{"CACHEDAT":"2026-05-13 09:36:49","TRANSLATEDAT":"2026-05-13 09:36:49","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":"

Visibilità e risalto delle informazioni

\n

La visibilità delle informazioni si riferisce al fatto che — e con quale risalto — specifiche informazioni, argomenti, fonti o account appaiano agli utenti negli ambienti digitali. Le informazioni presenti nell'indice o nella rete di una piattaforma non raggiungono automaticamente tutti gli utenti, né li raggiungono allo stesso modo.

\n

La visibilità è il risultato di due forze che interagiscono:

\n
    \n
  • il modo in cui le informazioni circolano (condivisione, ridistribuzione, diffusione) e\n
    • \n
  • il modo in cui vengono messe in evidenza, nascoste o filtrate.\n
    • \n
\n
\n
\n\n

Distinguere tra affidabilità e visibilità è essenziale per l'alfabetizzazione informativa.

\n
    \n
  • L'affidabilità dipende da chi ha creato un elemento (autore) e da come è stato modificato (revisione editoriale) — non da chi lo ha condiviso, dall'ambiente in cui è apparso o da quanto in evidenza è stato messo in risalto.\n
    • \n
  • La visibilità dipende da chi condivide un contenuto, dai meccanismi che lo mettono in evidenza e dalle pratiche attraverso cui viene amplificato. La visibilità non è una misura di affidabilità.\n

    Ad esempio, un articolo ritwittato: l'account che lo ha condiviso e la piattaforma che lo ha messo in evidenza hanno influenzato la sua visibilità, ma l'articolo ha un proprio autore e una propria storia editoriale, la cui affidabilità deve essere valutata separatamente.

    \n
    • \n
\n
\n
\n

Circolazione delle informazioni: condivisione, inoltro, collegamento, ripubblicazione, citazione

\n

Persone, account (compresi i bot) e organizzazioni fanno circolare le informazioni esistenti condividendole, inoltrandole, collegandole, ripubblicandole, citandole o ridistribuendole in altro modo.

\n

→ Quando un elemento viene trasmesso con l'aggiunta di commenti, interpretazioni o riformulazioni, viene creato un nuovo elemento informativo con un nuovo autore.

\n

Promozione e visibilità delle informazioni guidate dalla fonte

\n

Pratiche avviate dalle fonti, ovvero coloro che creano, pubblicano o promuovono elementi informativi. Le fonti includono singoli utenti, creatori di contenuti, organizzazioni, inserzionisti e gestori di siti web. A differenza dei meccanismi guidati dalla piattaforma, queste pratiche sono guidate dalle fonti stesse, che decidono come rendere visibili i propri contenuti. Operano in due modalità: adattando i contenuti ai sistemi di classificazione delle piattaforme (copertura, indirizzamento diretto, SEO, SMO, ottimizzazione specifica per piattaforma) o pagando direttamente per il posizionamento (posizionamenti a pagamento).

\n

Copertura dell'account

\n

La dimensione e la struttura del pubblico potenziale di chi condivide.

\n

Diversi fattori determinano la portata:

\n
    \n
  • #### numero di follower o iscritti\n
    • \n
  • #### stato di verifica\n
    • \n
  • #### reputazione dell'account: età, cronologia di interazione, reputazione sulla piattaforma\n
    • \n
\n

La portata influisce sulla visibilità in due modi:

\n
    \n
  • direttamente: i contenuti condivisi da account ad alta portata appaiono in più feed al momento della condivisione\n
    • \n
  • indirettamente: gli account ad alta portata generano più segnali di coinvolgimento, che gli algoritmi della piattaforma utilizzano poi per elevare i contenuti nella classifica (→ Gatekeeping algoritmico)\n
    • \n
\n

→ La portata varia notevolmente: un account privato con 100 follower e un account pubblico con un milione di follower operano su scale di influenza sulla visibilità fondamentalmente diverse.

\n

Indirizzamento diretto

\n

Meccanismi attraverso i quali chi condivide si rivolge a destinatari specifici, garantendo a tali utenti una visibilità immediata tramite le notifiche della piattaforma.

\n

Esempi:

\n
    \n
  • #### @menzioni\n
    • \n
  • #### tagging (in foto, post o thread)\n
    • \n
  • #### retweet con citazione e menzioni nelle risposte\n
    • \n
  • #### messaggi diretti di gruppo\n
    • \n
  • #### indirizzi nelle mailing list (A, CC)\n
    • \n
\n

→ L'indirizzamento diretto differisce dalla condivisione normale: l'utente destinatario riceve l'elemento direttamente tramite notifica, indipendentemente dal fatto che lo avrebbe comunque visto nel proprio feed.

\n

→ L'indirizzamento diretto è un meccanismo ibrido. Opera a livello di utente, ma funziona attraverso l'infrastruttura della piattaforma (sistemi di notifica). Il suo effetto è una visibilità immediata per l'utente destinatario.

\n

Ottimizzazione per i motori di ricerca (SEO)

\n

Pratiche a livello di sorgente per adattare i siti web — i loro contenuti, i metadati e la struttura dei link — in modo che ottengano un posizionamento più prominente nei risultati dei motori di ricerca generici (Google, Bing, DuckDuckGo, ecc.).

\n

Le pratiche comuni includono:

\n
    \n
  • ricerca di parole chiave e integrazione in titoli, intestazioni, corpo del testo\n
    • \n
  • ottimizzazione dei metadati (tag del titolo, meta descrizioni, testo alternativo)\n
    • \n
  • link building (acquisizione di link in entrata da siti autorevoli)\n
    • \n
  • struttura del sito e collegamenti interni\n
    • \n
  • velocità della pagina e ottimizzazione per i dispositivi mobili\n
    • \n
  • creazione di contenuti che corrispondano all'intento di ricerca\n
    • \n
\n

→ La SEO è la disciplina di ottimizzazione più formalizzata perché i segnali di ranking dei motori di ricerca sono relativamente stabili e ben documentati (Lewandowski et al.). Professionisti, agenzie e strumenti specializzati in SEO ne supportano la pratica.

\n

→ La SEO non modifica il modo in cui i motori di ricerca classificano le pagine, ma adatta il sito web ai criteri di classificazione esistenti. Gli editori possono influenzare ciò che l'algoritmo vede, non come decide.

\n

Ottimizzazione dei social media (SMO)

\n

Pratiche lato sorgente per massimizzare la visibilità, il coinvolgimento e la condivisibilità dei contenuti sulle piattaforme dei social media.

\n

Le pratiche comuni includono:

\n
    \n
  • strategie di hashtag (tag di tendenza o specifici per argomento)\n
    • \n
  • tempistica dei post (quando il pubblico di destinazione è attivo)\n
    • \n
  • scelta del formato dei contenuti (brevi video, caroselli, reel)\n
    • \n
  • progettazione di titoli e ganci (per catturare rapidamente l'attenzione)\n
    • \n
  • incoraggiamento del coinvolgimento (domande, sondaggi, inviti all'azione)\n
    • \n
  • riutilizzo multipiattaforma dei contenuti\n
    • \n
\n

→ L'SMO è meno formalizzato rispetto al SEO perché i segnali di ranking sui social media sono più opachi e specifici per ciascuna piattaforma. Le pratiche cambiano al variare degli algoritmi.

\n

Ottimizzazione specifica per piattaforma

\n

Strategie di ottimizzazione su misura per le convenzioni e le logiche di ranking delle singole piattaforme — al di là dei principi generali di SEO o SMO.

\n
    \n
  • TikTok: catturare l'attenzione degli spettatori nei primi tre secondi, utilizzando suoni di tendenza, video verticali di breve durata\n
    • \n
  • Instagram: immagini di alta qualità, strategia Reels-first, mix di hashtag\n
    • \n
  • YouTube: design delle miniature, ottimizzazione del tempo di visualizzazione, titoli e descrizioni ricchi di parole chiave\n
    • \n
  • LinkedIn: post professionali di lunga durata, pubblicazione nativa, coinvolgimento in rete\n
    • \n
  • X (Twitter): ganci concisi, thread, risposta ad account ad alta portata\n
    • \n
\n

→ L'ottimizzazione specifica per piattaforma richiede la comprensione del sistema di classificazione di ciascuna piattaforma, del comportamento del pubblico e delle preferenze relative al formato dei contenuti. Ciò che funziona su TikTok raramente funziona su LinkedIn.

\n

Posizionamenti a pagamento e pubblicità

\n

Pratica da parte dei creatori di pagare per ottenere visibilità: contenuti sponsorizzati inseriti accanto a contenuti organici, in genere tramite pubblicità.

\n

Forme comuni:

\n
    \n
  • risultati di ricerca sponsorizzati (annunci sui motori di ricerca)\n
    • \n
  • post sponsorizzati e contenuti promossi (social media)\n
    • \n
  • annunci display (banner, video)\n
    • \n
  • partnership con influencer (collaborazioni a pagamento)\n
    • \n
\n

→ I posizionamenti a pagamento aggirano i sistemi di ranking organico: invece di ottimizzare i contenuti per ottenere un buon posizionamento, la fonte paga direttamente la piattaforma per il posizionamento.

\n

→ A volte sono chiaramente etichettati ("Sponsorizzato", "Pubblicità"), altre volte sono difficilmente distinguibili dai risultati organici. Gli standard di etichettatura variano a seconda della giurisdizione e della piattaforma.

\n

Promozione delle informazioni e gatekeeping da parte della piattaforma

\n
\n
\n\n

Ciò che gli utenti vedono effettivamente è raramente il risultato di un unico meccanismo. In un motore di ricerca, un elenco di risultati organici ordinati algoritmicamente viene presentato insieme a posizionamenti a pagamento, riassunti generati dall'intelligenza artificiale e, talvolta, contenuti editoriali in evidenza — e i segnali di ranking sottostanti possono essere deliberatamente influenzati attraverso l'ottimizzazione per i motori di ricerca (SEO). In un feed dei social media, i post classificati algoritmicamente appaiono accanto a contenuti sponsorizzati, account consigliati e sovrapposizioni di tendenza. Ogni componente segue una propria logica e contribuisce a un risultato di visibilità composito.

\n
\n
\n

Cura editoriale

\n

Cura manuale da parte della piattaforma: elementi informativi deliberatamente messi in evidenza dai team editoriali o dagli operatori della piattaforma piuttosto che emersi attraverso il posizionamento algoritmico.

\n

Esempi:

\n
    \n
  • snippet in evidenza nei risultati di ricerca\n
    • \n
  • sezioni di tendenza curate\n
    • \n
  • articoli selezionati dalla redazione negli aggregatori di notizie\n
    • \n
  • hashtag promossi dalla piattaforma\n
    • \n
  • Scelte dell'editore negli app store\n
    • \n
  • Creatori o account in primo piano\n
    • \n
\n

→ I contenuti in evidenza si affiancano ai meccanismi algoritmici e riflettono i giudizi della piattaforma stessa su quali contenuti meritino una visualizzazione di rilievo.

\n

→ A differenza del gatekeeping algoritmico (curatela e personalizzazione), il gatekeeping editoriale comporta scelte editoriali umane da parte della piattaforma stessa. Dal punto di vista funzionale, si tratta di una forma di gatekeeping editoriale ) — svolta dalla piattaforma piuttosto che dagli editori tradizionali.

\n

Gatekeeping algoritmico

\n

Il gatekeeping algoritmico si riferisce al ruolo degli algoritmi nel decidere quali informazioni raggiungono quali utenti — la controparte digitale del gatekeeping editoriale (→ Informazioni, fonti e ambienti informativi → Revisione editoriale). Comprende sia la selezione (ciò che viene messo in evidenza e classificato in alto) sia l'esclusione (ciò che viene filtrato, declassato o nascosto).

\n

Il gatekeeping algoritmico opera su diversi tipi di piattaforme:

\n
    \n
  • nei motori di ricerca, gli algoritmi selezionano e ordinano i risultati in base alle query\n
    • \n
  • nei feed dei social media, gli algoritmi decidono quali post appaiono in modo più prominente\n
    • \n
  • nelle piattaforme video, gli algoritmi suggeriscono cosa guardare dopo\n
    • \n
  • nei sistemi di risposta basati sull'intelligenza artificiale, gli algoritmi generano, riassumono o sintetizzano le risposte\n
    • \n
\n

Il gatekeeping algoritmico opera in due modalità che spesso funzionano insieme: operazioni generali applicate a tutti gli utenti (curatela algoritmica) e personalizzazione individuale basata sui segnali degli utenti tracciati (personalizzazione algoritmica).

\n

Curatela algoritmica

\n

Operazioni algoritmiche generali applicate a tutti gli utenti: determinano quali informazioni sono disponibili sulla piattaforma, indipendentemente da chi sia l’utente.

\n
    \n
  • Crawling e indicizzazione\n— Quali elementi informativi diventano disponibili per la visualizzazione?\n
      \n
    • motori di ricerca che eseguono il crawling del web\n
      • \n
    • aggregatori di contenuti che indicizzano le fonti di notizie\n
      • \n
    • app store che catalogano le app disponibili\n
      • \n
    \n
    • \n
  • Filtraggio e moderazione\n— Quali elementi vengono bloccati o declassati in base alle regole della piattaforma?\n
      \n
    • filtri antispam\n
      • \n
    • rimozione di contenuti che violano le politiche (incitamento all'odio, contenuti illegali, materiale esplicito)\n
      • \n
    • diminuzione del posizionamento di materiale di bassa qualità o fuorviante\n
      • \n
    \n
    • \n
  • Valutazione della qualità\n— Quali fonti o elementi vengono considerati più credibili o di qualità superiore?\n
      \n
    • motori di ricerca che penalizzano i siti di bassa qualità\n
      • \n
    • aggregatori di notizie che classificano in base all'autorevolezza della fonte\n
      • \n
    • classifiche influenzate dalla revisione tra pari sui motori di ricerca accademici\n
      • \n
    \n
    • \n
  • Rilevamento delle tendenze\n— Quali elementi vengono segnalati come attualmente popolari?\n
      \n
    • argomenti di tendenza sulle piattaforme social\n
      • \n
    • classifiche dei più ascoltati sui servizi di streaming\n
      • \n
    • Sezioni "Cosa sta succedendo" e "Titoli di oggi"\n
      • \n
    • hashtag popolari\n
      • \n
    \n
    • \n
\n

→ La curatela algoritmica definisce il pool di informazioni disponibili sulla piattaforma. Funziona in gran parte allo stesso modo per tutti gli utenti.

\n

Personalizzazione algoritmica

\n

Operazioni algoritmiche che adattano la selezione, l'ordine e la presentazione delle informazioni ai singoli utenti in base ai segnali tracciati. Questi segnali si accumulano nel tempo nelle cronologie degli utenti a cui attingono gli algoritmi.

\n

→ Due utenti sulla stessa piattaforma — anche con la stessa ricerca — in genere vedono contenuti sostanzialmente diversi.

\n
    \n
  • Classifica personalizzata\n— Quali elementi vengono posizionati più in alto per questo utente?\n
      \n
    • risultati di ricerca personalizzati (posizione, cronologia, ordinamento in base al profilo)\n
      • \n
    • ordinamento dei feed dei social media (feed "Per te", "Post più popolari")\n
      • \n
    • classifica basata sul coinvolgimento — ottimizzazione per l'interazione prevista, dominante sui social media\n
      • \n
    \n
    • \n
  • Raccomandazioni\n— Quali elementi vengono suggeriti a questo utente oltre a ciò che ha attivamente richiesto?\n
      \n
    • Elenchi di video "Consigliati per te"\n
      • \n
    • account, gruppi o argomenti suggeriti da seguire\n
      • \n
    • "Persone che potresti conoscere"\n
      • \n
    • articoli correlati, prodotti simili, "Prossimo"\n
      • \n
    \n
    • \n
  • Pubblicità personalizzata\n— Quali annunci pubblicitari sono mirati a questo utente?\n
      \n
    • annunci di ricerca su misura in base alle ricerche precedenti\n
      • \n
    • post sponsorizzati sui social media in base al profilo e al comportamento\n
      • \n
    • annunci display di retargeting sui siti web\n
      • \n
    • collaborazioni con influencer in linea con gli interessi del pubblico\n
      • \n
    \n
    • \n
\n

→ Due utenti sulla stessa piattaforma — anche con la stessa ricerca — in genere vedono contenuti sostanzialmente diversi.

\n

→ La personalizzazione crea un circolo virtuoso: ciò che gli utenti fanno influisce su ciò che vedranno in seguito, e ciò che vedranno in seguito può influenzare ciò che faranno.

\n

☑ Segnali degli utenti tracciati dalla piattaforma per la personalizzazione algoritmica

\n

Azioni che un utente compie — attivamente o passivamente — all'interno di un canale informativo che possono essere tracciate e utilizzate dagli algoritmi per personalizzare la selezione e la visibilità delle informazioni.

\n

→ Le azioni degli utenti non si limitano a interazioni deliberate come clic o "mi piace". Molte azioni sono passive o automatiche, come il tempo di permanenza di un utente su una pagina, quanto scorre la pagina o dove si trova. Gli utenti spesso non sono consapevoli del fatto che queste azioni influenzano ciò che vedranno in seguito.

\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
TipoChe cos'èEsempi
Feedback esplicitoInterazioni deliberate che l'utente sceglie di eseguire- ricerche / query
di ricerca- clic-
Mi piace / reazioni-
commenti / risposte-
condivisioni / ripubblicazioni /
inoltri- follow / iscrizioni-
salvataggi /
segnalibri- valutazioni / recensioni-
acquisti / download
Comportamento implicitoSegnali comportamentali passivi rilevati durante l'utilizzo- tempo di visione / tempo di ascolto / tempo di
permanenza - comportamento di scorrimento (quanto lontano, quanto velocemente)
- comportamento al
passaggio del mouse - comportamento di salto
Dati contestualiInformazioni sulla situazione in cui l'utente accede alla piattaforma- dati sulla posizione dell'utente durante l'utilizzo dell'applicazione -
tipo di dispositivo (ad es. telefono o laptop)
- ora di accesso
Dati dell'account e dati socialInformazioni dal profilo dell'utente e dai collegamenti sui social- informazioni del profilo (età, interessi, professione, sesso)
- impostazioni
della lingua - account
collegati - elenco dei contatti / rubrica
\n
\n
\n\n
\n
\n
\n

Amplificazione delle informazioni

\n

L'amplificazione si riferisce al potenziamento sistematico della visibilità di un elemento oltre il livello del singolo utente, al fine di produrre un'ampia visibilità tra gli account degli utenti e, talvolta, tra gli ambienti informativi.

\n

Mentre la promozione guidata dalla fonte (sopra) riguarda ciò che una singola fonte fa per ottenere visibilità e il gatekeeping da parte della piattaforma (sopra) descrive le operazioni algoritmiche attraverso le quali le piattaforme fanno emergere e classificano i contenuti per i singoli utenti, l'amplificazione si riferisce ai risultati di potenziamento su larga scala che ne derivano, prodotti sia come effetto aggregato di tali operazioni della piattaforma (→ amplificazione algoritmica) sia attraverso l'attività coordinata di più attori (→ amplificazione coordinata).

\n

Meccanismi di amplificazione

\n

L'amplificazione opera attraverso due meccanismi principali.

\n
    \n
  • L'amplificazione algoritmica è guidata dalla piattaforma: è l'effetto aggregato del gatekeeping algoritmico, ovvero il risultato cumulativo della curatela e della personalizzazione della piattaforma che determina quali contenuti raggiungono quali utenti e con quale visibilità.\n
    • \n
  • L'amplificazione coordinata è guidata dagli attori: più account, gruppi o campagne agiscono deliberatamente di concerto per aumentare la visibilità di un contenuto, un hashtag o una narrazione oltre ciò che produrrebbe l'attività dei singoli utenti. La letteratura la classifica lungo due dimensioni — il coordinamento (trasparente o nascosto) e gli account (reali o falsi) — e distingue di conseguenza (Rogers & Righetti, 2025):\n
      \n
    • Amplificazione coordinata autentica: il coordinamento è trasparente e gli account sono reali (ad es. campagne civiche aperte, advocacy, marketing).\n
      • \n
    • Amplificazione coordinata non autentica / artificiale: il coordinamento è nascosto, gli account sono falsi, o entrambi — creando l’apparenza di un sostegno organico (Comportamento non autentico coordinato / CIB di Meta; Gleicher, 2018).\n
      • \n
    \n
    • \n
\n

I due meccanismi si combinano spesso. Le reti coordinate sfruttano il ranking basato sul coinvolgimento per innescare potenziamenti algoritmici; il ranking algoritmico, a sua volta, amplifica la visibilità già prodotta dal coordinamento.

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

Amplificazione algoritmica

\n

L'amplificazione algoritmica è l'effetto cumulativo dei meccanismi di gatekeeping sopra descritti (curatela e personalizzazione): la definizione sistematica di quali elementi, argomenti, account e formati appaiono in primo piano agli utenti e quali vengono filtrati, declassati o relegati in secondo piano.

\n

La ricerca empirica dimostra che il ranking basato sul coinvolgimento amplifica sistematicamente i contenuti carichi di emotività e ostili verso i gruppi esterni, anche quando gli utenti stessi non preferiscono tali contenuti (Milli et al., 2025). Inoltre, essa aggrava la portata esistente: gli account e i contenuti con un elevato coinvolgimento pregresso vengono premiati con ulteriore visibilità, producendo distribuzioni di portata altamente sbilanciate (effetto "i ricchi diventano più ricchi").

\n

Gli interventi algoritmici possono avere effetti non lineari anche nella direzione opposta. Una riduzione di circa il 20% della visibilità di un contenuto nel feed può ridurne la portata di un ordine di grandezza (Narayanan, 2023).

\n

L'amplificazione algoritmica non è un riflesso neutro dell'attività degli utenti. I suoi effetti sono emergenti e visibili principalmente nell'insieme: i singoli consigli sono imprecisi (i tassi di coinvolgimento rimangono al di sotto dell'1% sulla maggior parte delle piattaforme), ma il posizionamento, i consigli e la retrocessione modellano sistematicamente ciò che circola sulla piattaforma.

\n
\n
\n\n
    \n
  • Milli, S., et al. (2025). Coinvolgimento, soddisfazione degli utenti e amplificazione dei contenuti divisivi sui social media. PNAS Nexus.\n
    • \n
  • Narayanan, A. (2023). Comprendere gli algoritmi di raccomandazione dei social media. Knight First Amendment Institute.\n
    • \n
\n
\n
\n

Amplificazione autentica coordinata

\n

L'amplificazione autentica coordinata è la promozione deliberata di un'informazione, un argomento, un hashtag, un account o una narrazione attraverso un'attività organizzata e apertamente divulgata da account reali. L'origine coordinata non è nascosta: i partecipanti agiscono con la loro identità reale o sotto l'egida di affiliazioni di gruppo note.

\n

I contesti tipici includono

\n
    \n
  • campagne civiche (ad es. petizioni di ONG, hashtag di advocacy),\n
    • \n
  • mobilitazione politica (ad es. campagne di partito, iniziative per incoraggiare la partecipazione al voto),\n
    • \n
  • campagne di marketing e di brand,\n
    • \n
  • comunicazioni di associazioni professionali e\n
    • \n
  • movimenti culturali come Fridays for Future o #MeToo.\n
    • \n
\n
\n
\n\n

Che il messaggio sottostante sia ben fondato, equilibrato o unilaterale è una questione a sé stante: l’autenticità si riferisce solo alla trasparenza del coordinamento, non al valore di verità o all’equità del contenuto. Una campagna autentica può amplificare informazioni accurate, informazioni fuorvianti o una posizione unilaterale.

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

Il coordinamento autentico e quello inautentico possono produrre modelli di visibilità che dall’esterno sembrano identici: condivisione sincronizzata, raggruppamento di hashtag, rapida diffusione. La caratteristica distintiva non è il modello visibile, ma il fatto che l’origine coordinata sia apertamente rivelata.

\n
\n
\n

Amplificazione coordinata inautentica / artificiale

\n

L'amplificazione coordinata inautentica/artificiale è la promozione deliberata di un'informazione, un argomento, un hashtag, un account o una narrazione attraverso un'attività organizzata in cui l'origine coordinata è nascosta, gli account partecipanti sono falsi, o entrambe le cose. L'obiettivo è quello di creare l'apparenza di un sostegno organico e indipendente. Il termine di Meta "Comportamento non autentico coordinato" (CIB) — ora incorporato nella legge UE sui servizi digitali — si concentra su questa combinazione di identità false e metodi ostili per eludere l'individuazione (Gleicher, 2018; Rogers & Righetti, 2025).

\n

I contesti tipici includono operazioni di influenza politica (sponsorizzate dallo Stato o allineate a un partito), campagne di astroturfing (commerciali o ideologiche), disinformazione mirata in occasione di elezioni, in materia di salute pubblica o di conflitti geopolitici, e manipolazione della reputazione attraverso recensioni, valutazioni o interazioni false. I mezzi operativi — bot, troll, sockpuppet e le loro reti coordinate (bot farm, troll farm, reti di sockpuppet, click farm) — sono descritti in dettaglio di seguito.

\n
\n
\n\n

L'inautenticità si riferisce all'occultamento dell'origine coordinata o all'uso di account falsi — non al valore di verità del contenuto amplificato. Una rete coordinata di account falsi può amplificare informazioni accurate; un singolo individuo autentico può diffondere informazioni inventate. L'amplificazione inautentica coordinata e la diffusione di contenuti falsi sono fenomeni distinti che possono verificarsi indipendentemente o insieme.

\n
\n
\n

I seguenti tipi di account descritti in questa sezione si applicano a tutti i canali e le piattaforme di informazione digitale in cui gli utenti possono creare account e pubblicare o interagire pubblicamente — in particolare social media, forum di discussione e spazi comunitari, piattaforme video e audio, e sezioni di recensioni o commenti. Sono meno presenti nelle app di comunicazione privata o in ambienti privi di contenuti generati dagli utenti. Appaiono sia indipendentemente che all’interno di reti coordinate. Sono elencati qui a causa del loro ruolo tipico nelle dinamiche di amplificazione; le formazioni esplicitamente coordinate sono le Reti di Account.

\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
TermineDefinizioneControllato daDefinito daScopo tipico
Social botUn account automatizzato o parzialmente automatizzato che pubblica, mette "mi piace", segue, condivide o risponde online.SoftwareAutomazionePer amplificare i messaggi, creare popolarità artificiale, inviare spam, influenzare il dibattito o diffondere contenuti su larga scala.
CyborgUn account ibrido che combina l'operatività umana con l'automazione software.Misto: umano e softwareAutomazione selettivaPer combinare la portata dell'automazione con la plausibilità contestuale dell'input umano — per una programmazione/gestione legittima o per operazioni di influenza più difficili da individuare.
TrollUna persona o un account che provoca, disturba o infiamma deliberatamente la discussione online.Di solito un utente umano; a volte gruppi coordinatiComportamento dirompente / provocatorio / antagonistaPer turbare gli altri, far deragliare le conversazioni, provocare reazioni, diffondere ostilità o polarizzare il dibattito.
SockpuppetUn account falso utilizzato da qualcuno per nascondere la propria identità reale o fingere di essere una persona diversa.Un utente umano, anche se l'account può utilizzare anche l'automazioneIdentità ingannevolePer creare un falso sostegno, attaccare gli altri in modo anonimo, eludere i ban, manipolare il dibattito o dare l'impressione di un consenso indipendente.
\n

Bot sociale

\n

Un social bot è un bot progettato per operare sulle piattaforme dei social media, pubblicando, commentando, condividendo o interagendo in modi che simulano gli utenti umani. I social bot sono in genere programmati per agire su larga scala e ad alta velocità, ben oltre ciò che un utente umano potrebbe gestire. La loro attività è spesso ripetitiva e coordinata su molti account, il che la distingue dal normale utilizzo umano.

\n

I social bot possono essere utilizzati per scopi legittimi — come il servizio clienti, la distribuzione di notizie o il marketing — ma sono anche ampiamente utilizzati per influenzare l'opinione pubblica, amplificare determinati messaggi, manipolare le discussioni o creare l'apparenza di un ampio sostegno a idee, prodotti o cause specifiche. Nel contesto della disinformazione e della disinformazione, i social bot svolgono un ruolo particolare nel diffondere rapidamente i contenuti e nel dare la falsa impressione che molte voci indipendenti condividano la stessa opinione.

\n

Quando i bot sociali vengono impiegati in reti coordinate, formano una "bot farm".

\n
\n
\n\n

Bot

\n

Un bot è un programma per computer che esegue automaticamente compiti, spesso ripetitivi. I bot vanno da strumenti semplici e innocui — come i web crawler che indicizzano le pagine per i motori di ricerca, i sistemi di test automatizzati o i chatbot che rispondono alle domande di routine dei clienti — a programmi dannosi progettati per diffondere spam, malware o disinformazione.

\n
\n
\n

Cyborg

\n

Un cyborg è un account ibrido gestito in parte da un essere umano e in parte automatizzato da un software. Un cyborg può avere post di routine programmati o generati dal software, mentre una persona gestisce interazioni selezionate, risposte o contenuti sensibili. L’equilibrio tra attività automatizzata e umana varia da un account all’altro.

\n

I cyborg possono essere utilizzati per scopi legittimi — come la programmazione dei contenuti, la gestione di account di marchi o istituzioni, o un servizio clienti ibrido — ma vengono anche utilizzati in operazioni di influenza per combinare la portata e la velocità dell’automazione con la plausibilità contestuale dell’input umano.

\n

I cyborg sono più difficili da identificare rispetto ai bot puramente automatizzati perché parte del loro comportamento è genuinamente umano, il che significa che i singoli indicatori di rilevamento raramente sono sufficienti per un'identificazione affidabile.

\n

Troll

\n

Un troll è una persona reale che interrompe deliberatamente le discussioni online attraverso comportamenti provocatori, aggressivi o ostili. I troll utilizzano tipicamente account personali e prendono di mira questioni controverse, personaggi pubblici (come politici o giornalisti) o organizzazioni mediatiche. Il loro obiettivo è turbare gli altri, scatenare reazioni o intensificare i conflitti — a volte a sostegno di una particolare agenda, a volte per divertimento o per attirare l’attenzione.

\n

Sebbene i troll agiscano spesso in modo indipendente, possono anche operare in gruppi coordinati, talvolta pagati da attori politici o commerciali (vedi Troll Farm nella sezione Meccanismi di amplificazione).

\n

Il trolling va inteso come un modello di comportamento online, non come un tipo specifico di account. Lo stesso comportamento può essere adottato da account automatizzati e anche gli utenti comuni possono occasionalmente dedicarsi al trolling.

\n

Sockpuppet

\n

Un sockpuppet è un'identità online falsa creata e gestita da una persona reale che nasconde la propria vera identità. A differenza dei troll — che spesso agiscono sotto un unico account apertamente ostile — chi gestisce un sockpuppet in genere gestisce più account falsi in parallelo per creare l'impressione che diversi utenti indipendenti abbiano la stessa opinione, sostengano la stessa causa o siano d'accordo con l'account principale (spesso separato) dell'operatore stesso.

\n

I sockpuppet sono comunemente usati per creare un consenso artificiale, sostenere le proprie argomentazioni sotto nomi diversi, attaccare gli avversari apparendo imparziali, eludere i ban creando nuove identità dopo la sospensione, o manipolare recensioni, voti e sondaggi online.

\n

I sockpuppet differiscono dai social bot in quanto sono gestiti manualmente da esseri umani, il che rende i loro contenuti più plausibili dal punto di vista contestuale e più difficili da individuare con mezzi automatizzati. Si differenziano dai troll in quanto il loro obiettivo principale è l'inganno sull'identità e la creazione di un consenso apparente, non la provocazione — sebbene gli operatori di sockpuppet possano anche impegnarsi in comportamenti di trolling attraverso le loro identità false.

\n

Quando una persona o un piccolo gruppo gestisce insieme una serie coordinata di sockpuppet, forma una rete di sockpuppet (vedi Meccanismi di amplificazione).

\n

☑ Distinguere tra social bot, troll e sockpuppet

\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
Dimensione di rilevamentoBot socialiTrollAccount fittizi
Caratteristiche del profilo- [ ] L'account sembra essere stato creato di recente -
[ ] Il profilo è incompleto o generico
- [ ] Il nome utente può sembrare non personale e talvolta includere numeri casuali		- [ ] L'account è in genere attivo da più tempo e presenta una cronologia dei post
- [ ] Il profilo è completo e sembra personale; può presentare una forte
autodescrizione ideologica o politica - [ ] Il nome utente sembra personale		- [ ] Il profilo sembra plausibile e personale, spesso con una foto del profilo e dettagli biografici (a volte rubati, generati dall'IA o copiati)
- [ ] La cronologia dell'account può essere moderata e progettata per sembrare autentica nel tempo
Comportamento di pubblicazione- [ ] L'attività non corrisponde al normale comportamento umano online
- [ ] Gli account pubblicano o ripubblicano contenuti molto frequentemente
- [ ] Gli account pubblicano o ripubblicano contenuti a tutte le ore, giorno e notte		- [ ] L'attività assomiglia al normale comportamento
umano online - [ ] L'account pubblica o risponde in orari irregolari
- [ ] L'account diventa più attivo durante discussioni controverse		- [ ] I modelli di attività assomigliano al normale utilizzo
umano - [ ] Più account gestiti dallo stesso operatore possono mostrare orari o ritmi
di attività simili - [ ] Gli account fittizi tendono ad avviare meno discussioni e a scrivere post più brevi rispetto agli utenti tipici
Interazioni- [ ] L'account non intrattiene conversazioni reali -
[ ] Gli account per lo più mettono "mi piace", condividono o
ripubblicano - [ ] Le risposte sono brevi e automatizzate		- [ ] L'account risponde direttamente ad altri utenti
- [ ] L'account si impegna in dibattiti con lo scopo di provocare reazioni
- [ ] Le conversazioni vengono prolungate per creare o intensificare il conflitto		- [ ] L'account partecipa a conversazioni reali, spesso a sostegno dell'account principale dell'operatore o di altri account
fittizi - [ ] Le risposte sono appropriate al contesto e sembrano autentiche
- [ ] Coppie di account fittizi interagiscono spesso nella stessa discussione in momenti simili
Caratteristiche dei contenuti- [ ] Il contenuto è unilaterale e ripetitivo
- [ ] Le stesse narrazioni vengono pubblicate molte volte		- [ ] Il contenuto è specificamente studiato per danneggiare o provocare un bersaglio -
[ ] Il contenuto prende di mira individui o gruppi sociali		- [ ] Il contenuto sembra genuino e vario tra i diversi account
- [ ] Il messaggio o la posizione sottintesi sono sospettosamente allineati in tutta la rete -
[ ] Uso più frequente di pronomi personali come "io"
Linguaggio- [ ] Espressioni generiche, frasi ripetitive con parole chiave- [ ] Linguaggio vario, emotivo, spesso offensivo o volgare- [ ] Linguaggio
naturale e vario - [ ] Più account potrebbero condividere impronte linguistiche (frasi simili, vocabolario, punteggiatura o modelli di errore)
Indicatori di rete e tecnici- [ ] I bot social seguono altri bot social, ma la relazione è tipicamente unidirezionale e non reciproca
- [ ] Si osserva un comportamento coordinato tra più account bot		- [ ] I troll seguono account
umani - [ ] Le connessioni sono spesso reciproche (seguono i propri follower e viceversa)
- [ ] I troll agiscono tipicamente in modo indipendente l'uno dall'altro		- [ ] Più account che interagiscono tra loro in modo solidale -
[ ] Le connessioni possono essere artificialmente reciproche tra account fittizi nella stessa rete, oppure deliberatamente assenti per evitare il rilevamento -
[ ] Stesso indirizzo IP, impronta digitale del dispositivo o modello di accesso \\\\*(rilevamento lato piattaforma)\\\\* -
[ ] Reti ego più raggruppate rispetto agli utenti ordinari -
[ ] Tempistica delle attività correlata tra gli account
\n
\n
\n\n
    \n
  • \nFerrara, E. (2023). Rilevamento dei bot sociali nell'era di ChatGPT: sfide e opportunità. 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). Un esercito di me: account fittizi nelle comunità di discussione online. Atti della 26a Conferenza Internazionale sul World Wide Web (WWW '17)\n, 857–866. https://doi.org/10.1145/3038912.3052677\n
    • \n
  • \nOrabi, M., Mouheb, D., Al Aghbari, Z., & Kamel, I. (2020). Rilevamento dei bot nei social media: una revisione sistematica. Elaborazione e gestione delle informazioni, 57\n(4), 102250. https://doi.org/10.1016/j.ipm.2020.102250\n
    • \n
  • \nSolorio, T., Hasan, R., & Mizan, M. (2013). Un caso di studio sul rilevamento di account fittizi su Wikipedia. Atti del Workshop sull'analisi linguistica nei social media (LASM) al NAACL-HLT\n, 59–68. Associazione per la Linguistica Computazionale.https://aclanthology.org/W13-1107/\n
    • \n
  • \nTomaiuolo, M., Lombardo, G., Mordonini, M., Cagnoni, S., & Poggi, A. (2020). Una rassegna sul rilevamento dei troll. Future Internet, 12\n(2), https://doi.org/10.3390/fi12020031\n
    • \n
  • \nTsikerdekis, M., & Zeadally, S. (2014). Rilevamento dell'inganno sull'identità di account multipli nei social media utilizzando il comportamento non verbale. 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). Il linguaggio e gli obiettivi del trolling online: un approccio psicolinguistico alla sicurezza informatica sociale. Information Processing & Management, 59\n(5), 103012. https://doi.org/10.1016/j.ipm.2022.103012\n
    • \n
\n
\n
\n

Reti di account

\n

Bot farm

\n

Una bot farm è una rete di bot che operano simultaneamente su più dispositivi o server, implementata da un singolo operatore o da un'organizzazione per uno scopo particolare.

\n

Le bot farm hanno una serie di usi legittimi, tra cui l'indicizzazione web, il collaudo automatizzato di software, l'aggregazione di dati e il monitoraggio delle prestazioni dei siti web. Tuttavia, sono anche comunemente utilizzate per attività dannose come la creazione di engagement falso, la generazione di grandi volumi di contenuti, la distribuzione di spam o l'esecuzione di attacchi alla sicurezza informatica. Quando vengono utilizzate per manipolare il discorso online, le bot farm possono creare la falsa impressione di un ampio sostegno, opposizione o interesse verso un argomento, un account o una campagna.

\n

Fattoria di troll

\n

Una troll farm è un gruppo organizzato di lavoratori coordinati, spesso retribuiti, che pubblicano online contenuti deliberatamente provocatori, fuorvianti o falsi, in genere tramite account falsi. Il loro obiettivo è solitamente quello di manipolare l'opinione pubblica, diffondere disinformazione o creare disordini sociali e politici. Le troll farm sono state documentate in relazione a operazioni di influenza sponsorizzate dallo Stato, nonché alla manipolazione della reputazione commerciale.

\n

Rete di account fittizi

\n

Una rete di sockpuppet è un insieme coordinato di account sockpuppet gestiti da una persona o da un piccolo gruppo, utilizzati per simulare voci indipendenti a sostegno di una narrativa, una campagna, un account o una causa condivisa. Le reti di sockpuppet sono comunemente utilizzate nell'astroturfing politico, nella manipolazione di recensioni e valutazioni e nelle campagne coordinate di disinformazione. A differenza delle bot farm, le reti di sockpuppet si basano sul funzionamento manuale da parte di esseri umani, il che rende il contenuto dei singoli account più autentico e più difficile da rilevare con mezzi automatizzati. Il loro coordinamento di solito diventa rilevabile solo quando più account possono essere collegati attraverso modelli comportamentali, segnali tecnici condivisi o interazioni reciproche.

\n

Click farm

\n

Una click farm è un'operazione in cui un gran numero di lavoratori sottopagati, bot automatizzati o entrambi vengono utilizzati per cliccare su annunci, seguire account sui social media, mettere "mi piace" ai post, lasciare recensioni o scaricare app. L'obiettivo è quello di aumentare artificialmente il coinvolgimento o il traffico online, facendo apparire contenuti, account o prodotti più popolari di quanto non siano in realtà.

\n

Fenomeni

\n

☑ Viralità vs. Tendenze

\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
CaratteristicaViralitàTendenza
Cosa viene diffusoUna singola informazione: un video, un post, un'immagine o un altro contenuto specificoUn argomento, un hashtag, un suono, un formato o un gruppo di discussioni: non un singolo elemento, ma molti post che fanno riferimento o utilizzano la stessa cosa
Fattori principaliGli utenti condividono, ripubblicano o inoltrano l'elemento informativo ad altri, che a loro volta lo trasmettono; questa diffusione a cascata può essere ulteriormente amplificata dagli algoritmi di raccomandazioneMolti utenti pubblicano, menzionano o utilizzano lo stesso argomento, hashtag o formato in un breve lasso di tempo; la piattaforma rileva questa concentrazione di attività e la mette in evidenza in una sezione dedicata ai "Trending" (come un elenco di argomenti di tendenza, una panoramica degli hashtag di tendenza o una pagina dei suoni di tendenza)
Modello temporaleSpesso breve ed esplosivo; può ripetersi in seguitoLimitato nel tempo; persiste finché l'attività rimane elevata o la piattaforma continua a metterlo in evidenza
Come può essere manipolatoCondivisione coordinata, amplificazione tramite bot, coinvolgimento artificiale diretto verso una specifica informazioneCampagne di pubblicazione coordinate, tendenze false create tramite reti di bot, decisioni della piattaforma di promuovere, filtrare o sopprimere
\n

Sia la viralità che le tendenze possono emergere in modo organico o essere amplificate artificialmente attraverso campagne coordinate, attività dei bot o decisioni della piattaforma. Entrambe possono anche avvantaggiare contenuti emotivamente stimolanti, moralmente carichi o divisivi, specialmente in contesti politici o orientati al conflitto.

\n

Viralità

\n

Il modello attraverso il quale una specifica informazione si diffonde rapidamente tramite la condivisione, la raccomandazione e la ricircolazione attraverso le reti, in modo analogo a come si propaga un virus. La viralità è determinata dalle caratteristiche dei contenuti, dalle strutture dei social network, dalle potenzialità delle piattaforme, dalla tempistica e dall’amplificazione algoritmica.

\n

I contenuti che suscitano emozioni intense, reazioni morali o animosità verso gruppi esterni sono spesso più propensi a essere condivisi, specialmente in contesti politici o orientati al conflitto. Tuttavia, la viralità non è determinata solo dalle dimensioni della fonte originale: anche account o canali più piccoli possono produrre contenuti altamente virali.

\n

La viralità può emergere in modo organico, ma può anche essere amplificata artificialmente attraverso la condivisione coordinata, la manipolazione della piattaforma o l'attività dei bot.

\n

Trending

\n

Uno stato assegnato dalla piattaforma che indica che un argomento, un hashtag, un suono, un formato o un cluster di discussione ha ricevuto un'attività insolitamente concentrata in un breve periodo.

\n

I trend vengono identificati algoritmicamente e messi in evidenza attraverso funzionalità della piattaforma quali gli Argomenti di tendenza di X / Twitter, gli hashtag di tendenza, i suoni di tendenza, le sfide di tendenza o altre funzionalità specifiche della piattaforma relative ai trend. I trend dipendono da segnali specifici della piattaforma quali il volume dei post, il tasso di crescita, il coinvolgimento, la posizione, la personalizzazione e i filtri di moderazione.

\n

Gli argomenti che generano un elevato coinvolgimento — compresi quelli controversi, emotivamente stimolanti o moralmente delicati — possono essere più inclini a diventare di tendenza, ma ciò dipende dal sistema di classificazione e dalle regole di moderazione della piattaforma.

\n

Le tendenze possono emergere in modo organico da molti contributi indipendenti, ma possono anche essere influenzate da campagne coordinate, dall'attività dei bot o dalle decisioni della piattaforma su cosa promuovere, filtrare, moderare o sopprimere.

\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).\nHow social learning amplifies moral outrage expression in online social networks. 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).\nLa svolta virale: ripensare la viralità nell'economia dei creatori su TikTok. Continuum\n, 1–26. https://doi.org/10.1080/10304312.2026.2625794\n
    • \n
  • Maarouf, A., Pröllochs, N., & Feuerriegel, S. (2024).\nLa viralità dei discorsi d’odio sui social media. Atti dell’ACM sull’interazione uomo-computer\n, 8 (CSCW1), 1–22. https://doi.org/10.1145/3641025\n
    • \n
  • Rathje, S., Van Bavel, J. J., & van der Linden, S. (2021).\nL’animosità verso i gruppi esterni stimola il coinvolgimento sui social media. Atti dell’Accademia Nazionale delle Scienze\n, 118(26), e2024292118. https://doi.org/10.1073/pnas.2024292118\n
    • \n
  • Rathje, S., & Van Bavel, J. J. (2025).\nLa psicologia della viralità. 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). Diffusion of Innovations (5a ed.). New York: Free Press.\n
    • \n
  • Sangiorgio, E., Cinelli, M., Cerqueti, R., & Quattrociocchi, W. (2024).\nI follower non determinano la viralità dei media sui social media. PNAS Nexus\n, 3(7), p. 257. https://doi.org/10.1093/pnasnexus/pgae257\n
    • \n
  • Schlessinger, J., Garimella, K., Jakesch, M., & Eckles, D. (2023).\nEffetti della promozione algoritmica delle tendenze: prove da campagne coordinate nei Trending Topics di Twitter. Atti della Conferenza Internazionale AAAI sul Web e i Social Media (ICWSM)\n, 17(1), 777–786. https://doi.org/10.1609/icwsm.v17i1.22187\n
    • \n
  • Schöne, J. P., Parkinson, B., & Goldenberg, A. (2021).\nLa negatività si diffonde più della positività su Twitter dopo situazioni politiche sia positive che negative. Affective Science\n, 2(4), 379–390. https://doi.org/10.1007/s42761-021-00057-7\n
    • \n
\n
\n
\n

Effetti di ricaduta e riciclaggio epistemico

\n

Il processo attraverso il quale le informazioni che acquisiscono visibilità all'interno di un determinato ambiente informativo — sia attraverso l'amplificazione artificiale, le tendenze o la selezione editoriale — vengono riprese e ulteriormente distribuite in altri ambienti informativi o sistemi di accesso alle informazioni, raggiungendo così un pubblico al di fuori dell'ambiente originale.

\n

Lo spill-over può verificarsi attraverso la cronaca giornalistica, la condivisione multipiattaforma, la curatela editoriale o la ridistribuzione guidata dagli utenti.

\n

→ Un risultato di ricerca condiviso su un forum accademico può essere discusso sui social media e sintetizzato da un assistente AI.
→ Un argomento amplificato artificialmente dai bot su una piattaforma di social media può essere ripreso dai giornalisti.

\n

→ Gli effetti di spill-over possono aumentare la portata sia delle informazioni affidabili che di quelle inaffidabili e possono far apparire le informazioni più ampiamente consolidate di quanto non fossero in origine.

\n

Riciclaggio epistemico

\n

Lo spill-over non sempre preserva lo status apparente delle informazioni. Quando il canale ricevente trasmette segnali di autorità o affidabilità più forti rispetto al canale di origine — formato accademico, revisione tra pari, pubblicazione formale — l’informazione stessa può essere percepita come più affidabile semplicemente per il fatto di essersi spostata. Questo effetto è noto come “riciclaggio epistemico”: l’informazione acquisisce affidabilità percepita attraverso il suo passaggio tra i canali, senza alcuna modifica effettiva alle affermazioni o alle prove sottostanti. Sfrutta la tendenza dei destinatari ad attribuire l’affidabilità del canale in cui incontrano l’informazione all’informazione stessa.

\n

→ Un'affermazione proveniente da un post su un blog anonimo può essere citata in un preprint, riprodotta in una risposta generata dall'IA e infine citata in un articolo sottoposto a revisione tra pari — acquisendo ad ogni passo credibilità accademica e apparente autorevolezza, mentre l'affermazione sottostante rimane immutata o non verificata.

\n
\n
\n\n

Un team dell'Università di Göteborg, guidato da un ricercatore medico, ha inventato una falsa patologia cutanea chiamata Bixonimania per verificare se i sistemi di IA avrebbero assorbito e ripetuto disinformazione medica. L'hanno presentata come una presunta condizione legata all'esposizione alla luce blu degli schermi, con sintomi quali occhi irritati e pruriginosi e una tonalità rosata sulle palpebre. Hanno poi creato preprint dall'aspetto accademico deliberatamente falsi, disseminati di evidenti segnali di allarme: un autore fittizio con una foto generata dall'IA, un'università inesistente e riferimenti alla Starfleet Academy e alla USS Enterprise. Nature ha riferito che i preprint sono stati successivamente rimossi da Preprints.org. Nel giro di poche settimane, i principali chatbot basati sull'intelligenza artificiale hanno iniziato a riprodurre la Bixonimania come una vera e propria condizione medica, in alcuni casi offrendo agli utenti consigli esplicativi o relativi alla salute. Parallelamente, il materiale falso è stato citato in almeno un articolo pubblicato, poi ritirato, sulla rivista Cureus di Springer Nature. Effetto a catena: post sui blog → preprint falso → webcrawler → risposte dei chatbot basati sull'intelligenza artificiale → citazione accademica

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

Stokel-Walker, C. (2026). Gli scienziati hanno inventato una malattia falsa. L'IA ha detto alla gente che era reale. Nature, 652(8110), 559-561. https://doi.org/10.1038/d41586-026-01100-y

\n
\n
\n

Restringimento dell'informazione

\n

Mentre l'amplificazione delle informazioni (sopra) descrive come la visibilità venga ampliata tra gli account degli utenti, la restrizione delle informazioni descrive il contrario: come la gamma di prospettive che raggiungono un singolo utente o un gruppo sociale venga limitata. Due meccanismi distinti producono questa restrizione: la bolla di filtro (personalizzazione algoritmica) e la camera di risonanza (autoselezione dell'utente). I due sono spesso confusi nel discorso popolare, ma funzionano in modo diverso.

\n

Bolla di filtro

\n

Una bolla di filtro è un ambiente informativo isolato creato dalla personalizzazione algoritmica, in cui un utente è sempre più esposto a contenuti che si allineano alle sue preferenze dedotte e al suo comportamento passato, mentre i contenuti che divergono vengono filtrati — in genere all'insaputa dell'utente. Il termine è stato coniato da Eli Pariser (2011) per descrivere come gli algoritmi di personalizzazione su Google, Facebook e piattaforme simili possano produrre asimmetrie sistematiche di esposizione basate su segnali dell'utente quali la cronologia dei clic, la posizione e i dati del profilo.

\n

La caratteristica distintiva di una bolla di filtro è l'involontarietà da parte dell'utente: la restrizione è generata dall'ottimizzazione della piattaforma, non dalla scelta deliberata delle fonti da parte dell'utente.

\n
\n
\n\n

La ricerca empirica ha sostanzialmente relativizzato la tesi originale di Pariser. Gli studi hanno rilevato che la personalizzazione algoritmica modella effettivamente ciò che gli utenti vedono, ma la maggior parte degli utenti incontra comunque contenuti ideologicamente diversi — in parte perché le loro reti sociali includono punti di vista vari, e in parte perché gli algoritmi non isolano in modo così completo come suggerisce il discorso popolare (Bakshy et al., 2015; Flaxman et al., 2016; Bruns, 2019). L'effetto "bolla di filtro" è reale, ma in genere più debole di quanto comunemente si pensi; l'esposizione selettiva pre-Internet (ad esempio, la scelta di giornali o canali televisivi) era in molti casi più forte.

\n
\n
\n
\n
\n\n
    \n
  • Pariser, E. (2011). The Filter Bubble: What the Internet Is Hiding from You. 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). Filter bubbles, echo chambers, and online news consumption. Public Opinion Quarterly\n, 80(S1), 298–320. https://doi.org/10.1093/poq/nfw006\n
    • \n
  • Bruns, A. (2019). Le bolle di filtro sono reali? Polity Press.\n
    • \n
\n
\n
\n

Camera di risonanza

\n

Una camera di risonanza è un ambiente di informazione sociale in cui un utente è esposto principalmente a opinioni, affermazioni o ideologie che rafforzano le sue convinzioni esistenti, mentre le opinioni dissenzienti sono assenti, respinte o attivamente screditate. Cass Sunstein (2017) ne descrive le conseguenze politiche: quando i gruppi si isolano dalle prospettive esterne, le convinzioni interne si intensificano e diventano più estreme nel tempo (polarizzazione di gruppo).

\n

A differenza della bolla di filtro, che deriva dalla personalizzazione algoritmica, una camera di risonanza deriva principalmente dall'autoselezione dell'utente: le scelte su chi seguire, a quali comunità unirsi, di quali fonti fidarsi e quali voci ignorare. Queste scelte sono in parte guidate dal bias di conferma — la tendenza cognitiva a cercare e fidarsi di informazioni che si allineano con le convinzioni esistenti. L'effetto di rinforzo deriva dalla struttura sociale stessa, non da un filtraggio algoritmico invisibile.

\n

C. Thi Nguyen (2020) traccia una distinzione concettuale importante ai fini dell'intervento:

\n
    \n
  • Una bolla epistemica è una struttura sociale in cui altre voci rilevanti sono semplicemente assenti. I suoi abitanti non ascoltano prospettive opposte, ma non le rifiutano attivamente.\n
    • \n
  • Una camera di risonanza in senso stretto è una struttura sociale in cui altre voci rilevanti vengono attivamente screditate. I membri possono ascoltare prospettive opposte, ma imparano a diffidare delle loro fonti.\n
    • \n
\n

Una bolla epistemica può essere aperta introducendo nuove informazioni; una camera di risonanza resiste alla correzione anche quando vengono presentate prove esterne, perché le fonti di tali prove sono già state delegittimate.

\n
\n
\n\n

I lavori empirici suggeriscono che le camere di risonanza forti e ideologicamente isolate sono meno comuni di quanto implichi il discorso popolare (Cinelli et al., 2021; Guess et al., 2018), ma laddove esistono, possono essere altamente resistenti alla correzione. Il semplice accordo all’interno di un gruppo non è di per sé una camera di risonanza: la caratteristica distintiva è l’esclusione attiva o la screditazione delle prospettive esterne.

\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). Evitare la camera dell'eco sulle camere dell'eco: perché l'esposizione selettiva a notizie politiche affini è meno diffusa di quanto si pensi. Libro bianco della Knight Foundation.\n
    • \n
\n
\n
","UPDATEDAT":"2026-05-08T06:56:38.108Z","LANG":"it","ID":"3b24684f-982f-46f5-bc94-0c5e6b459760","TITLE":"Diffusione delle informazioni e visibilità","SOURCELANG":"en"}