakat lát.

\n
    \n
  • Személyre szabott rangsor\n– Mely elemek kerülnek előrébb ennek a felhasználónak?\n
      \n
    • személyre szabott keresési eredmények (hely, előzmények, profil alapján történő rendezés)\n
      • \n
    • közösségi média feedek sorrendje („Neked” feedek, „Legnépszerűbb bejegyzések”)\n
      • \n
    • elkötelezettség-alapú rangsorolás — a várható interakcióra való optimalizálás, amely a közösségi médiában domináns\n
      • \n
    \n
    • \n
  • Ajánlások\n— Mely elemeket javasolnak ennek a felhasználónak azon túl, amit aktívan kért?\n
      \n
    • „Neked ajánlott” videólisták\n
      • \n
    • ajánlott fiókok, csoportok vagy témák, amelyeket érdemes követni\n
      • \n
    • „Ismerősök”\n
      • \n
    • kapcsolódó cikkek, hasonló termékek, „Következő”\n
      • \n
    \n
    • \n
  • Személyre szabott hirdetések\n— Mely hirdetések célzottak erre a felhasználóra?\n
      \n
    • a korábbi keresésekhez igazított keresési hirdetések\n
      • \n
    • profilon és viselkedésen alapuló szponzorált bejegyzések a közösségi médiában\n
      • \n
    • weboldalakon megjelenő retargetinges display hirdetések\n
      • \n
    • a közönség érdeklődéséhez igazodó influencer-partnerségek\n
      • \n
    \n
    • \n
\n

→ Két felhasználó ugyanazon a platformon — még ugyanazzal a keresési lekérdezéssel is — általában jelentősen eltérő tartalmakat lát.

\n

→ A személyre szabás visszacsatolási hurkot hoz létre: a felhasználók cselekedetei befolyásolják, hogy mit látnak legközelebb, és az, amit legközelebb látnak, befolyásolhatja cselekedeteiket.

\n

☑ A platform által az algoritmikus személyre szabás céljából nyomon követett felhasználói jelzések

\n

A felhasználó által – aktívan vagy passzívan – egy információs csatornán belül végzett műveletek, amelyeket algoritmusok nyomon követhetnek és felhasználhatnak az információelemek kiválasztásának és láthatóságának személyre szabásához.

\n

→ A felhasználói cselekvések nem korlátozódnak a szándékos interakciókra, mint például a kattintás vagy a lájkolás. Sok cselekvés passzív vagy automatikus, például az, hogy a felhasználó mennyi ideig marad egy oldalon, milyen messzire görget, vagy hol tartózkodik. A felhasználók gyakran nincsenek tisztában azzal, hogy ezek a cselekvések befolyásolják azt, amivel legközelebb találkoznak.

\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
TípusMi ezPéldák
Kifejezett visszajelzésA felhasználó által tudatosan végzett interakciók- keresések / keresési
lekérdezések -
kattintások - lájkolások /
reakciók - megjegyzések /
válaszok - megosztások / újrapostázások /
továbbítások - követések /
feliratkozások - mentések /
könyvjelzők - értékelések /
vélemények - vásárlások / letöltések
Implicit viselkedésHasználat közben rögzített passzív viselkedési jelek- nézési idő / hallgatási idő / tartózkodási idő
- görgetési viselkedés (milyen messze, milyen gyorsan)
- egérmutatóval való érintés -
átugrási viselkedés
KontextusadatokInformációk arról a helyzetről, amelyben a felhasználó a platformhoz fér hozzá- a felhasználó helyadatai az alkalmazás használata közben -
eszköztípus (pl. telefon vagy laptop)
- belépés ideje
Fiók- és közösségi adatokA felhasználó profiljából és közösségi kapcsolataiból származó információk- profiladatok (életkor, érdeklődési kör, foglalkozás, nem)
- nyelvi
beállítások - összekapcsolt
fiókok - névjegyzék / címjegyzék
\n
\n
\n\n
    \n
  • \nAdomavicius, G., & Tuzhilin, A. (2011). Kontextusérzékeny ajánló rendszerek. In F. Ricci, L. Rokach, B. Shapira, & P. B. Kantor (szerk.), Recommender Systems Handbook\n(217–253. o.). Springer. https://doi.org/10.1007/978-0-387-85820-3_7\n
    • \n
  • \nKelly, D., & Teevan, J. (2003). Implicit feedback for inferring user preference: A bibliography. ACM SIGIR Forum, 37\n(2), 18–28. https://doi.org/10.1145/959258.959260\n
    • \n
  • \nLi, W., Kuo, J.-C., Sheng, M., Zhang, P., & Wu, Q. (2025). Az explicit és implicit túllépése: Hogyan adnak visszajelzést a felhasználók a személyre szabott ajánlási tartalom alakításához. A 2025-ös CHI konferencia (CHI '25) számítástechnikai rendszerek emberi tényezőiről szóló jegyzőkönyvében\n. Számítástechnikai Gépek Szövetsége. https://doi.org/10.1145/3706598.3713241\n
    • \n
  • \nNarayanan, A. (2023). A közösségi média ajánlóalgoritmusainak megértése.\nKnight First Amendment Institute, Columbia University.https://knightcolumbia.org/content/understanding-social-media-recommendation-algorithms\n
    • \n
\n
\n
\n

Információerősítés

\n

Az erősítés egy elem láthatóságának szisztematikus növelését jelenti az egyéni felhasználói szint felett – annak érdekében, hogy széles körű láthatóságot biztosítson a felhasználói fiókok között, és esetenként az információs környezetek között is.

\n

Míg a forrásvezérelt promóció (fent) azt fedi le, hogy egy adott forrás mit tesz a láthatóság növelése érdekében, és a platformoldali szűrés (fent) azokat az algoritmikus műveleteket írja le, amelyek révén a platformok megjelenítik és rangsorolják a tartalmakat az egyes felhasználók számára, az erősítés a nagy léptékű eredményekre utal – amelyek vagy a platformok műveleteinek összesített hatásaként (→ algoritmikus erősítés), vagy több szereplő összehangolt tevékenységének eredményeként (→ összehangolt erősítés) jönnek létre.

\n

Erősítési mechanizmusok

\n

Az amplifikáció két fő mechanizmuson keresztül működik.

\n
    \n
  • Az algoritmikus erősítés platformvezérelt: ez az algoritmikus szűrés összesített hatása – a platformok által végzett kurálás és személyre szabás kumulatív eredménye, amely meghatározza, hogy mely tartalmak jutnak el mely felhasználókhoz, és milyen kiemelt helyen.\n
    • \n
  • A koordinált amplifikáció szereplővezérelt: több fiók, csoport vagy kampány szándékosan összehangoltan cselekszik, hogy egy elem, hashtag vagy narratíva láthatóságát az egyéni felhasználói aktivitás által elérhetőnél nagyobb mértékben növelje. A szakirodalom két dimenzió mentén osztályozza – a koordináció (átlátható vagy rejtett) és a fiókok (valódiak vagy hamisak) – és ennek megfelelően különbözteti meg őket (Rogers & Righetti, 2025):\n
      \n
    • Koordinált hiteles felerősítés: a koordináció átlátható, és a fiókok valósak (pl. nyílt polgári kampányok, érdekképviselet, marketing).\n
      • \n
    • Koordinált hamis / mesterséges felerősítés: a koordináció rejtett, a fiókok hamisak, vagy mindkettő – így látszólagos organikus támogatást teremtve (Meta: Coordinated Inauthentic Behaviour / CIB; Gleicher, 2018).\n
      • \n
    \n
    • \n
\n

A két mechanizmus gyakran kombinálódik. A koordinált hálózatok kihasználják az elkötelezettség alapú rangsort az algoritmikus erősítés kiváltására; az algoritmikus rangsor pedig tovább erősíti azt a láthatóságot, amelyet a koordináció már elért.

\n
\n
\n\n
\n
\n
\n

Algoritmikus felerősítés

\n

Az algoritmikus felerősítés a fenti kapuőri mechanizmusok (kuráció és személyre szabás) kumulatív hatása: annak szisztematikus alakítása, hogy mely elemek, témák, fiókok és formátumok jelennek meg kiemelten a felhasználók számára – és melyeket szűrnek ki, háttérbe szorítanak vagy lejjebb tolnak.

\n

Empirikus kutatások azt mutatják, hogy az elkötelezettség-alapú rangsorolás szisztematikusan felerősíti az érzelmileg töltött és a csoporton kívüli ellenséges tartalmakat, még akkor is, ha a felhasználók maguk nem preferálják az ilyen tartalmakat (Milli et al., 2025). Ez tovább növeli a meglévő elérést is: a korábban magas elkötelezettséget mutató fiókok és elemek további láthatósággal jutalmazódnak, ami erősen torz elérési eloszlást eredményez (a gazdagok egyre gazdagabbá válnak hatás).

\n

Az algoritmikus beavatkozásoknak ellenkező irányú, nemlineáris hatásai is lehetnek. Egy bejegyzés hírfolyamban való megjelenésének körülbelül 20%-os csökkenése nagyságrenddel csökkentheti annak elérhetőségét (Narayanan, 2023).

\n

Az algoritmikus felerősítés nem a felhasználói aktivitás semleges tükröződése. Hatásai elsősorban összességében jelennek meg és láthatók: az egyéni ajánlások pontatlanok (az interakciós arányok a legtöbb platformon 1% alatt maradnak), de a rangsorolás, az ajánlás és a visszaminősítés szisztematikusan alakítja azt, hogy mi kering a platformon.

\n
\n
\n\n
    \n
  • Milli, S. et al. (2025). Interakció, felhasználói elégedettség és a megosztó tartalmak felerősítése a közösségi médiában. PNAS Nexus.\n
    • \n
  • Narayanan, A. (2023). A közösségi média ajánlóalgoritmusainak megértése. Knight First Amendment Institute.\n
    • \n
\n
\n
\n

Koordinált hiteles felerősítés

\n

A koordinált hiteles terjesztés egy információ, téma, hashtag, fiók vagy narratíva szándékos népszerűsítése valódi fiókok által nyíltan közzétett, szervezett tevékenység révén. A koordinált eredetet nem titkolják: a résztvevők valódi identitásuk alatt vagy ismert csoporthoz való tartozásuk alapján cselekszenek.

\n

Tipikus példák

\n
    \n
  • polgári kampányok (pl. civil szervezetek petíciói, érdekérvényesítő hashtagek),\n
    • \n
  • politikai mobilizáció (pl. pártkampányok, szavazásra buzdító erőfeszítések),\n
    • \n
  • marketing- és márkakampányok,\n
    • \n
  • szakmai szövetségek kommunikációja, valamint\n
    • \n
  • kulturális mozgalmak, mint például a Fridays for Future vagy a #MeToo.\n
    • \n
\n
\n
\n\n

Az, hogy az alapul szolgáló üzenet megalapozott, kiegyensúlyozott vagy egyoldalú-e, külön kérdés – az autenticitás csak a koordináció átláthatóságára utal, nem pedig a tartalom igazságértékére vagy méltányosságára. Egy autentikus kampány felerősítheti a pontos információkat, a félrevezető információkat vagy egy egyoldalú álláspontot.

\n
\n
\n
\n
\n\n

Az autentikus és a nem autentikus koordináció olyan láthatósági mintákat eredményezhet, amelyek kívülről nézve azonosnak tűnnek – szinkronizált megosztás, hashtag-csoportosulás, gyors elterjedés. A megkülönböztető jellemző nem a látható minta, hanem az, hogy a koordinált eredetet nyíltan közzéteszik-e.

\n
\n
\n

Koordinált nem hiteles / mesterséges felerősítés

\n

A koordinált hiteltelen/mesterséges felerősítés egy információ, téma, hashtag, fiók vagy narratíva szándékos felerősítése olyan szervezett tevékenység révén, amelyben a koordinált eredetet elrejtik, a részt vevő fiókok hamisak, vagy mindkettő. A cél az, hogy organikus, független támogatás látszatát keltsék. A Meta „koordinált hamis viselkedés” (CIB) kifejezése – amelyet mára beépítettek az EU digitális szolgáltatásokról szóló törvényébe – a hamis identitások és az észlelés elkerülésére irányuló ellenséges módszerek ezen kombinációjára összpontosít (Gleicher, 2018; Rogers & Righetti, 2025).

\n

A tipikus kontextusok közé tartoznak a politikai befolyásoló műveletek (állami támogatással vagy pártokhoz kötődően), az astroturfing kampányok (kereskedelmi vagy ideológiai célúak), a választásokkal, a közegészségüggyel vagy a geopolitikai konfliktusokkal kapcsolatos célzott dezinformáció, valamint a hírnév manipulálása hamis vélemények, értékelések vagy interakciók révén. Az operatív eszközöket — botok, trollok, álfiókok és azok összehangolt hálózatai (botfarmok, trollfarmok, álfiók-hálózatok, kattintásfarmok) — az alábbiakban részletesen ismertetjük.

\n
\n
\n\n

A hitelesség hiánya a koordinált eredet elrejtésére vagy hamis fiókok használatára utal – nem pedig a terjesztett tartalom igazságtartalmára. A hamis fiókok koordinált hálózata pontos információkat is terjeszthet; egyetlen hiteles személy is terjeszthet kitalált információkat. A koordinált, hiteltelen terjesztés és a hamis tartalom terjesztése különálló jelenségek, amelyek függetlenül vagy együtt is előfordulhatnak.

\n
\n
\n

Az ebben a szakaszban leírt fióktípusok minden olyan digitális információs csatornára és platformra vonatkoznak, ahol a felhasználók fiókot hozhatnak létre, és nyilvánosan posztolhatnak vagy interakcióba léphetnek – különösen a közösségi médiára, a beszélgetési fórumokra és közösségi terekre, a video- és audio-platformokra, valamint a véleményezési vagy kommentelési szakaszokra. Kevésbé jellemzőek a privát kommunikációs alkalmazásokban vagy a felhasználók által generált tartalom nélküli környezetekben. Mind önállóan, mind összehangolt hálózatokon belül megjelennek. Azért szerepelnek itt, mert jellemző szerepet játszanak a terjesztési dinamikában; a kifejezetten összehangolt formációk az Account Networks.

\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
KifejezésMeghatározásIrányítjaMeghatározásaJellemző cél
Szociális botOlyan automatizált vagy részben automatizált fiók, amely online bejegyzéseket tesz közzé, lájkol, követ, megoszt vagy válaszol.SzoftverAutomatizálásÜzenetek felerősítése, mesterséges népszerűség létrehozása, spam, viták befolyásolása vagy tartalom nagy léptékű terjesztése.
KiborgHibrid fiók, amely ötvözi az emberi működtetést a szoftveres automatizálással.Vegyes: ember és szoftverSzelektív automatizálásAz automatizálás méretének és az emberi beavatkozás kontextusbeli hitelességének ötvözése – legitim ütemezés/kezelés vagy nehezebben felismerhető befolyásoló műveletek céljából.
TrollOlyan személy vagy fiók, amely szándékosan provokál, zavarja vagy felkavarja az online vitákat.Általában emberi felhasználó; néha összehangolt csoportokZavaró / provokatív / ellenséges viselkedésMásokat felidegesíteni, beszélgetéseket eltéríteni, reakciókat kiváltani, ellenségeskedést terjeszteni vagy a vitát polarizálni.
SockpuppetHamis fiók, amelyet valaki a valódi személyazonosságának elrejtésére vagy más személynek való kiadása céljából használ.Emberi felhasználó, bár a fiók automatizált működésre is képesMegtévesztő identitásHamis támogatás létrehozása, mások névtelen támadása, tiltások kijátszása, a vita manipulálása vagy független egyetértés látszatának keltése.
\n

Szociális bot

\n

A közösségi bot olyan bot, amelyet közösségi médiaplatformokon való működésre terveztek, és amely emberi felhasználókat utánozó módon tesz közzé bejegyzéseket, kommentel, megoszt, vagy lép kapcsolatba másokkal. A közösségi botokat általában úgy programozzák, hogy nagy léptékben és nagy sebességgel működjenek, messze meghaladva azt, amit egy emberi felhasználó képes lenne kezelni. Tevékenységük gyakran ismétlődő és több fiók között összehangolt, ami megkülönbözteti őket a normális emberi használattól.

\n

A közösségi botok törvényes célokra is felhasználhatók – például ügyfélszolgálatra, hírek terjesztésére vagy marketingre –, de széles körben használják őket a közvélemény befolyásolására, bizonyos üzenetek felerősítésére, a viták manipulálására, vagy arra, hogy széles körű támogatottság látszatát keltsék bizonyos ötletek, termékek vagy ügyek iránt. A félrevezető és hamis információk terjesztése során a közösségi botok különleges szerepet játszanak a tartalmak gyors terjesztésében, és abban, hogy hamis benyomást keltsenek arról, hogy sok független hang osztja ugyanazt a véleményt.

\n

Amikor a közösségi botokat összehangolt hálózatokban vetik be, azok egy botfarmot alkotnak.

\n
\n
\n\n

Bot

\n

A bot egy számítógépes program, amely automatikusan végzi el a feladatokat, gyakran ismétlődőket. A botok skálája az egyszerű, ártalmatlan eszközöktől – mint például a keresőmotorok számára oldalakat indexelő webcrawlerek, az automatizált tesztrendszerek vagy a rutin ügyfélkérdésekre válaszoló chatbotok – egészen a spam, a rosszindulatú szoftverek vagy a dezinformáció terjesztésére tervezett rosszindulatú programokig terjed.

\n
\n
\n

Kiborg

\n

A kiborg egy hibrid fiók, amelyet részben ember, részben szoftver működtet. A kiborg esetében a rutinbejegyzéseket szoftver ütemezi vagy generálja, míg az ember kezeli a kiválasztott interakciókat, válaszokat vagy érzékeny tartalmakat. Az automatizált és az emberi tevékenység közötti egyensúly fiókonként változik.

\n

A kiborgok törvényes célokra is felhasználhatók – például tartalomütemezésre, márka- vagy intézményi fiókok kezelésére, vagy hibrid ügyfélszolgálatra –, de befolyásoló műveletekben is alkalmazzák őket, hogy az automatizálás méretét és sebességét ötvözzék az emberi beavatkozás kontextuális hitelességével.

\n

A kiborgokat nehezebb azonosítani, mint a tisztán automatizált botokat, mivel viselkedésük egy része valóban emberi, ami azt jelenti, hogy az egyes felismerési mutatók ritkán elegendőek a megbízható azonosításhoz.

\n

Troll

\n

A troll egy valódi személy, aki provokatív, agresszív vagy ellenséges viselkedéssel szándékosan zavarja az online vitákat. A trollok általában személyes fiókokat használnak, és vitatott kérdéseket, közszereplőket (például politikusokat vagy újságírókat) vagy médiaszervezeteket vesznek célba. Céljuk mások felidegesítése, reakciók kiváltása vagy konfliktusok eszkalálása – néha egy adott cél érdekében, néha szórakozás vagy figyelemfelkeltés céljából.

\n

Bár a trollok gyakran önállóan cselekszenek, előfordulhat, hogy összehangolt csoportokban működnek, néha politikai vagy kereskedelmi szereplők fizetéséért (lásd: Trollfarm a Fokozási mechanizmusok alatt).

\n

A trollkodást leginkább online viselkedési mintaként kell értelmezni, nem pedig egy konkrét fióktípusként. Ugyanezt a viselkedést automatizált fiókok is tanúsíthatják, és a hétköznapi felhasználók is alkalmanként trollkodhatnak.

\n

Sockpuppet

\n

A sockpuppet egy hamis online identitás, amelyet egy valódi személy hoz létre és működtet, aki elrejti valódi identitását. A trollokkal ellentétben – akik gyakran egyetlen, nyíltan ellenséges fiók alatt cselekszenek – a sockpuppet-kezelő általában több hamis fiókot működtet párhuzamosan, hogy azt a benyomást keltsék, mintha több független felhasználó osztaná ugyanazt a véleményt, támogatná ugyanazt az ügyet, vagy egyetértene a kezelő saját (gyakran különálló) fő fiókjával.

\n

A sockpuppeteket általában mesterséges konszenzus kialakítására, saját érveik különböző nevek alatt történő alátámasztására, ellenfeleik támadására úgy, hogy közben pártatlannak tűnnek, a felfüggesztés utáni új identitások létrehozásával a tiltások kijátszására, vagy online értékelések, szavazások és közvélemény-kutatások manipulálására használják.

\n

A sockpuppetek abban különböznek a közösségi botoktól, hogy azokat emberek kézzel működtetik, ami tartalmukat kontextuálisan hihetőbbé és automatizált eszközökkel nehezebben felismerhetővé teszi. A trolloktól abban különböznek, hogy elsődleges céljuk az identitás megtévesztése és a látszólagos konszenzus kialakítása, nem pedig a provokáció – bár a sockpuppet-kezelők hamis identitásaikon keresztül trollkodásba is bocsátkozhatnak.

\n

Amikor egy személy vagy egy kis csoport összehangoltan működtet egy sor álprofilot, akkor egy álprofil-hálózatot alkotnak (lásd: Erősítési mechanizmusok).

\n

☑ A szociális botok, trollok és álprofilok megkülönböztetése

\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
Felismerési dimenzióSzociális botokTrollokÁlprofilok
Profiljellemzők- [ ] A fiók újonnan
létrehozottnak tűnik - [ ] A profil hiányos vagy
általános - [ ] A felhasználónév nem személyesnek tűnik, és néha véletlenszerű számokat tartalmaz		- [ ] A fiók általában már régóta aktív, és van hozzászólási előzménye -
[ ] A profil teljes és személyesnek tűnik; erős ideológiai vagy politikai
önleírást tartalmazhat - [ ] A felhasználónév személyesnek tűnik		- [ ] A profil hihetőnek és személyesnek tűnik, gyakran tartalmaz profilképet és életrajzi adatokat (amelyek néha lopottak, AI által generáltak vagy másoltak)
- [ ] A fiók előzményei mérsékeltek lehetnek, és úgy vannak kialakítva, hogy idővel hitelesnek tűnjenek
Bejegyzési viselkedés- [ ] A tevékenység nem felel meg a normális emberi online
viselkedésnek - [ ] A fiókok nagyon gyakran tesznek közzé vagy osztanak meg tartalmakat -
[ ] A fiókok éjjel-nappal, bármikor tesznek közzé vagy osztanak meg tartalmakat		- [ ] A tevékenység hasonlít a normális emberi online
viselkedéshez - [ ] A fiók szabálytalan időközönként tesz közzé bejegyzéseket vagy válaszol -
[ ] A fiók vitatott témákról szóló beszélgetések során aktívabbá válik		- [ ] A tevékenységi minták hasonlítanak a normális emberi
használatra - [ ] Ugyanazon üzemeltető által működtetett több fiók hasonló aktív órákat vagy ritmust
mutathat - [ ] A sockpuppetek általában kevesebb vitát indítanak és rövidebb bejegyzéseket írnak, mint a tipikus felhasználók
Interakciók- [ ] A fiók nem folytat valódi
beszélgetéseket - [ ] A fiókok többnyire lájkolnak, megosztanak vagy
újrapostolnak - [ ] A válaszok rövidek és automatizáltak		- [ ] A fiók közvetlenül válaszol más felhasználóknak -
[ ] A fiók vitákba keveredik azzal a céllal, hogy reakciókat
provokáljon - [ ] A beszélgetéseket azért hosszabbítják meg, hogy konfliktust teremtsenek vagy fokozzák		- [ ] A fiók valódi beszélgetésekbe keveredik, gyakran támogatva a kezelő fő fiókját vagy más
álfiókokat - [ ] A válaszok kontextusban megfelelőek és
hitelesnek tűnnek - [ ] Az álfiókok párosai gyakran hasonló időpontokban lépnek kapcsolatba ugyanazon a beszélgetésen belül
Tartalmi jellemzők- [ ] A tartalom egyoldalú és
ismétlődő - [ ] Ugyanazokat a narratívákat többször is közzéteszik		- [ ] A tartalom kifejezetten arra szolgál, hogy kárt okozzon vagy provokáljon egy
célszemélyt - [ ] A tartalom egyénekre vagy társadalmi csoportokra irányul		- [ ] A tartalom hitelesnek tűnik és a
fiókok között változatos – [ ] Az alapvető üzenet vagy álláspont gyanúsan egységes a hálózaton
belül – [ ] Gyakori a személyes névmások, például az „én” használata
Nyelv- [ ] Általános kifejezések, kulcsszavakkal teli ismétlődő mondatszerkezetek- [ ] Változatos, érzelmes, gyakran sértő vagy támadó nyelv- [ ] Természetes és változatos
nyelvhasználat - [ ] Több fiók is oszthatja ugyanazokat a nyelvi jellemzőket (hasonló mondatszerkezet, szókincs, írásjelek vagy hibaminták)
Hálózati és technikai mutatók- [ ] A közösségi botok más közösségi botokat követnek, de a kapcsolat általában egyirányú és nem
kölcsönös - [ ] Több botfiók esetében is megfigyelhető összehangolt viselkedés		- [ ] A trollok emberi
fiókokat követnek - [ ] A kapcsolatok gyakran kölcsönösek (követik a követőiket és fordítva)
- [ ] A trollok általában egymástól függetlenül cselekszenek		- [ ] Több fiók kölcsönösen támogató módon lép
kapcsolatba egymással- [ ] A kapcsolatok mesterségesen kölcsönösek lehetnek ugyanazon hálózatban lévő álfiókok között, vagy szándékosan hiányozhatnak a felderítés
elkerülése érdekében- [ ] Ugyanaz az IP-cím, eszköz-ujjlenyomat vagy bejelentkezési minta \\\\*(platform oldali felderítés)\\\\*-
[ ] Több klaszterbe rendezett ego-hálózat, mint a hétköznapi
felhasználók esetében- [ ] A fiókok közötti tevékenységek időzítésének összefüggése
\n
\n
\n\n
    \n
  • \nFerrara, E. (2023). A szociális botok felismerése a ChatGPT korában: Kihívások és lehetőségek. First Monday, 28\n(6). https://doi.org/10.5210/fm.v28i6.13185\n
    • \n
  • \nKumar, S., Cheng, J., Leskovec, J., & Subrahmanian, V. S. (2017). Egy seregnyi én: álprofilok az online beszélgetési közösségekben. A 26. Nemzetközi World Wide Web Konferencia (WWW '17) jegyzőkönyve\n, 857–866. https://doi.org/10.1145/3038912.3052677\n
    • \n
  • \nOrabi, M., Mouheb, D., Al Aghbari, Z., & Kamel, I. (2020). Botok felismerése a közösségi médiában: Szisztematikus áttekintés. Information Processing & Management, 57\n(4), 102250. https://doi.org/10.1016/j.ipm.2020.102250\n
    • \n
  • \nSolorio, T., Hasan, R., & Mizan, M. (2013). Esettanulmány a sockpuppet-ek felismeréséről a Wikipédiában. A NAACL-HLT keretében megrendezett Workshop on Language Analysis in Social Media (LASM) konferenciájának anyaga\n, 59–68. Számítógépes Nyelvészeti Társaság.https://aclanthology.org/W13-1107/\n
    • \n
  • \nTomaiuolo, M., Lombardo, G., Mordonini, M., Cagnoni, S., & Poggi, A. (2020). A trollok felismeréséről szóló felmérés. Future Internet, 12\n(2), https://doi.org/10.3390/fi12020031\n
    • \n
  • \nTsikerdekis, M., & Zeadally, S. (2014). Több fiókos identitás-megtévesztés felismerése a közösségi médiában nonverbális viselkedés alapján. IEEE Transactions on Information Forensics and Security, 9\n(8), 1311–1321. https://doi.org/10.1109/TIFS.2014.2332820\n
    • \n
  • \nUyheng, J., Moffitt, J. D., & Carley, K. M. (2022). Az online trollkodás nyelve és célpontjai: Pszicholingvisztikai megközelítés a társadalmi kiberbiztonsághoz. Information Processing & Management, 59\n(5), 103012. https://doi.org/10.1016/j.ipm.2022.103012\n
    • \n
\n
\n
\n

Fiókhálózatok

\n

Botfarm

\n

A botfarm egy olyan botokból álló hálózat, amelyek egyidejűleg több eszközön vagy szerveren működnek, és amelyet egyetlen üzemeltető vagy szervezet egy adott célra telepít.

\n

A botfarmoknak számos legitim felhasználási területük van, többek között a webes indexelés, az automatizált szoftvertesztelés, az adatgyűjtés és a weboldalak teljesítményének figyelemmel kísérése. Ugyanakkor gyakran használják őket rosszindulatú tevékenységekhez is, például hamis interakciók létrehozásához, nagy mennyiségű tartalom generálásához, spam terjesztéséhez vagy kiberbiztonsági támadások végrehajtásához. Ha online diskurzusok manipulálására használják őket, a botfarmok hamis benyomást kelthetnek egy téma, fiók vagy kampány széles körű támogatásáról, ellenzéséről vagy iránti érdeklődésről.

\n

Trollfarm

\n

A trollfarm egy szervezett csoport, amely összehangoltan működő, gyakran fizetett munkatársakból áll, akik szándékosan provokatív, félrevezető vagy hamis tartalmakat tesznek közzé az interneten – általában hamis fiókokon keresztül. Céljuk általában a közvélemény manipulálása, dezinformáció terjesztése vagy társadalmi és politikai zavargások kiváltása. A trollfarmokról már számoltak be államilag támogatott befolyásoló műveletekkel, valamint kereskedelmi hírnév-manipulációval összefüggésben.

\n

Sockpuppet-hálózat

\n

A sockpuppet-hálózat egy személy vagy egy kis csoport által működtetett, összehangolt sockpuppet-fiókok halmaza, amelyet arra használnak, hogy független hangokat szimuláljanak, amelyek egy közös narratívát, kampányt, fiókot vagy ügyet támogatnak. A sockpuppet-hálózatokat általában politikai astroturfingben, értékelések és minősítések manipulálásában, valamint összehangolt dezinformációs kampányokban használják. A botfarmokkal ellentétben a sockpuppet-hálózatok emberi kézzel történő működtetésen alapulnak, ami miatt az egyes fiókok tartalma hitelesebbnek tűnik, és automatizált eszközökkel nehezebb felismerni. Koordinációjuk általában csak akkor válik észrevehetővé, ha több fiók viselkedési mintái, közös technikai jelzései vagy kölcsönös interakciói alapján összekapcsolhatók.

\n

Kattintásfarm

\n

A kattintásfarm olyan művelet, amelynek során nagy számú alulfizetett munkavállalót, automatizált botokat vagy mindkettőt használnak hirdetésekre kattintásra, közösségi média fiókok követésére, bejegyzések lájkolására, vélemények írására vagy alkalmazások letöltésére. A cél az online interakciók vagy forgalom mesterséges növelése, hogy a tartalom, a fiókok vagy a termékek népszerűbbnek tűnjenek, mint amilyenek valójában.

\n

Jelenségek

\n

☑ Vírusosság vs. trend

\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
JellemzőVírusosságTrend
Mi terjedEgyetlen információ: egy konkrét videó, bejegyzés, kép vagy más tartalomEgy téma, hashtag, hang, formátum vagy beszélgetési csoport: nem egy konkrét elem, hanem sok olyan bejegyzés, amely ugyanarra a dologra utal vagy azt használja
Fő hajtóerőkA felhasználók megosztják, újrapostolják vagy továbbítják az információt másoknak, akik viszont továbbadják azt; ezt a láncreakciószerű terjedést az ajánló algoritmusok tovább erősíthetikSok felhasználó rövid időn belül ugyanarról a témáról, hashtagről vagy formátumról posztol, említi vagy használja; a platform észleli ezt a tevékenységi koncentrációt, és kiemeli azt egy külön „Trendek” részben (például trendek listája, trend hashtagok áttekintése vagy trend hangok oldala)
Időbeli mintázatGyakran rövid és robbanásszerű; később ismétlődhetIdőhöz kötött; addig tart, amíg a tevékenység magas szinten marad, vagy a platform folyamatosan felhívja rá a figyelmet
Hogyan manipulálhatóKoordinált megosztás, botok általi felerősítés, a konkrét információra irányuló mesterséges interakcióKoordinált posztolási kampányok, bot-hálózatokon keresztül létrehozott hamis trendek, a platform döntései a promóció, szűrés vagy elnyomás tekintetében
\n

Mind a vírusosság, mind a trendek organikusan alakulhatnak ki, vagy mesterségesen felerősíthetők koordinált kampányok, bottevékenység vagy a platform döntései révén. Mindkettő előnyt jelenthet az érzelmeket felkavaró, erkölcsi töltetű vagy megosztó tartalmak számára, különösen politikai vagy konfliktusorientált kontextusokban.

\n

Vírusosság

\n

Az a mintázat, amelynek során egy adott információ gyorsan terjed a hálózatokon keresztül megosztás, ajánlás és újraközvetítés révén, hasonlóan a vírusok terjedéséhez. A vírusosságot a tartalom jellemzői, a közösségi hálózatok struktúrái, a platformok lehetőségei, az időzítés és az algoritmikus felerősítés alakítja.

\n

Azok a tartalmak, amelyek erős érzelmeket, erkölcsi reakciókat vagy csoporton kívüli ellenségeskedést váltanak ki, gyakran nagyobb valószínűséggel kerülnek megosztásra, különösen politikai vagy konfliktusorientált kontextusokban. A vírusosságot azonban nem csak az eredeti forrás mérete határozza meg: kisebb fiókok vagy csatornák is létrehozhatnak rendkívül vírusos tartalmakat.

\n

A vírusosság spontán módon is kialakulhat, de mesterségesen is felerősíthető koordinált megosztás, platformmanipuláció vagy bottevékenység révén.

\n

Trend

\n

A platform által hozzárendelt státusz, amely jelzi, hogy egy téma, hashtag, hang, formátum vagy beszélgetési csoport szokatlanul intenzív aktivitást kapott rövid időn belül.

\n

A trendeket algoritmusok azonosítják, és a platform olyan funkciói jelenítik meg, mint az X / Twitter Trending Topics, a trend hashtagek, a trend hangok, a trend kihívások vagy más platformspecifikus trendfunkciók. A trendek platformspecifikus jelzésektől függenek, mint például a bejegyzések mennyisége, a növekedés üteme, az interakció, a helyszín, a személyre szabás és a moderációs szűrők.

\n

A magas interakciót generáló témák – beleértve a megosztó, érzelmileg izgalmas vagy erkölcsileg terhelt témákat – nagyobb valószínűséggel kerülnek a trendek közé, de ez a platform rangsorolási rendszerétől és moderációs szabályaitól függ.

\n

A trendek organikusan alakulhatnak ki számos független hozzájárulásból, de befolyásolhatják őket összehangolt kampányok, botok tevékenysége vagy a platform döntései arról, hogy mit népszerűsítsenek, szűrjenek, moderáljanak vagy elnyomjanak.

\n
\n
\n\n
    \n
  • Berger, J. (2013). Contagious: Why Things Catch On. New York: Simon & Schuster.\n
    • \n
  • Berger, J., & Milkman, K. L. (2012).\nWhat makes online content viral? Journal of Marketing Research\n, 49(2), 192–205. https://doi.org/10.1509/jmr.10.0353\n
    • \n
  • Brady, W. J., McLoughlin, K., Doan, T. N., & Crockett, M. J. (2021).\nHogyan erősíti a társadalmi tanulás az erkölcsi felháborodás kifejezését az online közösségi hálózatokban. Science Advances\n, 7(33), eabe5641. https://doi.org/10.1126/sciadv.abe5641\n
    • \n
  • Jenkins, H., Ford, S., & Green, J. (2013). Spreadable Media: Creating Value and Meaning in a Networked Culture. New York: NYU Press.\n
    • \n
  • Lee, J., & Umback, J. (2026).\nA vírusos fordulat: a vírusosság újragondolása a TikTok alkotói gazdaságában. Continuum\n, 1–26. https://doi.org/10.1080/10304312.2026.2625794\n
    • \n
  • Maarouf, A., Pröllochs, N., & Feuerriegel, S. (2024).\nA gyűlöletbeszéd vírusossága a közösségi médiában. Proceedings of the ACM on Human-Computer Interaction\n, 8 (CSCW1), 1–22. https://doi.org/10.1145/3641025\n
    • \n
  • Rathje, S., Van Bavel, J. J., & van der Linden, S. (2021).\nA csoporton kívüli ellenségeskedés ösztönzi a közösségi médiában való részvételt. Proceedings of the National Academy of Sciences\n, 118(26), e2024292118. https://doi.org/10.1073/pnas.2024292118\n
    • \n
  • Rathje, S., & Van Bavel, J. J. (2025).\nA vírusosság pszichológiája. Trends in Cognitive Sciences\n, 29(10), 914–927. https://doi.org/10.1016/j.tics.2025.06.014\n
    • \n
  • Rogers, E. M. (2003). Az innovációk terjedése (5. kiadás). New York: Free Press.\n
    • \n
  • Sangiorgio, E., Cinelli, M., Cerqueti, R., & Quattrociocchi, W. (2024).\nA követők nem határozzák meg a hírportálok vírusosságát a közösségi médiában. PNAS Nexus\n, 3(7), pgae257. https://doi.org/10.1093/pnasnexus/pgae257\n
    • \n
  • Schlessinger, J., Garimella, K., Jakesch, M., & Eckles, D. (2023).\nAz algoritmikus trendpromóció hatásai: bizonyítékok a Twitter Trending Topics összehangolt kampányaiból. Az AAAI Nemzetközi Web- és Közösségi Média Konferencia (ICWSM) jegyzőkönyve\n, 17(1), 777–786. https://doi.org/10.1609/icwsm.v17i1.22187\n
    • \n
  • Schöne, J. P., Parkinson, B., & Goldenberg, A. (2021).\nNegativitás terjed gyorsabban, mint a pozitivitás a Twitteren mind pozitív, mind negatív politikai helyzetek után. Affective Science\n, 2(4), 379–390. https://doi.org/10.1007/s42761-021-00057-7\n
    • \n
\n
\n
\n

Átgyűrűző hatások és episztemikus tisztogatás

\n

Az a folyamat, amelynek során egy információs környezetben láthatóvá váló információ – akár mesterséges felerősítés, trendek vagy szerkesztői kiválasztás révén – felkerül és továbbterjed más információs környezetekben vagy információhozzáférési rendszerekben, ezáltal elérve az eredeti környezeten kívüli közönséget is.

\n

A spill-over újságírói riportok, platformok közötti megosztás, szerkesztői kuráció vagy felhasználók által vezérelt újraelosztás révén is bekövetkezhet.

\n

→ Egy tudományos fórumon megosztott kutatási eredményt megvitathatnak a közösségi médiában, és összefoglalhatja egy mesterséges intelligencia asszisztens.
→ Egy közösségi média platformon botok által mesterségesen felerősített témát felvehetnek az újságírók.

\n

→ A spill-over hatások növelhetik mind a megbízható, mind a megbízhatatlan információk elérését, és az információt szélesebb körben elterjedtnek tüntethetik fel, mint amilyen eredetileg volt.

\n

Epistemikus tisztogatás

\n

A spill-over hatás nem mindig őrzi meg az információ látszólagos státuszát. Ha a fogadó csatorna erősebb tekintélyt vagy megbízhatóságot sugároz, mint a forráscsatorna – tudományos formátum, szakértői értékelés, hivatalos publikáció –, az információ pusztán az átvitel révén megbízhatóbbnak tűnhet. Ezt a hatást epistemikus tisztításnak nevezik: az információ a csatornák közötti átvitel során látszólagos megbízhatóságot nyer, anélkül, hogy az alapjául szolgáló állítások vagy bizonyítékok ténylegesen megváltoznának. Kihasználja a befogadók azon hajlamát, hogy az információval találkozásuk helyszínének megbízhatóságát magára az információra vetítik.

\n

→ Egy névtelen blogbejegyzésből származó állítást idézhetnek egy előzetes kiadványban, reprodukálhatják egy AI által generált válaszban, és végül hivatkozhatnak rá egy szakértői értékelésen átesett cikkben – minden lépésnél tudományos látszatot és látszólagos tekintélyt nyerve, miközben az alapul szolgáló állítás változatlan vagy ellenőrizetlen marad.

\n
\n
\n\n

A göteborgi egyetem egy orvosi kutató által vezetett csapata kitalált egy Bixonimania nevű hamis bőrbetegséget, hogy tesztelje, vajon az AI-rendszerek befogadják-e és megismétlik-e az orvosi téves információkat. Úgy mutatták be, mint egy állítólagos betegséget, amely a képernyők kék fényének kitettségéhez kapcsolódik, olyan tünetekkel, mint a fájó, viszkető szemek és a szemhéjak rózsaszínű elszíneződése. Ezután szándékosan hamis, tudományosnak tűnő előzetes publikációkat hoztak létre, amelyekbe nyilvánvaló figyelmeztető jeleket építettek be – egy kitalált szerzőt AI által generált fotóval, egy nem létező egyetemet, valamint hivatkozásokat a Csillagflotta Akadémiára és az USS Enterprise-ra. A Nature arról számolt be, hogy az előzetes publikációkat azóta eltávolították a Preprints.org weboldalról. Pár héten belül a nagyobb AI-chatbotok elkezdték a Bixonimaniát valódi betegségként terjeszteni, egyes esetekben magyarázó vagy egészségügyi tanácsokat is adva a felhasználóknak. Ezzel párhuzamosan a hamis anyagot legalább egy, azóta visszavont, a Springer Nature Cureus című folyóiratában megjelent cikk is idézte. Átgyűrűzés: blogbejegyzések → hamis előnyomtatvány → webcrawler → AI-chatbot válaszok → tudományos hivatkozás

\n
\n
\n
\n
\n\n

Stokel-Walker, C. (2026). A tudósok kitaláltak egy hamis betegséget. Az AI azt mondta az embereknek, hogy valódi. Nature, 652(8110), 559-561. https://doi.org/10.1038/d41586-026-01100-y

\n
\n
\n

Információszűkítés

\n

Míg az információerősítés (fent) azt írja le, hogyan bővül a láthatóság a felhasználói fiókok között, az információszűkítés ennek ellenkezőjét írja le: hogyan szűkül az egyes felhasználókhoz vagy társadalmi csoportokhoz eljutó nézőpontok köre. Két különböző mechanizmus eredményezi ezt a szűkülést: a szűrőbuborék (algoritmikus személyre szabás) és az echokamra (felhasználói önszelekció). A két fogalmat a közbeszédben gyakran keverik össze, de működésük eltérő.

\n

Szűrőbuborék

\n

A szűrőbuborék egy algoritmikus személyre szabás által létrehozott elszigetelt információs környezet, amelyben a felhasználó egyre inkább olyan tartalmaknak van kitéve, amelyek összhangban állnak a feltételezett preferenciáival és korábbi viselkedésével, míg az ettől eltérő tartalmak kiszűrésre kerülnek – általában a felhasználó tudta nélkül. A kifejezést Eli Pariser (2011) alkotta meg annak leírására, hogy a Google, a Facebook és hasonló platformok személyre szabási algoritmusai hogyan hozhatnak létre szisztematikus expozíciós aszimmetriákat a felhasználói jelek, például a kattintási előzmények, a helyszín és a profiladatok alapján.

\n

A szűrőbuborék meghatározó jellemzője a felhasználó részéről a nem szándékosság: a szűkítést a platform optimalizálása eredményezi, nem pedig a felhasználó források tudatos kiválasztása.

\n
\n
\n\n

Az empirikus kutatások jelentősen módosították Pariser eredeti tézisét. A tanulmányok megállapították, hogy az algoritmikus személyre szabás valóban alakítja a felhasználók által látott tartalmakat, de a legtöbb felhasználó továbbra is ideológiailag sokszínű tartalmakkal találkozik – részben azért, mert saját közösségi hálózataikban változatos nézetek jelennek meg, részben pedig azért, mert az algoritmusok nem izolálnak olyan teljesen, mint azt a közbeszéd sugallja (Bakshy et al., 2015; Flaxman et al., 2016; Bruns, 2019). A szűrőbuborék-hatás valóban létezik, de általában gyengébb, mint azt általában feltételezik; az internet előtti szelektív expozíció (pl. újságok vagy tévécsatornák választása) sok esetben erősebb volt.

\n
\n
\n
\n
\n\n
    \n
  • Pariser, E. (2011). A szűrőbuborék: Amit az internet eltitkol előled. Penguin Press.\n
    • \n
  • \nBakshy, E., Messing, S., & Adamic, L. A. (2015). Exposure to ideologically diverse news and opinion on Facebook. Science\n, 348(6239), 1130–1132. https://doi.org/10.1126/science.aaa1160\n
    • \n
  • \nFlaxman, S., Goel, S., & Rao, J. M. (2016). Szűrőbuborékok, visszhangkamrák és online hírfogyasztás. Public Opinion Quarterly\n, 80(S1), 298–320. https://doi.org/10.1093/poq/nfw006\n
    • \n
  • Bruns, A. (2019). Are Filter Bubbles Real? Polity Press.\n
    • \n
\n
\n
\n

Visszhangkamra

\n

A visszhangkamra olyan társadalmi információs környezet, amelyben a felhasználó elsősorban olyan véleményekkel, állításokkal vagy ideológiákkal találkozik, amelyek megerősítik meglévő meggyőződéseit, míg az eltérő nézetek hiányoznak, elutasításra kerülnek vagy aktívan hiteltelenítik őket. Cass Sunstein (2017) leírja a politikai következményeket: amikor a csoportok elszigetelik magukat a külső perspektíváktól, a belső meggyőződések idővel megerősödnek és szélsőségesebbé válnak (csoportpolarizáció).

\n

Az algoritmikus személyre szabásból fakadó szűrőbuborékokkal ellentétben az echo chamber elsősorban a felhasználók saját választásainak eredménye: annak eldöntése, hogy kit követnek, mely közösségekhez csatlakoznak, mely forrásokban bíznak, és mely hangokat utasítják el. Ezeket a döntéseket részben a megerősítő torzítás (Confirmation Bias) vezérli – az a kognitív tendencia, hogy olyan információkat keresünk és bízunk meg, amelyek összhangban állnak a meglévő meggyőződéseinkkel. A megerősítő hatás magából a társadalmi struktúrából fakad, nem pedig láthatatlan algoritmikus szűrésből.

\n

C. Thi Nguyen (2020) egy olyan fogalmi megkülönböztetést tesz, amely fontos a beavatkozás szempontjából:

\n
    \n
  • Az episztemikus buborék olyan társadalmi struktúra, amelyben más releváns hangok egyszerűen hiányoznak. Lakói nem hallanak ellentétes nézőpontokat, de nem is utasítják el azokat aktívan.\n
    • \n
  • A szigorú értelemben vett visszhangkamra olyan társadalmi struktúra, amelyben más releváns hangokat aktívan hiteltelenítik. A tagok hallhatnak ellentétes nézőpontokat, de megtanulják, hogy ne bízzanak azok forrásaiban.\n
    • \n
\n

Az episztemikus buborék új információk bevezetésével megnyitható; az echokamra viszont ellenáll a korrekciónak még akkor is, ha külső bizonyítékokat mutatnak be, mert azok forrásait már előzetesen delegitimálták.

\n
\n
\n\n

Az empirikus kutatások arra utalnak, hogy az erős, ideológiailag elszigetelt visszhangkamrák ritkábbak, mint azt a közbeszéd sugallja (Cinelli et al., 2021; Guess et al., 2018), de ahol léteznek, rendkívül ellenállnak a korrekciónak. A csoporton belüli puszta egyetértés önmagában nem jelent visszhangkamrát – a meghatározó jellemző a külső nézőpontok aktív kizárása vagy hiteltelenítése.

\n
\n
\n
\n
\n\n
    \n
  • Sunstein, C. R. (2017). #Republic: Divided Democracy in the Age of Social Media. Princeton University Press.\n
    • \n
  • \nNguyen, C. T. (2020). Echo chambers and epistemic bubbles. Episteme\n, 17(2), 141–161. https://doi.org/10.1017/epi.2018.32\n
    • \n
  • \nCinelli, M., De Francisci Morales, G., Galeazzi, A., Quattrociocchi, W., & Starnini, M. (2021). The echo chamber effect on social media. PNAS\n, 118(9), e2023301118. https://doi.org/10.1073/pnas.2023301118\n
    • \n
  • Guess, A., Lyons, B., Nyhan, B., & Reifler, J. (2018). Az „echokamra” elkerülése az echokamrákról: Miért kevésbé elterjedt a hasonló gondolkodású politikai hírek szelektív fogyasztása, mint gondolnánk. Knight Foundation fehér könyv.\n
    • \n
\n
\n
","UPDATEDAT":"2026-05-08T06:56:38.108Z","LANG":"hu","ID":"3b24684f-982f-46f5-bc94-0c5e6b459760","TITLE":"Információáramlás és láthatóság","SOURCELANG":"en"}