{"CACHEDAT":"2026-05-13 09:35:30","TRANSLATEDAT":"2026-05-13 09:35:30","SOURCESIGNATURE":"e60b88bd6d7b3c71f7e12fe57b14f89a9e6878cc2949671a0bb004fa9e4abe88","SLUG":"information-circulation-visibility-7ESlNDSxYa","MARKDOWN":"# Information Visibility & Prominence\n\nInformation Visibility refers to whether — and how prominently — specific information items, topics, sources, or accounts appear to users in digital environments. Information that exists in a platform's index or network does not automatically reach all users, nor reach them in the same way. \n\nVisibility is the outcome of two interacting forces: \n\n* how information is circulated (sharing, redistribution, spread) and \n* how it is surfaced prominently, pushed down, or filtered out.\n\n\n:::warning\n**Distinguishing reliability and visibility is essential for information literacy.**\n\n* **Reliability** depends on who created an item (author) and how it was edited (editorial review) — not on whoever shared it, on the environment it appeared in, or on how prominently it was surfaced.\n* **Visibility** depends on who shares an item, on the mechanisms that surface it, and on the practices through which it is amplified. Visibility is not a measure of reliability.\n\nFor example, a retweeted article: the account that shared it and the platform that surfaced it influenced its visibility — but the article has its own author and editorial history, whose reliability must be assessed separately.\n\n:::\n\n# Information Circulation: Sharing, Forwarding, Linking, Reposting, Quoting\n\nPeople, accounts (including bots), and organisations circulate existing information items by sharing, forwarding, linking, reposting, quoting, or otherwise redistributing them.\n\n→ When an item is passed on with added commentary, interpretation, or reframing, a new information item is created with a new author.\n\n# Source-Driven Information Promotion & Visibility\n\nPractices initiated by sources — those who create, publish, or promote information items. Sources include individual users, content creators, organisations, advertisers, and website operators. Unlike platform-driven mechanisms, these practices are driven by the sources themselves, who decide how to make their content visible. They operate in two modes: by adapting content to the platforms' ranking systems (Reach, Direct Addressing, SEO, SMO, Platform-specific Optimisation), or by paying directly for placement (Paid Placements).\n\n## Account Reach\n\nThe size and structure of a sharer's potential audience.\n\nSeveral factors determine reach:\n\n* #### follower or subscriber count\n* #### verification status \n* #### account standing: age, engagement history, platform reputation\n\nReach affects visibility in two ways:\n\n* *directly*: items shared by high-reach accounts appear in more feeds at the moment of sharing\n* *indirectly*: high-reach accounts generate more engagement signals, which platform algorithms then use to elevate items in ranking (→ Algorithmic Gatekeeping)\n\n→ Reach varies widely: a private account with 100 followers and a public account with one million followers operate at fundamentally different scales of influence on visibility.\n\n## Direct Addressing\n\nMechanisms by which sharers target specific recipients, producing immediate prominence for those users through platform notifications.\n\nExamples:\n\n* #### @mentions\n* #### tagging (in photos, posts, or threads)\n* #### quote-tweets & reply-mentions\n* #### group direct messages\n* #### mailing-list addressing (To, CC)\n\n→ Direct addressing differs from regular sharing: the targeted user receives the item directly via notification, regardless of whether they would otherwise have encountered it through their feed.\n\n→ Direct addressing is a hybrid mechanism. It operates user-side, but functions through platform infrastructure (notification systems). Its effect is immediate prominence for the addressed user.\n\n## Search Engine Optimisation (SEO)\n\nSource-side practices to adapt **websites** — their content, metadata, and link structure — so that they rank more prominently in **general-purpose search engine results** (Google, Bing, DuckDuckGo, etc.).\n\nCommon practices include:\n\n* keyword research and integration in titles, headings, body text\n* metadata optimisation (title tags, meta descriptions, alt text)\n* link building (acquiring inbound links from authoritative sites)\n* site structure and internal linking\n* page speed and mobile-friendliness\n* producing content that matches search intent\n\n→ SEO is the most formalised optimisation discipline because search engine ranking signals are relatively stable and well-documented (Lewandowski et al.). Specialised SEO professionals, agencies, and tools support its practice.\n\n→ SEO does not change how search engines rank pages — it adapts the website to fit existing ranking criteria. Publishers can shape what the algorithm sees, not how it decides.\n\n## Social Media Optimisation (SMO)\n\nSource-side practices to maximise visibility, engagement, and shareability of content on social media platforms.\n\nCommon practices include:\n\n* hashtag strategies (trending or topic-specific tags)\n* posting timing (when target audiences are active)\n* content format choices (short video, carousels, reels)\n* headline and hook design (catching attention quickly)\n* encouraging engagement (questions, polls, calls to action)\n* cross-platform repurposing of content\n\n→ SMO is less formalised than SEO because social media ranking signals are more opaque and platform-specific. Practices shift as algorithms change.\n\n## Platform-Specific Optimisation\n\nOptimisation strategies tailored to the conventions and ranking logics of individual platforms — beyond general SEO or SMO principles.\n\n* TikTok: hooking viewers in the first three seconds, using trending sounds, vertical short-form video\n* Instagram: high-quality visuals, Reels-first strategy, hashtag mixing\n* YouTube: thumbnail design, watch-time optimisation, keyword-rich titles and descriptions\n* LinkedIn: long-form professional posts, native publishing, networked engagement\n* X (Twitter): concise hooks, threads, replying to high-reach accounts\n\n→ Platform-specific optimisation requires understanding each platform's ranking system, audience behaviour, and content format preferences. What works on TikTok rarely works on LinkedIn.\n\n## Paid Placements & Advertising\n\nSource-side practice of paying for visibility — sponsored content placed alongside organic content, typically through advertising.\n\nCommon forms:\n\n* sponsored search results (search engine ads)\n* sponsored posts and promoted content (social media)\n* display ads (banners, videos)\n* influencer partnerships (paid collaborations)\n\n→ Paid placements bypass organic ranking systems: instead of optimising content to rank well, the source pays the platform directly for placement.\n\n→ They are sometimes clearly labelled (\"Sponsored\", \"Ad\"), sometimes only weakly distinguishable from organic results. Labelling standards vary by jurisdiction and platform. \n\n# Platform-Side Information Promotion & Gatekeeping\n\n\n:::warning\nWhat users actually see is rarely the product of a single mechanism. In a search engine, an algorithmically ordered list of organic results is presented alongside paid placements, AI-generated summaries, and sometimes editorial highlights — and the underlying ranking signals can be deliberately influenced through *Search Engine Optimisation*. In a social media feed, algorithmically ranked posts appear next to sponsored content, recommended accounts, and trending overlays. Each component follows its own logic and contributes to a composite visibility outcome.\n\n:::\n\n## Editorial Curation\n\nPlatform-side manual curation: information items deliberately featured by editorial teams or platform operators rather than surfaced through algorithmic ranking.\n\nExamples:\n\n* featured Snippets in search results\n* curated trending sections\n* editor-selected stories in news aggregators\n* platform-promoted hashtags\n* Editor's Picks in app stores\n* featured creators or accounts\n\n→ Editorial highlights sit alongside the algorithmic mechanisms and reflect the platform's own judgements about which content deserves prominent display.\n\n→ Unlike algorithmic gatekeeping (curation and personalisation), editorial gatekeeping involve human editorial choices by the platform itself. Functionally, this is a form of *Editorial Gatekeeping* ) — performed by the platform rather than by traditional publishers.\n\n## Algorithmic Gatekeeping\n\n**Algorithmic Gatekeeping** refers to the role of algorithms in deciding which information items reach which users — the digital counterpart to *Editorial Gatekeeping* (→ Information, Sources & Information Environments → Editorial Review). It involves both **selection** (what is surfaced and ranked highly) and **exclusion** (what is filtered, demoted, or hidden).\n\nAlgorithmic gatekeeping operates across different platform types:\n\n* in **search engines**, algorithms select and order results based on queries\n* in **social media feeds**, algorithms decide which posts appear more prominently\n* in **video platforms**, algorithms suggest what to watch next\n* in **AI-based answer systems**, algorithms generate, summarise, or synthesise responses\n\nAlgorithmic gatekeeping operates in two modes that often work together: general operations applied across all users (*Algorithmic Curation*), and individual tailoring based on tracked user signals (*Algorithmic Personalisation*).\n\n### Algorithmic Curation\n\nGeneral algorithmic operations applied across users — they shape what information is available on the platform, regardless of who the user is.\n\n* **Crawling and Indexing** — *Which information items become available for display?*\n  * search engines crawling the web\n  * content aggregators indexing news sources\n  * app stores cataloguing available apps\n* **Filtering and Moderation** — *Which items are blocked or down-ranked under platform rules?*\n  * spam filters\n  * removal of policy-violating content (hate speech, illegal content, graphic material)\n  * down-ranking of low-quality or misleading material\n* **Quality Scoring** — *Which sources or items are evaluated as more credible or higher-quality?*\n  * search engines penalising low-quality sites\n  * news aggregators ranking by source authority\n  * peer-review-influenced ranking on academic search engines\n* **Trending Detection** — *Which items are surfaced as currently popular?*\n  * trending topics on social platforms\n  * top charts on streaming services\n  * \"What's happening\" and \"Today's headlines\" sections\n  * popular hashtags\n\n→ Algorithmic curation defines the *pool* of information available on the platform. It largely operates the same way for all users.\n\n### Algorithmic Personalisation\n\nAlgorithmic operations that adapt the selection, order, and presentation of information to individual users based on their tracked signals. These signals accumulate over time into user histories that algorithms draw on.\n\n→ Two users on the same platform — even with the same query — typically see substantially different content.\n\n* **Personalised Ranking** — *Which items are ordered higher for this user?*\n  * personalised search results (location, history, profile shape ordering)\n  * social media feed ordering (\"For You\" feeds, \"Top posts\")\n  * engagement-based ranking — optimisation for predicted interaction, dominant on social media\n* **Recommendations** — *Which items are suggested to this user beyond what they actively requested?*\n  * \"Recommended for you\" video lists\n  * suggested accounts, groups, or topics to follow\n  * \"People you may know\"\n  * related articles, similar products, \"Up next\"\n* **Personalised Advertising** — *Which adverts are targeted to this user?*\n  * search ads tailored to past queries\n  * social media sponsored posts based on profile and behaviour\n  * retargeted display ads on websites\n  * influencer partnerships matched to audience interests\n\n→ Two users on the same platform — even with the same query — typically see substantially different content.\n\n→ Personalisation creates a **feedback loop**: what users do affects what they see next, and what they see next can influence what they do.\n\n#### ☑ User Signals Tracked by the Platform for Algorithmic Personalisation\n\nActions a user performs — actively or passively — within an information channel that may be tracked and used by algorithms to personalise the selection and visibility of information items.\n\n→ User actions are not limited to deliberate interactions such as clicking or liking. Many actions are passive or automatic, such as how long a user stays on a page, how far they scroll, or where they are located. Users are often unaware that these actions influence what they encounter next.\n\n| Type | What it is | Examples |\n|------|------------|----------|\n| **Explicit feedback** | Deliberate interactions the user chooses to perform | - searches / search queries<br>- clicks<br>- likes / reactions<br>- comments / replies<br>- shares / reposts / forwards<br>- follows / subscribes<br>- saves / bookmarks<br>- ratings / reviews<br>- purchases / downloads |\n| **Implicit behaviour** | Passive behavioural signals captured during use | - watch time / listen time / dwell time<br>- scroll behaviour (how far, how fast)<br>- hover behaviour<br>- skip behaviour |\n| **Contextual data** | Information about the situation in which the user is accessing the platform | - user's location data while using the application<br>- device type (e.g., phone or laptop)<br>- time of access |\n| **Account and social data** | Information from the user's profile and social connections | - profile information (age, interests, profession, gender)<br>- language settings<br>- linked accounts<br>- contact list / address book |\n\n\n:::info\n* Adomavicius, G., & Tuzhilin, A. (2011). Context-aware recommender systems. In F. Ricci, L. Rokach, B. Shapira, & P. B. Kantor (Eds.), *Recommender Systems Handbook* (pp. 217–253). Springer. <https://doi.org/10.1007/978-0-387-85820-3_7>\n* Kelly, D., & Teevan, J. (2003). Implicit feedback for inferring user preference: A bibliography. *ACM SIGIR Forum, 37*(2), 18–28. <https://doi.org/10.1145/959258.959260>\n* Li, W., Kuo, J.-C., Sheng, M., Zhang, P., & Wu, Q. (2025). Beyond explicit and implicit: How users provide feedback to shape personalized recommendation content. In *Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems (CHI '25)*. Association for Computing Machinery. <https://doi.org/10.1145/3706598.3713241>\n* Narayanan, A. (2023). *Understanding social media recommendation algorithms.* Knight First Amendment Institute, Columbia University. <https://knightcolumbia.org/content/understanding-social-media-recommendation-algorithms>\n\n:::\n\n# Information Amplification\n\nAmplification refers to the systematic boosting of an item's visibility beyond the individual-user level — to produce broad visibility across user accounts, and sometimes across information environments. \n\nWhere *Source-Driven Promotion* (above) covers what a single source itself does to gain visibility, and *Platform-Side Gatekeeping* (above) describes the algorithmic operations through which platforms surface and rank content for individual users, *Amplification* refers to the resulting *boost outcomes at scale* — produced either as the aggregate effect of those platform operations (→ *Algorithmic Amplification*) or through coordinated activity by multiple actors (→ *Coordinated Amplification*).\n\n## Amplification Mechanisms\n\nAmplification operates through two principal mechanisms.\n\n* **Algorithmic Amplification** is *platform-driven*: it is the aggregate effect of *Algorithmic Gatekeeping* — the cumulative outcome of platform curation and personalisation on which items reach which users and how prominently.\n* **Coordinated Amplification** is *actor-driven*: multiple accounts, groups, or campaigns deliberately act in concert to boost the visibility of an item, hashtag, or narrative beyond what individual user activity would produce. The literature classifies it along two dimensions — the **coordination** (transparent or concealed) and the **accounts** (real or fake) — and distinguishes accordingly (Rogers & Righetti, 2025):\n  * **Coordinated Authentic Amplification**: coordination is transparent and accounts are real (e.g. open civic campaigns, advocacy, marketing).\n  * **Coordinated Inauthentic / Artificial Amplification**: coordination is concealed, accounts are fake, or both — manufacturing an appearance of organic support (Meta's *Coordinated Inauthentic Behaviour* / CIB; Gleicher, 2018).\n\nThe two mechanisms frequently combine. Coordinated networks exploit engagement-based ranking to trigger algorithmic boosts; algorithmic ranking, in turn, compounds whatever visibility coordination has already produced.\n\n* \n:::info\n  * Gleicher, N. (2018). *Coordinated Inauthentic Behavior Explained*. Meta Newsroom. <https://about.fb.com/news/2018/12/inside-feed-coordinated-inauthentic-behavior/>\n  * Rogers, R., & Righetti, N. (2025). Coordinated inauthentic behaviour on Facebook? A typology of manufactured attention. <https://doi.org/10.1177/29768624251369784>\n\n  :::\n\n### Algorithmic Amplification\n\nAlgorithmic amplification is the cumulative effect of the gatekeeping mechanisms above (Curation and Personalisation): the systematic shaping of which items, topics, accounts, and formats appear prominently to users — and which are filtered, demoted, or pushed down.\n\nEmpirical research shows that engagement-based ranking systematically amplifies emotionally charged and out-group hostile content, even when users themselves do not prefer such content (Milli et al., 2025). It also compounds existing reach: accounts and items with high prior engagement are rewarded with further visibility, producing highly skewed reach distributions (rich-get-richer effect).\n\nAlgorithmic interventions can have nonlinear effects in the opposite direction as well. A reduction of around 20% in an item's feed prominence can cut its reach by an order of magnitude (Narayanan, 2023).\n\nAlgorithmic amplification is not a neutral reflection of user activity. Its effects are emergent and visible primarily in the aggregate: individual recommendations are imprecise (engagement rates remain below 1% on most platforms), but ranking, recommendation, and demotion systematically shape what circulates across the platform.\n\n\n:::info\n* Milli, S., et al. (2025). Engagement, user satisfaction, and the amplification of divisive content on social media. PNAS Nexus.\n\n\n* Narayanan, A. (2023). Understanding social media recommendation algorithms. Knight First Amendment Institute.\n\n:::\n\n### Coordinated Authentic Amplification\n\nCoordinated Authentic Amplification is the deliberate boosting of an information item, topic, hashtag, account, or narrative through openly disclosed, organised activity by real accounts. The coordinated origin is not concealed: participants act under their real identities or under known group affiliations.\n\nTypical contexts include \n\n* civic campaigns (e.g. NGO petitions, advocacy hashtags), \n* political mobilisation (e.g. party campaigning, get-out-the-vote efforts), \n* marketing and brand campaigns, \n* professional association communications, and \n* cultural movements such as Fridays for Future or #MeToo.\n\n\n:::warning\nWhether the underlying message is well-founded, balanced, or one-sided is a separate question — *authenticity* refers only to the transparency of the coordination, not to the truth-value or fairness of the content. An authentic campaign can amplify accurate information, misleading information, or a one-sided position.\n\n:::\n\n\n:::warning\nAuthentic and inauthentic coordination can produce visibility patterns that look identical from the outside — synchronised sharing, hashtag clustering, rapid uptake. The distinguishing feature is not the visible pattern but whether the coordinated origin is openly disclosed.\n\n:::\n\n### Coordinated Inauthentic / Artificial Amplification\n\nCoordinated Inauthentic / Artificial Amplification is the deliberate boosting of an information item, topic, hashtag, account, or narrative through organised activity in which the coordinated origin is concealed, the participating accounts are fake, or both. The aim is to manufacture an appearance of organic, independent support. Meta's term *Coordinated Inauthentic Behaviour* (CIB) — now incorporated into the EU Digital Services Act — centres on this combination of false identities and adversarial methods to evade detection (Gleicher, 2018; Rogers & Righetti, 2025).\n\nTypical contexts include political influence operations (state-sponsored or party-aligned), astroturfing campaigns (commercial or ideological), targeted disinformation around elections, public health, or geopolitical conflict, and reputation manipulation through fake reviews, ratings, or engagement. The operational means — *bots*, *trolls*, *sockpuppets*, and their coordinated networks (*bot farms*, *troll farms*, *sockpuppet networks*, *click farms*) — are described in detail below.\n\n\n:::warning\n*Inauthenticity* refers to the concealment of the coordinated origin or the use of fake accounts — not to the truth-value of the content being amplified. A coordinated network of fake accounts can amplify accurate information; a single authentic individual can spread fabricated information. Coordinated inauthentic amplification and the spread of false content are distinct phenomena that can occur independently or together.\n\n:::\n\nThe following account types described in this section apply across Digital Information Channels & Platforms where users can create accounts and post or interact publicly — particularly social media, discussion forums and community spaces, video and audio platforms, and review or comment sections. They are less prominent in private communication apps or in environments without user-generated content.They appear both independently and within coordinated networks. They are listed here because of their typical role in amplification dynamics; the explicitly coordinated formations are the Account Networks.\n\n| Term | Definition | Controlled by | Defined by | Typical purpose |\n|------|------------|---------------|------------|-----------------|\n| **Social Bot** | An automated or partly automated account that posts, likes, follows, shares, or replies online. | Software      | **Automation** | To amplify messages, create artificial popularity, spam, influence debate, or spread content at scale. |\n| **Cyborg** | A hybrid account combining human operation with software automation. | Mixed: human and software | **Selective automation** | To combine the scale of automation with the contextual plausibility of human input — for legitimate scheduling/management or for harder-to-detect influence operations. |\n| **Troll** | A person or account that deliberately provokes, disrupts, or inflames online discussion. | Usually a human user; sometimes coordinated groups | **Disruptive / provocative / antagonistic behaviour** | To upset others, derail conversations, provoke reactions, spread hostility, or polarise debate. |\n| **Sockpuppet** | A fake account used by someone to hide their real identity or pretend to be a different person. | A human user, though the account may also use automation | **Deceptive identity** | To create false support, attack others anonymously, evade bans, manipulate debate, or give the impression of independent agreement. |\n\n#### Social Bot\n\nA **social bot** is a bot designed to operate on social media platforms, posting, commenting, sharing, or interacting in ways that simulate human users. Social bots are typically programmed to act at scale and at high speed, far beyond what a human user could manage. Their activity is often repetitive and coordinated across many accounts, which distinguishes it from normal human use.\n\nSocial bots can be used for legitimate purposes — such as customer service, news distribution, or marketing — but they are also widely used to influence public opinion, amplify certain messages, manipulate discussions, or manufacture the appearance of widespread support for specific ideas, products, or causes. In the context of misinformation and disinformation, social bots play a particular role in spreading content rapidly and giving the false impression that many independent voices share the same view.\n\nWhen social bots are deployed in coordinated networks, they form a *Bot Farm*.\n\n\n:::info\n#### Bot\n\nA bot is a computer programme that automatically performs tasks, often repetitive ones. Bots range from simple, harmless tools — such as web crawlers that index pages for search engines, automated testing systems, or chatbots that answer routine customer questions — to malicious programmes designed to spread spam, malware, or disinformation.\n\n:::\n\n#### Cyborg\n\nA **cyborg** is a hybrid account that is partly operated by a human and partly automated by software. A cyborg may have routine posts scheduled or generated by software while a person handles selected interactions, replies, or sensitive content. The balance between automated and human activity varies between accounts.\n\nCyborgs can be used for legitimate purposes — such as content scheduling, brand or institutional account management, or hybrid customer service — but they are also used in influence operations to combine the scale and speed of automation with the contextual plausibility of human input.\n\nCyborgs are more difficult to identify than purely automated bots because part of their behaviour is genuinely human, which means single detection indicators rarely suffice for reliable identification.\n\n#### Troll\n\nA **troll** is a real person who deliberately disrupts online discussions through provocative, aggressive, or hostile behaviour. Trolls typically use personal accounts and target controversial issues, public figures (such as politicians or journalists), or media organisations. Their aim is to upset others, trigger reactions, or escalate conflicts — sometimes in support of a particular agenda, sometimes for entertainment or attention.\n\nWhile trolls often act independently, they may also operate in coordinated groups, sometimes paid by political or commercial actors (see *Troll Farm* under Mechanisms of Amplification).\n\n**Trolling is best understood as a pattern of online behaviour, not a specific kind of account.** The same behaviour can be performed by automated accounts, and ordinary users can engage in trolling on occasion.\n\n#### Sockpuppet\n\nA **sockpuppet** is a fake online identity created and operated by a real person who hides their true identity. Unlike trolls — who often act under a single openly hostile account — a sockpuppet operator typically runs multiple fake accounts in parallel to create the impression that several independent users hold the same opinion, support the same cause, or agree with the operator's own (often separate) main account.\n\nSockpuppets are commonly used to manufacture artificial consensus, support one's own arguments under different names, attack opponents while appearing impartial, evade bans by creating new identities after suspension, or manipulate online reviews, votes, and polls.\n\nSockpuppets differ from social bots in that they are manually operated by humans, which makes their content more contextually plausible and harder to detect through automated means. They differ from trolls in that their primary goal is deception about identity and the manufacturing of apparent consensus, not provocation — although sockpuppet operators can also engage in trolling behaviour through their fake identities.\n\nWhen a person or small group operates a coordinated set of sockpuppets together, they form a *Sockpuppet Network* (see Mechanisms of Amplification).\n\n#### ☑ Differentiating Social Bots, Trolls, and Sockpuppets\n\n| **Detection Dimension** | **Social Bots** | **Trolls** | **Sockpuppets** |\n|---------------------|-------------|--------|-------------|\n| **Profile Characteristics** | - [ ] The account looks newly created <br> - [ ] The profile is incomplete or generic <br> - [ ] The username may look non-personal and sometimes include random numbers | - [ ] The account has typically been active for longer and has a post history <br> - [ ] The profile is complete and seems personal; it may present strong ideological or political self-description <br> - [ ] The username looks personal | - [ ] The profile looks plausible and personal, often with a profile picture and biographical details (sometimes stolen, AI-generated, or copied) <br> - [ ] Account history may be moderate and designed to look authentic over time |\n| **Posting Behaviour** | - [ ] The activity does not match normal human online behaviour <br> - [ ] The accounts post or repost content very frequently <br> - [ ] The accounts post or repost content at all hours, day and night | - [ ] The activity resembles normal human online behaviour <br> - [ ] The account posts or replies at irregular times <br> - [ ] The account becomes more active during controversial discussions | - [ ] Activity patterns resemble normal human use <br> - [ ] Multiple accounts run by the same operator may show similar active hours or rhythms <br> - [ ] Sockpuppets tend to start fewer discussions and write shorter posts than typical users |\n| **Interactions**    | - [ ] The account does not have real conversations <br> - [ ] The accounts mostly like, share, or repost <br> - [ ] Replies are short and automated | - [ ] The account replies directly to other users <br> - [ ] The account engages in debates with the purpose of provoking reactions <br> - [ ] Conversations are extended to create or escalate conflict | - [ ] The account engages in real conversations, often supporting the operator's main account or other sockpuppets <br> - [ ] Replies are contextually appropriate and seem authentic <br> - [ ] Pairs of sockpuppets often interact in the same discussion at similar times |\n| **Content Features** | - [ ] The content is one-sided and repetitive <br> - [ ] The same narratives are posted many times | - [ ] The content is specifically tailored to harm or provoke a target <br> - [ ] The content targets individuals or social groups | - [ ] Content seems genuine and varied across accounts <br> - [ ] The underlying message or stance aligns suspiciously across the network <br> - [ ] More frequent use of personal pronouns such as \"I\" |\n| **Language**        | - [ ] Generic expressions, repetitive phrasing with keywords | - [ ] Varied, emotional, often abusive or offensive language | - [ ] Natural and varied language <br> - [ ] Multiple accounts may share linguistic fingerprints (similar phrasing, vocabulary, punctuation, or error patterns) |\n| **Network & Technical Indicators** | - [ ] Social bots follow other social bots, but the relationship is typically one-way and not reciprocal <br> - [ ] Coordinated behaviour is observable across multiple bot accounts | - [ ] Trolls follow human accounts <br> - [ ] Connections are often reciprocal (they follow their followers and vice versa) <br> - [ ] Trolls typically act independently of each other | - [ ] Multiple accounts engaging with each other in mutually supportive ways <br> - [ ] Connections may be artificially reciprocal between sockpuppets in the same network, or deliberately absent to avoid detection <br> - [ ] Same IP address, device fingerprint, or login pattern \\\\\\*(platform-side detection)\\\\\\* <br> - [ ] More clustered ego-networks than ordinary users <br> - [ ] Correlated activity timing across accounts |\n\n\n\n:::info\n* Ferrara, E. (2023). Social bot detection in the age of ChatGPT: Challenges and opportunities. *First Monday, 28*(6). <https://doi.org/10.5210/fm.v28i6.13185>\n* Kumar, S., Cheng, J., Leskovec, J., & Subrahmanian, V. S. (2017). An army of me: Sockpuppets in online discussion communities. *Proceedings of the 26th International Conference on World Wide Web (WWW '17)*, 857–866. <https://doi.org/10.1145/3038912.3052677>\n* Orabi, M., Mouheb, D., Al Aghbari, Z., & Kamel, I. (2020). Detection of bots in social media: A systematic review. *Information Processing & Management, 57*(4), 102250. <https://doi.org/10.1016/j.ipm.2020.102250>\n* Solorio, T., Hasan, R., & Mizan, M. (2013). A case study of sockpuppet detection in Wikipedia. *Proceedings of the Workshop on Language Analysis in Social Media (LASM) at NAACL-HLT*, 59–68. Association for Computational Linguistics. <https://aclanthology.org/W13-1107/>\n* Tomaiuolo, M., Lombardo, G., Mordonini, M., Cagnoni, S., & Poggi, A. (2020). A survey on troll detection. *Future Internet, 12*(2), <https://doi.org/10.3390/fi12020031>\n* Tsikerdekis, M., & Zeadally, S. (2014). Multiple account identity deception detection in social media using nonverbal behavior. *IEEE Transactions on Information Forensics and Security, 9*(8), 1311–1321. <https://doi.org/10.1109/TIFS.2014.2332820>\n* Uyheng, J., Moffitt, J. D., & Carley, K. M. (2022). The language and targets of online trolling: A psycholinguistic approach for social cybersecurity. *Information Processing & Management, 59*(5), 103012. <https://doi.org/10.1016/j.ipm.2022.103012>\n\n:::\n\n#### Account Networks\n\n#### Bot Farm\n\nA **bot farm** is a network of bots operating simultaneously across multiple devices or servers, deployed by a single operator or organisation for a particular purpose.\n\nBot farms have a range of legitimate uses, including web indexing, automated software testing, data aggregation, and website performance monitoring. However, they are also commonly used for malicious activities such as creating fake engagement, generating large volumes of content, distributing spam, or carrying out cybersecurity attacks. When used to manipulate online discourse, bot farms can create the false impression of widespread support, opposition, or interest in a topic, account, or campaign.\n\n#### Troll Farm\n\nA **troll farm** is an organised group of coordinated, often paid workers who post deliberately provocative, misleading, or false content online — typically through fake accounts. Their aim is usually to manipulate public opinion, spread disinformation, or create social and political unrest. Troll farms have been documented in connection with state-sponsored influence operations as well as commercial reputation manipulation.\n\n#### Sockpuppet Network\n\nA sockpuppet network is a coordinated set of sockpuppet accounts operated by one person or a small group, used to simulate independent voices supporting a shared narrative, campaign, account, or cause. Sockpuppet networks are commonly used in political astroturfing, review and rating manipulation, and coordinated disinformation campaigns. Unlike bot farms, sockpuppet networks rely on manual operation by humans, which makes the content of individual accounts appear more authentic and harder to detect through automated means. Their coordination usually becomes detectable only when multiple accounts can be linked through behavioural patterns, shared technical signals, or mutual engagement.\n\n#### Click Farm\n\nA **click farm** is an operation where large numbers of low-paid workers, automated bots, or both are used to click on ads, follow social media accounts, like posts, leave reviews, or download apps. The goal is to artificially boost online engagement or traffic, making content, accounts, or products appear more popular than they actually are.\n\n## Phenomena\n\n#### ☑ Virality vs. Trending\n\n| Feature | Virality | Trending |\n|---------|----------|----------|\n| **What is being spread** | A single information item: a specific video, post, image, or other piece of content | A topic, hashtag, sound, format, or discussion cluster: not one specific item, but many posts referring to or using the same thing |\n| **Primary drivers** | Users share, repost, or forward the information item to others, who in turn pass it along; this cascading spread can be further amplified by recommendation algorithms | Many users post about, mention, or use the same topic, hashtag, or format within a short time; the platform detects this concentration of activity and highlights it in a dedicated \"Trending\" section (such as a trending topics list, trending hashtag overview, or trending sounds page) |\n| **Time pattern** | Often short and explosive; may recur later | Time-bound; persists as long as activity stays high or the platform keeps surfacing it |\n| **How it can be manipulated** | Coordinated sharing, bot amplification, artificial engagement directed at the specific information item | Coordinated posting campaigns, manufactured fake trends through bot networks, platform decisions to promote, filter, or suppress |\n\n*Both virality and trending can emerge organically or be artificially amplified through coordinated campaigns, bot activity, or platform decisions. Both can also give an advantage to emotionally arousing, morally charged, or divisive content, especially in political or conflict-oriented contexts.*\n\n### Virality\n\nThe pattern by which a specific information item spreads rapidly through sharing, recommendation, and re-circulation across networks, analogous to the way a virus propagates. Virality is shaped by content characteristics, social network structures, platform affordances, timing, and algorithmic amplification. \n\nContent that evokes high-arousal emotions, moral reactions, or out-group animosity is often more likely to be shared, especially in political or conflict-oriented contexts. However, virality is not determined only by the size of the original source: smaller accounts or outlets can also produce highly viral items. \n\nVirality can emerge organically, but it can also be artificially amplified through coordinated sharing, platform manipulation, or bot activity.\n\n### Trending\n\nA platform-assigned status indicating that a topic, hashtag, sound, format, or discussion cluster has received unusually concentrated activity within a short period. \n\nTrending is identified algorithmically and surfaced through platform features such as X / Twitter Trending Topics, trending hashtags, trending sounds, trending challenges, or other platform-specific trend features. Trending depends on platform-specific signals such as post volume, rate of increase, engagement, location, personalisation, and moderation filters. \n\nTopics that generate high engagement — including divisive, emotionally arousing, or morally charged topics — may be more likely to trend, but this depends on the platform's ranking system and moderation rules. \n\nTrending can emerge organically from many independent contributions, but it can also be influenced by coordinated campaigns, bot activity, or platform decisions about what to promote, filter, moderate, or suppress.\n\n\n:::info\n* **Berger, J. (2013).** *Contagious: Why Things Catch On.* New York: Simon & Schuster.\n* **Berger, J., & Milkman, K. L. (2012).** What makes online content viral? *Journal of Marketing Research*, 49(2), 192–205. <https://doi.org/10.1509/jmr.10.0353>\n* **Brady, W. J., McLoughlin, K., Doan, T. N., & Crockett, M. J. (2021).** How social learning amplifies moral outrage expression in online social networks. *Science Advances*, 7(33), eabe5641. <https://doi.org/10.1126/sciadv.abe5641>\n* **Jenkins, H., Ford, S., & Green, J. (2013).** *Spreadable Media: Creating Value and Meaning in a Networked Culture.* New York: NYU Press.\n* **Lee, J., & Umback, J. (2026).** The viral turn: rethinking virality in the creator economy on TikTok. *Continuum*, 1–26. <https://doi.org/10.1080/10304312.2026.2625794>\n* **Maarouf, A., Pröllochs, N., & Feuerriegel, S. (2024).** The virality of hate speech on social media. *Proceedings of the ACM on Human-Computer Interaction*, 8 (CSCW1), 1–22. <https://doi.org/10.1145/3641025>\n* **Rathje, S., Van Bavel, J. J., & van der Linden, S. (2021).** Out-group animosity drives engagement on social media. *Proceedings of the National Academy of Sciences*, 118(26), e2024292118. <https://doi.org/10.1073/pnas.2024292118>\n* **Rathje, S., & Van Bavel, J. J. (2025).** The psychology of virality. *Trends in Cognitive Sciences*, 29(10), 914–927. <https://doi.org/10.1016/j.tics.2025.06.014>\n* **Rogers, E. M. (2003).** *Diffusion of Innovations* (5th ed.). New York: Free Press.\n* **Sangiorgio, E., Cinelli, M., Cerqueti, R., & Quattrociocchi, W. (2024).** Followers do not dictate the virality of news outlets on social media. *PNAS Nexus*, 3(7), pgae257. <https://doi.org/10.1093/pnasnexus/pgae257>\n* **Schlessinger, J., Garimella, K., Jakesch, M., & Eckles, D. (2023).** Effects of Algorithmic Trend Promotion: Evidence from Coordinated Campaigns in Twitter's Trending Topics. *Proceedings of the International AAAI Conference on Web and Social Media (ICWSM)*, 17(1), 777–786. <https://doi.org/10.1609/icwsm.v17i1.22187>\n* **Schöne, J. P., Parkinson, B., & Goldenberg, A. (2021).** Negativity spreads more than positivity on Twitter after both positive and negative political situations. *Affective Science*, 2(4), 379–390. <https://doi.org/10.1007/s42761-021-00057-7>\n\n:::\n\n### Spill-Over Effects & Epistemic Laundering\n\nThe process by which information that gains visibility within one information environment — whether through artificial amplification, trending, or editorial selection — is picked up and further distributed in other information environments or information access sytsems, thereby reaching audiences beyond the original environment. \n\nSpill-over can occur through journalistic reporting, cross-platform sharing, editorial curation, or user-driven redistribution. \n\n→ A research finding shared on a scholarly forum may be discussed on social media and summarised by an AI assistant. \\n→ A topic artificially amplified by bots on a social media platform may be picked up by journalists. \n\n→ Spill-over effects can increase the reach of both reliable and unreliable information, and can make information appear more widely established than it originally was. \n\n#### Epistemic Laundering\n\nSpill-over does not always preserve the apparent status of information. When the receiving channel carries stronger signals of authority or reliability than the channel of origin — academic format, peer review, formal publication — the information itself can be perceived as more reliable simply through having moved. This effect is known as Epistemic Laundering: information gains perceived reliability through its passage across channels, without any actual change to the underlying claims or evidence. It exploits the tendency of recipients to attribute the reliability of the channel in which they encounter information to the information itself. \n\n→ A claim originating in an anonymous blog post may be cited in a preprint, reproduced in an AI-generated answer, and finally cited in a peer-reviewed paper — at each step gaining academic surface and apparent authority, while the underlying claim remains unchanged or unverified.\n\n\n:::success\nA team at the University of Gothenburg, led by a medical researcher, invented a fake skin condition called Bixonimania to test whether AI systems would absorb and repeat medical misinformation. They presented it as a supposed condition linked to blue-light exposure from screens, with symptoms such as sore, itchy eyes and a pinkish hue on the eyelids. They then created deliberately fake academic-looking preprints, planted with obvious warning signs — a fictional author with an AI-generated photo, a non-existent university, and references to Starfleet Academy and the USS Enterprise. Nature reported that the preprints have since been removed from Preprints.org.\n\nWithin weeks, major AI chatbots began reproducing Bixonimania as a real medical condition, in some cases offering users explanatory or health-related advice. In parallel, the fake material was cited in at least one published paper, since retracted, in the Springer Nature journal *Cureus*.\n\nSpill-over: log posts → fake preprint → webcrawlers → AI chatbot answers → academic citation\n\n:::\n\n\n:::info\nStokel-Walker, C. (2026). Scientists invented a fake disease. AI told people it was real. Nature, 652(8110), 559-561. <https://doi.org/10.1038/d41586-026-01100-y>\n\n:::\n\n# Information Narrowing\n\nWhereas *Information Amplification* (above) describes how visibility is broadened across user accounts, *Information Narrowing* describes the inverse: how the range of perspectives reaching an individual user or social group becomes restricted. Two distinct mechanisms produce this narrowing — *Filter Bubble* (algorithmic personalisation) and *Echo Chamber* (user self-selection). The two are often conflated in popular discourse but operate differently.\n\n## Filter Bubble\n\nA **filter bubble** is an isolated information environment created by *Algorithmic Personalisation*, in which a user is increasingly exposed to content that aligns with their inferred preferences and past behaviour, while content that diverges is filtered out — typically without the user's awareness. The term was coined by Eli Pariser (2011) to describe how personalisation algorithms on Google, Facebook, and similar platforms can produce systematic exposure asymmetries based on user signals such as click history, location, and profile data.\n\nThe defining feature of a filter bubble is *unintentionality from the user's side*: the narrowing is generated by the platform's optimisation, not by the user's deliberate choice of sources.\n\n\n:::warning\nEmpirical research has substantially qualified Pariser's original thesis. Studies have found that algorithmic personalisation does shape what users see, but most users still encounter ideologically diverse content — partly because their own social networks include varied views, and partly because algorithms do not isolate as completely as the popular discourse suggests (Bakshy et al., 2015; Flaxman et al., 2016; Bruns, 2019). The filter-bubble effect is real but typically weaker than commonly assumed; pre-internet selective exposure (e.g., choosing newspapers or TV channels) was in many cases stronger.\n\n:::\n\n\n:::info\n* Pariser, E. (2011). *The Filter Bubble: What the Internet Is Hiding from You*. Penguin Press.\n* Bakshy, E., Messing, S., & Adamic, L. A. (2015). Exposure to ideologically diverse news and opinion on Facebook. *Science*, 348(6239), 1130–1132. <https://doi.org/10.1126/science.aaa1160>\n* Flaxman, S., Goel, S., & Rao, J. M. (2016). Filter bubbles, echo chambers, and online news consumption. *Public Opinion Quarterly*, 80(S1), 298–320. <https://doi.org/10.1093/poq/nfw006>\n* Bruns, A. (2019). *Are Filter Bubbles Real?* Polity Press.\n\n:::\n\n## Echo Chamber\n\nAn **echo chamber** is a social information environment in which a user is primarily exposed to opinions, claims, or ideologies that reinforce their existing beliefs, while dissenting views are absent, dismissed, or actively discredited. Cass Sunstein (2017) describes the political consequences: when groups insulate themselves from outside perspectives, internal beliefs intensify and become more extreme over time (group polarisation).\n\nUnlike *Filter Bubble*, which arises from algorithmic personalisation, an echo chamber results primarily from **user self-selection**: choices about whom to follow, which communities to join, which sources to trust, and which voices to dismiss. These choices are partly driven by *Confirmation Bias* — the cognitive tendency to seek out and trust information that aligns with existing beliefs. The reinforcing effect comes from the social structure itself, not from invisible algorithmic filtering.\n\nC. Thi Nguyen (2020) draws a conceptual distinction that matters for intervention:\n\n* An **epistemic bubble** is a social structure in which other relevant voices are simply *absent*. Its inhabitants do not hear opposing perspectives, but they do not actively reject them.\n* An **echo chamber** in the strict sense is a social structure in which other relevant voices are *actively discredited*. Members may hear opposing perspectives but learn to distrust their sources.\n\nAn epistemic bubble can be opened by introducing new information; an echo chamber resists correction even when external evidence is presented, because the sources of that evidence have already been delegitimised.\n\n\n:::warning\nEmpirical work suggests that strong, ideologically isolated echo chambers are less common than popular discourse implies (Cinelli et al., 2021; Guess et al., 2018), but where they exist, they can be highly resistant to correction. Mere agreement within a group is not in itself an echo chamber — the defining feature is the active exclusion or discrediting of outside perspectives.\n\n:::\n\n\n:::info\n* Sunstein, C. R. (2017). *#Republic: Divided Democracy in the Age of Social Media*. Princeton University Press.\n* Nguyen, C. T. (2020). Echo chambers and epistemic bubbles. *Episteme*, 17(2), 141–161. <https://doi.org/10.1017/epi.2018.32>\n* Cinelli, M., De Francisci Morales, G., Galeazzi, A., Quattrociocchi, W., & Starnini, M. (2021). The echo chamber effect on social media. *PNAS*, 118(9), e2023301118. <https://doi.org/10.1073/pnas.2023301118>\n* Guess, A., Lyons, B., Nyhan, B., & Reifler, J. (2018). *Avoiding the Echo Chamber about Echo Chambers: Why Selective Exposure to Like-minded Political News Is Less Prevalent Than You Think*. Knight Foundation White Paper.\n\n:::","HTML":"<style>.scilmi-outline-content h1,.scilmi-outline-content h2{font-weight:700}.scilmi-outline-content .badge-scilmi{background:#0d6efd;color:#fff;padding:2px 8px;border-radius:99px;}</style><h1>Informācijas redzamība un izcelšana</h1>\n<p>Informācijas redzamība attiecas uz to, vai — un cik izcelti — konkrēti informācijas elementi, tēmas, avoti vai konti parādās lietotājiem digitālajā vidē. Informācija, kas atrodas platformas indeksā vai tīklā, ne vienmēr automātiski sasniedz visus lietotājus, kā arī ne vienmēr tos sasniedz vienādi.</p>\n<p>Redzamība ir divu savstarpēji mijiedarbības spēku rezultāts:</p>\n<ul>\n<li>kā informācija tiek izplatīta (dalīšanās, pārdale, izplatīšana) un\n</li>\n<li>kā tā tiek izcelta, nospiesta uz leju vai filtrēta.\n</li>\n</ul>\n<div class=\"scilmi-callout scilmi-callout-warning\">\n<div class=\"scilmi-callout-row\" aria-label=\"Warning\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" clip-rule=\"evenodd\" d=\"M12 20C7.58172 20 4 16.4183 4 12C4 7.58172 7.58172 4 12 4C16.4183 4 20 7.58172 20 12C20 16.4183 16.4183 20 12 20ZM12 15C12.5523 15 13 15.4477 13 16C13 16.5523 12.5523 17 12 17C11.4477 17 11 16.5523 11 16C11 15.4477 11.4477 15 12 15ZM12 14C13 14 13 13 13 13L13 10.5L13 8C13 8 13 7 12 7C11 7 11 8 11 8L11 13C11 13 11 14 12 14Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><p><strong>Uzticamības un redzamības nošķiršana ir būtiska informācijas lietotprasmei.</strong></p>\n<ul>\n<li><strong>Uzticamība</strong> ir atkarīga no tā, kas ir izveidojis vienību (autors) un kā tā ir rediģēta (redakcionālā pārskatīšana) — nevis no tā, kas to ir dalījies, vidē, kurā tā parādījās, vai no tā, cik redzami tā tika izcelta.\n</li>\n<li><strong>Redzamība</strong> ir atkarīga no tā, kas dalās ar informāciju, no mehānismiem, kas to izceļ, un no prakses, ar kuras palīdzību tā tiek pastiprināta. Redzamība nav uzticamības rādītājs.\n<p>Piemēram, retvītots raksts: konts, kas to dalījās, un platforma, kas to izcēla, ietekmēja tā redzamību — bet rakstam ir savs autors un redakcionālā vēsture, kuras uzticamība jānovērtē atsevišķi.</p>\n</li>\n</ul></div>\n</div>\n</div>\n<h1>Informācijas aprite: dalīšanās, pārsūtīšana, saites, atkārtota publicēšana, citēšana</h1>\n<p>Cilvēki, konti (tostarp roboti) un organizācijas izplata esošos informācijas objektus, tos daloties, pārsūtot, saistot, atkārtoti publicējot, citējot vai citādi izplatot.</p>\n<p>→ Kad informācija tiek nodota tālāk ar pievienotiem komentāriem, interpretācijām vai pārformulējumiem, tiek radīts jauns informācijas elements ar jaunu autoru.</p>\n<h1>Avotu virzīta informācijas popularizēšana un redzamība</h1>\n<p>Prakses, ko iniciē avoti — tie, kas rada, publicē vai popularizē informācijas vienības. Avoti ietver individuālos lietotājus, satura veidotājus, organizācijas, reklāmdevējus un tīmekļa vietņu operatorus. Atšķirībā no platformu vadītiem mehānismiem šīs prakses vada paši avoti, kuri lemj, kā padarīt savu saturu redzamu. Tās darbojas divos veidos: pielāgojot saturu platformu reitingu sistēmām (sasniedzamība, tieša adresēšana, SEO, SMO, platformai specifiska optimizācija) vai tieši maksājot par izvietošanu (maksas izvietojumi).</p>\n<h2>Konta sasniedzamība</h2>\n<p>Dalītāja potenciālās auditorijas lielums un struktūra.</p>\n<p>Sasniedzamību nosaka vairāki faktori:</p>\n<ul>\n<li>#### sekotāju vai abonentu skaits\n</li>\n<li>#### verifikācijas statuss\n</li>\n<li>#### konta stāvoklis: vecums, iesaistīšanās vēsture, reputācija platformā\n</li>\n</ul>\n<p>Sasniedzamība ietekmē redzamību divos veidos:</p>\n<ul>\n<li><em>tieši</em>: ziņas, ko dala konti ar lielu sasniedzamību, parādās vairākās plūsmās jau brīdī, kad tās tiek dalītas\n</li>\n<li><em>netieši</em>: konti ar lielu sasniedzamību ģenerē vairāk iesaistīšanās signālu, kurus platformas algoritmi pēc tam izmanto, lai paaugstinātu ziņu reitingu (→ Algoritmiska vārtu uzraudzība)\n</li>\n</ul>\n<p>→ Sasniedzamība ir ļoti atšķirīga: privāts konts ar 100 sekotājiem un publisks konts ar vienu miljonu sekotāju ietekmē redzamību pilnīgi atšķirīgā mērogā.</p>\n<h2>Tieša adresēšana</h2>\n<p>Mehānismi, ar kuriem dalītāji vēršas pie konkrētiem saņēmējiem, nodrošinot tūlītēju redzamību šiem lietotājiem ar platformas paziņojumu palīdzību.</p>\n<p>Piemēri:</p>\n<ul>\n<li>#### @atzīmes\n</li>\n<li>#### tagēšana (fotogrāfijās, ziņojumos vai diskusijās)\n</li>\n<li>#### citāti un atbildes ar pieminējumiem\n</li>\n<li>#### grupu tiešās ziņas\n</li>\n<li>#### adresēšana sarakstā (To, CC)\n</li>\n</ul>\n<p>→ Tiešā adresēšana atšķiras no parastās dalīšanās: mērķa lietotājs saņem ziņu tieši caur paziņojumu, neatkarīgi no tā, vai viņš to citādi būtu pamanījis savā plūsmā.</p>\n<p>→ Tiešā adresēšana ir hibrīds mehānisms. Tas darbojas lietotāja pusē, bet funkcionē, izmantojot platformas infrastruktūru (paziņojumu sistēmas). Tā rezultāts ir tūlītēja redzamība adresētajam lietotājam.</p>\n<h2>Meklētājprogrammu optimizācija (SEO)</h2>\n<p>Avota puses prakse, lai pielāgotu <strong>tīmekļa vietnes</strong> — to saturu, metadatus un saiteņu struktūru — tā, lai tās ieņemtu izcilāku vietu <strong>vispārējas nozīmes meklētājprogrammu rezultātos</strong> (Google, Bing, DuckDuckGo utt.).</p>\n<p>Parastās prakses ietver:</p>\n<ul>\n<li>atslēgvārdu izpēte un integrēšana virsrakstos, virsrakstos, teksta ķermenī\n</li>\n<li>metadatu optimizācija (virsraksta tagus, meta aprakstus, alternatīvo tekstu)\n</li>\n<li>saiteņu veidošanu (ieplūstošo saiteņu iegūšanu no autoritatīvām vietnēm)\n</li>\n<li>vietnes struktūra un iekšējās saites\n</li>\n<li>lapas ātrums un mobilajām ierīcēm piemērota versija\n</li>\n<li>satura izstrāde, kas atbilst meklēšanas nolūkam\n</li>\n</ul>\n<p>→ SEO ir visformālākā optimizācijas disciplīna, jo meklētājprogrammu reitinga signāli ir salīdzinoši stabili un labi dokumentēti (Lewandowski et al.). Tās praksi atbalsta specializēti SEO profesionāļi, aģentūras un rīki.</p>\n<p>→ SEO nemaina to, kā meklētājprogrammas rangē lapas — tā pielāgo vietni esošajiem rangēšanas kritērijiem. Izdevēji var ietekmēt to, ko redz algoritms, nevis to, kā tas pieņem lēmumus.</p>\n<h2>Sociālo tīklu optimizācija (SMO)</h2>\n<p>Avota puses prakse, lai maksimāli palielinātu satura redzamību, iesaistīšanos un dalāmību sociālo tīklu platformās.</p>\n<p>Bieži izmantotās metodes ietver:</p>\n<ul>\n<li>hashtagu stratēģijas (populāri vai konkrētai tēmai veltīti tagu)\n</li>\n<li>publicēšanas laiks (kad mērķauditorija ir aktīva)\n</li>\n<li>satura formāta izvēle (īsi video, karuseļi, rullīši)\n</li>\n<li>virsraksta un ievada izstrāde (lai ātri piesaistītu uzmanību)\n</li>\n<li>iesaistīšanās veicināšana (jautājumi, aptaujas, aicinājumi rīkoties)\n</li>\n<li>satura pārveidošana citām platformām\n</li>\n</ul>\n<p>→ SMO ir mazāk formalizēts nekā SEO, jo sociālo tīklu reitinga signāli ir neskaidrāki un atkarīgi no konkrētās platformas. Prakses mainās līdz ar algoritmu izmaiņām.</p>\n<h2>Platformas specifiska optimizācija</h2>\n<p>Optimizācijas stratēģijas, kas pielāgotas atsevišķu platformu konvencijām un reitinga loģikai — pārsniedzot vispārējos SEO vai SMO principus.</p>\n<ul>\n<li>TikTok: skatītāju piesaistīšana pirmajās trīs sekundēs, izmantojot populārus skaņas, vertikālus īsformāta video\n</li>\n<li>Instagram: augstas kvalitātes vizuālie elementi, Reels-first stratēģija, hashtag kombinēšana\n</li>\n<li>YouTube: sīktēlu dizains, skatīšanās laika optimizācija, ar atslēgvārdiem bagāti virsraksti un apraksti\n</li>\n<li>LinkedIn: garas profesionālas publikācijas, vietējā publicēšana, tīkla iesaistīšanās\n</li>\n<li>X (Twitter): lakoniski ievadi, diskusiju pavedieni, atbildes uz kontiem ar lielu auditoriju\n</li>\n</ul>\n<p>→ Platformas specifiska optimizācija prasa izpratni par katras platformas reitingu sistēmu, auditorijas uzvedību un satura formāta preferencēm. Tas, kas darbojas TikTok, reti darbojas LinkedIn.</p>\n<h2>Maksas izvietojumi un reklāma</h2>\n<p>Avota puses prakse maksāt par redzamību — sponsorēts saturs, kas tiek izvietots kopā ar organisko saturu, parasti izmantojot reklāmu.</p>\n<p>Izplatītākās formas:</p>\n<ul>\n<li>sponsorēti meklēšanas rezultāti (meklēšanas dzinēju reklāmas)\n</li>\n<li>sponsorēti ieraksti un reklamēts saturs (sociālie tīkli)\n</li>\n<li>displeja reklāmas (baneri, video)\n</li>\n<li>sadarbība ar ietekmīgajām personām (maksas sadarbība)\n</li>\n</ul>\n<p>→ Maksas izvietojumi apiet organiskās rangu sistēmas: tā vietā, lai optimizētu saturu, lai tas iegūtu labu rangu, avots maksā platformai tieši par izvietojumu.</p>\n<p>→ Dažreiz tie ir skaidri marķēti („Sponsorēts”, „Reklāma”), dažreiz tos ir grūti atšķirt no organiskajiem rezultātiem. Marķēšanas standarti atšķiras atkarībā no jurisdikcijas un platformas.</p>\n<h1>Informācijas popularizēšana un filtrēšana platformas pusē</h1>\n<div class=\"scilmi-callout scilmi-callout-warning\">\n<div class=\"scilmi-callout-row\" aria-label=\"Warning\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" clip-rule=\"evenodd\" d=\"M12 20C7.58172 20 4 16.4183 4 12C4 7.58172 7.58172 4 12 4C16.4183 4 20 7.58172 20 12C20 16.4183 16.4183 20 12 20ZM12 15C12.5523 15 13 15.4477 13 16C13 16.5523 12.5523 17 12 17C11.4477 17 11 16.5523 11 16C11 15.4477 11.4477 15 12 15ZM12 14C13 14 13 13 13 13L13 10.5L13 8C13 8 13 7 12 7C11 7 11 8 11 8L11 13C11 13 11 14 12 14Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><p>Tas, ko lietotāji faktiski redz, reti ir viena mehānisma rezultāts. Meklētājprogrammā algoritmiski sakārtots organisko rezultātu saraksts tiek parādīts kopā ar maksas reklāmām, AI ģenerētiem kopsavilkumiem un dažreiz redakcionāliem izcēlumiem — un pamata ranga signālus var apzināti ietekmēt, izmantojot <em>meklētājprogrammu optimizāciju</em>. Sociālo tīklu plūsmā algoritmiski rangēti ieraksti parādās blakus sponsorētam saturam, ieteiktajiem kontiem un populārākajiem pārklājumiem. Katra sastāvdaļa seko savai loģikai un veido kopējo redzamības rezultātu.</p></div>\n</div>\n</div>\n<h2>Redakcionālā atlase</h2>\n<p>Platformas puses manuālā kurēšana: informācijas vienības, kuras apzināti izceļ redakcionālās komandas vai platformas operatori, nevis parādās algoritmiskā ranga rezultātā.</p>\n<p>Piemēri:</p>\n<ul>\n<li>izcelti fragmenti meklēšanas rezultātos\n</li>\n<li>kurēti populārāko sadaļu\n</li>\n<li>redaktoru atlasīti raksti ziņu agregatoros\n</li>\n<li>platformas popularizēti hashtagi\n</li>\n<li>redaktoru izvēle lietotņu veikalos\n</li>\n<li>izcelti autori vai konti\n</li>\n</ul>\n<p>→ Redakcijas izcelti materiāli pastāv līdzās algoritmiskajiem mehānismiem un atspoguļo platformas pašu vērtējumu par to, kurš saturs ir pelnījis izcelšanu.</p>\n<p>→ Atšķirībā no algoritmiskās vārtsargāšanas (kurēšana un personalizācija), redakcionālā vārtsargāšana ietver paša platformas veiktas cilvēciskas redakcionālas izvēles. Funkcionāli tā ir <em>redakcionālās vārtsargāšanas</em> forma — ko veic platforma, nevis tradicionālie izdevēji.</p>\n<h2>Algoritmiskais vārtsargs</h2>\n<p><strong>Algoritmiskā vārtsargāšana</strong> attiecas uz algoritmu lomu, lemjot, kāda informācija sasniedz kurus lietotājus — tā ir digitālā atbilsme <em>redakcionālajai vārtsargāšanai</em> (→ Informācija, avoti un informācijas vides → Redakcionālā pārskatīšana). Tā ietver gan <strong>atlasi</strong> (kas tiek parādīts un augsti novērtēts), gan <strong>izslēgšanu</strong> (kas tiek filtrēts, pazemināts vai paslēpts).</p>\n<p>Algoritmisko vārtu sargāšanu izmanto dažāda veida platformās:</p>\n<ul>\n<li><strong>meklētājprogrammās</strong> algoritmi atlasa un sakārto rezultātus, pamatojoties uz vaicājumiem\n</li>\n<li><strong>sociālo tīklu plūsmās</strong> algoritmi nosaka, kuri ieraksti tiek parādīti redzamāk\n</li>\n<li><strong>video platformās</strong> algoritmi ieteic, ko skatīties tālāk\n</li>\n<li><strong>AI</strong> <strong>balstītās atbilžu sistēmās</strong> algoritmi ģenerē, apkopojot vai sintēzējot atbildes\n</li>\n</ul>\n<p>Algoritmiskā vārtsargāšana darbojas divos režīmos, kas bieži darbojas kopā: vispārējās darbības, kas tiek piemērotas visiem lietotājiem (<em>algoritmiskā kurēšana</em>), un individuāla pielāgošana, pamatojoties uz izsekotajiem lietotāju signāliem (<em>algoritmiskā personalizācija</em>).</p>\n<h3>Algoritmiskā kurēšana</h3>\n<p>Vispārīgas algoritmiskas darbības, kas tiek piemērotas visiem lietotājiem — tās nosaka, kāda informācija ir pieejama platformā, neatkarīgi no tā, kas ir lietotājs.</p>\n<ul>\n<li><strong>Indeksēšana un indeksēšana</strong>\n— <em>Kādi informācijas elementi kļūst pieejami parādīšanai?</em>\n<ul>\n<li>meklētājprogrammas, kas indeksē tīmekli\n</li>\n<li>satura agregatori indeksē ziņu avotus\n</li>\n<li>lietotņu veikali, kas katalogizē pieejamās lietotnes\n</li>\n</ul>\n</li>\n<li><strong>Filtrēšana un moderēšana</strong>\n— <em>Kuri elementi tiek bloķēti vai pazemināti saskaņā ar platformas noteikumiem?</em>\n<ul>\n<li>spama filtri\n</li>\n<li>politiku pārkāpjoša satura (naida runa, nelegāls saturs, grafisks materiāls) noņemšana\n</li>\n<li>zemas kvalitātes vai maldinoša materiāla pazemināšana rangā\n</li>\n</ul>\n</li>\n<li><strong>Kvalitātes novērtēšana</strong>\n— <em>Kādi avoti vai vienības tiek novērtētas kā uzticamākas vai augstākas kvalitātes?</em>\n<ul>\n<li>meklētājprogrammas, kas sodītu zemas kvalitātes vietnes\n</li>\n<li>ziņu agregatori, kas veido reitingu pēc avota autoritātes\n</li>\n<li>akadēmiskajās meklētājprogrammās rangu noteikšana, ņemot vērā kolēģu recenzijas\n</li>\n</ul>\n</li>\n<li><strong>Tendenču noteikšana</strong>\n— <em>Kuri objekti tiek parādīti kā pašlaik populāri?</em>\n<ul>\n<li>aktuālās tēmas sociālajos tīklos\n</li>\n<li>topi straumēšanas pakalpojumos\n</li>\n<li>sadaļas „Kas notiek” un „Šodienas galvenās ziņas”\n</li>\n<li>populāri hashtag\n</li>\n</ul>\n</li>\n</ul>\n<p>→ Algoritmiska kurēšana nosaka platformā pieejamo informāciju. Tā lielākoties darbojas vienādi visiem lietotājiem.</p>\n<h3>Algoritmiskā personalizācija</h3>\n<p>Algoritmiskas darbības, kas pielāgo informācijas atlasi, secību un noformējumu atsevišķiem lietotājiem, pamatojoties uz viņu izsekotajiem signāliem. Šie signāli laika gaitā uzkrājas lietotāju vēsturēs, kuras izmanto algoritmi.</p>\n<p>→ Diviem lietotājiem uz vienas platformas — pat ar vienādu meklējumu — parasti tiek parādīts būtiski atšķirīgs saturs.</p>\n<ul>\n<li><strong>Personalizēts rangs</strong>\n— <em>Kuri elementi šim lietotājam tiek rādīti augstāk?</em>\n<ul>\n<li>personalizēti meklēšanas rezultāti (vietas, vēstures, profila formas secība)\n</li>\n<li>sociālo tīklu plūsmu secība („Tev” plūsmas, „Populārākie ieraksti”)\n</li>\n<li>uz iesaistīšanos balstīts rangs — optimizācija paredzamajai mijiedarbībai, dominē sociālajos tīklos\n</li>\n</ul>\n</li>\n<li><strong>Ieteikumi</strong>\n— <em>Kādi elementi tiek ieteikti šim lietotājam papildus tam, ko viņš aktīvi pieprasījis?</em>\n<ul>\n<li>&quot;Ieteikumi tev&quot; video saraksti\n</li>\n<li>ieteicamie konti, grupas vai tēmas, kuras sekot\n</li>\n<li>&quot;Cilvēki, kurus tu varētu pazīt&quot;\n</li>\n<li>saistītie raksti, līdzīgi produkti, &quot;Nākamais&quot;\n</li>\n</ul>\n</li>\n<li><strong>Personalizēta reklāma</strong>\n— <em>Kādas reklāmas tiek parādītas šim lietotājam?</em>\n<ul>\n<li>meklēšanas reklāmas, kas pielāgotas iepriekšējiem meklējumiem\n</li>\n<li>sociālo tīklu sponsorēti ieraksti, pamatojoties uz profilu un uzvedību\n</li>\n<li>retargetinga reklāmas tīmekļa vietnēs\n</li>\n<li>ietekmīgo personu partnerības, kas atbilst auditorijas interesēm\n</li>\n</ul>\n</li>\n</ul>\n<p>→ Diviem lietotājiem uz vienas platformas — pat ar vienādu meklējumu — parasti tiek rādīts būtiski atšķirīgs saturs.</p>\n<p>→ Personalizācija rada <strong>atgriezenisko saiti</strong>: lietotāju darbības ietekmē to, ko viņi redz tālāk, un tas, ko viņi redz tālāk, var ietekmēt to, ko viņi dara.</p>\n<h4>☑ Lietotāju signāli, kurus platforma izseko algoritmiskai personalizācijai</h4>\n<p>Darbības, ko lietotājs veic — aktīvi vai pasīvi — informācijas kanālā, kuras algoritmi var izsekot un izmantot, lai personalizētu informācijas vienību atlasi un redzamību.</p>\n<p>→ Lietotāju darbības neaprobežojas ar apzinātām mijiedarbībām, piemēram, klikšķiem vai “patīk” atzīmēm. Daudzas darbības ir pasīvas vai automātiskas, piemēram, cik ilgi lietotājs uzturas lapā, cik tālu viņš ritina lapu vai kur viņš atrodas. Lietotāji bieži neapzinās, ka šīs darbības ietekmē to, ko viņi redzēs tālāk.</p>\n<table><thead><tr>\n<th>Tips</th>\n<th>Kas tas ir</th>\n<th>Piemēri</th>\n</tr></thead><tbody>\n<tr>\n<td><strong>Tieša atgriezeniskā saite</strong></td>\n<td>Apzinātas interakcijas, ko lietotājs izvēlas veikt</td>\n<td>- meklēšana / meklēšanas<br>vaicājumi -<br>klikšķi - patīk / reakcijas<br>- komentāri /<br>atbildes - dalīšanās / pārpublicēšana /<br>pārsūtīšana - sekošana /<br>abonēšana - saglabāšana /<br>grāmatzīmes - vērtējumi /<br>atsauksmes - pirkumi / lejupielādes</td>\n</tr>\n<tr>\n<td><strong>Netieša uzvedība</strong></td>\n<td>Pasīvās uzvedības signāli, kas tiek fiksēti lietošanas laikā</td>\n<td>- skatīšanās laiks / klausīšanās laiks / uzturēšanās laiks<br>- ritināšanas uzvedība (cik tālu, cik ātri)<br>- peles kursora uzvedība<br>- izlaišanas uzvedība</td>\n</tr>\n<tr>\n<td><strong>Konteksta dati</strong></td>\n<td>Informācija par situāciju, kurā lietotājs piekļūst platformai</td>\n<td>- lietotāja atrašanās vietas dati, lietojot lietotni -<br>ierīces tips (piem., tālrunis vai klēpjdators)<br>- piekļuves laiks</td>\n</tr>\n<tr>\n<td><strong>Konta un sociālie dati</strong></td>\n<td>Informācija no lietotāja profila un sociālajiem kontaktiem</td>\n<td>- profila informācija (vecums, intereses, profesija, dzimums)<br>- valodas<br>iestatījumi - saistītie konti<br>- kontaktu saraksts / adrešu grāmata</td>\n</tr>\n</tbody></table>\n<div class=\"scilmi-callout scilmi-callout-info\">\n<div class=\"scilmi-callout-row\" aria-label=\"Info\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" d=\"M20 12C20 7.58172 16.4183 4 12 4C7.58172 4 4 7.58172 4 12C4 16.4183 7.58172 20 12 20C16.4183 20 20 16.4183 20 12ZM11 8C11 8.55228 11.4477 9 12 9C12.5523 9 13 8.55228 13 8C13 7.44772 12.5523 7 12 7C11.4477 7 11 7.44772 11 8ZM12 10C13 10 13 11 13 11V16C13 16 13 17 12 17C11 17 11 16 11 16V11C11 11 11 11 10.5 11C10 11 10 10 10 10H12Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><ul>\n<li>\nAdomavičius, G., &amp; Tuzhilins, A. (2011). Konteksta apzinātas ieteikumu sistēmas. F. Ricci, L. Rokach, B. Shapira un P. B. Kantor (red.), <em>Ieteikumu sistēmu rokasgrāmata</em>\n(217.–253. lpp.). Springer. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1007&#x2f;978-0-387-85820-3_7\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1007/978-0-387-85820-3_7</a>\n</li>\n<li>\nKelly, D., &amp; Teevan, J. (2003). Implicit feedback for inferring user preference: A bibliography. <em>ACM SIGIR Forum, 37</em>\n(2), 18–28. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1145&#x2f;959258.959260\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1145/959258.959260</a>\n</li>\n<li>\nLi, W., Kuo, J.-C., Sheng, M., Zhang, P., &amp; Wu, Q. (2025). Pāri eksplicītajai un implicītajai atgriezeniskajai saitei: kā lietotāji sniedz atgriezenisko saiti, lai veidotu personalizētu ieteikumu saturu. <em>2025. gada CHI konferences par cilvēciskajiem faktoriem datorizētās sistēmās (CHI &#x27;25) materiālos</em>\n. Datortehnikas asociācija. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1145&#x2f;3706598.3713241\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1145/3706598.3713241</a>\n</li>\n<li>\nNarayanan, A. (2023). <em>Sociālo tīklu ieteikumu algoritmu izpratne.</em>\nKnight First Amendment Institute, Kolumbijas Universitāte.<a class=\"notranslate\" translate=\"no\" href=\"https&#x3a;&#x2f;&#x2f;knightcolumbia.org&#x2f;content&#x2f;understanding-social-media-recommendation-algorithms\" target=\"_blank\" rel=\"noopener\">https://knightcolumbia.org/content/understanding-social-media-recommendation-algorithms</a>\n</li>\n</ul></div>\n</div>\n</div>\n<h1>Informācijas pastiprināšana</h1>\n<p>Amplifikācija attiecas uz sistemātisku objekta redzamības palielināšanu ārpus atsevišķa lietotāja līmeņa — lai panāktu plašu redzamību visos lietotāju kontos un dažkārt visās informācijas vidēs.</p>\n<p>Ja <em>avota virzīta popularizēšana</em> (sk. iepriekš) attiecas uz to, ko dara viens avots, lai iegūtu redzamību, un <em>platformas puses vārtsargāšana</em> (sk. iepriekš) apraksta algoritmiskās darbības, ar kurām platformas atklāj un rangē saturu atsevišķiem lietotājiem, tad <em>pastiprināšana</em> attiecas uz rezultātā iegūtajiem <em>pastiprināšanas rezultātiem lielā mērogā</em> — kas rodas vai nu kā šo platformas darbību kopējais efekts (→ <em>algoritmiskā pastiprināšana</em>), vai arī caur vairāku dalībnieku koordinētu darbību (→ <em>koordinētā pastiprināšana</em>).</p>\n<h2>Pastiprināšanas mehānismi</h2>\n<p>Amplifikācija darbojas, izmantojot divus galvenos mehānismus.</p>\n<ul>\n<li><strong>Algoritmiskais pastiprinājums</strong> ir <em>platformas vadīts</em>: tas ir <em>algoritmiskās vārtsargāšanas</em> kopējais efekts — platformas kuratoru un personalizācijas kumulatīvais rezultāts, kas nosaka, kuri elementi sasniedz kurus lietotājus un cik redzami tie ir.\n</li>\n<li><strong>Koordinēta amplifikācija</strong> ir <em>dalībnieku vadīta</em>: vairāki konti, grupas vai kampaņas apzināti darbojas saskaņoti, lai palielinātu ziņas, tēmu vai naratīva redzamību tādā apjomā, kas pārsniedz to, ko radītu atsevišķa lietotāja darbība. Literatūrā to klasificē divās dimensijās — <strong>koordinācija</strong> (caurspīdīga vai slēpta) un <strong>konti</strong> (reāli vai viltoti) — un atbilstoši nošķir (Rogers &amp; Righetti, 2025):\n<ul>\n<li><strong>Koordinēta autentiska pastiprināšana</strong>: koordinācija ir pārredzama un konti ir reāli (piemēram, atklātas pilsoniskās kampaņas, interešu aizstāvība, mārketings).\n</li>\n<li><strong>Koordinēta neautentiska/mākslīga pastiprināšana</strong>: koordinācija ir slēpta, konti ir viltoti vai abas lietas — radot iespaidu par organisku atbalstu (Meta&#x27;s <em>Coordinated Inauthentic Behaviour</em> / CIB; Gleicher, 2018).\n</li>\n</ul>\n</li>\n</ul>\n<p>Abi mehānismi bieži vien tiek apvienoti. Koordinētie tīkli izmanto uz iesaistīšanos balstītu rangu, lai izraisītu algoritmisko pastiprinājumu; savukārt algoritmiskais rangs pastiprina to redzamību, ko jau ir radījusi koordinācija.</p>\n<div class=\"scilmi-callout scilmi-callout-info\">\n<div class=\"scilmi-callout-row\" aria-label=\"Info\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" d=\"M20 12C20 7.58172 16.4183 4 12 4C7.58172 4 4 7.58172 4 12C4 16.4183 7.58172 20 12 20C16.4183 20 20 16.4183 20 12ZM11 8C11 8.55228 11.4477 9 12 9C12.5523 9 13 8.55228 13 8C13 7.44772 12.5523 7 12 7C11.4477 7 11 7.44772 11 8ZM12 10C13 10 13 11 13 11V16C13 16 13 17 12 17C11 17 11 16 11 16V11C11 11 11 11 10.5 11C10 11 10 10 10 10H12Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><ul>\n<li>\nGleicher, N. (2018). <em>Koordinētas neautentiskas darbības izskaidrojums</em>\n. Meta Newsroom.<a class=\"notranslate\" translate=\"no\" href=\"https&#x3a;&#x2f;&#x2f;about.fb.com&#x2f;news&#x2f;2018&#x2f;12&#x2f;inside-feed-coordinated-inauthentic-behavior&#x2f;\" target=\"_blank\" rel=\"noopener\">https://about.fb.com/news/2018/12/inside-feed-coordinated-inauthentic-behavior/</a>\n</li>\n<li>\nRogers, R., &amp; Righetti, N. (2025). Koordinēta neautentiska rīcība Facebook? Izveidotas uzmanības tipoloģija. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1177&#x2f;29768624251369784\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1177/29768624251369784</a>\n</li>\n</ul></div>\n</div>\n</div>\n<h3>Algoritmiska pastiprināšana</h3>\n<p>Algoritmiska pastiprināšana ir iepriekš minēto vārtsarga mehānismu (kurēšana un personalizācija) kumulatīvais efekts: sistemātiska to elementu, tēmu, kontu un formātu veidošana, kuri lietotājiem parādās redzamā vietā, un to, kuri tiek filtrēti, pazemināti vai nospiesti uz leju.</p>\n<p>Empīriski pētījumi liecina, ka uz iesaistīšanos balstīts rangu noteikums sistemātiski pastiprina emocionāli uzlādētu un ārpusgrupas naidīgu saturu, pat ja lietotāji paši šādu saturu nepreferē (Milli et al., 2025). Tas arī pastiprina esošo sasniedzamību: konti un vienības ar augstu iepriekšējo iesaistīšanos tiek atalgoti ar papildu redzamību, radot ļoti nevienmērīgu sasniedzamības sadalījumu (bagātie kļūst bagātāki efekts).</p>\n<p>Algoritmiskām intervencēm var būt arī nelineāras sekas pretējā virzienā. Ja ziņas redzamība plūsmā samazinās par aptuveni 20 %, tās sasniedzamība var samazināties par kārtu (Narayanan, 2023).</p>\n<p>Algoritmiska pastiprināšana nav neitrāls lietotāju aktivitātes atspoguļojums. Tās ietekme ir pēkšņa un redzama galvenokārt kopumā: atsevišķi ieteikumi ir neprecīzi (iesaistīšanās rādītāji lielākajā daļā platformu paliek zem 1 %), bet rangu noteikšana, ieteikumi un pazemināšana sistemātiski veido to, kas cirkulē platformā.</p>\n<div class=\"scilmi-callout scilmi-callout-info\">\n<div class=\"scilmi-callout-row\" aria-label=\"Info\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" d=\"M20 12C20 7.58172 16.4183 4 12 4C7.58172 4 4 7.58172 4 12C4 16.4183 7.58172 20 12 20C16.4183 20 20 16.4183 20 12ZM11 8C11 8.55228 11.4477 9 12 9C12.5523 9 13 8.55228 13 8C13 7.44772 12.5523 7 12 7C11.4477 7 11 7.44772 11 8ZM12 10C13 10 13 11 13 11V16C13 16 13 17 12 17C11 17 11 16 11 16V11C11 11 11 11 10.5 11C10 11 10 10 10 10H12Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><ul>\n<li>Milli, S., et al. (2025). Iesaistīšanās, lietotāju apmierinātība un strīdīga satura pastiprināšana sociālajos tīklos. PNAS Nexus.\n</li>\n<li>Narayanan, A. (2023). Sociālo tīklu ieteikumu algoritmu izpratne. Knight First Amendment Institute.\n</li>\n</ul></div>\n</div>\n</div>\n<h3>Koordinēta autentiska pastiprināšana</h3>\n<p>Koordinēta autentiska izplatīšana ir apzināta informācijas vienības, tēmas, tēmtagā, konta vai naratīva popularizēšana, izmantojot atklāti izpaustu, organizētu darbību, ko veic reāli konti. Koordinētā izcelsme netiek slēpta: dalībnieki rīkojas, izmantojot savu reālo identitāti vai piederību zināmām grupām.</p>\n<p>Tipiski konteksti ietver</p>\n<ul>\n<li>pilsoniskās kampaņas (piemēram, NVO petīcijas, interešu aizstāvības hashtagi),\n</li>\n<li>politisko mobilizāciju (piemēram, partiju kampaņas, aicinājumi doties balsot),\n</li>\n<li>mārketinga un zīmola kampaņas,\n</li>\n<li>profesionālo asociāciju komunikāciju un\n</li>\n<li>kultūras kustības, piemēram, „Fridays for Future” vai #MeToo.\n</li>\n</ul>\n<div class=\"scilmi-callout scilmi-callout-warning\">\n<div class=\"scilmi-callout-row\" aria-label=\"Warning\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" clip-rule=\"evenodd\" d=\"M12 20C7.58172 20 4 16.4183 4 12C4 7.58172 7.58172 4 12 4C16.4183 4 20 7.58172 20 12C20 16.4183 16.4183 20 12 20ZM12 15C12.5523 15 13 15.4477 13 16C13 16.5523 12.5523 17 12 17C11.4477 17 11 16.5523 11 16C11 15.4477 11.4477 15 12 15ZM12 14C13 14 13 13 13 13L13 10.5L13 8C13 8 13 7 12 7C11 7 11 8 11 8L11 13C11 13 11 14 12 14Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><p>Vai pamatā esošais vēstījums ir pamatots, līdzsvarots vai vienpusīgs, ir atsevišķs jautājums — <em>autentiskums</em> attiecas tikai uz koordinācijas pārredzamību, nevis uz satura patiesumu vai taisnīgumu. Autentiska kampaņa var pastiprināt precīzu informāciju, maldinošu informāciju vai vienpusēju viedokli.</p></div>\n</div>\n</div>\n<div class=\"scilmi-callout scilmi-callout-warning\">\n<div class=\"scilmi-callout-row\" aria-label=\"Warning\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" clip-rule=\"evenodd\" d=\"M12 20C7.58172 20 4 16.4183 4 12C4 7.58172 7.58172 4 12 4C16.4183 4 20 7.58172 20 12C20 16.4183 16.4183 20 12 20ZM12 15C12.5523 15 13 15.4477 13 16C13 16.5523 12.5523 17 12 17C11.4477 17 11 16.5523 11 16C11 15.4477 11.4477 15 12 15ZM12 14C13 14 13 13 13 13L13 10.5L13 8C13 8 13 7 12 7C11 7 11 8 11 8L11 13C11 13 11 14 12 14Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><p>Autentiska un neautentiska koordinācija var radīt redzamības modeļus, kas no ārpuses izskatās identiski — sinhronizēta dalīšanās, hashtag grupu veidošana, ātra izplatība. Atšķirības pazīme nav redzamais modelis, bet gan tas, vai koordinētā izcelsme ir atklāti izpausts.</p></div>\n</div>\n</div>\n<h3>Koordinēta neautentiska/mākslīga pastiprināšana</h3>\n<p>Koordinēta neautentiska/mākslīga pastiprināšana ir apzināta informācijas vienības, tēmas, hashtaga, konta vai naratīva pastiprināšana, izmantojot organizētu darbību, kurā koordinētā izcelsme tiek slēpta, iesaistītie konti ir viltoti vai abas šīs pazīmes. Mērķis ir radīt iespaidu par organisku, neatkarīgu atbalstu. Meta termins <em>„koordinēta neautentiska rīcība”</em> (CIB) — kas tagad iekļauts ES Digitālo pakalpojumu aktā — ir vērsts uz šo viltus identitāšu un pretinieku metožu kombināciju, lai izvairītos no atklāšanas (Gleicher, 2018; Rogers &amp; Righetti, 2025).</p>\n<p>Tipiski konteksti ietver politiskās ietekmes operācijas (valsts sponsorētas vai ar partiju saistītas), astroturfing kampaņas (komerciālas vai ideoloģiskas), mērķtiecīgu dezinformāciju saistībā ar vēlēšanām, sabiedrības veselību vai ģeopolitiskiem konfliktiem, kā arī reputācijas manipulāciju, izmantojot viltus atsauksmes, novērtējumus vai iesaistīšanos. Darbības līdzekļi — <em>boti</em>, <em>troļļi</em>, <em>sockpuppets</em> un to koordinētie tīkli (<em>botu fermas</em>, <em>troļu fermas</em>, <em>sockpuppet tīkli</em>, <em>klikšķu fermas</em>) — ir sīki aprakstīti zemāk.</p>\n<div class=\"scilmi-callout scilmi-callout-warning\">\n<div class=\"scilmi-callout-row\" aria-label=\"Warning\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" clip-rule=\"evenodd\" d=\"M12 20C7.58172 20 4 16.4183 4 12C4 7.58172 7.58172 4 12 4C16.4183 4 20 7.58172 20 12C20 16.4183 16.4183 20 12 20ZM12 15C12.5523 15 13 15.4477 13 16C13 16.5523 12.5523 17 12 17C11.4477 17 11 16.5523 11 16C11 15.4477 11.4477 15 12 15ZM12 14C13 14 13 13 13 13L13 10.5L13 8C13 8 13 7 12 7C11 7 11 8 11 8L11 13C11 13 11 14 12 14Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><p><em>Neautentiskums</em> attiecas uz koordinētas izcelsmes slēpšanu vai viltus kontu izmantošanu — nevis uz pastiprinātā satura patiesuma vērtību. Koordinēts viltus kontu tīkls var pastiprināt precīzu informāciju; viens autentisks indivīds var izplatīt izdomātu informāciju. Koordinēta neautentiska pastiprināšana un viltus satura izplatīšana ir atšķirīgas parādības, kas var notikt neatkarīgi vai kopā.</p></div>\n</div>\n</div>\n<p>Šajā sadaļā aprakstītie kontu veidi attiecas uz visiem digitālajiem informācijas kanāliem un platformām, kur lietotāji var izveidot kontus un publicēt vai publiski mijiedarboties — jo īpaši sociālajos tīklos, diskusiju forumos un kopienu telpās, video un audio platformās, kā arī atsauksmju vai komentāru sadaļās. Tie ir mazāk izplatīti privātajās saziņas lietotnēs vai vidēs bez lietotāju radīta satura. Tie parādās gan neatkarīgi, gan koordinētos tīklos. Tie ir uzskaitīti šeit to tipiskās lomas dēļ izplatīšanas dinamikā; skaidri koordinētās struktūras ir kontu tīkli.</p>\n<table><thead><tr>\n<th>Termins</th>\n<th>Definīcija</th>\n<th>Kontrolē</th>\n<th>Definē</th>\n<th>Tipisks mērķis</th>\n</tr></thead><tbody>\n<tr>\n<td><strong>Sociālais bots</strong></td>\n<td>Automatizēts vai daļēji automatizēts konts, kas publicē, iezīmē ar „patīk”, seko, dalās vai atbild tiešsaistē.</td>\n<td>Programmatūra</td>\n<td><strong>Automatizācija</strong></td>\n<td>Lai pastiprinātu ziņojumus, radītu mākslīgu popularitāti, sūtītu surogātpastu, ietekmētu diskusijas vai izplatītu saturu lielā apjomā.</td>\n</tr>\n<tr>\n<td><strong>Kiborgs</strong></td>\n<td>Hibrīda konts, kas apvieno cilvēka darbību ar programmatūras automatizāciju.</td>\n<td>Jaukts: cilvēks un programmatūra</td>\n<td><strong>Selektīva automatizācija</strong></td>\n<td>Lai apvienotu automatizācijas mērogu ar cilvēka ieguldījuma kontekstuālo ticamību — likumīgai plānošanai/pārvaldībai vai grūtāk atklājamiem ietekmes pasākumiem.</td>\n</tr>\n<tr>\n<td><strong>Troll</strong></td>\n<td>Persona vai konts, kas apzināti provocē, traucē vai uzkurina diskusijas tiešsaistē.</td>\n<td>Parasti cilvēks; dažreiz koordinētas grupas</td>\n<td><strong>Traucējoša / provokatīva / naidīga uzvedība</strong></td>\n<td>Lai satrauktu citus, novirzītu sarunas no tēmas, izraisītu reakcijas, izplatītu naidu vai polarizētu debates.</td>\n</tr>\n<tr>\n<td><strong>Sockpuppet</strong></td>\n<td>Viltus konts, ko kāds izmanto, lai slēptu savu patieso identitāti vai izliktos par citu personu.</td>\n<td>Cilvēks, lai gan konts var izmantot arī automatizāciju</td>\n<td><strong>Viltus identitāte</strong></td>\n<td>Lai radītu viltus atbalstu, anonīmi uzbruktu citiem, izvairītos no aizliegumiem, manipulētu ar debatēm vai radītu iespaidu par neatkarīgu vienprātību.</td>\n</tr>\n</tbody></table>\n<h4>Sociālais bots</h4>\n<p><strong>Sociālais bots</strong> ir bots, kas izstrādāts darbībai sociālo tīklu platformās, publicējot, komentējot, daloties vai mijiedarbojoties tādā veidā, kas imitē cilvēku lietotājus. Sociālie boti parasti ir programmēti darbībai lielā apjomā un ar lielu ātrumu, kas ievērojami pārsniedz cilvēka lietotāja iespējas. To darbība bieži ir atkārtojoša un koordinēta starp daudziem kontiem, kas to atšķir no parastās cilvēku lietošanas.</p>\n<p>Sociālos botus var izmantot likumīgiem mērķiem — piemēram, klientu apkalpošanai, ziņu izplatīšanai vai mārketingam —, bet tos plaši izmanto arī, lai ietekmētu sabiedrisko viedokli, pastiprinātu noteiktus vēstījumus, manipulētu ar diskusijām vai radītu iespaidu par plašu atbalstu konkrētām idejām, produktiem vai mērķiem. Saistībā ar nepatiesu informāciju un dezinformāciju sociālie boti spēlē īpašu lomu satura ātrai izplatīšanai un viltus iespaida radīšanai, ka daudzas neatkarīgas balsis pauž vienotu viedokli.</p>\n<p>Kad sociālie roboti tiek izmantoti koordinētos tīklos, tie veido <em>robota fermu</em>.</p>\n<div class=\"scilmi-callout scilmi-callout-info\">\n<div class=\"scilmi-callout-row\" aria-label=\"Info\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" d=\"M20 12C20 7.58172 16.4183 4 12 4C7.58172 4 4 7.58172 4 12C4 16.4183 7.58172 20 12 20C16.4183 20 20 16.4183 20 12ZM11 8C11 8.55228 11.4477 9 12 9C12.5523 9 13 8.55228 13 8C13 7.44772 12.5523 7 12 7C11.4477 7 11 7.44772 11 8ZM12 10C13 10 13 11 13 11V16C13 16 13 17 12 17C11 17 11 16 11 16V11C11 11 11 11 10.5 11C10 11 10 10 10 10H12Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><h4>Bots</h4>\n<p>Bots ir datorprogramma, kas automātiski veic uzdevumus, bieži vien atkārtojošus. Boti var būt gan vienkārši, nekaitīgi rīki — piemēram, tīmekļa indeksatori, kas indeksē lapas meklētājprogrammām, automatizētas testēšanas sistēmas vai čatboti, kas atbild uz ikdienišķiem klientu jautājumiem — gan ļaunprātīgas programmas, kas izstrādātas, lai izplatītu surogātpastu, ļaunprogrammatūru vai dezinformāciju.</p></div>\n</div>\n</div>\n<h4>Kiborgs</h4>\n<p><strong>Kiborgs</strong> ir hibrīda konts, ko daļēji vada cilvēks un daļēji automatizē programmatūra. Kiborgam var būt rutīnas ziņojumi, kurus plāno vai ģenerē programmatūra, kamēr cilvēks apstrādā atlasītas mijiedarbības, atbildes vai jutīgu saturu. Līdzsvars starp automatizēto un cilvēka darbību atšķiras atkarībā no konta.</p>\n<p>Kiborgi var tikt izmantoti likumīgiem mērķiem — piemēram, satura plānošanai, zīmola vai institūcijas konta pārvaldībai vai hibrīdai klientu apkalpošanai —, bet tos izmanto arī ietekmes operācijās, lai apvienotu automatizācijas mērogu un ātrumu ar cilvēka ieguldījuma kontekstuālo ticamību.</p>\n<p>Kiborgi ir grūtāk identificējami nekā pilnībā automatizēti roboti, jo daļa no to uzvedības ir patiesi cilvēcīga, kas nozīmē, ka atsevišķi atklāšanas rādītāji reti kad ir pietiekami, lai nodrošinātu uzticamu identifikāciju.</p>\n<h4>Trolis</h4>\n<p><strong>Trols</strong> ir reāla persona, kas apzināti traucē tiešsaistes diskusijas ar provokatīvu, agresīvu vai naidīgu uzvedību. Troļi parasti izmanto personīgos kontus un vēršas pret strīdīgiem jautājumiem, sabiedriskām personām (piemēram, politiķiem vai žurnālistiem) vai mediju organizācijām. To mērķis ir satraukt citus, izraisīt reakcijas vai saasināt konfliktus — dažkārt, lai atbalstītu konkrētu programmu, dažkārt izklaides vai uzmanības dēļ.</p>\n<p>Lai gan troļļi bieži rīkojas neatkarīgi, tie var darboties arī koordinētās grupās, dažkārt saņemot atlīdzību no politiskām vai komerciālām organizācijām (sk. sadaļu <em>„Troļu fermas”</em> nodaļā „Amplifikācijas mehānismi”).</p>\n<p><strong>Trollēšanu vislabāk var saprast kā tiešsaistes uzvedības modeli, nevis konkrētu konta veidu.</strong> Tādu pašu uzvedību var izrādīt automatizēti konti, un arī parastie lietotāji reizēm var iesaistīties trollēšanā.</p>\n<h4>Sockpuppet</h4>\n<p><strong>Sockpuppet</strong> ir viltus tiešsaistes identitāte, ko izveidojis un vada reāls cilvēks, kurš slēpj savu patieso identitāti. Atšķirībā no troļļiem — kuri bieži darbojas ar vienu atklāti naidīgu kontu — sockpuppet operators parasti vienlaikus vada vairākus viltus kontus, lai radītu iespaidu, ka vairāki neatkarīgi lietotāji pauž vienādu viedokli, atbalsta vienu un to pašu lietu vai piekrīt paša operatora (bieži atsevišķajam) galvenajam kontam.</p>\n<p>Sockpuppets parasti izmanto, lai radītu mākslīgu vienprātību, atbalstītu savus argumentus ar dažādiem vārdiem, uzbruktu pretiniekiem, vienlaikus šķietot neitrāliem, izvairītos no aizliegumiem, izveidojot jaunas identitātes pēc kontu bloķēšanas, vai manipulētu ar tiešsaistes atsauksmēm, balsojumiem un aptaujām.</p>\n<p>Sockpuppets atšķiras no sociālajiem botiem ar to, ka tos manuāli vada cilvēki, kas padara to saturu kontekstuāli ticamāku un grūtāk atklājamu ar automatizētiem līdzekļiem. Tie atšķiras no troļļiem ar to, ka to galvenais mērķis ir maldināšana par identitāti un šķietamas vienprātības radīšana, nevis provokācija — lai gan sockpuppet operatori var iesaistīties arī troļļu darbībās, izmantojot savas viltus identitātes.</p>\n<p>Kad persona vai neliela grupa kopīgi vada saskaņotu sockpuppet kopumu, tie veido <em>sockpuppet tīklu</em> (sk. pastiprināšanas mehānismus).</p>\n<h4>☑ Sociālo botu, troļļu un sockpuppet profilu atšķirības</h4>\n<table><thead><tr>\n<th><strong>Atklāšanas dimensija</strong></th>\n<th><strong>Sociālie roboti</strong></th>\n<th><strong>Trolli</strong></th>\n<th><strong>Viltus konti</strong></th>\n</tr></thead><tbody>\n<tr>\n<td><strong>Profila raksturlielumi</strong></td>\n<td>- [ ] Konts izskatās nesen<br>izveidots - [ ] Profils ir nepilnīgs vai<br>vispārīgs - [ ] Lietotājvārds var izskatīties nepersonisks un dažreiz ietvert nejaušus skaitļus</td>\n<td>- [ ] Konts parasti ir bijis aktīvs ilgāku laiku un tam ir ierakstu vēsture -<br>[ ] Profils ir pilnīgs un šķiet personisks; tajā var būt izteikts ideoloģisks vai politisks<br>pašraksturojums - [ ] Lietotājvārds izskatās personisks</td>\n<td>- [ ] Profils izskatās ticams un personisks, bieži ar profila attēlu un biogrāfiskām ziņām (dažreiz nozagtiem, ar AI ģenerētiem vai kopētiem)<br>- [ ] Konta vēsture var būt mērena un veidota tā, lai laika gaitā izskatītos autentiska</td>\n</tr>\n<tr>\n<td><strong>Ierakstu publicēšanas paradumi</strong></td>\n<td>- [ ] Aktivitāte neatbilst normālai cilvēka<br>uzvedībai tiešsaistē - [ ] Konti ļoti bieži publicē vai pārpublicē saturu -<br>[ ] Konti publicē vai pārpublicē saturu jebkurā diennakts laikā</td>\n<td>- [ ] Aktivitāte atgādina normālu cilvēka<br>uzvedību tiešsaistē - [ ] Konts publicē vai atbild neregulāros laikos<br>- [ ] Konts kļūst aktīvāks strīdīgu diskusiju laikā</td>\n<td>- [ ] Aktivitātes modeļi atgādina normālu cilvēka<br>lietošanu - [ ] Vairākiem kontiem, kurus vada viens operators, var būt līdzīgas aktīvās stundas vai ritmi<br>- [ ] Sockpuppets parasti sāk mazāk diskusiju un raksta īsākus ierakstus nekā tipiski lietotāji</td>\n</tr>\n<tr>\n<td><strong>Mijiedarbība</strong></td>\n<td>- [ ] Kontam nav reālu sarunu -<br>[ ] Konti galvenokārt izsaka patiku, dalās vai<br>pārpublicē - [ ] Atbildes ir īsas un automatizētas</td>\n<td>- [ ] Konts atbild tieši citiem lietotājiem -<br>[ ] Konts iesaistās debatēs ar mērķi izprovocēt reakcijas -<br>[ ] Sarunas tiek pagarinātas, lai radītu vai saasinātu konfliktu</td>\n<td>- [ ] Konts iesaistās reālās sarunās, bieži atbalstot operatora galveno kontu vai citus<br>sockpuppets - [ ] Atbildes ir kontekstam atbilstošas un šķiet<br>autentiskas - [ ] Sockpuppets pāri bieži mijiedarbojas vienā un tajā pašā diskusijā līdzīgā laikā</td>\n</tr>\n<tr>\n<td><strong>Satura iezīmes</strong></td>\n<td>- [ ] Saturs ir vienpusīgs un<br>atkārtojas - [ ] Vienas un tās pašas naratīvas tiek publicētas daudzas reizes</td>\n<td>- [ ] Saturs ir īpaši pielāgots, lai kaitētu vai provocētu mērķi -<br>[ ] Saturs ir vērsts uz indivīdiem vai sociālām grupām</td>\n<td>- [ ] Saturs šķiet autentisks un dažāds visos kontos<br>- [ ] Pamata vēstījums vai nostāja visā tīklā ir aizdomīgi vienota -<br>[ ] Biežāka personisko vietniekvārdu, piemēram, „es”, lietošana</td>\n</tr>\n<tr>\n<td><strong>Valoda</strong></td>\n<td>- [ ] Vispārīgi izteicieni, atkārtojas frāzes ar atslēgvārdiem</td>\n<td>- [ ] Daudzveidīga, emocionāla, bieži aizskaroša vai apvainojoša valoda</td>\n<td>- [ ] Dabiska un daudzveidīga valoda<br>- [ ] Vairākiem kontiem var būt kopīgas valodas pazīmes (līdzīgas frāzes, vārdu krājums, interpunkcija vai kļūdu modeļi)</td>\n</tr>\n<tr>\n<td><strong>Tīkla un tehniskie rādītāji</strong></td>\n<td>- [ ] Sociālie roboti seko citiem sociālajiem robotiem, bet šīs attiecības parasti ir vienvirzienas un nav<br>savstarpējas - [ ] Vairākos robota kontos novērojama saskaņota rīcība</td>\n<td>- [ ] Trolli seko cilvēku kontiem<br>- [ ] Saiknes bieži vien ir savstarpējas (tie seko saviem sekotājiem un otrādi)<br>- [ ] Trolli parasti darbojas neatkarīgi viens no otra</td>\n<td>- [ ] Vairāki konti savstarpēji sadarbojas, atbalstot viens otru -<br>[ ] Savienojumi var būt mākslīgi savstarpēji starp viltus kontiem vienā tīklā vai apzināti neesoši, lai izvairītos no<br>atklāšanas - [ ] Viena IP adrese, ierīces pēdas nospiedums vai pieteikšanās modelis \\\\*(atklāšana platformas pusē)\\\\* -<br>[ ] Vairāk klasterizētu ego-tīklu nekā parastajiem<br>lietotājiem - [ ] Korelēts darbības laiks starp kontiem</td>\n</tr>\n</tbody></table>\n<div class=\"scilmi-callout scilmi-callout-info\">\n<div class=\"scilmi-callout-row\" aria-label=\"Info\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" d=\"M20 12C20 7.58172 16.4183 4 12 4C7.58172 4 4 7.58172 4 12C4 16.4183 7.58172 20 12 20C16.4183 20 20 16.4183 20 12ZM11 8C11 8.55228 11.4477 9 12 9C12.5523 9 13 8.55228 13 8C13 7.44772 12.5523 7 12 7C11.4477 7 11 7.44772 11 8ZM12 10C13 10 13 11 13 11V16C13 16 13 17 12 17C11 17 11 16 11 16V11C11 11 11 11 10.5 11C10 11 10 10 10 10H12Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><ul>\n<li>\nFerrara, E. (2023). Sociālo botu atklāšana ChatGPT laikmetā: izaicinājumi un iespējas. <em>First Monday, 28</em>\n(6). <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.5210&#x2f;fm.v28i6.13185\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.5210/fm.v28i6.13185</a>\n</li>\n<li>\nKumar, S., Cheng, J., Leskovec, J., &amp; Subrahmanian, V. S. (2017). Manas armijas: Sockpuppets tiešsaistes diskusiju kopienās. <em>26. Starptautiskās konferences par Pasaules tīmekli (WWW &#x27;17) materiāli</em>\n, 857–866. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1145&#x2f;3038912.3052677\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1145/3038912.3052677</a>\n</li>\n<li>\nOrabi, M., Mouheb, D., Al Aghbari, Z., &amp; Kamel, I. (2020). Botu atklāšana sociālajos tīklos: sistemātisks pārskats. <em>Informācijas apstrāde un pārvaldība, 57</em>\n(4), 102250. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1016&#x2f;j.ipm.2020.102250\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1016/j.ipm.2020.102250</a>\n</li>\n<li>\nSolorio, T., Hasan, R., &amp; Mizan, M. (2013). Gadījuma izpēte par sockpuppet atklāšanu Vikipēdijā. <em>Sociālo mediju valodas analīzes darbsemināra (LASM) materiāli NAACL-HLT konferencē</em>\n, 59–68. Datorlingvistikas asociācija.<a class=\"notranslate\" translate=\"no\" href=\"https&#x3a;&#x2f;&#x2f;aclanthology.org&#x2f;W13-1107&#x2f;\" target=\"_blank\" rel=\"noopener\">https://aclanthology.org/W13-1107/</a>\n</li>\n<li>\nTomaiuolo, M., Lombardo, G., Mordonini, M., Cagnoni, S., &amp; Poggi, A. (2020). Aptauja par troļu atklāšanu. <em>Future Internet, 12</em>\n(2), <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.3390&#x2f;fi12020031\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.3390/fi12020031</a>\n</li>\n<li>\nTsikerdekis, M., &amp; Zeadally, S. (2014). Vairāku kontu identitātes viltojumu atklāšana sociālajos tīklos, izmantojot neverbālo uzvedību. <em>IEEE Transactions on Information Forensics and Security, 9</em>\n(8), 1311–1321. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1109&#x2f;TIFS.2014.2332820\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1109/TIFS.2014.2332820</a>\n</li>\n<li>\nUyheng, J., Moffitt, J. D., &amp; Carley, K. M. (2022). Tiešsaistes troļļu valoda un mērķi: psiholingvistiska pieeja sociālajai kiberdrošībai. <em>Information Processing &amp; Management, 59</em>\n(5), 103012. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1016&#x2f;j.ipm.2022.103012\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1016/j.ipm.2022.103012</a>\n</li>\n</ul></div>\n</div>\n</div>\n<h4>Kontu tīkli</h4>\n<h4>Botu ferma</h4>\n<p><strong>Botu ferma</strong> ir botu tīkls, kas vienlaikus darbojas vairākās ierīcēs vai serveros un ko konkrētiem mērķiem izvērš viens operators vai organizācija.</p>\n<p>Botu fermām ir virkne likumīgu lietojumu, tostarp tīmekļa indeksēšana, automatizēta programmatūras testēšana, datu apkopošana un tīmekļa vietņu darbības uzraudzība. Tomēr tās bieži izmanto arī ļaunprātīgām darbībām, piemēram, viltus interakcijas radīšanai, liela apjoma satura ģenerēšanai, surogātpasta izplatīšanai vai kiberdrošības uzbrukumu veikšanai. Ja botu fermas izmanto tiešsaistes diskusiju manipulēšanai, tās var radīt viltus iespaidu par plašu atbalstu, pretestību vai interesi par konkrētu tēmu, kontu vai kampaņu.</p>\n<h4>Trollu fermas</h4>\n<p><strong>Trollu ferma</strong> ir organizēta grupa, kurā darbojas saskaņoti, bieži vien algoti darbinieki, kuri tīmeklī publicē apzināti provokatīvu, maldinošu vai nepatiesu saturu — parasti izmantojot viltus kontus. To mērķis parasti ir manipulēt ar sabiedrisko viedokli, izplatīt dezinformāciju vai radīt sociālus un politiskus nemierus. Ir dokumentēti gadījumi, kad trollu fermas ir bijušas saistītas ar valsts atbalstītām ietekmes operācijām, kā arī komerciālu reputācijas manipulāciju.</p>\n<h4>Sockpuppet tīkls</h4>\n<p>Sockpuppet tīkls ir koordinēta sockpuppet kontu kopa, ko vada viena persona vai neliela grupa un ko izmanto, lai simulētu neatkarīgas balsis, kas atbalsta kopīgu naratīvu, kampaņu, kontu vai mērķi. Sockpuppet tīklus parasti izmanto politiskajā astroturfingā, atsauksmju un vērtējumu manipulācijā, kā arī koordinētās dezinformācijas kampaņās. Atšķirībā no botu fermām, sockpuppet tīkli balstās uz manuālu cilvēku darbību, kas padara atsevišķu kontu saturu autentiskāku un grūtāk atklājamu ar automatizētiem līdzekļiem. To koordinācija parasti kļūst pamanāma tikai tad, ja vairākus kontus var saistīt ar uzvedības modeļiem, kopīgiem tehniskajiem signāliem vai savstarpēju mijiedarbību.</p>\n<h4>Klikšķu fermas</h4>\n<p><strong>Klikšķu ferma</strong> ir darbība, kurā liels skaits zemas algas strādnieku, automatizētu botu vai abu tiek izmantots, lai klikšķinātu uz reklāmām, sekotu sociālo tīklu kontiem, liktu “patīk” ziņām, atstātu atsauksmes vai lejupielādētu lietotnes. Mērķis ir mākslīgi palielināt tiešsaistes iesaistīšanos vai apmeklējumu skaitu, liekot saturam, kontiem vai produktiem šķist populārākiem, nekā tie patiesībā ir.</p>\n<h2>Fenomeni</h2>\n<h4>☑ Vīrusveida izplatība pret tendencēm</h4>\n<table><thead><tr>\n<th>Funkcija</th>\n<th>Vīrusveidība</th>\n<th>Tendences</th>\n</tr></thead><tbody>\n<tr>\n<td><strong>Kas tiek izplatīts</strong></td>\n<td>Viena informācijas vienība: konkrēts video, ieraksts, attēls vai cits satura elements</td>\n<td>Tēma, hashtag, skaņa, formāts vai diskusiju kopums: nevis viens konkrēts elements, bet daudzi ieraksti, kas atsaucas uz to pašu lietu vai to izmanto</td>\n</tr>\n<tr>\n<td><strong>Galvenie virzītājspēki</strong></td>\n<td>Lietotāji dalās, pārpublicē vai pārsūta informāciju citiem, kuri savukārt to tālāk izplata; šo kaskādes veida izplatīšanos var vēl vairāk pastiprināt ieteikumu algoritmi</td>\n<td>Daudzi lietotāji īsā laika posmā publicē, piemin vai izmanto vienu un to pašu tēmu, hashtag vai formātu; platforma uztver šo aktivitātes koncentrāciju un izceļ to īpašā sadaļā „Trending” (piemēram, populāro tēmu sarakstā, populāro hashtag pārskatā vai populāro skaņu lapā)</td>\n</tr>\n<tr>\n<td><strong>Laika modelis</strong></td>\n<td>Bieži īss un straujš; var atkārtoties vēlāk</td>\n<td>Laika ierobežots; pastāv tik ilgi, kamēr aktivitāte ir augsta vai platforma to turpina izcelt</td>\n</tr>\n<tr>\n<td><strong>Kā to var manipulēt</strong></td>\n<td>Koordinēta dalīšanās, botu pastiprināšana, mākslīga iesaistīšanās, kas vērsta uz konkrētu informācijas vienību</td>\n<td>Koordinētas publicēšanas kampaņas, mākslīgi radītas tendences, izmantojot botu tīklus, platformas lēmumi par popularizēšanu, filtrēšanu vai apspiešanu</td>\n</tr>\n</tbody></table>\n<p><em>Gan virāla izplatība, gan tendences var rasties organiski vai tikt mākslīgi pastiprinātas ar koordinētu kampaņu, botu darbību vai platformas lēmumu palīdzību. Abas var dot priekšrocības emocionāli uzbudinošam, morāli uzlādētam vai strīdīgam saturam, īpaši politiskā vai konfliktu orientētā kontekstā.</em></p>\n<h3>Viralitāte</h3>\n<p>Modelis, ar kādu konkrēts informācijas elements strauji izplatās, to daloties, ieteicot un atkārtoti izplatot tīklos, līdzīgi kā izplatās vīruss. Vīrusveidību veido satura īpašības, sociālo tīklu struktūras, platformu iespējas, laiks un algoritmiska pastiprināšana.</p>\n<p>Saturs, kas izraisa spēcīgas emocijas, morālas reakcijas vai naidu pret citām grupām, bieži vien tiek dalīts biežāk, īpaši politiskos vai konfliktu orientētos kontekstos. Tomēr virālo izplatību nosaka ne tikai sākotnējā avota lielums: arī mazāki konti vai mediji var radīt ļoti virālus objektus.</p>\n<p>Vīrusveidīgums var rasties organiski, bet to var arī mākslīgi pastiprināt, izmantojot koordinētu dalīšanos, platformas manipulāciju vai botu darbību.</p>\n<h3>Tendences</h3>\n<p>Platformas piešķirts statuss, kas norāda, ka tēma, hashtag, skaņa, formāts vai diskusiju kopums īsā laika posmā ir guvis neparasti intensīvu aktivitāti.</p>\n<p>Tendences tiek identificētas algoritmiski un parādās, izmantojot platformas funkcijas, piemēram, X / Twitter populārākās tēmas, populārākos hashtagus, populārākos skaņas, populārākos izaicinājumus vai citas platformai raksturīgas tendenču funkcijas. Tendences ir atkarīgas no platformai raksturīgiem signāliem, piemēram, ziņu apjoma, pieauguma tempa, iesaistīšanās, atrašanās vietas, personalizācijas un moderācijas filtriem.</p>\n<p>Tēmas, kas rada augstu iesaistīšanos — tostarp strīdīgas, emocionāli uzbudinošas vai morāli slēptas tēmas — var būt vairāk tendētas, bet tas ir atkarīgs no platformas rangu sistēmas un moderācijas noteikumiem.</p>\n<p>Tendences var veidoties organiski no daudziem neatkarīgiem ieguldījumiem, bet tās var ietekmēt arī koordinētas kampaņas, botu darbība vai platformas lēmumi par to, ko popularizēt, filtrēt, moderēt vai apspiest.</p>\n<div class=\"scilmi-callout scilmi-callout-info\">\n<div class=\"scilmi-callout-row\" aria-label=\"Info\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" d=\"M20 12C20 7.58172 16.4183 4 12 4C7.58172 4 4 7.58172 4 12C4 16.4183 7.58172 20 12 20C16.4183 20 20 16.4183 20 12ZM11 8C11 8.55228 11.4477 9 12 9C12.5523 9 13 8.55228 13 8C13 7.44772 12.5523 7 12 7C11.4477 7 11 7.44772 11 8ZM12 10C13 10 13 11 13 11V16C13 16 13 17 12 17C11 17 11 16 11 16V11C11 11 11 11 10.5 11C10 11 10 10 10 10H12Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><ul>\n<li><strong>Berger, J. (2013).</strong> <em>Contagious: Why Things Catch On.</em> Ņujorka: Simon &amp; Schuster.\n</li>\n<li><strong>Berger, J., &amp; Milkman, K. L. (2012).</strong>\nWhat makes online content viral? <em>Journal of Marketing Research</em>\n, 49(2), 192–205. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1509&#x2f;jmr.10.0353\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1509/jmr.10.0353</a>\n</li>\n<li><strong>Brady, W. J., McLoughlin, K., Doan, T. N., &amp; Crockett, M. J. (2021).</strong>\nKā sociālā mācīšanās pastiprina morālo sašutumu tiešsaistes sociālajos tīklos. <em>Science Advances</em>\n, 7(33), eabe5641. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1126&#x2f;sciadv.abe5641\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1126/sciadv.abe5641</a>\n</li>\n<li><strong>Jenkins, H., Ford, S., &amp; Green, J. (2013).</strong> <em>Izplatāmi mediji: vērtības un nozīmes radīšana tīkla kultūrā.</em> Ņujorka: NYU Press.\n</li>\n<li><strong>Lee, J., &amp; Umback, J. (2026).</strong>\nVīrusveida pagrieziens: pārdomājot vīrusveidību TikTok radītāju ekonomikā. <em>Continuum</em>\n, 1–26. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1080&#x2f;10304312.2026.2625794\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1080/10304312.2026.2625794</a>\n</li>\n<li><strong>Maarouf, A., Pröllochs, N., &amp; Feuerriegel, S. (2024).</strong>\nNaida runas vīrusveidīgums sociālajos tīklos. <em>ACM konferences materiāli par cilvēka un datora mijiedarbību</em>\n, 8 (CSCW1), 1–22. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1145&#x2f;3641025\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1145/3641025</a>\n</li>\n<li><strong>Rathje, S., Van Bavel, J. J., &amp; van der Linden, S. (2021).</strong>\nNaidīgums pret ārpusgrupas cilvēkiem veicina iesaistīšanos sociālajos tīklos. <em>Nacionālās Zinātņu akadēmijas raksti</em>\n, 118(26), e2024292118. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1073&#x2f;pnas.2024292118\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1073/pnas.2024292118</a>\n</li>\n<li><strong>Rathje, S., &amp; Van Bavel, J. J. (2025).</strong>\nVīrusveida izplatīšanās psiholoģija. <em>Trends in Cognitive Sciences</em>\n, 29(10), 914–927. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1016&#x2f;j.tics.2025.06.014\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1016/j.tics.2025.06.014</a>\n</li>\n<li><strong>Rogers, E. M. (2003).</strong> <em>Inovāciju izplatība</em> (5. izdevums). Ņujorka: Free Press.\n</li>\n<li><strong>Sangiorgio, E., Cinelli, M., Cerqueti, R., &amp; Quattrociocchi, W. (2024).</strong>\nSekotāji nenosaka ziņu avotu virālo izplatību sociālajos tīklos. <em>PNAS Nexus</em>\n, 3(7), pgae257. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1093&#x2f;pnasnexus&#x2f;pgae257\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1093/pnasnexus/pgae257</a>\n</li>\n<li><strong>Schlessinger, J., Garimella, K., Jakesch, M., &amp; Eckles, D. (2023).</strong>\nAlgoritmiskās tendenču popularizēšanas ietekme: pierādījumi no koordinētām kampaņām Twitter populārākajās tēmās. <em>Starptautiskās AAAI konferences par tīmekli un sociālajiem medijiem (ICWSM) materiāli</em>\n, 17(1), 777–786. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1609&#x2f;icwsm.v17i1.22187\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1609/icwsm.v17i1.22187</a>\n</li>\n<li><strong>Schöne, J. P., Parkinson, B., &amp; Goldenberg, A. (2021).</strong>\nNegatīvisms izplatās Twitterī vairāk nekā pozitīvisms gan pēc pozitīvām, gan negatīvām politiskām situācijām. <em>Affective Science</em>\n, 2(4), 379–390. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1007&#x2f;s42761-021-00057-7\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1007/s42761-021-00057-7</a>\n</li>\n</ul></div>\n</div>\n</div>\n<h3>Pārneses efekti un epistēmiskā „mazgāšana”</h3>\n<p>Process, kurā informācija, kas kļūst redzama vienā informācijas vidē — vai nu mākslīgas pastiprināšanas, tendenču vai redakcionālās atlases rezultātā — tiek pārņemta un tālāk izplatīta citās informācijas vidēs vai informācijas piekļuves sistēmās, tādējādi sasniedzot auditoriju ārpus sākotnējās vides.</p>\n<p>Pārneses efekts var rasties žurnālistiskās reportāžas, platformu starpā notiekošas dalīšanās, redakcionālās atlases vai lietotāju veiktas pārdales rezultātā.</p>\n<p>→ Zinātniskā forumā dalīts pētījuma rezultāts var tikt apspriests sociālajos tīklos un apkopots ar AI palīga palīdzību. <br>→ Tēma, ko sociālo tīklu platformā mākslīgi pastiprinājuši roboti, var tikt pārņemta žurnālistu vidū.</p>\n<p>→ Pārneses efekts var palielināt gan uzticamas, gan neuzticamas informācijas sasniedzamību un var radīt iespaidu, ka informācija ir plašāk atzīta, nekā tā bija sākotnēji.</p>\n<h4>Epistēmiskā „mazgāšana”</h4>\n<p>Pārneses efekts ne vienmēr saglabā informācijas acīmredzamo statusu. Ja uztverošais kanāls raida spēcīgākus autoritātes vai uzticamības signālus nekā izcelsmes kanāls — akadēmiskais formāts, recenzēšana, oficiāla publikācija —, informācija pati par sevi var tikt uztverta kā uzticamāka vienkārši tādēļ, ka tā ir pārvietota. Šo efektu sauc par epistēmisko „mazgāšanu”: informācija iegūst uzticamības iespaidu, ceļojot pa kanāliem, bez jebkādām faktiskām izmaiņām pamatā esošajos apgalvojumos vai pierādījumos. Tas izmanto saņēmēju tendenci attiecināt kanāla, kurā viņi sastopas ar informāciju, uzticamību uz pašu informāciju.</p>\n<p>→ Apgalvojums, kas cēlies no anonīma bloga ieraksta, var tikt citēts priekšizdevumā, reproducēts mākslīgā intelekta ģenerētā atbildē un beidzot citēts recenzētā rakstā — katrā posmā iegūstot akadēmisku izskatu un šķietamu autoritāti, kamēr pamatā esošais apgalvojums paliek nemainīgs vai nepārbaudīts.</p>\n<div class=\"scilmi-callout scilmi-callout-success\">\n<div class=\"scilmi-callout-row\" aria-label=\"Success\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" clip-rule=\"evenodd\" d=\"M12 20C16.4183 20 20 16.4183 20 12C20 7.58172 16.4183 4 12 4C7.58172 4 4 7.58172 4 12C4 16.4183 7.58172 20 12 20ZM9.26825 11.3599L10.9587 13.3885L14.7 8.40006C15.0314 7.95823 15.6582 7.86869 16.1 8.20006C16.5419 8.53143 16.6314 9.15823 16.3 9.60006L11.8 15.6001C11.4128 16.1164 10.645 16.1361 10.2318 15.6402L7.7318 12.6402C7.37824 12.216 7.43556 11.5854 7.85984 11.2318C8.28412 10.8783 8.91468 10.9356 9.26825 11.3599Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><p>Gēteborgas Universitātes komanda, ko vadīja medicīnas pētnieks, izdomāja viltus ādas slimību ar nosaukumu „Bixonimania”, lai pārbaudītu, vai AI sistēmas uzsūc un atkārto medicīnisko dezinformāciju. Viņi to prezentēja kā iespējamo slimību, kas saistīta ar ekrānu izstaroto zilo gaismu, ar tādiem simptomiem kā sāpošas, niezošas acis un rozā nokrāsa uz plakstiņiem. Pēc tam viņi izveidoja apzināti viltotus, akadēmiski izskatošus priekšizdevumus, kuros bija ievietoti acīmredzami brīdinājuma signāli — izdomāts autors ar AI ģenerētu fotogrāfiju, neeksistējoša universitāte un atsauces uz Zvaigžņu flotes akadēmiju un USS Enterprise. Žurnāls Nature ziņoja, ka priekšizdevumi kopš tā laika ir noņemti no Preprints.org. Dažu nedēļu laikā lielākie AI čatboti sāka reproducēt Bixonimāniju kā reālu medicīnisku stāvokli, dažos gadījumos piedāvājot lietotājiem izskaidrojošus vai ar veselību saistītus padomus. Paralēli viltotais materiāls tika citēts vismaz vienā publicētā rakstā, kas kopš tā laika ir atsaukts, žurnālā <em>„Cureus”</em>, ko izdod „Springer Nature”. Izplatīšanās: ieraksti blogos → viltots priekšizdevums → tīmekļa indeksatori → AI čatbota atbildes → akadēmiskā citēšana</p></div>\n</div>\n</div>\n<div class=\"scilmi-callout scilmi-callout-info\">\n<div class=\"scilmi-callout-row\" aria-label=\"Info\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" d=\"M20 12C20 7.58172 16.4183 4 12 4C7.58172 4 4 7.58172 4 12C4 16.4183 7.58172 20 12 20C16.4183 20 20 16.4183 20 12ZM11 8C11 8.55228 11.4477 9 12 9C12.5523 9 13 8.55228 13 8C13 7.44772 12.5523 7 12 7C11.4477 7 11 7.44772 11 8ZM12 10C13 10 13 11 13 11V16C13 16 13 17 12 17C11 17 11 16 11 16V11C11 11 11 11 10.5 11C10 11 10 10 10 10H12Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><p>Stokel-Walker, C. (2026). Zinātnieki izdomāja viltus slimību. AI cilvēkiem teica, ka tā ir reāla. Nature, 652(8110), 559-561. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1038&#x2f;d41586-026-01100-y\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1038/d41586-026-01100-y</a></p></div>\n</div>\n</div>\n<h1>Informācijas sašaurināšana</h1>\n<p>Kamēr <em>informācijas paplašināšana</em> (sk. iepriekš) apraksta, kā redzamība tiek paplašināta visos lietotāju kontos, <em>informācijas sašaurināšana</em> apraksta pretējo: kā tiek ierobežots perspektīvu klāsts, kas sasniedz atsevišķu lietotāju vai sociālo grupu. Šo sašaurināšanu rada divi atšķirīgi mehānismi — <em>filtrēšanas burbulis</em> (algoritmiska personalizācija) un <em>atskaņošanas kamera</em> (lietotāja pašizvēle). Abas šīs parādības populārajā diskursā bieži tiek sajauktas, taču tās darbojas atšķirīgi.</p>\n<h2>Filtrēšanas burbulis</h2>\n<p><strong>Filtra burbulis</strong> ir izolēta informācijas vide, ko rada <em>algoritmiskā personalizācija</em>, kurā lietotājs arvien vairāk tiek pakļauts saturam, kas atbilst viņa secinātajām preferencēm un iepriekšējai uzvedībai, savukārt saturs, kas no tā atšķiras, tiek izfiltrēts — parasti bez lietotāja zināšanas. Šo terminu ieviesa Eli Pariser (2011), lai aprakstītu, kā personalizācijas algoritmi Google, Facebook un līdzīgās platformās var radīt sistemātiskas saskarsmes asimetrijas, pamatojoties uz lietotāja signāliem, piemēram, klikšķu vēsturi, atrašanās vietu un profila datiem.</p>\n<p>Filtra burbuļa raksturīgākā iezīme ir <em>lietotāja puses neapzinātība</em>: šaurināšanās rodas platformas optimizācijas dēļ, nevis lietotāja apzinātas avotu izvēles dēļ.</p>\n<div class=\"scilmi-callout scilmi-callout-warning\">\n<div class=\"scilmi-callout-row\" aria-label=\"Warning\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" clip-rule=\"evenodd\" d=\"M12 20C7.58172 20 4 16.4183 4 12C4 7.58172 7.58172 4 12 4C16.4183 4 20 7.58172 20 12C20 16.4183 16.4183 20 12 20ZM12 15C12.5523 15 13 15.4477 13 16C13 16.5523 12.5523 17 12 17C11.4477 17 11 16.5523 11 16C11 15.4477 11.4477 15 12 15ZM12 14C13 14 13 13 13 13L13 10.5L13 8C13 8 13 7 12 7C11 7 11 8 11 8L11 13C11 13 11 14 12 14Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><p>Empīriskie pētījumi ir ievērojami precizējuši Pariser sākotnējo tēzi. Pētījumi liecina, ka algoritmiskā personalizācija patiešām ietekmē to, ko lietotāji redz, taču lielākā daļa lietotāju joprojām sastopas ar ideoloģiski daudzveidīgu saturu — daļēji tāpēc, ka viņu pašu sociālajos tīklos ir pārstāvēti dažādi viedokļi, un daļēji tāpēc, ka algoritmi neizolē tik pilnīgi, kā liecina populārais diskurss (Bakshy et al., 2015; Flaxman et al., 2016; Bruns, 2019). Filtra burbuļa efekts ir reāls, bet parasti vājāks, nekā parasti tiek pieņemts; selektīvā saskare pirms interneta laikmeta (piemēram, avīžu vai TV kanālu izvēle) daudzos gadījumos bija spēcīgāka.</p></div>\n</div>\n</div>\n<div class=\"scilmi-callout scilmi-callout-info\">\n<div class=\"scilmi-callout-row\" aria-label=\"Info\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" d=\"M20 12C20 7.58172 16.4183 4 12 4C7.58172 4 4 7.58172 4 12C4 16.4183 7.58172 20 12 20C16.4183 20 20 16.4183 20 12ZM11 8C11 8.55228 11.4477 9 12 9C12.5523 9 13 8.55228 13 8C13 7.44772 12.5523 7 12 7C11.4477 7 11 7.44772 11 8ZM12 10C13 10 13 11 13 11V16C13 16 13 17 12 17C11 17 11 16 11 16V11C11 11 11 11 10.5 11C10 11 10 10 10 10H12Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><ul>\n<li>Pariser, E. (2011). <em>Filtra burbulis: ko internets slēpj no jums</em>. Penguin Press.\n</li>\n<li>\nBakshy, E., Messing, S., &amp; Adamic, L. A. (2015). Saskare ar ideoloģiski daudzveidīgām ziņām un viedokļiem Facebook. <em>Science</em>\n, 348(6239), 1130–1132. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1126&#x2f;science.aaa1160\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1126/science.aaa1160</a>\n</li>\n<li>\nFlaxman, S., Goel, S., &amp; Rao, J. M. (2016). Filtrēšanas burbuļi, rezonanses telpas un ziņu patēriņš internetā. <em>Public Opinion Quarterly</em>\n, 80(S1), 298–320. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1093&#x2f;poq&#x2f;nfw006\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1093/poq/nfw006</a>\n</li>\n<li>Bruns, A. (2019). <em>Vai filtrēšanas burbuļi ir reāli?</em> Polity Press.\n</li>\n</ul></div>\n</div>\n</div>\n<h2>Atbalss kamera</h2>\n<p><strong>Atbalss kamera</strong> ir sociālā informācijas vide, kurā lietotājs galvenokārt saskaras ar viedokļiem, apgalvojumiem vai ideoloģijām, kas nostiprina viņa esošos uzskatus, kamēr atšķirīgi viedokļi ir neesoši, tiek noraidīti vai aktīvi diskreditēti. Cass Sunstein (2017) apraksta politiskās sekas: kad grupas izolējas no ārējiem viedokļiem, iekšējie uzskati laika gaitā pastiprinās un kļūst ekstrēmāki (grupas polarizācija).</p>\n<p>Atšķirībā no <em>filtrēšanas burbuļa</em>, kas rodas no algoritmiskas personalizācijas, atbalss kamera galvenokārt rodas no <strong>lietotāja pašizvēles</strong>: izvēles par to, kam sekot, kurām kopienām pievienoties, kuriem avotiem uzticēties un kuras balsis noraidīt. Šīs izvēles daļēji nosaka <em>apstiprinājuma tendence</em> — kognitīvā tendence meklēt un uzticēties informācijai, kas saskan ar esošajiem uzskatiem. Pastiprinošais efekts rodas no pašas sociālās struktūras, nevis no neredzamas algoritmiskas filtrēšanas.</p>\n<p>C. Thi Nguyen (2020) izdala konceptuālu atšķirību, kas ir svarīga intervences kontekstā:</p>\n<ul>\n<li><strong>Epistēmiskā burbuļa</strong> ir sociālā struktūra, kurā vienkārši nav citu nozīmīgu viedokļu. Tās iedzīvotāji nedzird pretējus viedokļus, bet arī tos aktīvi nenoraida.\n</li>\n<li><strong>Eho kamera</strong> stingrā nozīmē ir sociālā struktūra, kurā citas būtiskas balsis tiek <em>aktīvi diskreditētas</em>. Tās dalībnieki var dzirdēt pretējus viedokļus, bet iemācās neuzticēties to avotiem.\n</li>\n</ul>\n<p>Epistēmisko burbuli var atvērt, ieviešot jaunu informāciju; atskaņošanas kamera pretojas korekcijai pat tad, ja tiek sniegti ārēji pierādījumi, jo šo pierādījumu avoti jau ir zaudējuši leģitimitāti.</p>\n<div class=\"scilmi-callout scilmi-callout-warning\">\n<div class=\"scilmi-callout-row\" aria-label=\"Warning\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" clip-rule=\"evenodd\" d=\"M12 20C7.58172 20 4 16.4183 4 12C4 7.58172 7.58172 4 12 4C16.4183 4 20 7.58172 20 12C20 16.4183 16.4183 20 12 20ZM12 15C12.5523 15 13 15.4477 13 16C13 16.5523 12.5523 17 12 17C11.4477 17 11 16.5523 11 16C11 15.4477 11.4477 15 12 15ZM12 14C13 14 13 13 13 13L13 10.5L13 8C13 8 13 7 12 7C11 7 11 8 11 8L11 13C11 13 11 14 12 14Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><p>Empīriski pētījumi liecina, ka spēcīgas, ideoloģiski izolētas atskaņošanas telpas ir retākas, nekā liecina populārais diskurss (Cinelli et al., 2021; Guess et al., 2018), bet tur, kur tās pastāv, tās var būt ļoti izturīgas pret korekcijām. Vienkārša vienprātība grupas iekšienē pati par sevi nav atskaņošanas telpa — tās raksturīgā iezīme ir ārējo viedokļu aktīva izslēgšana vai diskreditēšana.</p></div>\n</div>\n</div>\n<div class=\"scilmi-callout scilmi-callout-info\">\n<div class=\"scilmi-callout-row\" aria-label=\"Info\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" d=\"M20 12C20 7.58172 16.4183 4 12 4C7.58172 4 4 7.58172 4 12C4 16.4183 7.58172 20 12 20C16.4183 20 20 16.4183 20 12ZM11 8C11 8.55228 11.4477 9 12 9C12.5523 9 13 8.55228 13 8C13 7.44772 12.5523 7 12 7C11.4477 7 11 7.44772 11 8ZM12 10C13 10 13 11 13 11V16C13 16 13 17 12 17C11 17 11 16 11 16V11C11 11 11 11 10.5 11C10 11 10 10 10 10H12Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><ul>\n<li>Sunstein, C. R. (2017). <em>#Republic: Divided Democracy in the Age of Social Media</em>. Princeton University Press.\n</li>\n<li>\nNguyen, C. T. (2020). Echo chambers and epistemic bubbles. <em>Episteme</em>\n, 17(2), 141–161. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1017&#x2f;epi.2018.32\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1017/epi.2018.32</a>\n</li>\n<li>\nCinelli, M., De Francisci Morales, G., Galeazzi, A., Quattrociocchi, W., &amp; Starnini, M. (2021). Atbalss kameras efekts sociālajos tīklos. <em>PNAS</em>\n, 118(9), e2023301118. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1073&#x2f;pnas.2023301118\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1073/pnas.2023301118</a>\n</li>\n<li>Guess, A., Lyons, B., Nyhan, B., &amp; Reifler, J. (2018). <em>Kā izvairīties no „atskaņošanas kameras” par „atskaņošanas kamerām”: kāpēc selektīva saskare ar līdzīgi domājošu politisko ziņu avotiem ir mazāk izplatīta, nekā jūs domājat</em>. Knight Foundation baltais dokuments.\n</li>\n</ul></div>\n</div>\n</div>","UPDATEDAT":"2026-05-08T06:56:38.108Z","LANG":"lv","ID":"3b24684f-982f-46f5-bc94-0c5e6b459760","TITLE":"Informācijas aprite un redzamība","SOURCELANG":"en"}