{"CACHEDAT":"2026-05-13 11:14:38","TRANSLATEDAT":"2026-05-13 11:14:38","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>Visibilidade e destaque da informação</h1>\n<p>A visibilidade da informação refere-se ao facto de — e com que destaque — itens de informação, tópicos, fontes ou contas específicos aparecem aos utilizadores em ambientes digitais. A informação que existe no índice ou na rede de uma plataforma não chega automaticamente a todos os utilizadores, nem chega a todos da mesma forma.</p>\n<p>A visibilidade é o resultado de duas forças que interagem:</p>\n<ul>\n<li>como a informação é divulgada (partilha, redistribuição, difusão) e\n</li>\n<li>a forma como é destacada, relegada ou filtrada.\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>Distinguir fiabilidade e visibilidade é essencial para a literacia informacional.</strong></p>\n<ul>\n<li><strong>A fiabilidade</strong> depende de quem criou um item (autor) e de como foi editado (revisão editorial) — não de quem o partilhou, do ambiente em que apareceu ou da proeminência com que foi apresentado.\n</li>\n<li><strong>A visibilidade</strong> depende de quem partilha um item, dos mecanismos que o destacam e das práticas através das quais é amplificado. A visibilidade não é uma medida de fiabilidade.\n<p>Por exemplo, um artigo retweetado: a conta que o partilhou e a plataforma que o destacou influenciaram a sua visibilidade — mas o artigo tem o seu próprio autor e histórico editorial, cuja fiabilidade deve ser avaliada separadamente.</p>\n</li>\n</ul></div>\n</div>\n</div>\n<h1>Circulação de informação: partilha, reencaminhamento, ligação, republicação, citação</h1>\n<p>Pessoas, contas (incluindo bots) e organizações fazem circular itens de informação existentes através da partilha, reencaminhamento, ligação, republicação, citação ou qualquer outra forma de redistribuição.</p>\n<p>→ Quando um item é transmitido com comentários, interpretações ou reformulações adicionais, é criado um novo item de informação com um novo autor.</p>\n<h1>Promoção e visibilidade da informação impulsionadas pela fonte</h1>\n<p>Práticas iniciadas pelas fontes — aqueles que criam, publicam ou promovem itens de informação. As fontes incluem utilizadores individuais, criadores de conteúdo, organizações, anunciantes e operadores de sites. Ao contrário dos mecanismos orientados pela plataforma, estas práticas são impulsionadas pelas próprias fontes, que decidem como tornar o seu conteúdo visível. Funcionam de duas formas: adaptando o conteúdo aos sistemas de classificação das plataformas (Alcance, Endereçamento Direto, SEO, SMO, Otimização Específica da Plataforma) ou pagando diretamente pela colocação (Colocações Pagas).</p>\n<h2>Alcance da conta</h2>\n<p>A dimensão e a estrutura do público potencial de quem partilha.</p>\n<p>Vários fatores determinam o alcance:</p>\n<ul>\n<li>#### número de seguidores ou assinantes\n</li>\n<li>#### estado de verificação\n</li>\n<li>#### reputação da conta: idade, histórico de interação, reputação na plataforma\n</li>\n</ul>\n<p>O alcance afeta a visibilidade de duas maneiras:</p>\n<ul>\n<li><em>diretamente</em>: as publicações partilhadas por contas de grande alcance aparecem em mais feeds no momento da partilha\n</li>\n<li><em>indiretamente</em>: as contas de grande alcance geram mais sinais de interação, que os algoritmos da plataforma utilizam para elevar os conteúdos na classificação (→ Controlo algorítmico)\n</li>\n</ul>\n<p>→ O alcance varia muito: uma conta privada com 100 seguidores e uma conta pública com um milhão de seguidores operam em escalas de influência sobre a visibilidade fundamentalmente diferentes.</p>\n<h2>Endereçamento direto</h2>\n<p>Mecanismos através dos quais quem partilha direciona destinatários específicos, produzindo destaque imediato para esses utilizadores através de notificações da plataforma.</p>\n<p>Exemplos:</p>\n<ul>\n<li>#### @menções\n</li>\n<li>#### marcações (em fotos, publicações ou tópicos)\n</li>\n<li>#### retuítes com citação e menções em respostas\n</li>\n<li>#### mensagens diretas em grupo\n</li>\n<li>#### endereçamento de listas de correio (Para, CC)\n</li>\n</ul>\n<p>→ O endereçamento direto difere da partilha normal: o utilizador visado recebe o item diretamente através de uma notificação, independentemente de o ter encontrado ou não no seu feed.</p>\n<p>→ O endereçamento direto é um mecanismo híbrido. Funciona do lado do utilizador, mas opera através da infraestrutura da plataforma (sistemas de notificação). O seu efeito é a destaque imediato para o utilizador destinatário.</p>\n<h2>Otimização para Motores de Busca (SEO)</h2>\n<p>Práticas do lado da fonte para adaptar <strong>sites</strong> — o seu conteúdo, metadados e estrutura de links — de modo a que obtenham uma classificação mais proeminente nos <strong>resultados dos motores de busca de uso geral</strong> (Google, Bing, DuckDuckGo, etc.).</p>\n<p>As práticas comuns incluem:</p>\n<ul>\n<li>pesquisa de palavras-chave e integração em títulos, cabeçalhos e corpo do texto\n</li>\n<li>otimização de metadados (tags de título, meta descrições, texto alternativo)\n</li>\n<li>criação de links (aquisição de links de entrada de sites de referência)\n</li>\n<li>estrutura do site e links internos\n</li>\n<li>velocidade da página e compatibilidade com dispositivos móveis\n</li>\n<li>produção de conteúdo que corresponda à intenção de pesquisa\n</li>\n</ul>\n<p>→ O SEO é a disciplina de otimização mais formalizada, uma vez que os sinais de classificação dos motores de busca são relativamente estáveis e bem documentados (Lewandowski et al.). Profissionais especializados em SEO, agências e ferramentas apoiam a sua prática.</p>\n<p>→ O SEO não altera a forma como os motores de busca classificam as páginas — adapta o site para se adequar aos critérios de classificação existentes. Os editores podem moldar o que o algoritmo vê, mas não a forma como este decide.</p>\n<h2>Otimização de Redes Sociais (SMO)</h2>\n<p>Práticas do lado da fonte para maximizar a visibilidade, o envolvimento e a partilha de conteúdos em plataformas de redes sociais.</p>\n<p>As práticas comuns incluem:</p>\n<ul>\n<li>estratégias de hashtags (tags em destaque ou específicas de um tema)\n</li>\n<li>tempo de publicação (quando o público-alvo está ativo)\n</li>\n<li>escolhas de formato de conteúdo (vídeos curtos, carrosséis, reels)\n</li>\n<li>concepção de títulos e ganchos (para captar rapidamente a atenção)\n</li>\n<li>incentivo ao envolvimento (perguntas, sondagens, chamadas à ação)\n</li>\n<li>reutilização de conteúdo em várias plataformas\n</li>\n</ul>\n<p>→ O SMO é menos formalizado do que o SEO porque os sinais de classificação nas redes sociais são mais opacos e específicos de cada plataforma. As práticas mudam à medida que os algoritmos mudam.</p>\n<h2>Otimização específica para cada plataforma</h2>\n<p>Estratégias de otimização adaptadas às convenções e lógicas de classificação de plataformas individuais — para além dos princípios gerais de SEO ou SMO.</p>\n<ul>\n<li>TikTok: cativar os espectadores nos primeiros três segundos, utilizando sons em voga, vídeos curtos na vertical\n</li>\n<li>Instagram: imagens de alta qualidade, estratégia que privilegia os Reels, combinação de hashtags\n</li>\n<li>YouTube: design de miniaturas, otimização do tempo de visualização, títulos e descrições ricos em palavras-chave\n</li>\n<li>LinkedIn: publicações profissionais de formato longo, publicação nativa, interação em rede\n</li>\n<li>X (Twitter): ganchos concisos, threads, responder a contas de grande alcance\n</li>\n</ul>\n<p>→ A otimização específica para cada plataforma requer a compreensão do sistema de classificação, do comportamento do público e das preferências de formato de conteúdo de cada plataforma. O que funciona no TikTok raramente funciona no LinkedIn.</p>\n<h2>Posicionamentos pagos e publicidade</h2>\n<p>Prática do lado da fonte de pagar pela visibilidade — conteúdo patrocinado colocado ao lado de conteúdo orgânico, normalmente através de publicidade.</p>\n<p>Formas comuns:</p>\n<ul>\n<li>resultados de pesquisa patrocinados (anúncios em motores de busca)\n</li>\n<li>publicações patrocinadas e conteúdo promovido (redes sociais)\n</li>\n<li>anúncios gráficos (banners, vídeos)\n</li>\n<li>parcerias com influenciadores (colaborações pagas)\n</li>\n</ul>\n<p>→ As colocações pagas contornam os sistemas de classificação orgânica: em vez de otimizar o conteúdo para obter uma boa classificação, a fonte paga diretamente à plataforma pela colocação.</p>\n<p>→ Por vezes, são claramente identificados («Patrocinado», «Anúncio»), outras vezes são apenas ligeiramente distinguíveis dos resultados orgânicos. As normas de identificação variam consoante a jurisdição e a plataforma.</p>\n<h1>Promoção e filtragem de informação por parte da plataforma</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>O que os utilizadores realmente veem raramente é o resultado de um único mecanismo. Num motor de busca, uma lista de resultados orgânicos ordenada algoritmicamente é apresentada juntamente com posicionamentos pagos, resumos gerados por IA e, por vezes, destaques editoriais — e os sinais de classificação subjacentes podem ser deliberadamente influenciados através da <em>Otimização para Motores de Busca</em>. Num feed de redes sociais, as publicações classificadas algoritmicamente aparecem ao lado de conteúdo patrocinado, contas recomendadas e sobreposições de tendências. Cada componente segue a sua própria lógica e contribui para um resultado de visibilidade composto.</p></div>\n</div>\n</div>\n<h2>Curadoria editorial</h2>\n<p>Curadoria manual do lado da plataforma: itens de informação deliberadamente destacados por equipas editoriais ou operadores da plataforma, em vez de surgirem através de uma classificação algorítmica.</p>\n<p>Exemplos:</p>\n<ul>\n<li>trechos em destaque nos resultados de pesquisa\n</li>\n<li>secções de tendências com curadoria\n</li>\n<li>artigos selecionados por editores em agregadores de notícias\n</li>\n<li>hashtags promovidas pela plataforma\n</li>\n<li>Escolhas do editor nas lojas de aplicações\n</li>\n<li>criadores ou contas em destaque\n</li>\n</ul>\n<p>→ Os destaques editoriais coexistem com os mecanismos algorítmicos e refletem os próprios critérios da plataforma sobre quais conteúdos merecem destaque.</p>\n<p>→ Ao contrário do controlo algorítmico (curadoria e personalização), o controlo editorial envolve escolhas editoriais humanas feitas pela própria plataforma. Funcionalmente, trata-se de uma forma de <em>controlo editorial</em> — realizada pela plataforma em vez de por editores tradicionais.</p>\n<h2>Filtragem algorítmica</h2>\n<p><strong>A filtragem algorítmica</strong> refere-se ao papel dos algoritmos na decisão de quais itens de informação chegam a quais utilizadores — a contraparte digital da <em>filtragem editorial</em> (→ Informação, Fontes e Ambientes de Informação → Revisão Editorial). Envolve tanto <strong>a seleção</strong> (o que é apresentado e bem classificado) como <strong>a exclusão</strong> (o que é filtrado, rebaixado ou ocultado).</p>\n<p>O gatekeeping algorítmico opera em diferentes tipos de plataformas:</p>\n<ul>\n<li>nos <strong>motores de busca</strong>, os algoritmos selecionam e ordenam os resultados com base nas consultas\n</li>\n<li>nos <strong>feeds das redes sociais</strong>, os algoritmos decidem quais as publicações que aparecem com maior destaque\n</li>\n<li>nas <strong>plataformas de vídeo</strong>, os algoritmos sugerem o que ver a seguir\n</li>\n<li>em <strong>sistemas de resposta baseados em IA</strong>, os algoritmos geram, resumem ou sintetizam respostas\n</li>\n</ul>\n<p>A filtragem algorítmica funciona em dois modos que muitas vezes atuam em conjunto: operações gerais aplicadas a todos os utilizadores (<em>Curadoria Algorítmica</em>) e personalização individual com base em sinais de utilizador monitorizados (<em>Personalização Algorítmica</em>).</p>\n<h3>Curadoria Algorítmica</h3>\n<p>Operações algorítmicas gerais aplicadas a todos os utilizadores — determinam quais as informações disponíveis na plataforma, independentemente de quem é o utilizador.</p>\n<ul>\n<li><strong>Rastreamento e indexação</strong>\n— <em>Que itens de informação ficam disponíveis para exibição?</em>\n<ul>\n<li>motores de busca a rastrear a web\n</li>\n<li>agregadores de conteúdo a indexar fontes de notícias\n</li>\n<li>lojas de aplicações a catalogar as aplicações disponíveis\n</li>\n</ul>\n</li>\n<li><strong>Filtragem e moderação</strong>\n— <em>Que itens são bloqueados ou rebaixados nas classificações de acordo com as regras da plataforma?</em>\n<ul>\n<li>filtros de spam\n</li>\n<li>remoção de conteúdo que viola as políticas (discurso de ódio, conteúdo ilegal, material gráfico)\n</li>\n<li>desclassificação de material de baixa qualidade ou enganador\n</li>\n</ul>\n</li>\n<li><strong>Pontuação de qualidade</strong>\n— <em>Quais as fontes ou itens são avaliados como mais credíveis ou de maior qualidade?</em>\n<ul>\n<li>motores de busca que penalizam sites de baixa qualidade\n</li>\n<li>agregadores de notícias que classificam por autoridade da fonte\n</li>\n<li>classificação influenciada pela revisão por pares em motores de busca académicos\n</li>\n</ul>\n</li>\n<li><strong>Detecção de tendências</strong>\n— <em>Que itens são apresentados como atualmente populares?</em>\n<ul>\n<li>tópicos em destaque nas plataformas sociais\n</li>\n<li>tabelas de sucesso em serviços de streaming\n</li>\n<li>Secções «O que está a acontecer» e «Manchetes de hoje»\n</li>\n<li>hashtags populares\n</li>\n</ul>\n</li>\n</ul>\n<p>→ A curadoria algorítmica define o <em>conjunto</em> de informações disponíveis na plataforma. Funciona, em grande parte, da mesma forma para todos os utilizadores.</p>\n<h3>Personalização algorítmica</h3>\n<p>Operações algorítmicas que adaptam a seleção, a ordem e a apresentação da informação a cada utilizador com base nos sinais que lhes são atribuídos. Estes sinais acumulam-se ao longo do tempo, formando os históricos dos utilizadores que os algoritmos utilizam.</p>\n<p>→ Dois utilizadores na mesma plataforma — mesmo com a mesma pesquisa — normalmente veem conteúdos substancialmente diferentes.</p>\n<ul>\n<li><strong>Classificação personalizada</strong>\n— <em>Que itens são apresentados em posições mais altas para este utilizador?</em>\n<ul>\n<li>resultados de pesquisa personalizados (localização, histórico, ordenação do perfil)\n</li>\n<li>ordenação de feeds nas redes sociais (feeds «Para si», «Publicações mais populares»)\n</li>\n<li>classificação baseada no envolvimento — otimização para interação prevista, dominante nas redes sociais\n</li>\n</ul>\n</li>\n<li><strong>Recomendações</strong>\n— <em>Que itens são sugeridos a este utilizador para além daqueles que solicitou ativamente?</em>\n<ul>\n<li>Listas de vídeos «Recomendados para si»\n</li>\n<li>contas, grupos ou tópicos sugeridos para seguir\n</li>\n<li>&quot;Pessoas que talvez conheça&quot;\n</li>\n<li>artigos relacionados, produtos semelhantes, «A seguir»\n</li>\n</ul>\n</li>\n<li><strong>Publicidade personalizada</strong>\n— <em>Que anúncios são direcionados a este utilizador?</em>\n<ul>\n<li>anúncios de pesquisa adaptados a pesquisas anteriores\n</li>\n<li>publicações patrocinadas nas redes sociais com base no perfil e no comportamento\n</li>\n<li>anúncios gráficos redirecionados em sites\n</li>\n<li>parcerias com influenciadores de acordo com os interesses do público\n</li>\n</ul>\n</li>\n</ul>\n<p>→ Dois utilizadores na mesma plataforma — mesmo com a mesma pesquisa — normalmente veem conteúdos substancialmente diferentes.</p>\n<p>→ A personalização cria um <strong>ciclo de retroalimentação</strong>: o que os utilizadores fazem afeta o que vêem a seguir, e o que vêem a seguir pode influenciar o que fazem.</p>\n<h4>☑ Sinais do utilizador monitorizados pela plataforma para personalização algorítmica</h4>\n<p>Ações que um utilizador realiza — ativa ou passivamente — dentro de um canal de informação que podem ser rastreadas e utilizadas por algoritmos para personalizar a seleção e a visibilidade de itens de informação.</p>\n<p>→ As ações do utilizador não se limitam a interações deliberadas, como clicar ou gostar. Muitas ações são passivas ou automáticas, como o tempo que um utilizador permanece numa página, até onde percorre a página ou onde se encontra. Os utilizadores muitas vezes não têm consciência de que estas ações influenciam o que irão encontrar a seguir.</p>\n<table><thead><tr>\n<th>Tipo</th>\n<th>O que é</th>\n<th>Exemplos</th>\n</tr></thead><tbody>\n<tr>\n<td><strong>Feedback explícito</strong></td>\n<td>Interações deliberadas que o utilizador opta por realizar</td>\n<td>- pesquisas / consultas de<br>pesquisa-<br>cliques- gostos /<br>reações- comentários /<br>respostas- partilhas / repostagens /<br>reencaminhamentos- seguir /<br>subscrever- guardar / marcar-<br>avaliações /<br>comentários- compras / downloads</td>\n</tr>\n<tr>\n<td><strong>Comportamento implícito</strong></td>\n<td>Sinais comportamentais passivos captados durante a utilização</td>\n<td>- tempo de visualização / tempo de audição / tempo de<br>permanência - comportamento de deslocamento (até onde, a que velocidade)<br>- comportamento ao passar<br>o cursor - comportamento de saltar</td>\n</tr>\n<tr>\n<td><strong>Dados contextuais</strong></td>\n<td>Informações sobre a situação em que o utilizador está a aceder à plataforma</td>\n<td>- dados de localização do utilizador enquanto utiliza a aplicação<br>- tipo de dispositivo (por exemplo, telemóvel ou computador portátil)<br>- hora de acesso</td>\n</tr>\n<tr>\n<td><strong>Dados da conta e dados sociais</strong></td>\n<td>Informações do perfil do utilizador e das suas ligações sociais</td>\n<td>- informações do perfil (idade, interesses, profissão, género)<br>- definições<br>de idioma - contas<br>associadas - lista de contactos / agenda</td>\n</tr>\n</tbody></table>\n<div class=\"scilmi-callout scilmi-callout-info\">\n<div class=\"scilmi-callout-row\" aria-label=\"Info\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" d=\"M20 12C20 7.58172 16.4183 4 12 4C7.58172 4 4 7.58172 4 12C4 16.4183 7.58172 20 12 20C16.4183 20 20 16.4183 20 12ZM11 8C11 8.55228 11.4477 9 12 9C12.5523 9 13 8.55228 13 8C13 7.44772 12.5523 7 12 7C11.4477 7 11 7.44772 11 8ZM12 10C13 10 13 11 13 11V16C13 16 13 17 12 17C11 17 11 16 11 16V11C11 11 11 11 10.5 11C10 11 10 10 10 10H12Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><ul>\n<li>\nAdomavicius, G., &amp; Tuzhilin, A. (2011). Sistemas de recomendação sensíveis ao contexto. Em F. Ricci, L. Rokach, B. Shapira, &amp; P. B. Kantor (Eds.), <em>Manual de Sistemas de Recomendação</em>\n(pp. 217–253). Springer. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1007&#x2f;978-0-387-85820-3_7\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1007/978-0-387-85820-3_7</a>\n</li>\n<li>\nKelly, D., &amp; Teevan, J. (2003). Feedback implícito para inferir a preferência do utilizador: Uma bibliografia. <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). Para além do explícito e do implícito: Como os utilizadores fornecem feedback para moldar o conteúdo de recomendações personalizadas. Em <em>Atas da Conferência CHI 2025 sobre Fatores Humanos em Sistemas Informáticos (CHI &#x27;25)</em>\n. Association for Computing Machinery. <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>Compreender os algoritmos de recomendação das redes sociais.</em>\nKnight First Amendment Institute, Universidade de Columbia.<a class=\"notranslate\" translate=\"no\" href=\"https&#x3a;&#x2f;&#x2f;knightcolumbia.org&#x2f;content&#x2f;understanding-social-media-recommendation-algorithms\" target=\"_blank\" rel=\"noopener\">https://knightcolumbia.org/content/understanding-social-media-recommendation-algorithms</a>\n</li>\n</ul></div>\n</div>\n</div>\n<h1>Amplificação da informação</h1>\n<p>A amplificação refere-se ao aumento sistemático da visibilidade de um item para além do nível do utilizador individual — para produzir uma ampla visibilidade entre contas de utilizadores e, por vezes, entre ambientes de informação.</p>\n<p>Enquanto <em>a Promoção Orientada pela Fonte</em> (acima) abrange o que uma única fonte faz para ganhar visibilidade, e <em>o Controlo de Acesso pelo Lado da Plataforma</em> (acima) descreve as operações algorítmicas através das quais as plataformas apresentam e classificam conteúdos para utilizadores individuais, <em>a Amplificação</em> refere-se aos <em>resultados</em> de <em>aumento em escala</em> — produzidos quer como o efeito agregado dessas operações da plataforma (→ <em>Amplificação Algorítmica</em>), quer através de atividades coordenadas por múltiplos atores (→ <em>Amplificação Coordenada</em>).</p>\n<h2>Mecanismos de Amplificação</h2>\n<p>A Amplificação opera através de dois mecanismos principais.</p>\n<ul>\n<li><strong>A Amplificação Algorítmica</strong> é <em>impulsionada pela plataforma</em>: é o efeito agregado do <em>Controlo Algorítmico</em> — o resultado cumulativo da curadoria e personalização da plataforma sobre quais itens chegam a quais utilizadores e com que destaque.\n</li>\n<li><strong>A Amplificação Coordenada</strong> é <em>impulsionada por atores</em>: múltiplas contas, grupos ou campanhas atuam deliberadamente em conjunto para aumentar a visibilidade de um conteúdo, hashtag ou narrativa para além do que a atividade individual dos utilizadores produziria. A literatura classifica-a em duas dimensões — a <strong>coordenação</strong> (transparente ou oculta) e as <strong>contas</strong> (reais ou falsas) — e distingue-as em conformidade (Rogers &amp; Righetti, 2025):\n<ul>\n<li><strong>Amplificação Autêntica Coordenada</strong>: a coordenação é transparente e as contas são reais (por exemplo, campanhas cívicas abertas, defesa de causas, marketing).\n</li>\n<li><strong>Amplificação coordenada inautêntica/artificial</strong>: a coordenação é oculta, as contas são falsas, ou ambos — criando uma aparência de apoio orgânico (<em>Comportamento Coordenado Inautêntico</em> da Meta / CIB; Gleicher, 2018).\n</li>\n</ul>\n</li>\n</ul>\n<p>Os dois mecanismos combinam-se frequentemente. As redes coordenadas exploram a classificação baseada no envolvimento para desencadear impulsos algorítmicos; a classificação algorítmica, por sua vez, agrava a visibilidade que a coordenação já produziu.</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>Comportamento inautêntico coordenado explicado</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). Comportamento inautêntico coordenado no Facebook? Uma tipologia da atenção fabricada. <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>Amplificação algorítmica</h3>\n<p>A amplificação algorítmica é o efeito cumulativo dos mecanismos de filtragem acima referidos (Curadoria e Personalização): a definição sistemática de quais itens, tópicos, contas e formatos aparecem de forma proeminente aos utilizadores — e quais são filtrados, rebaixados ou empurrados para baixo.</p>\n<p>A investigação empírica mostra que a classificação baseada no envolvimento amplifica sistematicamente conteúdos carregados de emoção e hostis a grupos externos, mesmo quando os próprios utilizadores não preferem tais conteúdos (Milli et al., 2025). Também agrava o alcance existente: contas e itens com elevado envolvimento prévio são recompensados com maior visibilidade, produzindo distribuições de alcance altamente distorcidas (efeito «os ricos ficam mais ricos»).</p>\n<p>As intervenções algorítmicas podem ter efeitos não lineares na direção oposta também. Uma redução de cerca de 20% na proeminência de um item no feed pode reduzir o seu alcance em uma ordem de magnitude (Narayanan, 2023).</p>\n<p>A amplificação algorítmica não é um reflexo neutro da atividade do utilizador. Os seus efeitos são emergentes e visíveis principalmente no agregado: as recomendações individuais são imprecisas (as taxas de interação permanecem abaixo de 1% na maioria das plataformas), mas a classificação, a recomendação e a desclassificação moldam sistematicamente o que circula pela plataforma.</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). Envolvimento, satisfação do utilizador e a amplificação de conteúdos divisivos nas redes sociais. PNAS Nexus.\n</li>\n<li>Narayanan, A. (2023). Compreender os algoritmos de recomendação das redes sociais. Knight First Amendment Institute.\n</li>\n</ul></div>\n</div>\n</div>\n<h3>Amplificação Autêntica Coordenada</h3>\n<p>A Amplificação Autêntica Coordenada consiste no impulso deliberado de um item de informação, tópico, hashtag, conta ou narrativa através de uma atividade organizada e abertamente divulgada por contas reais. A origem coordenada não é ocultada: os participantes atuam sob as suas identidades reais ou sob afiliações a grupos conhecidos.</p>\n<p>Os contextos típicos incluem</p>\n<ul>\n<li>campanhas cívicas (por exemplo, petições de ONG, hashtags de defesa de causas),\n</li>\n<li>mobilização política (por exemplo, campanhas partidárias, esforços para incentivar o voto),\n</li>\n<li>campanhas de marketing e de marca,\n</li>\n<li>comunicações de associações profissionais e\n</li>\n<li>movimentos culturais como o Fridays for Future ou o #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>Se a mensagem subjacente é bem fundamentada, equilibrada ou parcial é uma questão à parte — <em>a autenticidade</em> refere-se apenas à transparência da coordenação, não ao valor de verdade ou à imparcialidade do conteúdo. Uma campanha autêntica pode amplificar informação precisa, informação enganosa ou uma posição parcial.</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>A coordenação autêntica e inautêntica pode produzir padrões de visibilidade que parecem idênticos do exterior — partilha sincronizada, agrupamento de hashtags, rápida aceitação. A característica distintiva não é o padrão visível, mas sim se a origem coordenada é divulgada abertamente.</p></div>\n</div>\n</div>\n<h3>Amplificação coordenada inautêntica/artificial</h3>\n<p>A Amplificação Coordenada Não Autêntica / Artificial consiste no impulso deliberado de um item de informação, tópico, hashtag, conta ou narrativa através de uma atividade organizada em que a origem coordenada é ocultada, as contas participantes são falsas, ou ambos. O objetivo é criar uma aparência de apoio orgânico e independente. O termo da Meta <em>«Comportamento Não Autêntico Coordenado»</em> (CIB) — agora incorporado na Lei dos Serviços Digitais da UE — centra-se nesta combinação de identidades falsas e métodos adversários para evitar a deteção (Gleicher, 2018; Rogers &amp; Righetti, 2025).</p>\n<p>Os contextos típicos incluem operações de influência política (patrocinadas pelo Estado ou alinhadas com partidos), campanhas de astroturfing (comerciais ou ideológicas), desinformação direcionada em torno de eleições, saúde pública ou conflitos geopolíticos, e manipulação de reputação através de críticas, classificações ou interações falsas. Os meios operacionais — <em>bots</em>, <em>trolls</em>, <em>sockpuppets</em> e as suas redes coordenadas (<em>fábricas de bots</em>, <em>fábricas de trolls</em>, <em>redes de sockpuppets</em>, <em>fábricas de cliques</em>) — são descritos em pormenor abaixo.</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>A inautenticidade</em> refere-se à ocultação da origem coordenada ou à utilização de contas falsas — não ao valor de verdade do conteúdo que está a ser amplificado. Uma rede coordenada de contas falsas pode amplificar informação precisa; um único indivíduo autêntico pode espalhar informação fabricada. A amplificação inautêntica coordenada e a disseminação de conteúdo falso são fenómenos distintos que podem ocorrer independentemente ou em conjunto.</p></div>\n</div>\n</div>\n<p>Os tipos de contas a seguir descritos nesta secção aplicam-se a todos os canais e plataformas de informação digital onde os utilizadores podem criar contas e publicar ou interagir publicamente — particularmente redes sociais, fóruns de discussão e espaços comunitários, plataformas de vídeo e áudio, e secções de comentários ou avaliações. São menos proeminentes em aplicações de comunicação privada ou em ambientes sem conteúdo gerado pelo utilizador. Aparecem tanto de forma independente como dentro de redes coordenadas. Estão aqui listadas devido ao seu papel típico na dinâmica de amplificação; as formações explicitamente coordenadas são as Redes de Contas.</p>\n<table><thead><tr>\n<th>Termo</th>\n<th>Definição</th>\n<th>Controlado por</th>\n<th>Definido por</th>\n<th>Finalidade típica</th>\n</tr></thead><tbody>\n<tr>\n<td><strong>Bot social</strong></td>\n<td>Uma conta automatizada ou parcialmente automatizada que publica, gosta, segue, partilha ou responde online.</td>\n<td>Software</td>\n<td><strong>Automação</strong></td>\n<td>Para amplificar mensagens, criar popularidade artificial, enviar spam, influenciar debates ou divulgar conteúdo em grande escala.</td>\n</tr>\n<tr>\n<td><strong>Cyborg</strong></td>\n<td>Uma conta híbrida que combina a operação humana com a automação por software.</td>\n<td>Misto: humano e software</td>\n<td><strong>Automação seletiva</strong></td>\n<td>Para combinar a escala da automação com a plausibilidade contextual da intervenção humana — para agendamento/gestão legítimos ou para operações de influência mais difíceis de detetar.</td>\n</tr>\n<tr>\n<td><strong>Troll</strong></td>\n<td>Uma pessoa ou conta que deliberadamente provoca, perturba ou exalta discussões online.</td>\n<td>Normalmente um utilizador humano; por vezes, grupos coordenados</td>\n<td><strong>Comportamento perturbador / provocador / antagónico</strong></td>\n<td>Para perturbar os outros, desviar conversas, provocar reações, espalhar hostilidade ou polarizar o debate.</td>\n</tr>\n<tr>\n<td><strong>Sockpuppet</strong></td>\n<td>Uma conta falsa utilizada por alguém para ocultar a sua identidade real ou fingir ser outra pessoa.</td>\n<td>Um utilizador humano, embora a conta também possa utilizar automação</td>\n<td><strong>Identidade enganosa</strong></td>\n<td>Para criar apoio falso, atacar outras pessoas anonimamente, contornar bloqueios, manipular o debate ou dar a impressão de um consenso independente.</td>\n</tr>\n</tbody></table>\n<h4>Bot social</h4>\n<p>Um <strong>bot social</strong> é um bot concebido para operar em plataformas de redes sociais, publicando, comentando, partilhando ou interagindo de formas que simulam utilizadores humanos. Os bots sociais são normalmente programados para agir em grande escala e a alta velocidade, muito além do que um utilizador humano conseguiria fazer. A sua atividade é frequentemente repetitiva e coordenada entre muitas contas, o que a distingue da utilização humana normal.</p>\n<p>Os bots sociais podem ser utilizados para fins legítimos — tais como atendimento ao cliente, distribuição de notícias ou marketing — mas também são amplamente utilizados para influenciar a opinião pública, amplificar certas mensagens, manipular discussões ou criar a aparência de um apoio generalizado a ideias, produtos ou causas específicas. No contexto da desinformação e da informação errada, os bots sociais desempenham um papel particular na disseminação rápida de conteúdos e na criação da falsa impressão de que muitas vozes independentes partilham a mesma opinião.</p>\n<p>Quando os bots sociais são implementados em redes coordenadas, formam uma <em>«fazenda de bots</em>».</p>\n<div class=\"scilmi-callout scilmi-callout-info\">\n<div class=\"scilmi-callout-row\" aria-label=\"Info\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" d=\"M20 12C20 7.58172 16.4183 4 12 4C7.58172 4 4 7.58172 4 12C4 16.4183 7.58172 20 12 20C16.4183 20 20 16.4183 20 12ZM11 8C11 8.55228 11.4477 9 12 9C12.5523 9 13 8.55228 13 8C13 7.44772 12.5523 7 12 7C11.4477 7 11 7.44772 11 8ZM12 10C13 10 13 11 13 11V16C13 16 13 17 12 17C11 17 11 16 11 16V11C11 11 11 11 10.5 11C10 11 10 10 10 10H12Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><h4>Bot</h4>\n<p>Um bot é um programa de computador que executa tarefas automaticamente, muitas vezes repetitivas. Os bots variam entre ferramentas simples e inofensivas — como rastreadores da web que indexam páginas para motores de busca, sistemas de testes automatizados ou chatbots que respondem a perguntas rotineiras dos clientes — e programas maliciosos concebidos para espalhar spam, malware ou desinformação.</p></div>\n</div>\n</div>\n<h4>Cyborg</h4>\n<p>Um <strong>cyborg</strong> é uma conta híbrida que é parcialmente operada por um humano e parcialmente automatizada por software. Um cyborg pode ter publicações de rotina agendadas ou geradas por software, enquanto uma pessoa lida com interações selecionadas, respostas ou conteúdo sensível. O equilíbrio entre a atividade automatizada e a humana varia entre as contas.</p>\n<p>Os ciborgues podem ser utilizados para fins legítimos — tais como a programação de conteúdos, a gestão de contas de marcas ou instituições, ou o atendimento ao cliente híbrido — mas também são utilizados em operações de influência para combinar a escala e a velocidade da automatização com a plausibilidade contextual da intervenção humana.</p>\n<p>Os ciborgues são mais difíceis de identificar do que os bots puramente automatizados, porque parte do seu comportamento é genuinamente humano, o que significa que indicadores de deteção isolados raramente são suficientes para uma identificação fiável.</p>\n<h4>Troll</h4>\n<p>Um <strong>troll</strong> é uma pessoa real que perturba deliberadamente as discussões online através de comportamentos provocadores, agressivos ou hostis. Os trolls utilizam normalmente contas pessoais e visam questões controversas, figuras públicas (como políticos ou jornalistas) ou organizações de comunicação social. O seu objetivo é perturbar os outros, provocar reações ou agravar conflitos — por vezes em apoio a uma agenda específica, outras vezes por entretenimento ou para chamar a atenção.</p>\n<p>Embora os trolls ajam frequentemente de forma independente, também podem operar em grupos coordenados, por vezes pagos por atores políticos ou comerciais (ver <em>«Fábrica de trolls»</em> em «Mecanismos de amplificação»).</p>\n<p><strong>O trolling é melhor entendido como um padrão de comportamento online, e não como um tipo específico de conta.</strong> O mesmo comportamento pode ser executado por contas automatizadas, e os utilizadores comuns podem, ocasionalmente, envolver-se em trolling.</p>\n<h4>Sockpuppet</h4>\n<p>Um <strong>sockpuppet</strong> é uma identidade online falsa criada e gerida por uma pessoa real que esconde a sua verdadeira identidade. Ao contrário dos trolls — que muitas vezes atuam sob uma única conta abertamente hostil —, um operador de sockpuppet normalmente gere várias contas falsas em paralelo para criar a impressão de que vários utilizadores independentes têm a mesma opinião, apoiam a mesma causa ou concordam com a conta principal do próprio operador (muitas vezes separada).</p>\n<p>Os sockpuppets são comumente usados para fabricar um consenso artificial, apoiar os próprios argumentos sob nomes diferentes, atacar oponentes enquanto parecem imparciais, contornar banimentos criando novas identidades após a suspensão ou manipular avaliações, votos e enquetes online.</p>\n<p>Os sockpuppets diferem dos bots sociais na medida em que são operados manualmente por seres humanos, o que torna o seu conteúdo mais plausível em termos contextuais e mais difícil de detetar através de meios automatizados. Diferem dos trolls na medida em que o seu objetivo principal é o engano quanto à identidade e a criação de um consenso aparente, e não a provocação — embora os operadores de sockpuppets também possam envolver-se em comportamentos de trollagem através das suas identidades falsas.</p>\n<p>Quando uma pessoa ou um pequeno grupo opera em conjunto um conjunto coordenado de sockpuppets, forma-se uma <em>Rede de Sockpuppets</em> (ver Mecanismos de Amplificação).</p>\n<h4>☑ Diferenciar bots sociais, trolls e sockpuppets</h4>\n<table><thead><tr>\n<th><strong>Dimensão de deteção</strong></th>\n<th><strong>Bots sociais</strong></th>\n<th><strong>Trolls</strong></th>\n<th><strong>Perchas</strong></th>\n</tr></thead><tbody>\n<tr>\n<td><strong>Características do perfil</strong></td>\n<td>- [ ] A conta parece ter sido criada recentemente -<br>[ ] O perfil está incompleto ou é genérico<br>- [ ] O nome de utilizador pode parecer não pessoal e, por vezes, incluir números aleatórios</td>\n<td>- [ ] A conta está normalmente ativa há mais tempo e tem um histórico<br>de publicações- [ ] O perfil está completo e parece pessoal; pode apresentar uma forte<br>autodescrição ideológica ou política- [ ] O nome de utilizador parece pessoal</td>\n<td>- [ ] O perfil parece plausível e pessoal, frequentemente com uma foto de perfil e detalhes biográficos (por vezes roubados, gerados por IA ou copiados)<br>- [ ] O histórico da conta pode ser moderado e concebido para parecer autêntico ao longo do tempo</td>\n</tr>\n<tr>\n<td><strong>Comportamento de publicação</strong></td>\n<td>- [ ] A atividade não corresponde ao comportamento humano normal<br>online - [ ] As contas publicam ou republicam conteúdo com muita frequência -<br>[ ] As contas publicam ou republicam conteúdo a qualquer hora, dia e noite</td>\n<td>- [ ] A atividade assemelha-se ao comportamento<br>online humano normal - [ ] A conta publica ou responde em horários<br>irregulares - [ ] A conta torna-se mais ativa durante discussões controversas</td>\n<td>- [ ] Os padrões de atividade assemelham-se ao<br>uso humano normal - [ ] Várias contas geridas pelo mesmo operador podem apresentar horários ou ritmos<br>de atividade semelhantes - [ ] As contas falsas tendem a iniciar menos discussões e a escrever publicações mais curtas do que os utilizadores típicos</td>\n</tr>\n<tr>\n<td><strong>Interações</strong></td>\n<td>- [ ] A conta não mantém conversas<br>reais- [ ] As contas limitam-se principalmente a gostar, partilhar ou<br>republicar- [ ] As respostas são curtas e automatizadas</td>\n<td>- [ ] A conta responde diretamente a outros utilizadores<br>- [ ] A conta envolve-se em debates com o objetivo de provocar reações<br>- [ ] As conversas são prolongadas para criar ou intensificar conflitos</td>\n<td>- [ ] A conta participa em conversas reais, muitas vezes apoiando a conta principal do operador ou outras contas<br>falsas - [ ] As respostas são contextualmente adequadas e parecem<br>autênticas - [ ] Pares de contas falsas interagem frequentemente na mesma discussão em momentos semelhantes</td>\n</tr>\n<tr>\n<td><strong>Características do conteúdo</strong></td>\n<td>- [ ] O conteúdo é unilateral e repetitivo<br>- [ ] As mesmas narrativas são publicadas muitas vezes</td>\n<td>- [ ] O conteúdo é especificamente concebido para prejudicar ou provocar um alvo<br>- [ ] O conteúdo visa indivíduos ou grupos sociais</td>\n<td>- [ ] O conteúdo parece genuíno e variado entre as contas<br>- [ ] A mensagem ou posição subjacente alinha-se de forma suspeita em toda a rede -<br>[ ] Uso mais frequente de pronomes pessoais, como «eu»</td>\n</tr>\n<tr>\n<td><strong>Linguagem</strong></td>\n<td>- [ ] Expressões genéricas, frases repetitivas com palavras-chave</td>\n<td>- [ ] Linguagem variada, emocional, frequentemente abusiva ou ofensiva</td>\n<td>- [ ] Linguagem<br>natural e variada - [ ] Várias contas podem partilhar «impressões digitais» linguísticas (frases, vocabulário, pontuação ou padrões de erros semelhantes)</td>\n</tr>\n<tr>\n<td><strong>Indicadores de rede e técnicos</strong></td>\n<td>- [ ] Os bots sociais seguem outros bots sociais, mas a relação é tipicamente unidirecional e não<br>recíproca- [ ] É observável um comportamento coordenado entre várias contas de bots</td>\n<td>- [ ] Os trolls seguem contas<br>humanas - [ ] As ligações são frequentemente recíprocas (eles seguem os seus seguidores e vice-versa)<br>- [ ] Os trolls atuam normalmente de forma independente uns dos outros</td>\n<td>- [ ] Várias contas interagem entre si de forma solidária -<br>[ ] As ligações podem ser artificialmente recíprocas entre contas falsas na mesma rede, ou deliberadamente ausentes para evitar a deteção<br>- [ ] O mesmo endereço IP, impressão digital do dispositivo ou padrão de início de sessão \\\\*(detecção do lado da plataforma)\\\\* -<br>[ ] Redes de ego mais agrupadas do que as dos utilizadores<br>comuns - [ ] Sincronização de atividades entre contas</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). Detecção de bots sociais na era do ChatGPT: Desafios e oportunidades. <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). Um exército de mim: Sockpuppets em comunidades de discussão online. <em>Atas da 26.ª Conferência Internacional sobre a World Wide Web (WWW &#x27;17)</em>\n, 857–866. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1145&#x2f;3038912.3052677\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1145/3038912.3052677</a>\n</li>\n<li>\nOrabi, M., Mouheb, D., Al Aghbari, Z., &amp; Kamel, I. (2020). Detecção de bots nas redes sociais: uma revisão sistemática. <em>Information Processing &amp; Management, 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). Um estudo de caso sobre a deteção de sockpuppets na Wikipédia. <em>Atas do Workshop sobre Análise Linguística nas Redes Sociais (LASM) na NAACL-HLT</em>\n, 59–68. Associação de Linguística Computacional.<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). Um estudo sobre a deteção de trolls. <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). Detecção de fraude de identidade em contas múltiplas nas redes sociais utilizando comportamento não verbal. <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). A linguagem e os alvos do trolling online: Uma abordagem psicolinguística para a cibersegurança social. <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>Redes de contas</h4>\n<h4>Fazenda de bots</h4>\n<p>Uma <strong>fazenda de</strong> <strong>bots</strong> é uma rede de bots que opera simultaneamente em vários dispositivos ou servidores, implementada por um único operador ou organização para um fim específico.</p>\n<p>As fazendas de bots têm uma variedade de usos legítimos, incluindo indexação da web, testes automatizados de software, agregação de dados e monitorização do desempenho de sites. No entanto, também são comumente usadas para atividades maliciosas, como criar engajamento falso, gerar grandes volumes de conteúdo, distribuir spam ou realizar ataques de cibersegurança. Quando usadas para manipular o discurso online, as fazendas de bots podem criar a falsa impressão de amplo apoio, oposição ou interesse em um tópico, conta ou campanha.</p>\n<h4>Fazenda de trolls</h4>\n<p>Uma <strong>«troll farm»</strong> é um grupo organizado de trabalhadores coordenados, muitas vezes remunerados, que publicam online conteúdos deliberadamente provocadores, enganosos ou falsos — normalmente através de contas falsas. O seu objetivo é geralmente manipular a opinião pública, espalhar desinformação ou criar agitação social e política. As «troll farms» têm sido associadas a operações de influência patrocinadas pelo Estado, bem como à manipulação da reputação comercial.</p>\n<h4>Rede de perfis falsos</h4>\n<p>Uma rede de sockpuppets é um conjunto coordenado de contas sockpuppet operadas por uma pessoa ou um pequeno grupo, utilizadas para simular vozes independentes que apoiam uma narrativa, campanha, conta ou causa partilhada. As redes de sockpuppets são comumente utilizadas em astroturfing político, manipulação de avaliações e classificações e campanhas coordenadas de desinformação. Ao contrário das fazendas de bots, as redes de sockpuppets dependem da operação manual por seres humanos, o que faz com que o conteúdo das contas individuais pareça mais autêntico e mais difícil de detectar por meios automatizados. A sua coordenação geralmente só se torna detetável quando várias contas podem ser ligadas através de padrões de comportamento, sinais técnicos partilhados ou interação mútua.</p>\n<h4>Fábrica de cliques</h4>\n<p>Uma <strong>«click farm»</strong> é uma operação em que um grande número de trabalhadores mal remunerados, bots automatizados, ou ambos, são utilizados para clicar em anúncios, seguir contas nas redes sociais, gostar de publicações, deixar avaliações ou descarregar aplicações. O objetivo é aumentar artificialmente o envolvimento ou o tráfego online, fazendo com que conteúdos, contas ou produtos pareçam mais populares do que realmente são.</p>\n<h2>Fenómenos</h2>\n<h4>☑ Viralidade vs. Tendência</h4>\n<table><thead><tr>\n<th>Característica</th>\n<th>Viralidade</th>\n<th>Tendência</th>\n</tr></thead><tbody>\n<tr>\n<td><strong>O que está a ser divulgado</strong></td>\n<td>Um único elemento de informação: um vídeo, publicação, imagem ou outro conteúdo específico</td>\n<td>Um tópico, hashtag, som, formato ou grupo de discussão: não um item específico, mas muitas publicações que se referem ou utilizam a mesma coisa</td>\n</tr>\n<tr>\n<td><strong>Principais fatores impulsionadores</strong></td>\n<td>Os utilizadores partilham, republicam ou reencaminham o item de informação para outras pessoas, que, por sua vez, o transmitem; esta propagação em cascata pode ser ainda mais amplificada por algoritmos de recomendação</td>\n<td>Muitos utilizadores publicam, mencionam ou utilizam o mesmo tópico, hashtag ou formato num curto espaço de tempo; a plataforma deteta esta concentração de atividade e destaca-a numa secção dedicada a «Tendências» (como uma lista de tópicos em destaque, uma visão geral de hashtags em destaque ou uma página de sons em destaque)</td>\n</tr>\n<tr>\n<td><strong>Padrão temporal</strong></td>\n<td>Frequentemente curto e explosivo; pode repetir-se mais tarde</td>\n<td>Limitado no tempo; persiste enquanto a atividade se mantiver elevada ou a plataforma continuar a destacá-lo</td>\n</tr>\n<tr>\n<td><strong>Como pode ser manipulado</strong></td>\n<td>Partilha coordenada, amplificação por bots, interação artificial direcionada para o item de informação específico</td>\n<td>Campanhas de publicação coordenadas, tendências falsas criadas através de redes de bots, decisões da plataforma para promover, filtrar ou suprimir</td>\n</tr>\n</tbody></table>\n<p><em>Tanto a viralidade como as tendências podem surgir organicamente ou ser amplificadas artificialmente através de campanhas coordenadas, atividade de bots ou decisões da plataforma. Ambas podem também dar vantagem a conteúdos emocionalmente estimulantes, com forte carga moral ou divisivos, especialmente em contextos políticos ou orientados para o conflito.</em></p>\n<h3>Viralidade</h3>\n<p>O padrão pelo qual uma informação específica se espalha rapidamente através da partilha, recomendação e recirculação pelas redes, de forma análoga à propagação de um vírus. A viralidade é moldada pelas características do conteúdo, estruturas das redes sociais, possibilidades da plataforma, timing e amplificação algorítmica.</p>\n<p>O conteúdo que evoca emoções de alta excitação, reações morais ou animosidade em relação a grupos externos é frequentemente mais suscetível de ser partilhado, especialmente em contextos políticos ou orientados para o conflito. No entanto, a viralidade não é determinada apenas pela dimensão da fonte original: contas ou meios de comunicação mais pequenos também podem produzir itens altamente virais.</p>\n<p>A viralidade pode surgir organicamente, mas também pode ser amplificada artificialmente através da partilha coordenada, da manipulação da plataforma ou da atividade de bots.</p>\n<h3>Tendência</h3>\n<p>Um estatuto atribuído pela plataforma que indica que um tópico, hashtag, som, formato ou grupo de discussão recebeu uma atividade invulgarmente concentrada num curto período de tempo.</p>\n<p>As tendências são identificadas algoritmicamente e apresentadas através de funcionalidades da plataforma, tais como os Tópicos em Destaque do X / Twitter, hashtags em destaque, sons em destaque, desafios em destaque ou outras funcionalidades de tendências específicas da plataforma. As tendências dependem de sinais específicos da plataforma, tais como o volume de publicações, a taxa de crescimento, o envolvimento, a localização, a personalização e os filtros de moderação.</p>\n<p>Os tópicos que geram um elevado envolvimento — incluindo tópicos controversos, emocionalmente estimulantes ou com forte carga moral — podem ser mais propensos a tornar-se tendências, mas isso depende do sistema de classificação e das regras de moderação da plataforma.</p>\n<p>As tendências podem surgir organicamente a partir de muitas contribuições independentes, mas também podem ser influenciadas por campanhas coordenadas, atividade de bots ou decisões da plataforma sobre o que promover, filtrar, moderar ou suprimir.</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> Nova Iorque: Simon &amp; Schuster.\n</li>\n<li><strong>Berger, J., &amp; Milkman, K. L. (2012).</strong>\nWhat makes online content viral? <em>Journal of Marketing Research</em>\n, 49(2), 192–205. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1509&#x2f;jmr.10.0353\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1509/jmr.10.0353</a>\n</li>\n<li><strong>Brady, W. J., McLoughlin, K., Doan, T. N., &amp; Crockett, M. J. (2021).</strong>\nHow social learning amplifies moral outrage expression in online social networks. <em>Science Advances</em>\n, 7(33), eabe5641. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1126&#x2f;sciadv.abe5641\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1126/sciadv.abe5641</a>\n</li>\n<li><strong>Jenkins, H., Ford, S., &amp; Green, J. (2013).</strong> <em>Mídia Divulgável: Criando Valor e Significado numa Cultura em Rede.</em> Nova Iorque: NYU Press.\n</li>\n<li><strong>Lee, J., &amp; Umback, J. (2026).</strong>\nA virada viral: repensando a viralidade na economia dos criadores no TikTok. <em>Continuum</em>\n, 1–26. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1080&#x2f;10304312.2026.2625794\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1080/10304312.2026.2625794</a>\n</li>\n<li><strong>Maarouf, A., Pröllochs, N., &amp; Feuerriegel, S. (2024).</strong>\nA viralidade do discurso de ódio nas redes sociais. <em>Anais da ACM sobre Interação Homem-Computador</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>\nA animosidade em relação a grupos externos impulsiona o envolvimento nas redes sociais. <em>Anais da Academia Nacional de Ciências</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>\nA psicologia da viralidade. <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>Difusão de Inovações</em> (5.ª ed.). Nova Iorque: Free Press.\n</li>\n<li><strong>Sangiorgio, E., Cinelli, M., Cerqueti, R., &amp; Quattrociocchi, W. (2024).</strong>\nOs seguidores não determinam a viralidade dos meios de comunicação nas redes sociais. <em>PNAS Nexus</em>\n, 3(7), p. 257. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1093&#x2f;pnasnexus&#x2f;pgae257\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1093/pnasnexus/pgae257</a>\n</li>\n<li><strong>Schlessinger, J., Garimella, K., Jakesch, M., &amp; Eckles, D. (2023).</strong>\nEfeitos da promoção algorítmica de tendências: evidências de campanhas coordenadas nos Trending Topics do Twitter. <em>Anais da Conferência Internacional AAAI sobre Web e Redes Sociais (ICWSM)</em>\n, 17(1), 777–786. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1609&#x2f;icwsm.v17i1.22187\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1609/icwsm.v17i1.22187</a>\n</li>\n<li><strong>Schöne, J. P., Parkinson, B., &amp; Goldenberg, A. (2021).</strong>\nA negatividade espalha-se mais do que a positividade no Twitter após situações políticas tanto positivas como negativas. <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>Efeitos de Contágio e Lavagem Epistémica</h3>\n<p>O processo pelo qual a informação que ganha visibilidade num determinado ambiente informativo — seja através de amplificação artificial, tendências ou seleção editorial — é captada e posteriormente distribuída noutros ambientes informativos ou sistemas de acesso à informação, alcançando assim públicos para além do ambiente original.</p>\n<p>O efeito de propagação pode ocorrer através de reportagens jornalísticas, partilha entre plataformas, curadoria editorial ou redistribuição impulsionada pelos utilizadores.</p>\n<p>→ Uma descoberta de investigação partilhada num fórum académico pode ser discutida nas redes sociais e resumida por um assistente de IA. <br>→ Um tópico amplificado artificialmente por bots numa plataforma de redes sociais pode ser captado por jornalistas.</p>\n<p>→ Os efeitos de propagação podem aumentar o alcance tanto de informação fiável como não fiável e podem fazer com que a informação pareça mais amplamente estabelecida do que era originalmente.</p>\n<h4>Lavagem epistémica</h4>\n<p>O efeito de propagação nem sempre preserva o estatuto aparente da informação. Quando o canal recetor transmite sinais mais fortes de autoridade ou fiabilidade do que o canal de origem — formato académico, revisão por pares, publicação formal —, a informação em si pode ser percebida como mais fiável simplesmente por ter sido transferida. Este efeito é conhecido como «lavagem epistémica»: a informação ganha fiabilidade percebida através da sua passagem por diferentes canais, sem qualquer alteração real nas alegações ou evidências subjacentes. Explora a tendência dos recetores de atribuir a fiabilidade do canal em que encontram a informação à própria informação.</p>\n<p>→ Uma afirmação originária de uma publicação anónima num blogue pode ser citada numa pré-impressão, reproduzida numa resposta gerada por IA e, finalmente, citada num artigo revisto por pares — ganhando, a cada passo, aparência académica e autoridade aparente, enquanto a afirmação subjacente permanece inalterada ou não verificada.</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>Uma equipa da Universidade de Gotemburgo, liderada por um investigador médico, inventou uma doença de pele falsa chamada Bixonimania para testar se os sistemas de IA absorveriam e repetiriam desinformação médica. Apresentaram-na como uma suposta condição ligada à exposição à luz azul dos ecrãs, com sintomas como dor e comichão nos olhos e uma tonalidade rosada nas pálpebras. Criaram então pré-impressões deliberadamente falsas com aspeto académico, repletas de sinais de alerta óbvios — um autor fictício com uma fotografia gerada por IA, uma universidade inexistente e referências à Academia da Frota Estelar e à USS Enterprise. A revista Nature informou que as pré-impressões foram entretanto removidas do Preprints.org. Em poucas semanas, os principais chatbots de IA começaram a reproduzir a Bixonimania como uma condição médica real, em alguns casos oferecendo aos utilizadores conselhos explicativos ou relacionados com a saúde. Paralelamente, o material falso foi citado em pelo menos um artigo publicado, entretanto retratado, na revista <em>Cureus</em> da Springer Nature. Efeito em cadeia: publicações em blogs → pré-impressão falsa → rastreadores da web → respostas de chatbots de IA → citação académica</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). Cientistas inventaram uma doença falsa. A IA disse às pessoas que era real. 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>Restrição da informação</h1>\n<p>Enquanto <em>a Amplificação da Informação</em> (acima) descreve como a visibilidade é alargada entre as contas dos utilizadores, <em>o Restringimento da Informação</em> descreve o inverso: como o leque de perspetivas que chega a um utilizador individual ou a um grupo social se torna restrito. Dois mecanismos distintos produzem este restringimento — <em>a Bolha de Filtro</em> (personalização algorítmica) e <em>a Câmara de Eco</em> (autosseleção do utilizador). Os dois são frequentemente confundidos no discurso popular, mas funcionam de forma diferente.</p>\n<h2>Bolha de Filtro</h2>\n<p>Uma <strong>bolha de filtro</strong> é um ambiente de informação isolado criado pela <em>Personalização Algorítmica</em>, no qual um utilizador é cada vez mais exposto a conteúdos que se alinham com as suas preferências inferidas e comportamento passado, enquanto os conteúdos que divergem são filtrados — normalmente sem o conhecimento do utilizador. O termo foi cunhado por Eli Pariser (2011) para descrever como os algoritmos de personalização no Google, Facebook e plataformas semelhantes podem produzir assimetrias de exposição sistemáticas com base em sinais do utilizador, tais como histórico de cliques, localização e dados de perfil.</p>\n<p>A característica definidora de uma bolha de filtro é <em>a não intencionalidade por parte do utilizador</em>: o estreitamento é gerado pela otimização da plataforma, não pela escolha deliberada de fontes por parte do utilizador.</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>A investigação empírica tem matizado substancialmente a tese original de Pariser. Estudos revelaram que a personalização algorítmica molda, de facto, o que os utilizadores veem, mas a maioria dos utilizadores continua a deparar-se com conteúdos ideologicamente diversos — em parte porque as suas próprias redes sociais incluem pontos de vista variados e, em parte, porque os algoritmos não isolam tão completamente como o discurso popular sugere (Bakshy et al., 2015; Flaxman et al., 2016; Bruns, 2019). O efeito da bolha de filtro é real, mas normalmente mais fraco do que se supõe; a exposição seletiva pré-Internet (por exemplo, a escolha de jornais ou canais de televisão) era, em muitos casos, mais forte.</p></div>\n</div>\n</div>\n<div class=\"scilmi-callout scilmi-callout-info\">\n<div class=\"scilmi-callout-row\" aria-label=\"Info\">\n<span class=\"scilmi-callout-icon\" aria-hidden=\"true\"><svg fill=\"currentColor\" width=\"24px\" height=\"24px\" viewBox=\"0 0 24 24\" xmlns=\"http://www.w3.org/2000/svg\"><path fill-rule=\"evenodd\" d=\"M20 12C20 7.58172 16.4183 4 12 4C7.58172 4 4 7.58172 4 12C4 16.4183 7.58172 20 12 20C16.4183 20 20 16.4183 20 12ZM11 8C11 8.55228 11.4477 9 12 9C12.5523 9 13 8.55228 13 8C13 7.44772 12.5523 7 12 7C11.4477 7 11 7.44772 11 8ZM12 10C13 10 13 11 13 11V16C13 16 13 17 12 17C11 17 11 16 11 16V11C11 11 11 11 10.5 11C10 11 10 10 10 10H12Z\"></path></svg></span>\n<div class=\"scilmi-callout-body\"><ul>\n<li>Pariser, E. (2011). <em>The Filter Bubble: What the Internet Is Hiding from You</em>. Penguin Press.\n</li>\n<li>\nBakshy, E., Messing, S., &amp; Adamic, L. A. (2015). Exposure to ideologically diverse news and opinion on Facebook. <em>Science</em>\n, 348(6239), 1130–1132. <a href=\"https&#x3a;&#x2f;&#x2f;doi.org&#x2f;10.1126&#x2f;science.aaa1160\" class=\"use-hover-preview\" rel=\"noopener noreferrer nofollow\">https://doi.org/10.1126/science.aaa1160</a>\n</li>\n<li>\nFlaxman, S., Goel, S., &amp; Rao, J. M. (2016). Bolhas de filtro, câmaras de eco e consumo de notícias online. <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>As bolhas de filtro são reais?</em> Polity Press.\n</li>\n</ul></div>\n</div>\n</div>\n<h2>Câmara de eco</h2>\n<p>Uma <strong>câmara de eco</strong> é um ambiente de informação social no qual um utilizador é exposto principalmente a opiniões, afirmações ou ideologias que reforçam as suas crenças existentes, enquanto pontos de vista divergentes estão ausentes, são descartados ou ativamente desacreditados. Cass Sunstein (2017) descreve as consequências políticas: quando os grupos se isolam de perspetivas externas, as crenças internas intensificam-se e tornam-se mais extremas ao longo do tempo (polarização de grupo).</p>\n<p>Ao contrário <em>da bolha de filtro</em>, que surge da personalização algorítmica, uma câmara de eco resulta principalmente da <strong>auto-seleção do utilizador</strong>: escolhas sobre quem seguir, a que comunidades aderir, em que fontes confiar e que vozes descartar. Estas escolhas são parcialmente impulsionadas pelo <em>viés de confirmação</em> — a tendência cognitiva de procurar e confiar em informações que se alinham com as crenças existentes. O efeito de reforço provém da própria estrutura social, não de uma filtragem algorítmica invisível.</p>\n<p>C. Thi Nguyen (2020) estabelece uma distinção conceptual que é importante para a intervenção:</p>\n<ul>\n<li>Uma <strong>bolha epistémica</strong> é uma estrutura social na qual outras vozes relevantes estão simplesmente <em>ausentes</em>. Os seus habitantes não ouvem perspetivas opostas, mas também não as rejeitam ativamente.\n</li>\n<li>Uma <strong>câmara de eco,</strong> no sentido estrito, é uma estrutura social na qual outras vozes relevantes são <em>ativamente desacreditadas</em>. Os membros podem ouvir perspetivas opostas, mas aprendem a desconfiar das suas fontes.\n</li>\n</ul>\n<p>Uma bolha epistémica pode ser aberta através da introdução de nova informação; uma câmara de eco resiste à correção mesmo quando são apresentadas provas externas, porque as fontes dessas provas já foram deslegitimadas.</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>Estudos empíricos sugerem que câmaras de eco fortes e ideologicamente isoladas são menos comuns do que o discurso popular sugere (Cinelli et al., 2021; Guess et al., 2018), mas, onde existem, podem ser altamente resistentes à correção. A mera concordância dentro de um grupo não é, por si só, uma câmara de eco — a característica definidora é a exclusão ativa ou o descrédito de perspetivas externas.</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). Câmaras de eco e bolhas epistémicas. <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). O efeito câmara de eco nas redes sociais. <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>Evitar a câmara de eco sobre câmaras de eco: por que a exposição seletiva a notícias políticas com visões semelhantes é menos prevalente do que se pensa</em>. Livro Branco da Fundação Knight.\n</li>\n</ul></div>\n</div>\n</div>","UPDATEDAT":"2026-05-08T06:56:38.108Z","LANG":"pt","ID":"3b24684f-982f-46f5-bc94-0c5e6b459760","TITLE":"Circulação e visibilidade da informação","SOURCELANG":"en"}