{"CACHEDAT":"2026-05-13 09:40:07","TRANSLATEDAT":"2026-05-13 09:40:07","SOURCESIGNATURE":"e60b88bd6d7b3c71f7e12fe57b14f89a9e6878cc2949671a0bb004fa9e4abe88","SLUG":"information-circulation-visibility-7ESlNDSxYa","MARKDOWN":"# Information Visibility & Prominence\n\nInformation Visibility refers to whether — and how prominently — specific information items, topics, sources, or accounts appear to users in digital environments. Information that exists in a platform's index or network does not automatically reach all users, nor reach them in the same way. \n\nVisibility is the outcome of two interacting forces: \n\n* how information is circulated (sharing, redistribution, spread) and \n* how it is surfaced prominently, pushed down, or filtered out.\n\n\n:::warning\n**Distinguishing reliability and visibility is essential for information literacy.**\n\n* **Reliability** depends on who created an item (author) and how it was edited (editorial review) — not on whoever shared it, on the environment it appeared in, or on how prominently it was surfaced.\n* **Visibility** depends on who shares an item, on the mechanisms that surface it, and on the practices through which it is amplified. Visibility is not a measure of reliability.\n\nFor example, a retweeted article: the account that shared it and the platform that surfaced it influenced its visibility — but the article has its own author and editorial history, whose reliability must be assessed separately.\n\n:::\n\n# Information Circulation: Sharing, Forwarding, Linking, Reposting, Quoting\n\nPeople, accounts (including bots), and organisations circulate existing information items by sharing, forwarding, linking, reposting, quoting, or otherwise redistributing them.\n\n→ When an item is passed on with added commentary, interpretation, or reframing, a new information item is created with a new author.\n\n# Source-Driven Information Promotion & Visibility\n\nPractices initiated by sources — those who create, publish, or promote information items. Sources include individual users, content creators, organisations, advertisers, and website operators. Unlike platform-driven mechanisms, these practices are driven by the sources themselves, who decide how to make their content visible. They operate in two modes: by adapting content to the platforms' ranking systems (Reach, Direct Addressing, SEO, SMO, Platform-specific Optimisation), or by paying directly for placement (Paid Placements).\n\n## Account Reach\n\nThe size and structure of a sharer's potential audience.\n\nSeveral factors determine reach:\n\n* #### follower or subscriber count\n* #### verification status \n* #### account standing: age, engagement history, platform reputation\n\nReach affects visibility in two ways:\n\n* *directly*: items shared by high-reach accounts appear in more feeds at the moment of sharing\n* *indirectly*: high-reach accounts generate more engagement signals, which platform algorithms then use to elevate items in ranking (→ Algorithmic Gatekeeping)\n\n→ Reach varies widely: a private account with 100 followers and a public account with one million followers operate at fundamentally different scales of influence on visibility.\n\n## Direct Addressing\n\nMechanisms by which sharers target specific recipients, producing immediate prominence for those users through platform notifications.\n\nExamples:\n\n* #### @mentions\n* #### tagging (in photos, posts, or threads)\n* #### quote-tweets & reply-mentions\n* #### group direct messages\n* #### mailing-list addressing (To, CC)\n\n→ Direct addressing differs from regular sharing: the targeted user receives the item directly via notification, regardless of whether they would otherwise have encountered it through their feed.\n\n→ Direct addressing is a hybrid mechanism. It operates user-side, but functions through platform infrastructure (notification systems). Its effect is immediate prominence for the addressed user.\n\n## Search Engine Optimisation (SEO)\n\nSource-side practices to adapt **websites** — their content, metadata, and link structure — so that they rank more prominently in **general-purpose search engine results** (Google, Bing, DuckDuckGo, etc.).\n\nCommon practices include:\n\n* keyword research and integration in titles, headings, body text\n* metadata optimisation (title tags, meta descriptions, alt text)\n* link building (acquiring inbound links from authoritative sites)\n* site structure and internal linking\n* page speed and mobile-friendliness\n* producing content that matches search intent\n\n→ SEO is the most formalised optimisation discipline because search engine ranking signals are relatively stable and well-documented (Lewandowski et al.). Specialised SEO professionals, agencies, and tools support its practice.\n\n→ SEO does not change how search engines rank pages — it adapts the website to fit existing ranking criteria. Publishers can shape what the algorithm sees, not how it decides.\n\n## Social Media Optimisation (SMO)\n\nSource-side practices to maximise visibility, engagement, and shareability of content on social media platforms.\n\nCommon practices include:\n\n* hashtag strategies (trending or topic-specific tags)\n* posting timing (when target audiences are active)\n* content format choices (short video, carousels, reels)\n* headline and hook design (catching attention quickly)\n* encouraging engagement (questions, polls, calls to action)\n* cross-platform repurposing of content\n\n→ SMO is less formalised than SEO because social media ranking signals are more opaque and platform-specific. Practices shift as algorithms change.\n\n## Platform-Specific Optimisation\n\nOptimisation strategies tailored to the conventions and ranking logics of individual platforms — beyond general SEO or SMO principles.\n\n* TikTok: hooking viewers in the first three seconds, using trending sounds, vertical short-form video\n* Instagram: high-quality visuals, Reels-first strategy, hashtag mixing\n* YouTube: thumbnail design, watch-time optimisation, keyword-rich titles and descriptions\n* LinkedIn: long-form professional posts, native publishing, networked engagement\n* X (Twitter): concise hooks, threads, replying to high-reach accounts\n\n→ Platform-specific optimisation requires understanding each platform's ranking system, audience behaviour, and content format preferences. What works on TikTok rarely works on LinkedIn.\n\n## Paid Placements & Advertising\n\nSource-side practice of paying for visibility — sponsored content placed alongside organic content, typically through advertising.\n\nCommon forms:\n\n* sponsored search results (search engine ads)\n* sponsored posts and promoted content (social media)\n* display ads (banners, videos)\n* influencer partnerships (paid collaborations)\n\n→ Paid placements bypass organic ranking systems: instead of optimising content to rank well, the source pays the platform directly for placement.\n\n→ They are sometimes clearly labelled (\"Sponsored\", \"Ad\"), sometimes only weakly distinguishable from organic results. Labelling standards vary by jurisdiction and platform. \n\n# Platform-Side Information Promotion & Gatekeeping\n\n\n:::warning\nWhat users actually see is rarely the product of a single mechanism. In a search engine, an algorithmically ordered list of organic results is presented alongside paid placements, AI-generated summaries, and sometimes editorial highlights — and the underlying ranking signals can be deliberately influenced through *Search Engine Optimisation*. In a social media feed, algorithmically ranked posts appear next to sponsored content, recommended accounts, and trending overlays. Each component follows its own logic and contributes to a composite visibility outcome.\n\n:::\n\n## Editorial Curation\n\nPlatform-side manual curation: information items deliberately featured by editorial teams or platform operators rather than surfaced through algorithmic ranking.\n\nExamples:\n\n* featured Snippets in search results\n* curated trending sections\n* editor-selected stories in news aggregators\n* platform-promoted hashtags\n* Editor's Picks in app stores\n* featured creators or accounts\n\n→ Editorial highlights sit alongside the algorithmic mechanisms and reflect the platform's own judgements about which content deserves prominent display.\n\n→ Unlike algorithmic gatekeeping (curation and personalisation), editorial gatekeeping involve human editorial choices by the platform itself. Functionally, this is a form of *Editorial Gatekeeping* ) — performed by the platform rather than by traditional publishers.\n\n## Algorithmic Gatekeeping\n\n**Algorithmic Gatekeeping** refers to the role of algorithms in deciding which information items reach which users — the digital counterpart to *Editorial Gatekeeping* (→ Information, Sources & Information Environments → Editorial Review). It involves both **selection** (what is surfaced and ranked highly) and **exclusion** (what is filtered, demoted, or hidden).\n\nAlgorithmic gatekeeping operates across different platform types:\n\n* in **search engines**, algorithms select and order results based on queries\n* in **social media feeds**, algorithms decide which posts appear more prominently\n* in **video platforms**, algorithms suggest what to watch next\n* in **AI-based answer systems**, algorithms generate, summarise, or synthesise responses\n\nAlgorithmic gatekeeping operates in two modes that often work together: general operations applied across all users (*Algorithmic Curation*), and individual tailoring based on tracked user signals (*Algorithmic Personalisation*).\n\n### Algorithmic Curation\n\nGeneral algorithmic operations applied across users — they shape what information is available on the platform, regardless of who the user is.\n\n* **Crawling and Indexing** — *Which information items become available for display?*\n * search engines crawling the web\n * content aggregators indexing news sources\n * app stores cataloguing available apps\n* **Filtering and Moderation** — *Which items are blocked or down-ranked under platform rules?*\n * spam filters\n * removal of policy-violating content (hate speech, illegal content, graphic material)\n * down-ranking of low-quality or misleading material\n* **Quality Scoring** — *Which sources or items are evaluated as more credible or higher-quality?*\n * search engines penalising low-quality sites\n * news aggregators ranking by source authority\n * peer-review-influenced ranking on academic search engines\n* **Trending Detection** — *Which items are surfaced as currently popular?*\n * trending topics on social platforms\n * top charts on streaming services\n * \"What's happening\" and \"Today's headlines\" sections\n * popular hashtags\n\n→ Algorithmic curation defines the *pool* of information available on the platform. It largely operates the same way for all users.\n\n### Algorithmic Personalisation\n\nAlgorithmic operations that adapt the selection, order, and presentation of information to individual users based on their tracked signals. These signals accumulate over time into user histories that algorithms draw on.\n\n→ Two users on the same platform — even with the same query — typically see substantially different content.\n\n* **Personalised Ranking** — *Which items are ordered higher for this user?*\n * personalised search results (location, history, profile shape ordering)\n * social media feed ordering (\"For You\" feeds, \"Top posts\")\n * engagement-based ranking — optimisation for predicted interaction, dominant on social media\n* **Recommendations** — *Which items are suggested to this user beyond what they actively requested?*\n * \"Recommended for you\" video lists\n * suggested accounts, groups, or topics to follow\n * \"People you may know\"\n * related articles, similar products, \"Up next\"\n* **Personalised Advertising** — *Which adverts are targeted to this user?*\n * search ads tailored to past queries\n * social media sponsored posts based on profile and behaviour\n * retargeted display ads on websites\n * influencer partnerships matched to audience interests\n\n→ Two users on the same platform — even with the same query — typically see substantially different content.\n\n→ Personalisation creates a **feedback loop**: what users do affects what they see next, and what they see next can influence what they do.\n\n#### ☑ User Signals Tracked by the Platform for Algorithmic Personalisation\n\nActions a user performs — actively or passively — within an information channel that may be tracked and used by algorithms to personalise the selection and visibility of information items.\n\n→ User actions are not limited to deliberate interactions such as clicking or liking. Many actions are passive or automatic, such as how long a user stays on a page, how far they scroll, or where they are located. Users are often unaware that these actions influence what they encounter next.\n\n| Type | What it is | Examples |\n|------|------------|----------|\n| **Explicit feedback** | Deliberate interactions the user chooses to perform | - searches / search queries
- clicks
- likes / reactions
- comments / replies
- shares / reposts / forwards
- follows / subscribes
- saves / bookmarks
- ratings / reviews
- purchases / downloads |\n| **Implicit behaviour** | Passive behavioural signals captured during use | - watch time / listen time / dwell time
- scroll behaviour (how far, how fast)
- hover behaviour
- skip behaviour |\n| **Contextual data** | Information about the situation in which the user is accessing the platform | - user's location data while using the application
- device type (e.g., phone or laptop)
- time of access |\n| **Account and social data** | Information from the user's profile and social connections | - profile information (age, interests, profession, gender)
- language settings
- linked accounts
- contact list / address book |\n\n\n:::info\n* Adomavicius, G., & Tuzhilin, A. (2011). Context-aware recommender systems. In F. Ricci, L. Rokach, B. Shapira, & P. B. Kantor (Eds.), *Recommender Systems Handbook* (pp. 217–253). Springer. \n* Kelly, D., & Teevan, J. (2003). Implicit feedback for inferring user preference: A bibliography. *ACM SIGIR Forum, 37*(2), 18–28. \n* Li, W., Kuo, J.-C., Sheng, M., Zhang, P., & Wu, Q. (2025). Beyond explicit and implicit: How users provide feedback to shape personalized recommendation content. In *Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems (CHI '25)*. Association for Computing Machinery. \n* Narayanan, A. (2023). *Understanding social media recommendation algorithms.* Knight First Amendment Institute, Columbia University. \n\n:::\n\n# Information Amplification\n\nAmplification refers to the systematic boosting of an item's visibility beyond the individual-user level — to produce broad visibility across user accounts, and sometimes across information environments. \n\nWhere *Source-Driven Promotion* (above) covers what a single source itself does to gain visibility, and *Platform-Side Gatekeeping* (above) describes the algorithmic operations through which platforms surface and rank content for individual users, *Amplification* refers to the resulting *boost outcomes at scale* — produced either as the aggregate effect of those platform operations (→ *Algorithmic Amplification*) or through coordinated activity by multiple actors (→ *Coordinated Amplification*).\n\n## Amplification Mechanisms\n\nAmplification operates through two principal mechanisms.\n\n* **Algorithmic Amplification** is *platform-driven*: it is the aggregate effect of *Algorithmic Gatekeeping* — the cumulative outcome of platform curation and personalisation on which items reach which users and how prominently.\n* **Coordinated Amplification** is *actor-driven*: multiple accounts, groups, or campaigns deliberately act in concert to boost the visibility of an item, hashtag, or narrative beyond what individual user activity would produce. The literature classifies it along two dimensions — the **coordination** (transparent or concealed) and the **accounts** (real or fake) — and distinguishes accordingly (Rogers & Righetti, 2025):\n * **Coordinated Authentic Amplification**: coordination is transparent and accounts are real (e.g. open civic campaigns, advocacy, marketing).\n * **Coordinated Inauthentic / Artificial Amplification**: coordination is concealed, accounts are fake, or both — manufacturing an appearance of organic support (Meta's *Coordinated Inauthentic Behaviour* / CIB; Gleicher, 2018).\n\nThe two mechanisms frequently combine. Coordinated networks exploit engagement-based ranking to trigger algorithmic boosts; algorithmic ranking, in turn, compounds whatever visibility coordination has already produced.\n\n* \n:::info\n * Gleicher, N. (2018). *Coordinated Inauthentic Behavior Explained*. Meta Newsroom. \n * Rogers, R., & Righetti, N. (2025). Coordinated inauthentic behaviour on Facebook? A typology of manufactured attention. \n\n :::\n\n### Algorithmic Amplification\n\nAlgorithmic amplification is the cumulative effect of the gatekeeping mechanisms above (Curation and Personalisation): the systematic shaping of which items, topics, accounts, and formats appear prominently to users — and which are filtered, demoted, or pushed down.\n\nEmpirical research shows that engagement-based ranking systematically amplifies emotionally charged and out-group hostile content, even when users themselves do not prefer such content (Milli et al., 2025). It also compounds existing reach: accounts and items with high prior engagement are rewarded with further visibility, producing highly skewed reach distributions (rich-get-richer effect).\n\nAlgorithmic interventions can have nonlinear effects in the opposite direction as well. A reduction of around 20% in an item's feed prominence can cut its reach by an order of magnitude (Narayanan, 2023).\n\nAlgorithmic amplification is not a neutral reflection of user activity. Its effects are emergent and visible primarily in the aggregate: individual recommendations are imprecise (engagement rates remain below 1% on most platforms), but ranking, recommendation, and demotion systematically shape what circulates across the platform.\n\n\n:::info\n* Milli, S., et al. (2025). Engagement, user satisfaction, and the amplification of divisive content on social media. PNAS Nexus.\n\n\n* Narayanan, A. (2023). Understanding social media recommendation algorithms. Knight First Amendment Institute.\n\n:::\n\n### Coordinated Authentic Amplification\n\nCoordinated Authentic Amplification is the deliberate boosting of an information item, topic, hashtag, account, or narrative through openly disclosed, organised activity by real accounts. The coordinated origin is not concealed: participants act under their real identities or under known group affiliations.\n\nTypical contexts include \n\n* civic campaigns (e.g. NGO petitions, advocacy hashtags), \n* political mobilisation (e.g. party campaigning, get-out-the-vote efforts), \n* marketing and brand campaigns, \n* professional association communications, and \n* cultural movements such as Fridays for Future or #MeToo.\n\n\n:::warning\nWhether the underlying message is well-founded, balanced, or one-sided is a separate question — *authenticity* refers only to the transparency of the coordination, not to the truth-value or fairness of the content. An authentic campaign can amplify accurate information, misleading information, or a one-sided position.\n\n:::\n\n\n:::warning\nAuthentic and inauthentic coordination can produce visibility patterns that look identical from the outside — synchronised sharing, hashtag clustering, rapid uptake. The distinguishing feature is not the visible pattern but whether the coordinated origin is openly disclosed.\n\n:::\n\n### Coordinated Inauthentic / Artificial Amplification\n\nCoordinated Inauthentic / Artificial Amplification is the deliberate boosting of an information item, topic, hashtag, account, or narrative through organised activity in which the coordinated origin is concealed, the participating accounts are fake, or both. The aim is to manufacture an appearance of organic, independent support. Meta's term *Coordinated Inauthentic Behaviour* (CIB) — now incorporated into the EU Digital Services Act — centres on this combination of false identities and adversarial methods to evade detection (Gleicher, 2018; Rogers & Righetti, 2025).\n\nTypical contexts include political influence operations (state-sponsored or party-aligned), astroturfing campaigns (commercial or ideological), targeted disinformation around elections, public health, or geopolitical conflict, and reputation manipulation through fake reviews, ratings, or engagement. The operational means — *bots*, *trolls*, *sockpuppets*, and their coordinated networks (*bot farms*, *troll farms*, *sockpuppet networks*, *click farms*) — are described in detail below.\n\n\n:::warning\n*Inauthenticity* refers to the concealment of the coordinated origin or the use of fake accounts — not to the truth-value of the content being amplified. A coordinated network of fake accounts can amplify accurate information; a single authentic individual can spread fabricated information. Coordinated inauthentic amplification and the spread of false content are distinct phenomena that can occur independently or together.\n\n:::\n\nThe following account types described in this section apply across Digital Information Channels & Platforms where users can create accounts and post or interact publicly — particularly social media, discussion forums and community spaces, video and audio platforms, and review or comment sections. They are less prominent in private communication apps or in environments without user-generated content.They appear both independently and within coordinated networks. They are listed here because of their typical role in amplification dynamics; the explicitly coordinated formations are the Account Networks.\n\n| Term | Definition | Controlled by | Defined by | Typical purpose |\n|------|------------|---------------|------------|-----------------|\n| **Social Bot** | An automated or partly automated account that posts, likes, follows, shares, or replies online. | Software | **Automation** | To amplify messages, create artificial popularity, spam, influence debate, or spread content at scale. |\n| **Cyborg** | A hybrid account combining human operation with software automation. | Mixed: human and software | **Selective automation** | To combine the scale of automation with the contextual plausibility of human input — for legitimate scheduling/management or for harder-to-detect influence operations. |\n| **Troll** | A person or account that deliberately provokes, disrupts, or inflames online discussion. | Usually a human user; sometimes coordinated groups | **Disruptive / provocative / antagonistic behaviour** | To upset others, derail conversations, provoke reactions, spread hostility, or polarise debate. |\n| **Sockpuppet** | A fake account used by someone to hide their real identity or pretend to be a different person. | A human user, though the account may also use automation | **Deceptive identity** | To create false support, attack others anonymously, evade bans, manipulate debate, or give the impression of independent agreement. |\n\n#### Social Bot\n\nA **social bot** is a bot designed to operate on social media platforms, posting, commenting, sharing, or interacting in ways that simulate human users. Social bots are typically programmed to act at scale and at high speed, far beyond what a human user could manage. Their activity is often repetitive and coordinated across many accounts, which distinguishes it from normal human use.\n\nSocial bots can be used for legitimate purposes — such as customer service, news distribution, or marketing — but they are also widely used to influence public opinion, amplify certain messages, manipulate discussions, or manufacture the appearance of widespread support for specific ideas, products, or causes. In the context of misinformation and disinformation, social bots play a particular role in spreading content rapidly and giving the false impression that many independent voices share the same view.\n\nWhen social bots are deployed in coordinated networks, they form a *Bot Farm*.\n\n\n:::info\n#### Bot\n\nA bot is a computer programme that automatically performs tasks, often repetitive ones. Bots range from simple, harmless tools — such as web crawlers that index pages for search engines, automated testing systems, or chatbots that answer routine customer questions — to malicious programmes designed to spread spam, malware, or disinformation.\n\n:::\n\n#### Cyborg\n\nA **cyborg** is a hybrid account that is partly operated by a human and partly automated by software. A cyborg may have routine posts scheduled or generated by software while a person handles selected interactions, replies, or sensitive content. The balance between automated and human activity varies between accounts.\n\nCyborgs can be used for legitimate purposes — such as content scheduling, brand or institutional account management, or hybrid customer service — but they are also used in influence operations to combine the scale and speed of automation with the contextual plausibility of human input.\n\nCyborgs are more difficult to identify than purely automated bots because part of their behaviour is genuinely human, which means single detection indicators rarely suffice for reliable identification.\n\n#### Troll\n\nA **troll** is a real person who deliberately disrupts online discussions through provocative, aggressive, or hostile behaviour. Trolls typically use personal accounts and target controversial issues, public figures (such as politicians or journalists), or media organisations. Their aim is to upset others, trigger reactions, or escalate conflicts — sometimes in support of a particular agenda, sometimes for entertainment or attention.\n\nWhile trolls often act independently, they may also operate in coordinated groups, sometimes paid by political or commercial actors (see *Troll Farm* under Mechanisms of Amplification).\n\n**Trolling is best understood as a pattern of online behaviour, not a specific kind of account.** The same behaviour can be performed by automated accounts, and ordinary users can engage in trolling on occasion.\n\n#### Sockpuppet\n\nA **sockpuppet** is a fake online identity created and operated by a real person who hides their true identity. Unlike trolls — who often act under a single openly hostile account — a sockpuppet operator typically runs multiple fake accounts in parallel to create the impression that several independent users hold the same opinion, support the same cause, or agree with the operator's own (often separate) main account.\n\nSockpuppets are commonly used to manufacture artificial consensus, support one's own arguments under different names, attack opponents while appearing impartial, evade bans by creating new identities after suspension, or manipulate online reviews, votes, and polls.\n\nSockpuppets differ from social bots in that they are manually operated by humans, which makes their content more contextually plausible and harder to detect through automated means. They differ from trolls in that their primary goal is deception about identity and the manufacturing of apparent consensus, not provocation — although sockpuppet operators can also engage in trolling behaviour through their fake identities.\n\nWhen a person or small group operates a coordinated set of sockpuppets together, they form a *Sockpuppet Network* (see Mechanisms of Amplification).\n\n#### ☑ Differentiating Social Bots, Trolls, and Sockpuppets\n\n| **Detection Dimension** | **Social Bots** | **Trolls** | **Sockpuppets** |\n|---------------------|-------------|--------|-------------|\n| **Profile Characteristics** | - [ ] The account looks newly created
- [ ] The profile is incomplete or generic
- [ ] The username may look non-personal and sometimes include random numbers | - [ ] The account has typically been active for longer and has a post history
- [ ] The profile is complete and seems personal; it may present strong ideological or political self-description
- [ ] The username looks personal | - [ ] The profile looks plausible and personal, often with a profile picture and biographical details (sometimes stolen, AI-generated, or copied)
- [ ] Account history may be moderate and designed to look authentic over time |\n| **Posting Behaviour** | - [ ] The activity does not match normal human online behaviour
- [ ] The accounts post or repost content very frequently
- [ ] The accounts post or repost content at all hours, day and night | - [ ] The activity resembles normal human online behaviour
- [ ] The account posts or replies at irregular times
- [ ] The account becomes more active during controversial discussions | - [ ] Activity patterns resemble normal human use
- [ ] Multiple accounts run by the same operator may show similar active hours or rhythms
- [ ] Sockpuppets tend to start fewer discussions and write shorter posts than typical users |\n| **Interactions** | - [ ] The account does not have real conversations
- [ ] The accounts mostly like, share, or repost
- [ ] Replies are short and automated | - [ ] The account replies directly to other users
- [ ] The account engages in debates with the purpose of provoking reactions
- [ ] Conversations are extended to create or escalate conflict | - [ ] The account engages in real conversations, often supporting the operator's main account or other sockpuppets
- [ ] Replies are contextually appropriate and seem authentic
- [ ] Pairs of sockpuppets often interact in the same discussion at similar times |\n| **Content Features** | - [ ] The content is one-sided and repetitive
- [ ] The same narratives are posted many times | - [ ] The content is specifically tailored to harm or provoke a target
- [ ] The content targets individuals or social groups | - [ ] Content seems genuine and varied across accounts
- [ ] The underlying message or stance aligns suspiciously across the network
- [ ] More frequent use of personal pronouns such as \"I\" |\n| **Language** | - [ ] Generic expressions, repetitive phrasing with keywords | - [ ] Varied, emotional, often abusive or offensive language | - [ ] Natural and varied language
- [ ] Multiple accounts may share linguistic fingerprints (similar phrasing, vocabulary, punctuation, or error patterns) |\n| **Network & Technical Indicators** | - [ ] Social bots follow other social bots, but the relationship is typically one-way and not reciprocal
- [ ] Coordinated behaviour is observable across multiple bot accounts | - [ ] Trolls follow human accounts
- [ ] Connections are often reciprocal (they follow their followers and vice versa)
- [ ] Trolls typically act independently of each other | - [ ] Multiple accounts engaging with each other in mutually supportive ways
- [ ] Connections may be artificially reciprocal between sockpuppets in the same network, or deliberately absent to avoid detection
- [ ] Same IP address, device fingerprint, or login pattern \\\\\\*(platform-side detection)\\\\\\*
- [ ] More clustered ego-networks than ordinary users
- [ ] Correlated activity timing across accounts |\n\n\n\n:::info\n* Ferrara, E. (2023). Social bot detection in the age of ChatGPT: Challenges and opportunities. *First Monday, 28*(6). \n* Kumar, S., Cheng, J., Leskovec, J., & Subrahmanian, V. S. (2017). An army of me: Sockpuppets in online discussion communities. *Proceedings of the 26th International Conference on World Wide Web (WWW '17)*, 857–866. \n* Orabi, M., Mouheb, D., Al Aghbari, Z., & Kamel, I. (2020). Detection of bots in social media: A systematic review. *Information Processing & Management, 57*(4), 102250. \n* Solorio, T., Hasan, R., & Mizan, M. (2013). A case study of sockpuppet detection in Wikipedia. *Proceedings of the Workshop on Language Analysis in Social Media (LASM) at NAACL-HLT*, 59–68. Association for Computational Linguistics. \n* Tomaiuolo, M., Lombardo, G., Mordonini, M., Cagnoni, S., & Poggi, A. (2020). A survey on troll detection. *Future Internet, 12*(2), \n* Tsikerdekis, M., & Zeadally, S. (2014). Multiple account identity deception detection in social media using nonverbal behavior. *IEEE Transactions on Information Forensics and Security, 9*(8), 1311–1321. \n* Uyheng, J., Moffitt, J. D., & Carley, K. M. (2022). The language and targets of online trolling: A psycholinguistic approach for social cybersecurity. *Information Processing & Management, 59*(5), 103012. \n\n:::\n\n#### Account Networks\n\n#### Bot Farm\n\nA **bot farm** is a network of bots operating simultaneously across multiple devices or servers, deployed by a single operator or organisation for a particular purpose.\n\nBot farms have a range of legitimate uses, including web indexing, automated software testing, data aggregation, and website performance monitoring. However, they are also commonly used for malicious activities such as creating fake engagement, generating large volumes of content, distributing spam, or carrying out cybersecurity attacks. When used to manipulate online discourse, bot farms can create the false impression of widespread support, opposition, or interest in a topic, account, or campaign.\n\n#### Troll Farm\n\nA **troll farm** is an organised group of coordinated, often paid workers who post deliberately provocative, misleading, or false content online — typically through fake accounts. Their aim is usually to manipulate public opinion, spread disinformation, or create social and political unrest. Troll farms have been documented in connection with state-sponsored influence operations as well as commercial reputation manipulation.\n\n#### Sockpuppet Network\n\nA sockpuppet network is a coordinated set of sockpuppet accounts operated by one person or a small group, used to simulate independent voices supporting a shared narrative, campaign, account, or cause. Sockpuppet networks are commonly used in political astroturfing, review and rating manipulation, and coordinated disinformation campaigns. Unlike bot farms, sockpuppet networks rely on manual operation by humans, which makes the content of individual accounts appear more authentic and harder to detect through automated means. Their coordination usually becomes detectable only when multiple accounts can be linked through behavioural patterns, shared technical signals, or mutual engagement.\n\n#### Click Farm\n\nA **click farm** is an operation where large numbers of low-paid workers, automated bots, or both are used to click on ads, follow social media accounts, like posts, leave reviews, or download apps. The goal is to artificially boost online engagement or traffic, making content, accounts, or products appear more popular than they actually are.\n\n## Phenomena\n\n#### ☑ Virality vs. Trending\n\n| Feature | Virality | Trending |\n|---------|----------|----------|\n| **What is being spread** | A single information item: a specific video, post, image, or other piece of content | A topic, hashtag, sound, format, or discussion cluster: not one specific item, but many posts referring to or using the same thing |\n| **Primary drivers** | Users share, repost, or forward the information item to others, who in turn pass it along; this cascading spread can be further amplified by recommendation algorithms | Many users post about, mention, or use the same topic, hashtag, or format within a short time; the platform detects this concentration of activity and highlights it in a dedicated \"Trending\" section (such as a trending topics list, trending hashtag overview, or trending sounds page) |\n| **Time pattern** | Often short and explosive; may recur later | Time-bound; persists as long as activity stays high or the platform keeps surfacing it |\n| **How it can be manipulated** | Coordinated sharing, bot amplification, artificial engagement directed at the specific information item | Coordinated posting campaigns, manufactured fake trends through bot networks, platform decisions to promote, filter, or suppress |\n\n*Both virality and trending can emerge organically or be artificially amplified through coordinated campaigns, bot activity, or platform decisions. Both can also give an advantage to emotionally arousing, morally charged, or divisive content, especially in political or conflict-oriented contexts.*\n\n### Virality\n\nThe pattern by which a specific information item spreads rapidly through sharing, recommendation, and re-circulation across networks, analogous to the way a virus propagates. Virality is shaped by content characteristics, social network structures, platform affordances, timing, and algorithmic amplification. \n\nContent that evokes high-arousal emotions, moral reactions, or out-group animosity is often more likely to be shared, especially in political or conflict-oriented contexts. However, virality is not determined only by the size of the original source: smaller accounts or outlets can also produce highly viral items. \n\nVirality can emerge organically, but it can also be artificially amplified through coordinated sharing, platform manipulation, or bot activity.\n\n### Trending\n\nA platform-assigned status indicating that a topic, hashtag, sound, format, or discussion cluster has received unusually concentrated activity within a short period. \n\nTrending is identified algorithmically and surfaced through platform features such as X / Twitter Trending Topics, trending hashtags, trending sounds, trending challenges, or other platform-specific trend features. Trending depends on platform-specific signals such as post volume, rate of increase, engagement, location, personalisation, and moderation filters. \n\nTopics that generate high engagement — including divisive, emotionally arousing, or morally charged topics — may be more likely to trend, but this depends on the platform's ranking system and moderation rules. \n\nTrending can emerge organically from many independent contributions, but it can also be influenced by coordinated campaigns, bot activity, or platform decisions about what to promote, filter, moderate, or suppress.\n\n\n:::info\n* **Berger, J. (2013).** *Contagious: Why Things Catch On.* New York: Simon & Schuster.\n* **Berger, J., & Milkman, K. L. (2012).** What makes online content viral? *Journal of Marketing Research*, 49(2), 192–205. \n* **Brady, W. J., McLoughlin, K., Doan, T. N., & Crockett, M. J. (2021).** How social learning amplifies moral outrage expression in online social networks. *Science Advances*, 7(33), eabe5641. \n* **Jenkins, H., Ford, S., & Green, J. (2013).** *Spreadable Media: Creating Value and Meaning in a Networked Culture.* New York: NYU Press.\n* **Lee, J., & Umback, J. (2026).** The viral turn: rethinking virality in the creator economy on TikTok. *Continuum*, 1–26. \n* **Maarouf, A., Pröllochs, N., & Feuerriegel, S. (2024).** The virality of hate speech on social media. *Proceedings of the ACM on Human-Computer Interaction*, 8 (CSCW1), 1–22. \n* **Rathje, S., Van Bavel, J. J., & van der Linden, S. (2021).** Out-group animosity drives engagement on social media. *Proceedings of the National Academy of Sciences*, 118(26), e2024292118. \n* **Rathje, S., & Van Bavel, J. J. (2025).** The psychology of virality. *Trends in Cognitive Sciences*, 29(10), 914–927. \n* **Rogers, E. M. (2003).** *Diffusion of Innovations* (5th ed.). New York: Free Press.\n* **Sangiorgio, E., Cinelli, M., Cerqueti, R., & Quattrociocchi, W. (2024).** Followers do not dictate the virality of news outlets on social media. *PNAS Nexus*, 3(7), pgae257. \n* **Schlessinger, J., Garimella, K., Jakesch, M., & Eckles, D. (2023).** Effects of Algorithmic Trend Promotion: Evidence from Coordinated Campaigns in Twitter's Trending Topics. *Proceedings of the International AAAI Conference on Web and Social Media (ICWSM)*, 17(1), 777–786. \n* **Schöne, J. P., Parkinson, B., & Goldenberg, A. (2021).** Negativity spreads more than positivity on Twitter after both positive and negative political situations. *Affective Science*, 2(4), 379–390. \n\n:::\n\n### Spill-Over Effects & Epistemic Laundering\n\nThe process by which information that gains visibility within one information environment — whether through artificial amplification, trending, or editorial selection — is picked up and further distributed in other information environments or information access sytsems, thereby reaching audiences beyond the original environment. \n\nSpill-over can occur through journalistic reporting, cross-platform sharing, editorial curation, or user-driven redistribution. \n\n→ A research finding shared on a scholarly forum may be discussed on social media and summarised by an AI assistant. \\n→ A topic artificially amplified by bots on a social media platform may be picked up by journalists. \n\n→ Spill-over effects can increase the reach of both reliable and unreliable information, and can make information appear more widely established than it originally was. \n\n#### Epistemic Laundering\n\nSpill-over does not always preserve the apparent status of information. When the receiving channel carries stronger signals of authority or reliability than the channel of origin — academic format, peer review, formal publication — the information itself can be perceived as more reliable simply through having moved. This effect is known as Epistemic Laundering: information gains perceived reliability through its passage across channels, without any actual change to the underlying claims or evidence. It exploits the tendency of recipients to attribute the reliability of the channel in which they encounter information to the information itself. \n\n→ A claim originating in an anonymous blog post may be cited in a preprint, reproduced in an AI-generated answer, and finally cited in a peer-reviewed paper — at each step gaining academic surface and apparent authority, while the underlying claim remains unchanged or unverified.\n\n\n:::success\nA team at the University of Gothenburg, led by a medical researcher, invented a fake skin condition called Bixonimania to test whether AI systems would absorb and repeat medical misinformation. They presented it as a supposed condition linked to blue-light exposure from screens, with symptoms such as sore, itchy eyes and a pinkish hue on the eyelids. They then created deliberately fake academic-looking preprints, planted with obvious warning signs — a fictional author with an AI-generated photo, a non-existent university, and references to Starfleet Academy and the USS Enterprise. Nature reported that the preprints have since been removed from Preprints.org.\n\nWithin weeks, major AI chatbots began reproducing Bixonimania as a real medical condition, in some cases offering users explanatory or health-related advice. In parallel, the fake material was cited in at least one published paper, since retracted, in the Springer Nature journal *Cureus*.\n\nSpill-over: log posts → fake preprint → webcrawlers → AI chatbot answers → academic citation\n\n:::\n\n\n:::info\nStokel-Walker, C. (2026). Scientists invented a fake disease. AI told people it was real. Nature, 652(8110), 559-561. \n\n:::\n\n# Information Narrowing\n\nWhereas *Information Amplification* (above) describes how visibility is broadened across user accounts, *Information Narrowing* describes the inverse: how the range of perspectives reaching an individual user or social group becomes restricted. Two distinct mechanisms produce this narrowing — *Filter Bubble* (algorithmic personalisation) and *Echo Chamber* (user self-selection). The two are often conflated in popular discourse but operate differently.\n\n## Filter Bubble\n\nA **filter bubble** is an isolated information environment created by *Algorithmic Personalisation*, in which a user is increasingly exposed to content that aligns with their inferred preferences and past behaviour, while content that diverges is filtered out — typically without the user's awareness. The term was coined by Eli Pariser (2011) to describe how personalisation algorithms on Google, Facebook, and similar platforms can produce systematic exposure asymmetries based on user signals such as click history, location, and profile data.\n\nThe defining feature of a filter bubble is *unintentionality from the user's side*: the narrowing is generated by the platform's optimisation, not by the user's deliberate choice of sources.\n\n\n:::warning\nEmpirical research has substantially qualified Pariser's original thesis. Studies have found that algorithmic personalisation does shape what users see, but most users still encounter ideologically diverse content — partly because their own social networks include varied views, and partly because algorithms do not isolate as completely as the popular discourse suggests (Bakshy et al., 2015; Flaxman et al., 2016; Bruns, 2019). The filter-bubble effect is real but typically weaker than commonly assumed; pre-internet selective exposure (e.g., choosing newspapers or TV channels) was in many cases stronger.\n\n:::\n\n\n:::info\n* Pariser, E. (2011). *The Filter Bubble: What the Internet Is Hiding from You*. Penguin Press.\n* Bakshy, E., Messing, S., & Adamic, L. A. (2015). Exposure to ideologically diverse news and opinion on Facebook. *Science*, 348(6239), 1130–1132. \n* Flaxman, S., Goel, S., & Rao, J. M. (2016). Filter bubbles, echo chambers, and online news consumption. *Public Opinion Quarterly*, 80(S1), 298–320. \n* Bruns, A. (2019). *Are Filter Bubbles Real?* Polity Press.\n\n:::\n\n## Echo Chamber\n\nAn **echo chamber** is a social information environment in which a user is primarily exposed to opinions, claims, or ideologies that reinforce their existing beliefs, while dissenting views are absent, dismissed, or actively discredited. Cass Sunstein (2017) describes the political consequences: when groups insulate themselves from outside perspectives, internal beliefs intensify and become more extreme over time (group polarisation).\n\nUnlike *Filter Bubble*, which arises from algorithmic personalisation, an echo chamber results primarily from **user self-selection**: choices about whom to follow, which communities to join, which sources to trust, and which voices to dismiss. These choices are partly driven by *Confirmation Bias* — the cognitive tendency to seek out and trust information that aligns with existing beliefs. The reinforcing effect comes from the social structure itself, not from invisible algorithmic filtering.\n\nC. Thi Nguyen (2020) draws a conceptual distinction that matters for intervention:\n\n* An **epistemic bubble** is a social structure in which other relevant voices are simply *absent*. Its inhabitants do not hear opposing perspectives, but they do not actively reject them.\n* An **echo chamber** in the strict sense is a social structure in which other relevant voices are *actively discredited*. Members may hear opposing perspectives but learn to distrust their sources.\n\nAn epistemic bubble can be opened by introducing new information; an echo chamber resists correction even when external evidence is presented, because the sources of that evidence have already been delegitimised.\n\n\n:::warning\nEmpirical work suggests that strong, ideologically isolated echo chambers are less common than popular discourse implies (Cinelli et al., 2021; Guess et al., 2018), but where they exist, they can be highly resistant to correction. Mere agreement within a group is not in itself an echo chamber — the defining feature is the active exclusion or discrediting of outside perspectives.\n\n:::\n\n\n:::info\n* Sunstein, C. R. (2017). *#Republic: Divided Democracy in the Age of Social Media*. Princeton University Press.\n* Nguyen, C. T. (2020). Echo chambers and epistemic bubbles. *Episteme*, 17(2), 141–161. \n* Cinelli, M., De Francisci Morales, G., Galeazzi, A., Quattrociocchi, W., & Starnini, M. (2021). The echo chamber effect on social media. *PNAS*, 118(9), e2023301118. \n* Guess, A., Lyons, B., Nyhan, B., & Reifler, J. (2018). *Avoiding the Echo Chamber about Echo Chambers: Why Selective Exposure to Like-minded Political News Is Less Prevalent Than You Think*. Knight Foundation White Paper.\n\n:::","HTML":"

Видљивост и истакнутост информација

\n

Видљивост информација односи се на то да ли — и колико истакнуто — одређени елементи информација, теме, извори или налози приказују се корисницима у дигиталним окружењима. Информације које постоје у индексу или мрежи платформе не допиру аутоматски до свих корисника, нити допиру на исти начин.

\n

Видљивост је резултат деловања две међусобно повезане силе:

\n
    \n
  • како се информације циркулишу (делићење, редистрибуција, ширење) и\n
    • \n
  • како се истакне, потисне или филтрира.\n
    • \n
\n
\n
\n\n

Разликовање поузданости и видљивости је од суштинског значаја за информациону писменост.

\n
    \n
  • Поузданост зависи од тога ко је креирао ставку (аутор) и како је уређивана (уредничка ревизија) — а не од тога ко ју је поделио, у ком окружењу се појавила или колико је истакнута.\n
    • \n
  • Видљивост зависи од тога ко дели ставку, од механизама који је истичу и од пракси кроз које се она појачава. Видљивост није мера поузданости.\n

    На пример, ретвитовани чланак: налог који га је поделио и платформа која га је приказала утицали су на његову видљивост — али чланак има свог аутора и уредничку историју, чију поузданост треба процењивати одвојено.

    \n
    • \n
\n
\n
\n

Циркулација информација: дељење, прослеђивање, повезивање, репостирање, цитирање

\n

Људи, налози (укључујући ботове) и организације циркулишу постојеће информационе јединице делећи их, прослеђујући, постављајући линкове, поново објављујући, цитирајући или на други начин редистрибуирајући их.

\n

→ Када се став проследи уз додате коментаре, тумачење или преобликовање, настаје нови информациони став са новим аутором.

\n

Промоција и видљивост информација вођене извором

\n

Практике које покрећу извори — они који креирају, објављују или промовишу информационе јединице. Извори укључују појединачне кориснике, креаторе садржаја, организације, оглашиваче и операторе веб-сајтова. За разлику од механизама вођених платформом, ове праксе су вођене самим изворима, који одлучују како ће учинити свој садржај видљивим. Они делују на два начина: прилагођавајући садржај системима рангирања платформи (досег, директно обраћање, СЕО, СМО, оптимизација специфична за платформу) или плаћајући директно за постављање (плаћена постављања).

\n

Досег налога

\n

Величина и структура потенцијалне публике онога ко дели.

\n

На домет утичу више фактора:

\n
    \n
  • #### број пратилаца или претплатника\n
    • \n
  • #### статус верификације\n
    • \n
  • #### статус налога: старост, историја ангажовања, репутација платформе\n
    • \n
\n

Досег утиче на видљивост на два начина:

\n
    \n
  • директно: садржаји које деле налози са великим досегом појављују се у више фидова у тренутку дељења\n
    • \n
  • индиректно: налози са великим досегом генеришу више сигнала ангажовања, које алгоритми платформе затим користе да подигну ставке у рангирању (→ Алгоритамско чување капије)\n
    • \n
\n

→ Домет знатно варира: приватни налог са 100 пратилаца и јавни налог са милион пратилаца делују на суштински различитим нивоима утицаја на видљивост.

\n

Директно обраћање

\n

Механизми којима пошиљаоци циљају одређене примаоце, чиме тим корисницима платформа одмах обезбеђује видљивост путем обавештења.

\n

Примери:

\n
    \n
  • #### @поменути\n
    • \n
  • #### означавање (на фотографијама, објавама или низовима)\n
    • \n
  • #### цитат-твитови и одговор-помени\n
    • \n
  • #### групне директне поруке\n
    • \n
  • #### адресација мејлинг-листе (До, Копија)\n
    • \n
\n

→ Директно обраћање се разликује од обичног дељења: корисник на који је упућено добија ставку директно путем обавештења, без обзира да ли би иначе наишао на њу у свом фиду.

\n

→ Директно обраћање је хибридни механизам. Ради на страни корисника, али функционише преко инфраструктуре платформе (системи обавештења). Његов ефекат је тренутна истакнутост за корисника на кога се обраћа.

\n

Оптимизација за претраживаче (SEO)

\n

Практике на страни извора за прилагођавање веб-сајтова — њиховог садржаја, метаподата и структуре веза — како би се рангирали истакнутије у резултатима општенаменских претраживача (Google, Bing, DuckDuckGo итд.).

\n

Уобичајене праксе укључују:

\n
    \n
  • истраживање кључних речи и њихова интеграција у наслове, заглавља и главни текст\n
    • \n
  • оптимизација метаподатака (насловни ознаке, метаописи, alt текст)\n
    • \n
  • грађење веза (стецање улазних веза са ауторитетним сајтовима)\n
    • \n
  • структура сајта и унутрашње повезивање\n
    • \n
  • брзина учитавања странице и прилагођеност мобилним уређајима\n
    • \n
  • стварање садржаја који одговара намери претраге\n
    • \n
\n

→ SEO је најформализованија дисциплина оптимизације јер су сигнали за рангирање претраживача релативно стабилни и добро документовани (Lewandowski и др.). Специјализовани SEO професионалци, агенције и алати подржавају његову праксу.

\n

→ SEO не мења начин на који претраживачи рангирају странице — он прилагођава веб-сајт постојећим критеријумима рангирања. Објављивачи могу обликовати оно што алгоритам види, али не и начин на који он доноси одлуке.

\n

Оптимизација за друштвене мреже (SMO)

\n

Практике на страни извора за максимизирање видљивости, ангажовања и могућности дељења садржаја на платформама друштвених мрежа.

\n

Уобичајене праксе укључују:

\n
    \n
  • стратегије хаштагова (популарни или тематски ознаке)\n
    • \n
  • временско објављивање (када је циљна публика активна)\n
    • \n
  • избор формата садржаја (кратки видео, карусели, рилси)\n
    • \n
  • дизајн наслова и увода (брзо привлачење пажње)\n
    • \n
  • поттицање ангажовања (питања, анкете, позиви на акцију)\n
    • \n
  • пренамењивање садржаја на више платформи\n
    • \n
\n

→ SMO је мање формализована од SEO-а јер су сигнали за рангирање на друштвеним мрежама нејаснији и специфични за поједине платформе. Праксе се мењају како се мењају алгоритми.

\n

Оптимизација специфична за платформу

\n

Стратегије оптимизације прилагођене конвенцијама и логици рангирања појединачних платформи — изван општих принципа SEO или SMO.

\n
    \n
  • TikTok: привлачење пажње гледалаца у прве три секунде, коришћење тренди звукова, вертикални кратки видео\n
    • \n
  • Instagram: висококвалитетни визуелни материјал, стратегија усмерена на Reels, мешање хаштагова\n
    • \n
  • Јутјуб: дизајн минијатура, оптимизација времена гледања, наслови и описи богати кључним речима\n
    • \n
  • LinkedIn: дугачке професионалне објаве, аутохтоно објављивање, умрежени ангажман\n
    • \n
  • X (Твитер): концизни уводни делови, низови, одговарање налозима са великим досегом\n
    • \n
\n

→ Оптимизација специфична за платформу захтева разумевање система рангирања сваке платформе, понашања публике и преференција у формату садржаја. Оно што функционише на ТикТоку ретко функционише на Линкедину.

\n

Плаћени пласмани и оглашавање

\n

Пракса плаћања за видљивост са стране извора — спонзорисани садржај постављен поред органског садржаја, обично кроз оглашавање.

\n

Уобичајени облици:

\n
    \n
  • спонзорисани резултати претраге (огласи на претраживачима)\n
    • \n
  • спонзорисани постови и промовисани садржај (друштвени медији)\n
    • \n
  • дисплеј огласи (банери, видео-снимци)\n
    • \n
  • партнерства са инфлуенсерима (плаћене сарадње)\n
    • \n
\n

→ Плаћени пласмани заобилазе органске системе рангирања: уместо да се оптимизује садржај за добро рангирање, извор директно плаћа платформи за пласман.

\n

→ Понекад су јасно означени ("Спонзорисано", "Реклама"), понекад се слабо разликују од органских резултата. Стандарди означавања варирају у зависности од јурисдикције и платформе.

\n

Промоција и контрола информација са стране платформе

\n
\n
\n\n

Оно што корисници заправо виде ретко је производ само једног механизма. У претраживачу се алгоритамски рангирана листа органских резултата приказује поред плаћених позиција, резимеа генерисаних вештачком интелигенцијом и понекад уредничких истакнућа — а основни сигнали за рангирање могу бити намерно утицани кроз оптимизацију за претраживаче. У фиду друштвених мрежа алгоритамски рангирани постови појављују се поред спонзорисаног садржаја, препоручених налога и ознака трендова. Свака компонента следи своју логику и доприноси укупном резултату видљивости.

\n
\n
\n

Уредничка курација

\n

Ручна курација са стране платформе: информативни елементи намерно истичу уреднички тимови или оператери платформе, уместо да се појављују кроз алгоритамско рангирање.

\n

Примери:

\n
    \n
  • истакнути исјечци у резултатима претраге\n
    • \n
  • куриране секције трендова\n
    • \n
  • приче одабране од уредника у агрегаторима вести\n
    • \n
  • платформски промовисани хаштагови\n
    • \n
  • Избор уредника у продавницама апликација\n
    • \n
  • истакнути креатори или налози\n
    • \n
\n

→ Уреднички избори се налазе поред алгоритамских механизама и одражавају сопствене процене платформе о томе који садржај заслужује истакнут приказ.

\n

→ За разлику од алгоритамског чувања (кураторства и персонализације), уредничко чување подразумева људске уредничке одлуке саме платформе. Функционално, ово је облик уредничког чувања — које спроводи сама платформа, а не традиционални издавачи.

\n

Алгоритамско управљање приступом

\n

Алгоритамско управљање приступом односи се на улогу алгоритама у одлучивању које информације ће доћи до којих корисника — дигитални еквивалент уредничког управљања приступом (→ Информације, Извори и информациона окружења → Уредничка ревизија). Оно обухвата и селекцију (шта се приказује и високо рангира) и искључивање (шта се филтрира, деградира или сакрива).

\n

Алгоритамско управљање приступом делује на различитим типовима платформи:

\n
    \n
  • у претраживачима, алгоритми бирају и рангирају резултате на основу упита\n
    • \n
  • у фидовима друштвених мрежа, алгоритми одлучују који постови се више истичу\n
    • \n
  • на видео-платформама, алгоритми предлажу шта даље гледати\n
    • \n
  • у системима за одговарање заснованим на вештачкој интелигенцији, алгоритми генеришу, сажимају или синтетишу одговоре\n
    • \n
\n

Алгоритамско управљање приступом функционише у два режима која често делују заједно: опште операције примењене на све кориснике (алгоритамска курација) и индивидуално прилагођавање на основу праћених корисничких сигнала (алгоритамска персонализација).

\n

Алгоритамска курација

\n

Опште алгоритамске операције примењене на све кориснике — оне одређују које информације су доступне на платформи, без обзира на то ко је корисник.

\n
    \n
  • Претрага и индексирање\n— Који информациони елементи постају доступни за приказ?\n
      \n
    • претраживачи који претражују веб\n
      • \n
    • агрегатори садржаја који индексирају изворе вести\n
      • \n
    • продавнице апликација које каталогизују доступне апликације\n
      • \n
    \n
    • \n
  • Филтрирање и Модерирање\n— Који елементи су блокирани или спуштени у рангу према правилима платформе?\n
      \n
    • филтери за спам\n
      • \n
    • уклањање садржаја који крши политику (говор мржње, илегалан садржај, графички материјал)\n
      • \n
    • спонтано рангирање материјала ниског квалитета или који обмањује\n
      • \n
    \n
    • \n
  • Оцењивање квалитета\n— Који извори или ставке се оцењују као поузданији или квалитетнији?\n
      \n
    • претраживачи кажњавају сајтове лошег квалитета\n
      • \n
    • рангирање агрегатора вести по ауторитету извора\n
      • \n
    • рангирање под утицајем рецензија на академским претраживачима\n
      • \n
    \n
    • \n
  • Откривање трендова\n— Који се ставци приказују као тренутно популарне?\n
      \n
    • трендиншке теме на друштвеним платформама\n
      • \n
    • врхне листе на стриминг услугама\n
      • \n
    • секције "Шта се дешава" и "Данашњи наслови"\n
      • \n
    • популарни хаштагови\n
      • \n
    \n
    • \n
\n

→ Алгоритамска курација дефинише скуп информација доступних на платформи. Она углавном функционише на исти начин за све кориснике.

\n

Алгоритамска персонализација

\n

Алгоритамске операције које прилагођавају избор, редослед и презентацију информација појединачним корисницима на основу праћених сигнала. Ови сигнали се током времена акумулирају у корисничке историје на којима алгоритми заснивају своје препоруке.

\n

→ Два корисника на истој платформи — чак и са истим упитом — обично виде знатно различит садржај.

\n
    \n
  • Персонализовано рангирање\n— Који елементи су виши рангирани за овог корисника?\n
      \n
    • персонализовани резултати претраге (локација, историја, редослед по профилу)\n
      • \n
    • редослед у вестима друштвених мрежа ("За тебе", "Најбољи постови")\n
      • \n
    • рангирање засновано на ангажованости — оптимизација за предвиђену интеракцију, доминантно на друштвеним мрежама\n
      • \n
    \n
    • \n
  • Препоруке\n— Који предмети се сугеришу овом кориснику поред онога што је он активно затражио?\n
      \n
    • Листе видео садржаја "Препоручено за вас"\n
      • \n
    • предложени налози, групе или теме за праћење\n
      • \n
    • "Људи које можда познајете"\n
      • \n
    • повезани чланци, слични производи, "Следеће"\n
      • \n
    \n
    • \n
  • Персонализовано оглашавање\n— Који огласи су усмерени на овог корисника?\n
      \n
    • огласи за претрагу прилагођени претходним упитима\n
      • \n
    • спонзорисани постови на друштвеним мрежама засновани на профилу и понашању\n
      • \n
    • поновна циљана приказна огласна места на веб-сајтовима\n
      • \n
    • партнерства са инфлуенсерима усклађена са интересовањима публике\n
      • \n
    \n
    • \n
\n

→ Два корисника на истој платформи — чак и са истим упитом — обично виде знатно различит садржај.

\n

→ Персонализација ствара повратну спрегу: оно што корисници раде утиче на то шта ће следеће видети, а оно што следеће виде може утицати на то шта раде.

\n

☑ Сигнале корисника које платформа прати за алгоритамску персонализацију

\n

Акције које корисник извршава — активно или пасивно — у оквиру информационог канала који се може пратити и користити од стране алгоритама за персонализацију избора и видљивости информационих јединица.

\n

→ Корисничке акције нису ограничене на свесне интеракције као што су кликање или лајковање. Многе акције су пасивне или аутоматске, као што су колико дуго корисник остаје на страници, колико далеко скролује или где се налази. Корисници често нису свесни да ове акције утичу на то шта ће следеће видети.

\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
ТипШта је тоПримери
Експлицитна повратна информацијаСвесне интеракције које корисник бира да изврши- претраге / упити
за претрагу-
кликови- лајкови /
реакције- коментари /
одговори- дељења / репостови /
прослеђивања- праћења /
претплате- чувања /
обележивачи- оцене /
рецензије- куповине / преузимања
Имплицитно понашањеПасивни сигнали понашања прикупљени током коришћења- време гледања / време слушања / време
задржавања- понашање при скроловању (колико далеко, колико брзо)
- понашање при
прелетању мишем- понашање при прескакању
Контекстуални подациИнформације о ситуацији у којој корисник приступа платформи- подаци о локацији корисника током коришћења
апликације- тип уређаја (нпр. телефон или лаптоп)
- време приступа
Подаци о налогу и друштвеним везамаИнформације из корисничког профила и друштвених веза- информације о профилу (старост, интересовања, професија, пол)
-
подешавања језика - повезани
налози - листа контаката / адресар
\n
\n
\n\n
    \n
  • \nАдомавицус, Г., и Тужилин, А. (2011). Контекстуално свесни системи за препоруку. У F. Ricci, L. Rokach, B. Shapira и P. B. Kantor (ур.), Recommender Systems Handbook\n(стр. 217–253). Springer. https://doi.org/10.1007/978-0-387-85820-3_7\n
    • \n
  • \nKelly, D., & Teevan, J. (2003). Имплицитна повратна информација за закључивање корисничких преференција: Библиографија. ACM SIGIR Forum, 37\n(2), 18–28. https://doi.org/10.1145/959258.959260\n
    • \n
  • \nLi, W., Kuo, J.-C., Sheng, M., Zhang, P., & Wu, Q. (2025). Иза експлицитног и имплицитног: Како корисници дају повратне информације за обликовање персонализованог садржаја препорука. У Зборнику радова Конференције CHI 2025 о људским факторима у рачунарским системима (CHI '25)\n. Association for Computing Machinery. https://doi.org/10.1145/3706598.3713241\n
    • \n
  • \nNarayanan, A. (2023). Разумевање алгоритама за препоруке на друштвеним мрежама.\nИнститут "Најт" за Први амандман, Универзитет Колумбија.https://knightcolumbia.org/content/understanding-social-media-recommendation-algorithms\n
    • \n
\n
\n
\n

Информациона појачавања

\n

Амплификација се односи на систематско повећање видљивости неког садржаја изван нивоа појединачног корисника — како би се постигла широка видљивост на свим корисничким налозима, а понекад и у различитим информационим окружењима.

\n

Док Промоција вођена извором (више) обухвата шта један извор сам чини да би стекао видљивост, а Контрола са стране платформе (више) описује алгоритамске операције помоћу којих платформе приказују и рангирају садржај за појединачне кориснике, Појачавање се односи на резултате појачања у великом обиму — произведене или као збирни ефекат тих операција платформе (→ Алгоритамско појачавање) или кроз координисану активност више актера (→ Координисано појачавање).

\n

Механизми појачавања

\n

Амплификација делује кроз два главна механизма.

\n
    \n
  • Алгоритамско појачавање је вођено платформом: то је агрегатски ефекат алгоритамског надзора — кумулативни исход кураторства и персонализације платформе у погледу тога који садржаји допиру до којих корисника и колико истакнуто.\n
    • \n
  • Координисано појачавање је вођено актерима: више налога, група или кампања намерно делује у сарадњи како би повећало видљивост неке ставке, хаштага или наратива више него што би активност појединачног корисника произвела. Литература је класификује дуж две димензије — координације (транспарентне или прикривене) и налога (правih или лажних) — и у складу с тим разликује (Rogers & Righetti, 2025):\n
      \n
    • Координисано аутентично појачавање: координација је транспарентна, а налози су стварни (нпр. отворене грађанске кампање, заступање, маркетинг).\n
      • \n
    • Координисано неаутентично / вештачко појачавање: координација је скривена, налози су лажни, или оба — стварајући привид органске подршке (Meta-ово Координисано неаутентично понашање / CIB; Gleicher, 2018).\n
      • \n
    \n
    • \n
\n

Ова два механизма се често комбинују. Координисане мреже искоришћавају рангирање засновано на ангажовању како би покренуле алгоритамско појачавање; алгоритамско рангирање, пак, умножава видљивост коју је координација већ произвела.

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

Алгоритамско појачавање

\n

Алгоритамско појачавање је кумулативни ефекат горе наведених механизама контроле приступа (курација и персонализација): систематско обликовање тога који се елементи, теме, налози и формати истакнуто приказују корисницима — а који се филтрирају, деградирају или гурају надоле.

\n

Емпиријска истраживања показују да рангирање засновано на ангажованости систематски појачава емоционално набијен садржај и садржај који показује нетрпељивост према другим групама, чак и када сами корисници не преферирају такав садржај (Milli et al., 2025). Такође умножава постојећи домет: налози и објави са високом претходном ангажованошћу награђују се додатном видљивошћу, што ствара веома искривљене расподеле домета (ефекат "богати постају богатији").

\n

Алгоритамске интервенције могу имати и нелинеарне ефекте у супротном смеру. Смањење видљивости објекта у фиду за око 20% може смањити његов домет за ред величине (Narayanan, 2023).

\n

Алгоритамско појачавање није неутралан одраз корисничке активности. Његови ефекти су емергентни и видљиви углавном укупно: појединачне препоруке су нетачне (стаппеви ангажовања остају испод 1% на већини платформи), али рангирање, препоручивање и демантирање систематски обликују оно што циркулише на платформи.

\n
\n
\n\n
    \n
  • Milli, S., и др. (2025). Ангажовање, задовољство корисника и појачавање контроверзног садржаја на друштвеним мрежама. PNAS Nexus.\n
    • \n
  • Narayanan, A. (2023). Understanding social media recommendation algorithms. Knight First Amendment Institute.\n
    • \n
\n
\n
\n

Координисано аутентично појачавање

\n

Координисано аутентично појачавање је намерно унапређивање информационог садржаја, теме, хаштага, налога или наратива кроз отворено објављену, организовану активност стварних налога. Координисан извор није скривен: учесници делују под својим стварним идентитетима или под познатим групним припадностима.

\n

Типични контексти укључују

\n
    \n
  • грађанске кампање (нпр. петиције НВО, хаштагови за заступање),\n
    • \n
  • политичка мобилизација (нпр. страначка кампања, напори за излазак бирача на биралишта),\n
    • \n
  • маркетиншке и брендинг кампање,\n
    • \n
  • комуникације струковних удружења и\n
    • \n
  • културних покрета као што су Fridays for Future или #MeToo.\n
    • \n
\n
\n
\n\n

Да ли је основна порука добро утемељена, уравнотежена или једнострана је посебно питање — аутентичност се односи само на транспарентност координације, а не на истинитост или праведност садржаја. Аутентична кампања може појачати тачне информације, обмањујуће информације или једнострану позицију.

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

Аутентична и неаутентична координација могу произвести обрасце видљивости који изгледају идентично споља — синхронизовано дељење, групирање хаштагова, брзо усвајање. Карактеристична особина није видљив образац, већ то да ли је координисано порекло отворено откривено.

\n
\n
\n

Координисано неаутентично / вештачко појачавање

\n

Координисано неаутентично / вештачко појачавање је намерно унапређење информативне јединице, теме, хаштага, налога или наратива кроз организовану активност у којој је координисано порекло прикривено, учествујући налози су лажни или и једно и друго. Циљ је да се створи привид органске, независне подршке. Мета-ов појам координисаног неаутентичног понашања (CIB) — који је сада укључен у Дигитални закон ЕУ — фокусира се на ову комбинацију лажних идентитета и непријатељских метода како би се избегло откривање (Gleicher, 2018; Rogers & Righetti, 2025).

\n

Типични контексти укључују операције политичког утицаја (спонзорисане од стране државе или повезане са странкама), кампање астротурфинга (комерцијалне или идеолошке), циљану дезинформацију у вези са изборима, јавним здрављем или геополитичким конфликтом, и манипулацију репутацијом путем лажних рецензија, оцена или ангажовања. Оперативна средства — ботови, тролови, сокпупети и њихове координисане мреже (фарме ботова, фарме тролова, мреже сокпупета, фарме кликова) — детаљно су описана у наставку.

\n
\n
\n\n

Неаутентичност се односи на прикривање координисаног порекла или коришћење лажних налога — а не на истинитост садржаја који се појачава. Координисана мрежа лажних налога може појачати тачне информације; један аутентичан појединац може ширити измишљене информације. Координисано неаутентично појачавање и ширење лажног садржаја су различити феномени који могу настати независно или заједно.

\n
\n
\n

Следећи типови налога описани у овом одељку примењују се на све дигиталне информационе канале и платформе где корисници могу да креирају налоге и објављују или јавно комуницирају — нарочито на друштвеним мрежама, форумима за дискусију и заједничким просторима, видео и аудио платформама, као и у одељцима за рецензије или коментаре. Они су мање истакнути у апликацијама за приватну комуникацију или у окружењима без садржаја који генеришу корисници. Појављују се и самостално и у оквиру координисаних мрежа. Овде су наведени због своје типичне улоге у динамици појачавања; експлицитно координисане формације су мреже налога.

\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
ТерминДефиницијаКонтролишуДефинисаноТипична сврха
Социјални ботАутоматизовани или делимично аутоматизовани налог који објављује, лајкује, прати, дели или одговара на мрежи.СофтверАутоматизацијаДа би се појачале поруке, створила вештачка популарност, слао спам, утицало на дебату или ширило садржај у великом обиму.
КиборгХибридни налог који комбинује људско управљање са софтверском аутоматизацијом.Мешано: људско и софтверскоСелективна аутоматизацијаДа би се комбиновала скала аутоматизације са контекстуалном веродостојношћу људског уноса — за легитимно распоређивање/управљање или за операције утицаја које је теже открити.
ТролЛице или налог који намерно провоцира, ремети или распирује онлајн дискусију.Обично људски корисник; понекад координисане групеПоремећајно / провокативно / антагонистичко понашањеДа би узнемирили друге, скренули разговоре са теме, изазвали реакције, ширили непријатељство или поларизовали дебату.
Лажни налогЛажни налог који неко користи да би сакрио свој прави идентитет или се представљао као друга особа.Човечки корисник, иако налог може да користи и аутоматизацијуОбмањујући идентитетДа би се створила лажна подршка, напао друге анонимно, избегао забране, манипулисао дебатом или створио утисак независног саглашавања.
\n

Социјални бот

\n

Социјални бот је бот дизајниран да делује на платформама друштвених мрежа, објављујући, коментаришући, делећи или комуницирајући на начине који симулирају људске кориснике. Социјални ботови су обично програмирани да делују у великом обиму и великом брзином, далеко изван онога што би људски корисник могао да постигне. Њихова активност је често понављајућа и координисана на многим налозима, што је разликује од нормалне људске употребе.

\n

Социјални ботови се могу користити у легитимне сврхе — као што су корисничка подршка, дистрибуција вести или маркетинг — али се такође широко користе за утицање на јавно мњење, појачавање одређених порука, манипулисање дискусијама или стварање утиска о широко распрострањеној подршци за одређене идеје, производе или узроке. У контексту дезинформација и misinformation-а, социјални ботови играју посебну улогу у брзој дистрибуцији садржаја и стварању лажног утиска да многи независни гласови деле исто мишљење.

\n

Када се социјални ботови распореде у координисаним мрежама, они формирају фарму ботова.

\n
\n
\n\n

бот

\n

Бот је рачунарски програм који аутоматски обавља задатке, често понављајуће. Ботови се крећу од једноставних, безопасних алата — као што су веб-роботи који индексирају странице за претраживаче, аутоматизовани системи за тестирање или ћаскајући ботови који одговарају на уобичајена питања корисника — до злонамерних програма дизајнираних да шире спам, малвер или дезинформације.

\n
\n
\n

Киборг

\n

Киборг је хибридни налог који је делимично управљан од стране човека, а делимично аутоматизован софтвером. Киборг може имати рутинске постове заказане или генерисане софтвером, док особа обрађује одабране интеракције, одговоре или осетљив садржај. Однос између аутоматизоване и људске активности варира међу налозима.

\n

Киборзи се могу користити у легитимне сврхе — као што су распоређивање садржаја, управљање брендом или институционалним налозима, или хибридна корисничка подршка — али се такође користе у операцијама утицаја како би се комбиновао обим и брзина аутоматизације са контекстуалном веродостојношћу људског уноса.

\n

Киборга је теже идентификовати него чисто аутоматизоване ботове јер је део њиховог понашања заиста људски, што значи да појединачни показатељи детекције ретко доводе до поуздане идентификације.

\n

Трол

\n

Трол је стварна особа која намерно узнемирава онлајн дискусије провокативним, агресивним или непријатељским понашањем. Тролови обично користе личне налоге и циљају контроверзна питања, јавне личности (као што су политичари или новинари) или медијске организације. Њихов циљ је да узнемире друге, изазову реакције или ескалирају сукобе — понекад у знак подршке одређеној агенди, понекад из забаве или ради привлачења пажње.

\n

Иако тролови често делују самостално, они такође могу да делују у координисаним групама, понекад плаћени од стране политичких или комерцијалних актера (погледајте "Фарму тролова" у одељку Механизми појачавања).

\n

Троловање је најбоље схватити као образац понашања на интернету, а не као одређену врсту налога. Исти образац понашања могу спроводити и аутоматизовани налози, а обични корисници могу повремено троловати.

\n

Сокпапет

\n

Саукпапет је лажни онлајн идентитет који креира и користи стварна особа која крије свој прави идентитет. За разлику од тролова — који често делују под једним, отворено непријатељским налозом — оператер саукпапета обично води више лажних налога паралелно како би створио утисак да неколико независних корисника има исти став, подржава исту ствар или се слаже са оператеровим сопственим (често засебним) главним налозом.

\n

Лажни налози се често користе за стварање вештачког консензуса, подршку сопствених аргумената под различитим именима, напад на противнике уз привид непристрасности, заобилажење забрана стварањем нових идентитета након суспензије или манипулацију онлајн рецензијама, гласањима и анкетама.

\n

Марионетске налоге разликују од социјалних ботова по томе што их ручно управљају људи, што чини њихов садржај контекстуално веродостојнијим и тежим за откривање аутоматизованим средствима. Разликују се од тролова по томе што им је примарни циљ обмана о идентитету и стварање привида консензуса, а не провокација — иако оператери марионетских налога такође могу да се баве троловањем преко својих лажних идентитета.

\n

Када особа или мала група заједно управља координисаним скупом лажних налога, они формирају мрежу лажних налога (погледајте Механизме појачавања).

\n

☑ Разликовање социјалних ботова, тролова и сакпапета

\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
Димензија детекцијеСоцијални ботовиТроловиМарионетске налоге
Карактеристике профила- [ ] Налог изгледа као да је недавно
креиран- [ ] Профил је непотпун или
генерички- [ ] Корисничко име може изгледати неперсонално и понекад укључује случајне бројеве		- [ ] Налог је обично дуго активан и има историју
објава- [ ] Профил је потпун и делује лично; може да садржи снажну идеолошку или политичку
самоопредељеност- [ ] Корисничко име делује лично		- [ ] Профил изгледа веродостојно и лично, често са фотографијом профила и биографским детаљима (понекад украденим, генерисаним вештачком интелигенцијом или копираним)
- [ ] Историја налога може бити умерена и осмишљена да изгледа аутентично током времена
Постaвно понашање- [ ] Активност не одговара нормалном људском
понашању на интернету- [ ] Налози објављују или поново објављују садржај веома често-
[ ] Налози објављују или поново објављују садржај у свако доба, дан и ноћ		- [ ] Активност подсећа на нормално људско
понашање на интернету- [ ] Налог објављује или одговара у неправилним
временима- [ ] Налог постаје активнији током контроверзних дискусија		- [ ] Шеме активности подсећају на нормалну људску
употребу- [ ] Више налога којим управља исти оператер може имати сличне сате активности или
ритмове- [ ] Налози-марионете обично покрећу мање дискусија и пишу краће постове него типични корисници
Интеракције- [ ] Налог не води праве
разговоре- [ ] Налози углавном лајкују, деле или
репостују- [ ] Одговори су кратки и аутоматизовани		- [ ] Налог директно одговара другим
корисницима- [ ] Налог учествује у дебатама са циљем провоцирања
реакција- [ ] Разговори се продужују како би се створио или ескалирао сукоб		- [ ] Налог учествује у стварним разговорима, често подржавајући оператеров главни налог или друге лажне
налоге- [ ] Одговори су контекстуално прикладни и делују
аутентично- [ ] Парови лажних налога често комуницирају у истој дискусији у слично време
Карактеристике садржаја- [ ] Садржај је једностран и
понављајући- [ ] Исти наративи се објављују више пута		- [ ] Садржај је посебно прилагођен да нанесе штету или изазове реакцију
циља- [ ] Садржај је усмерен на појединце или друштвене групе		- [ ] Садржај делује аутентично и разноврсно међу
налозима- [ ] Основна порука или став сумњиво се поклапају у целој
мрежи- [ ] Чешћа употреба личних заменица као што је "ја"
Језик- [ ] Генерички изрази, понављајући облици са кључним речима- [ ] Разноврстан, емотиван, често злоупотребљавајући или увредљив језик- [ ] Природни и разноврстан
језик- [ ] Више налога може да дели лингвистичке отиске прстију (слично формулисање, речник, интерпункција или обрасци грешака)
Мрежни и технички показатељи- [ ] Социјални ботови прате друге социјалне ботове, али је веза обично једносмерна и
нереципрочна- [ ] Координисано понашање је уочљиво на више налога ботова		- [ ] Тролови прате људске
налоге- [ ] Повезивања су често узвраћена (прате своје пратиоце и обрнуто)
- [ ] Тролови обично делују независно једни од других		- [ ] Више налога који међусобно комуницирају на начин који се међусобно
подржава- [ ] Повезаности могу бити вештачки узвраћене између наложa-марионета у истој мрежи, или намерно изостављене како би се избегло
откривање- [ ] Иста IP адреса, отисак уређаја или образац пријављивања \\\\*(откривање са стране платформе)\\\\*-
[ ] Гушће его-мреже него код обичних
корисника- [ ] Коррелисано временско одређивање активности на више налога
\n
\n
\n\n
    \n
  • \nFerrara, E. (2023). Детекција социјалних ботова у доба ChatGPT-а: Изазови и могућности. First Monday, 28\n(6). https://doi.org/10.5210/fm.v28i6.13185\n
    • \n
  • \nKumar, S., Cheng, J., Leskovec, J., & Subrahmanian, V. S. (2017). An army of me: Sockpuppets in online discussion communities. Proceedings of the 26th International Conference on World Wide Web (WWW '17)\n, 857–866. https://doi.org/10.1145/3038912.3052677\n
    • \n
  • \nOrabi, M., Mouheb, D., Al Aghbari, Z., & Kamel, I. (2020). Детекција ботова на друштвеним мрежама: систематски преглед. Information Processing & Management, 57\n(4), 102250. https://doi.org/10.1016/j.ipm.2020.102250\n
    • \n
  • \nSolorio, T., Hasan, R., & Mizan, M. (2013). Студија случаја детекције сокпупета на Википедији. Зборник радова радионице о језичкој анализи у друштвеним медијима (LASM) на NAACL-HLT\n, 59–68. Association for Computational Linguistics.https://aclanthology.org/W13-1107/\n
    • \n
  • \nTomaiuolo, M., Lombardo, G., Mordonini, M., Cagnoni, S., & Poggi, A. (2020). Преглед на детекцију тролова. Future Internet, 12\n(2), https://doi.org/10.3390/fi12020031\n
    • \n
  • \nTsikerdekis, M., & Zeadally, S. (2014). Откривање обмане вишеструких налога у друштвеним мрежама коришћењем невербалног понашања. IEEE Transactions on Information Forensics and Security, 9\n(8), 1311–1321. https://doi.org/10.1109/TIFS.2014.2332820\n
    • \n
  • \nUyheng, J., Moffitt, J. D., & Carley, K. M. (2022). Језик и циљеви онлајн троловања: психолингвистички приступ за друштвену сајбер безбедност. Information Processing & Management, 59\n(5), 103012. https://doi.org/10.1016/j.ipm.2022.103012\n
    • \n
\n
\n
\n

Мреже налога

\n

Фарма ботова

\n

Фарма ботова је мрежа ботова који истовремено раде на више уређаја или сервера, а распоређује их један оператер или организација за одређену сврху.

\n

Фарме ботова имају низ легитимних примена, укључујући индексирање веба, аутоматизовано тестирање софтвера, агрегирање података и праћење перформанси веб-сајтова. Међутим, оне се такође често користе за злонамерне активности као што су стварање лажног ангажовања, генерисање великих количина садржаја, дистрибуција спама или спровођење сајбер-напада. Када се користе за манипулисање онлајн дискурсом, фарме ботова могу створити лажни утисак о широко распрострањеној подршци, противљењу или интересовању за неку тему, налог или кампању.

\n

Фарма тролова

\n

Тролл-фарма је организована група координисаних, често плаћених радника који намерно објављују провокативне, обмањујуће или лажне садржаје на интернету — обично преко лажних налога. Њихов циљ је обично манипулисање јавним мнењем, ширење дезинформација или изазивање друштвених и политичких немира. Тролл-фарме су документоване у вези са државно спонзорисаним операцијама утицаја, као и у манипулацији комерцијалним угледом.

\n

Мрежа лажних налога

\n

Мрежа лажних налога је координисан скуп лажних налога којим управља једна особа или мала група, а који се користе за симулирање независних гласова који подржавају заједнички наратив, кампању, налог или циљ. Мреже лажних налога се често користе у политичком астротурфингу, манипулацији рецензијама и оцењивањем и координисаним дезинформационим кампањама. За разлику од фарми ботова, мреже лажних налога се ослањају на ручно управљање од стране људи, што чини садржај појединачних налога аутентичнијим и тежим за откривање аутоматизованим средствима. Њихова координација обично постаје откривена тек када се више налога може повезати кроз обрасце понашања, заједничке техничке сигнале или међусобно ангажовање.

\n

Фарма кликова

\n

Клик фарма је операција у којој се велики број нископлаћених радника, аутоматизовани ботови или оба користе за кликање на огласе, праћење налога на друштвеним мрежама, лајковање постова, остављање рецензија или преузимање апликација. Циљ је вештачки повећати онлајн ангажовање или саобраћај, чинећи да садржај, налози или производи изгледају популарнији него што заправо јесу.

\n

Феномени

\n

☑ Виралност vs. Трендинг

\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
КарактеристикаВируалностУ тренду
Шта се шириЈедна информативна јединица: одређени видео, објава, слика или други део садржајаТема, хештег, звук, формат или кластер дискусије: не један конкретан елемент, већ више постова који се односе на или користе исту ствар
Примарни покретачиКорисници деле, репостјују или прослеђују тај информациони садржај другима, који га затим даље прослеђују; ово каскадно ширење може бити додатно појачано алгоритмима за препорукуМноги корисници објављују, помињу или користе исту тему, хаштаг или формат у кратком року; платформа открива ову концентрацију активности и истиче је у посебном одељку "У тренду" (као што су листа трендинга тема, преглед трендинга хаштагова или страница трендинга звукова)
Временски образацЧесто кратко и експлозивно; може се поновити каснијеВременски ограничено; траје док год активност остане висока или док год платформа наставља да га истиче
Како се може манипулисатиКоординисано дељење, појачавање ботовима, вештачко ангажовање усмерено на одређену информацијуКоординисане кампање објављивања, измишљени лажни трендови путем мрежа ботова, одлуке платформе да промовише, филтрира или потисне
\n

И вирусност и трендирање могу да настану органски или да буду вештачки појачани кроз координисане кампање, активност ботова или одлуке платформе. Оба могу да пруже предност емотивно узбудљивом, морално набијеном или подељном садржају, посебно у политичком или конфликтном контексту.

\n

Виралност

\n

Шема по којој се одређени информативни садржај брзо шири кроз дељење, препоруку и рециркулацију кроз мреже, аналогно начину на који се вирус шири. Виралност обликују карактеристике садржаја, структуре друштвених мрежа, могућности платформе, временско одређење и алгоритамско појачавање.

\n

Садржај који изазива снажне емоције, моралне реакције или нетрпељивост према другим групама често се чешће дели, посебно у политичким или конфликтно оријентисаним контекстима. Међутим, вирусност није одређена само величином оригиналног извора: и мањи налози или медији такође могу произвести изузетно вирусне садржаје.

\n

Виралност може да настане органски, али може бити и вештачки појачана кроз координисано дељење, манипулацију платформом или активност ботова.

\n

У тренду

\n

Статус који платформа додељује, а који указује да је нека тема, хаштаг, звук, формат или кластер дискусије примио необично концентровану активност у кратком периоду.

\n

Трендинг се идентификује алгоритамски и приказује кроз функције платформе као што су X / Twitter Trending Topics, трендинг хаштагови, трендинг звуци, трендинг изазови или друге функције трендова специфичне за платформу. Трендинг зависи од сигнала специфичних за платформу као што су обим објава, стопа раста, ангажовање, локација, персонализација и филтри за модерирање.

\n

Теме које генеришу висок ниво ангажовања — укључујући контроверзне, емоционално узбудљиве или морално набијене теме — могу имати већу вероватноћу да постану тренд, али то зависи од система рангирања платформе и правила умерености.

\n

Трендови могу да настану органски из многих независних доприноса, али на њих могу да утичу и координисане кампање, активност ботова или одлуке платформе о томе шта ће промовисати, филтрирати, модерирати или потискивати.

\n
\n
\n\n
    \n
  • Бергер, Ј. (2013). Contagious: Why Things Catch On. Њујорк: Simon & Schuster.\n
    • \n
  • Бергер, Ј. и Милкман, К. Л. (2012).\nШта чини онлајн садржај вирусним? Journal of Marketing Research\n, 49(2), 192–205. https://doi.org/10.1509/jmr.10.0353\n
    • \n
  • Brady, W. J., McLoughlin, K., Doan, T. N., & Crockett, M. J. (2021).\nКако социјално учење појачава изражавање моралног негодовања на онлајн друштвеним мрежама. Science Advances\n, 7(33), eabe5641. https://doi.org/10.1126/sciadv.abe5641\n
    • \n
  • Џенкинс, Х., Форд, С. и Грин, Џ. (2013). Spreadable Media: Creating Value and Meaning in a Networked Culture. Њујорк: NYU Press.\n
    • \n
  • Lee, J., & Umback, J. (2026).\nВирални заокрет: преиспитивање вируралности у креаторској економији на ТикТоку. Continuum\n, 1–26. https://doi.org/10.1080/10304312.2026.2625794\n
    • \n
  • Maarouf, A., Pröllochs, N., & Feuerriegel, S. (2024).\nВирализација говора мржње на друштвеним мрежама. Proceedings of the ACM on Human-Computer Interaction\n, 8 (CSCW1), 1–22. https://doi.org/10.1145/3641025\n
    • \n
  • Rathje, S., Van Bavel, J. J., & van der Linden, S. (2021).\nАнimositет према другим групама покреће ангажовање на друштвеним мрежама. Зборник Националне академије наука\n, 118(26), e2024292118. https://doi.org/10.1073/pnas.2024292118\n
    • \n
  • Rathje, S., & Van Bavel, J. J. (2025).\nПсихологија виралности. Trends in Cognitive Sciences\n, 29(10), 914–927. https://doi.org/10.1016/j.tics.2025.06.014\n
    • \n
  • Rogers, E. M. (2003). Дифузија иновација (5. изд.). Њујорк: Free Press.\n
    • \n
  • Sangiorgio, E., Cinelli, M., Cerqueti, R., & Quattrociocchi, W. (2024).\nСледбеници не одређују вирусност новинских издања на друштвеним мрежама. PNAS Nexus\n, 3(7), pgae257. https://doi.org/10.1093/pnasnexus/pgae257\n
    • \n
  • Schlessinger, J., Garimella, K., Jakesch, M., & Eckles, D. (2023).\nЕфекти алгоритамске промоције трендова: докази из координисаних кампања у Твитер трендовима. Зборник радова Међународне AAAI конференције о вебу и друштвеним медијима (ICWSM)\n, 17(1), 777–786. https://doi.org/10.1609/icwsm.v17i1.22187\n
    • \n
  • Schöne, J. P., Parkinson, B., & Goldenberg, A. (2021).\nНегативност се шири више него позитивност на Твитеру након позитивних и негативних политичких ситуација. Affective Science\n, 2(4), 379–390. https://doi.org/10.1007/s42761-021-00057-7\n
    • \n
\n
\n
\n

Ефекти преливања и епистемско прање

\n

Процес којим информације које стекну видљивост у једном информационом окружењу — било кроз вештачко појачавање, трендинг или уреднички избор — бивају преузете и даље дистрибуиране у другим информационим окружењима или системима за приступ информацијама, чиме досежу публику изван оригиналног окружења.

\n

Преливање може да се догоди кроз новинарско извештавање, међуплатформско дељење, уредничко курирање или редистрибуцију коју покрећу корисници.

\n

→ Истраживачки налаз подељен на научном форуму може бити дискутован на друштвеним мрежама и сажет од стране вештачког интелекта.
→ Тему коју су ботови вештачки појачали на платформи друштвених мрежа могу преузети новинари.

\n

→ Ефекти преливања могу повећати домет и поузданих и непоузданих информација и учинити да информације делују шире прихваћене него што су првобитно биле.

\n

Епистемичко прање

\n

Преливање не увек очува наизглед статус информација. Када примајући канал носи јаче сигнале ауторитета или поузданости од канала порекла — академски формат, рецензија, формална публикација — сама информација може бити доживљена као поузданија једноставно зато што је премештена. Овај ефекат је познат као епистемско прање: информација стиче перципирану поузданост кроз пролазак кроз канале, без икакве стварне промене у основним тврдњама или доказима. То искоришћава склоност прималаца да поузданост канала у којем наиђу на информацију приписују самој информацији.

\n

→ Тврдња која потиче из анонимног блог-поста може бити наведена у препринту, поновљена у одговору генерисаном вештачком интелигенцијом и на крају цитирана у рецензираном раду — при чему у сваком кораку стиче академски легитимитет и привидни ауторитет, док сама тврдња остаје непромењена или непотврђена.

\n
\n
\n\n

Тим Универзитета у Гетеборгу, предвођен медицинским истраживачем, смислио је измишљено стање коже под називом Биксониманија како би тестирао да ли ће вештачки неуронски системи усвајати и понављати медицинске дезинформације. Представили су је као наводну болест повезану са излагањем плавом светлу са екрана, са симптомима као што су болне, сврабљиве очи и ружичаста нијанса на капцима. Затим су направили намерно лажне препринтеве академског изгледа, засађене очигледним знаковима упозорења — измишљени аутор са фотографијом генерисаном вештачком интелигенцијом, непостојећи универзитет и референце на Старфлит академију и USS Enterprise. Nature је известио да су препринтеви од тада уклоњени са Preprints.org. У року од неколико недеља, велики AI ћаскајући ботови почели су да репродукују биксонимијанију као стварно медицинско стање, у неким случајевима нудећи корисницима објашњавајуће или здравствене савете. Паралелно, лажни материјал је цитиран у најмање једном објављеном раду, који је касније повучен, у часопису Cureus издавачке куће Springer Nature. Преливање: постови на форумима → лажни препринт → веб-роботи → одговори AI ћаскајућих ботова → академско цитирање

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

Stokel-Walker, C. (2026). Научници су измислили лажну болест. ВИ је људима рекла да је стварна. Nature, 652(8110), 559-561. https://doi.org/10.1038/d41586-026-01100-y

\n
\n
\n

Сужење информација

\n

Док Информационо појачавање (више) описује како се видљивост шири међу корисничким налозима, Информационо сужавање описује обрнуто: како се опсег перспектива који допире до појединачног корисника или друштвене групе сужава. Два различита механизма изазивају ово сужавање — Филтер балон (алгоритамска персонализација) и Ехо комора (самоодабир корисника). У популарном дискурсу се често мешају, али функционишу различитиме.

\n

Филтер мехур

\n

Филтер балон је изоловано информационо окружење које ствара алгоритамска персонализација, у којем је корисник све више изложен садржају који је у складу са његовим претпостављеним преференцијама и претходним понашањем, док се садржај који одступа филтрира — обично без корисникове свести. Термин је сковао Ели Паризер (2011) да опише како алгоритми персонализације на Гуглу, Фејсбуку и сличним платформама могу да произведу систематске асиметрије у изложености на основу корисничких сигнала као што су историја кликова, локација и подаци из профила.

\n

Кључна карактеристика филтер мехурића јесте ненамерност са стране корисника: сужење настаје оптимизацијом платформе, а не корисниковим свесним избором извора.

\n
\n
\n\n

Емпиријска истраживања су у значајној мери квалификовала Паризерову оригиналну тезу. Истраживања су показала да алгоритамска персонализација заиста обликује оно што корисници виде, али да већина корисника и даље наилази на идеолошки разноврсан садржај — делимично зато што њихове сопствене друштвене мреже обухватају различита гледишта, а делимично зато што алгоритми не изолују потпуно као што то сугерише популарни дискурс (Bakshy et al., 2015; Flaxman et al., 2016; Bruns, 2019). Ефекат филтер-мехурића је стваран, али обично слабији него што се обично претпоставља; селективна изложеност пре интернета (нпр. избор новина или ТВ канала) у многим случајевима била је јача.

\n
\n
\n
\n
\n\n
    \n
  • Паризер, Е. (2011). The Filter Bubble: What the Internet Is Hiding from You. Penguin Press.\n
    • \n
  • \nBakshy, E., Messing, S., & Adamic, L. A. (2015). Изложеност идеолошки разноврсним вестима и мишљењима на Facebook-у. Science\n, 348(6239), 1130–1132. https://doi.org/10.1126/science.aaa1160\n
    • \n
  • \nFlaxman, S., Goel, S., & Rao, J. M. (2016). Filter bubbles, echo chambers, and online news consumption. Public Opinion Quarterly\n, 80(S1), 298–320. https://doi.org/10.1093/poq/nfw006\n
    • \n
  • Bruns, A. (2019). Да ли су филтер балони стварни? Polity Press.\n
    • \n
\n
\n
\n

Ехо-камера

\n

Ехо-камера је социјално информационо окружење у којем је корисник углавном изложен мишљењима, тврдњама или идеологијама које потврђују његова постојећа уверења, док се неистомишљенички ставови изостављају, одбацују или активно дискредитују. Cass Sunstein (2017) описује политичке последице: када се групе изолују од спољних перспектива, унутрашња уверења се интензивирају и временом постају екстремнија (групна поларизација).

\n

За разлику од филтер мехурића, који настаје алгоритамском персонализацијом, одјек комора углавном произилази из самоодабира корисника: избора кога пратити, којим заједницама се придружити, којим изворима веровати и које гласове одбацити. Ови избори су делимично покренути потврђивачким бијесом — когнитивном склоношћу да се траже и верују информацијама које се уклапају у постојећа уверења. Појачавајући ефекат потиче из саме друштвене структуре, а не из невидљивог алгоритамског филтрирања.

\n

К. Ти Нгујен (2020) прави концептуалну разлику која је важна за интервенцију:

\n
    \n
  • Епистемичка мехурица је друштвена структура у којој су други релевантни гласови једноставно одсутни. Њени становници не чују супротне перспективе, али их ни не одбацују активно.\n
    • \n
  • Ехо-комора у ужем смислу јесте друштвена структура у којој се други релевантни гласови активно дискредитују. Чланови могу чути супротне перспективе, али уче да не верују њиховим изворима.\n
    • \n
\n

Епистемичку мехурицу је могуће отворити увођењем нових информација; ехо-камера одолева исправљању чак и када се представе спољни докази, јер су извори тих доказа већ делегитимисани.

\n
\n
\n\n

Емпиријски рад указује да су јаке, идеолошки изоловане коморе одјека ређе него што популарни дискурс сугерише (Cinelli et al., 2021; Guess et al., 2018), али тамо где постоје, могу бити веома отпорне на исправљање. Само слагање унутар групе само по себи није комора одјека — одлика која је дефинишу је активно искључивање или оцрњивање спољних перспектива.

\n
\n
\n
\n
\n\n
    \n
  • Sunstein, C. R. (2017). #Republic: Divided Democracy in the Age of Social Media. Princeton University Press.\n
    • \n
  • \nNguyen, C. T. (2020). Echo chambers and epistemic bubbles. Episteme\n, 17(2), 141–161. https://doi.org/10.1017/epi.2018.32\n
    • \n
  • \nCinelli, M., De Francisci Morales, G., Galeazzi, A., Quattrociocchi, W., & Starnini, M. (2021). Ефекат одјекне коморе на друштвеним мрежама. PNAS\n, 118(9), e2023301118. https://doi.org/10.1073/pnas.2023301118\n
    • \n
  • Guess, A., Lyons, B., Nyhan, B., & Reifler, J. (2018). Избегавање ехо-коморе о ехо-коморама: зашто је селективна изложеност вестима политичких истомишљеника ређа него што мислите. Бела књига Фондације Најт.\n
    • \n
\n
\n
","UPDATEDAT":"2026-05-08T06:56:38.108Z","LANG":"sr","ID":"3b24684f-982f-46f5-bc94-0c5e6b459760","TITLE":"Циркулација и видљивост информација","SOURCELANG":"en"}