{"CACHEDAT":"2026-05-26 19:00:18","TRANSLATEDAT":"2026-05-26 19:00:18","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":"

Bilginin Görünürlüğü ve Öne Çıkması

\n

Bilgi Görünürlüğü, belirli bilgi öğelerinin, konuların, kaynakların veya hesapların dijital ortamlarda kullanıcılara görünüp görünmediğini ve ne kadar belirgin göründüğünü ifade eder. Bir platformun dizininde veya ağında bulunan bilgiler, tüm kullanıcılara otomatik olarak ulaşmaz ve onlara aynı şekilde ulaşmaz.

\n

Görünürlük, birbiriyle etkileşim halindeki iki gücün sonucudur:

\n
    \n
  • bilginin nasıl dolaştığı (paylaşım, yeniden dağıtım, yayılma) ve\n
    • \n
  • bilginin nasıl öne çıkarılacağı, geri plana itileceği veya filtreleneceği.\n
    • \n
\n
\n
\n\n

Güvenilirlik ve görünürlüğü birbirinden ayırmak, bilgi okuryazarlığı için çok önemlidir.

\n
    \n
  • Güvenilirlik, bir öğeyi kimin oluşturduğuna (yazar) ve nasıl düzenlendiğine (editör incelemesi) bağlıdır — onu kimin paylaştığına, hangi ortamda göründüğüne veya ne kadar belirgin bir şekilde öne çıkarıldığına bağlı değildir.\n
    • \n
  • Görünürlük, bir öğeyi kimin paylaştığına, onu öne çıkaran mekanizmalara ve onu yaygınlaştıran uygulamalara bağlıdır. Görünürlük, güvenilirliğin bir ölçüsü değildir.\n

    Örneğin, retweetlenen bir makale: onu paylaşan hesap ve onu öne çıkaran platform, makalenin görünürlüğünü etkilemiştir — ancak makalenin kendi yazarı ve editoryal geçmişi vardır ve bunların güvenilirliği ayrı olarak değerlendirilmelidir.

    \n
    • \n
\n
\n
\n

Bilgi Dolaşımı: Paylaşma, İletme, Bağlantı Verme, Yeniden Yayınlama, Alıntı Yapma

\n

Kişiler, hesaplar (botlar dahil) ve kuruluşlar, mevcut bilgi öğelerini paylaşarak, ileterek, bağlantı vererek, yeniden yayınlayarak, alıntılayarak veya başka şekillerde yeniden dağıtarak dolaşıma sokar.

\n

→ Bir bilgi öğesi, yorum, yorumlama veya yeniden çerçeveleme eklenerek aktarıldığında, yeni bir yazar ile yeni bir bilgi öğesi oluşturulur.

\n

Kaynak Odaklı Bilgi Tanıtımı ve Görünürlük

\n

Bilgi öğelerini oluşturan, yayınlayan veya tanıtan kaynaklar tarafından başlatılan uygulamalar. Kaynaklar arasında bireysel kullanıcılar, içerik oluşturucular, kuruluşlar, reklamcılar ve web sitesi operatörleri bulunur. Platform odaklı mekanizmalardan farklı olarak, bu uygulamalar içeriklerinin nasıl görünür olacağına karar veren kaynakların kendileri tarafından yürütülür. Bu uygulamalar iki şekilde işler: içeriği platformların sıralama sistemlerine uyarlayarak (Erişim, Doğrudan Hitap, SEO, SMO, Platforma Özgü Optimizasyon) veya yerleştirme için doğrudan ödeme yaparak (Ücretli Yerleşimler).

\n

Hesap Erişimi

\n

Paylaşan kişinin potansiyel kitlesinin büyüklüğü ve yapısı.

\n

Erişimi belirleyen birkaç faktör vardır:

\n
    \n
  • #### takipçi veya abone sayısı\n
    • \n
  • #### doğrulama durumu\n
    • \n
  • #### hesap durumu: yaş, etkileşim geçmişi, platform itibarı\n
    • \n
\n

Erişim, görünürlüğü iki şekilde etkiler:

\n
    \n
  • doğrudan: erişimi yüksek hesaplar tarafından paylaşılan içerikler, paylaşıldıkları anda daha fazla akışta görünür\n
    • \n
  • dolaylı olarak: yüksek erişimli hesaplar daha fazla etkileşim sinyali üretir ve platform algoritmaları bu sinyalleri kullanarak içeriklerin sıralamasını yükseltir (→ Algoritmik Kapı Bekçiliği)\n
    • \n
\n

→ Erişim büyük ölçüde değişir: 100 takipçisi olan özel bir hesap ile bir milyon takipçisi olan herkese açık bir hesap, görünürlük üzerinde temelde farklı etki ölçeklerinde çalışır.

\n

Doğrudan Hedefleme

\n

Paylaşım yapanların belirli alıcıları hedeflediği ve platform bildirimleri aracılığıyla bu kullanıcılar için anında öne çıkma sağladığı mekanizmalar.

\n

Örnekler:

\n
    \n
  • #### @bahsetmeler\n
    • \n
  • #### etiketleme (fotoğraflarda, gönderilerde veya başlıklarda)\n
    • \n
  • #### alıntı tweetleri ve yanıt etiketlemeleri\n
    • \n
  • #### grup direkt mesajları\n
    • \n
  • #### posta listesi adresleme (Kime, CC)\n
    • \n
\n

→ Doğrudan adresleme, normal paylaşımdan farklıdır: hedef kullanıcı, feed'inde bu içeriğe rastlamış olsun ya da olmasın, bildirim yoluyla içeriği doğrudan alır.

\n

→ Doğrudan adresleme, karma bir mekanizmadır. Kullanıcı tarafında çalışır, ancak platform altyapısı (bildirim sistemleri) aracılığıyla işlev görür. Etkisi, adreslenen kullanıcı için anında öne çıkmaktır.

\n

Arama Motoru Optimizasyonu (SEO)

\n

Web sitelerini (içeriği, meta verileri ve bağlantı yapısı) genel amaçlı arama motoru sonuçlarında (Google, Bing, DuckDuckGo vb.) daha üst sıralarda yer alması için uyarlayan kaynak tarafı uygulamaları.

\n

Yaygın uygulamalar şunlardır:

\n
    \n
  • anahtar kelime araştırması ve bunların başlıklara, alt başlıklara ve gövde metnine entegrasyonu\n
    • \n
  • meta veri optimizasyonu (başlık etiketleri, meta açıklamalar, alternatif metin)\n
    • \n
  • bağlantı oluşturma (yetkili sitelerden gelen bağlantıları elde etme)\n
    • \n
  • site yapısı ve iç bağlantılar\n
    • \n
  • sayfa hızı ve mobil uyumluluk\n
    • \n
  • arama amacına uygun içerik üretme\n
    • \n
\n

→ SEO, arama motoru sıralama sinyallerinin nispeten istikrarlı ve iyi belgelenmiş olması nedeniyle en resmileştirilmiş optimizasyon disiplinidir (Lewandowski ve ark.). Uzman SEO profesyonelleri, ajanslar ve araçlar bu uygulamanın destekçisidir.

\n

→ SEO, arama motorlarının sayfaları sıralama şeklini değiştirmez; web sitesini mevcut sıralama kriterlerine uyacak şekilde uyarlar. Yayıncılar, algoritmanın nasıl karar verdiğini değil, ne gördüğünü şekillendirebilir.

\n

Sosyal Medya Optimizasyonu (SMO)

\n

Sosyal medya platformlarında içeriğin görünürlüğünü, etkileşimini ve paylaşılabilirliğini en üst düzeye çıkarmak için kaynak tarafında uygulanan yöntemler.

\n

Yaygın uygulamalar şunlardır:

\n
    \n
  • hashtag stratejileri (trend olan veya konuya özgü etiketler)\n
    • \n
  • yayınlama zamanlaması (hedef kitlenin aktif olduğu zamanlar)\n
    • \n
  • içerik formatı seçimleri (kısa video, karuseller, makaralar)\n
    • \n
  • başlık ve ilgi çekici tasarım (hızlı bir şekilde dikkat çekmek)\n
    • \n
  • etkileşimi teşvik etme (sorular, anketler, harekete geçirici mesajlar)\n
    • \n
  • içeriğin platformlar arası yeniden kullanımı\n
    • \n
\n

→ SMO, SEO'dan daha az resmileştirilmiştir çünkü sosyal medya sıralama sinyalleri daha belirsizdir ve platforma özeldir. Algoritmalar değiştikçe uygulamalar da değişir.

\n

Platforma Özgü Optimizasyon

\n

Genel SEO veya SMO ilkelerinin ötesinde, tek tek platformların kurallarına ve sıralama mantığına uyarlanmış optimizasyon stratejileri.

\n
    \n
  • TikTok: ilk üç saniyede izleyicilerin ilgisini çekmek, trend olan sesleri kullanmak, dikey kısa videolar\n
    • \n
  • Instagram: yüksek kaliteli görseller, Reels öncelikli strateji, hashtag karışımı\n
    • \n
  • YouTube: küçük resim tasarımı, izlenme süresi optimizasyonu, anahtar kelime açısından zengin başlıklar ve açıklamalar\n
    • \n
  • LinkedIn: uzun metinli profesyonel gönderiler, yerel yayıncılık, ağ üzerinden etkileşim\n
    • \n
  • X (Twitter): özlü dikkat çekici başlıklar, zincirleme mesajlar, geniş erişimli hesaplara yanıt verme\n
    • \n
\n

→ Platforma özel optimizasyon, her platformun sıralama sistemini, kitle davranışını ve içerik formatı tercihlerini anlamayı gerektirir. TikTok'ta işe yarayan şeyler, LinkedIn'de nadiren işe yarar.

\n

Ücretli Yerleşimler ve Reklamcılık

\n

Görünürlük için ödeme yapma uygulaması — genellikle reklam yoluyla organik içeriğin yanına yerleştirilen sponsorlu içerik.

\n

Yaygın biçimler:

\n
    \n
  • sponsorlu arama sonuçları (arama motoru reklamları)\n
    • \n
  • sponsorlu gönderiler ve tanıtılan içerik (sosyal medya)\n
    • \n
  • görüntülü reklamlar (bannerlar, videolar)\n
    • \n
  • influencer ortaklıkları (ücretli işbirlikleri)\n
    • \n
\n

→ Ücretli yerleştirmeler organik sıralama sistemlerini atlar: kaynak, iyi bir sıralama elde etmek için içeriği optimize etmek yerine, yerleştirme için platforma doğrudan ödeme yapar.

\n

→ Bazen açıkça etiketlenirler ("Sponsorlu", "Reklam"), bazen ise organik sonuçlardan ancak zorlukla ayırt edilebilirler. Etiketleme standartları, yargı yetkisi ve platforma göre değişir.

\n

Platform Tarafından Sağlanan Bilgi Tanıtımı ve Kontrolü

\n
\n
\n\n

Kullanıcıların gerçekte gördükleri, nadiren tek bir mekanizmanın ürünüdür. Bir arama motorunda, algoritmik olarak sıralanmış organik sonuçlar listesi, ücretli yerleştirmeler, yapay zeka tarafından oluşturulan özetler ve bazen de editoryal öne çıkanlar ile birlikte sunulur — ve altta yatan sıralama sinyalleri, Arama Motoru Optimizasyonu yoluyla kasıtlı olarak etkilenebilir. Bir sosyal medya akışında, algoritmik olarak sıralanmış gönderiler, sponsorlu içeriklerin, önerilen hesapların ve trend olan katmanların yanında görünür. Her bileşen kendi mantığını izler ve bileşik bir görünürlük sonucuna katkıda bulunur.

\n
\n
\n

Editör Seçimi

\n

Platform tarafında manuel kürasyon: algoritmik sıralama yoluyla ortaya çıkan değil, editör ekipleri veya platform operatörleri tarafından kasıtlı olarak öne çıkarılan bilgi öğeleri.

\n

Örnekler:

\n
    \n
  • Arama sonuçlarında öne çıkan snippet'ler\n
    • \n
  • seçilmiş trend bölümleri\n
    • \n
  • Haber toplayıcılarda editör tarafından seçilen haberler\n
    • \n
  • platform tarafından tanıtılan hashtag'ler\n
    • \n
  • Uygulama mağazalarında Editörün Seçtikleri\n
    • \n
  • öne çıkan içerik üreticiler veya hesaplar\n
    • \n
\n

→ Editörün öne çıkardıkları, algoritmik mekanizmaların yanında yer alır ve hangi içeriğin öne çıkarılmaya değer olduğuna dair platformun kendi yargılarını yansıtır.

\n

→ Algoritmik kapı bekçiliği (küratörlük ve kişiselleştirme) aksine, editoryal kapı bekçiliği platformun kendisi tarafından yapılan insan editörlük seçimlerini içerir. İşlevsel olarak bu, geleneksel yayıncılar yerine platform tarafından gerçekleştirilen bir tür Editoryal Kapı Bekçiliğidir.

\n

Algoritmik Kapı Bekçiliği

\n

Algoritmik Kapı Bekçiliği, hangi bilgi öğelerinin hangi kullanıcılara ulaşacağına karar vermede algoritmaların rolünü ifade eder — bu, Editörlük Kapı Bekçiliğinin (→ Bilgi, Kaynaklar ve Bilgi Ortamları → Editörlük İncelemesi) dijital karşılığıdır. Hem seçimi (nelerin öne çıkarılacağı ve üst sıralarda yer alacağı) hem de dışlamayı (nelerin filtreleneceği, sıralamada aşağı indirileceği veya gizleneceği) içerir.

\n

Algoritmik kapı bekçiliği, farklı platform türlerinde işler:

\n
    \n
  • arama motorlarında, algoritmalar sorgulara göre sonuçları seçer ve sıralar\n
    • \n
  • sosyal medya akışlarında, algoritmalar hangi gönderilerin daha belirgin bir şekilde görüneceğine karar verir\n
    • \n
  • video platformlarında algoritmalar, bir sonraki izlenecek içeriği önerir\n
    • \n
  • AI tabanlı cevap sistemlerinde, algoritmalar yanıtları oluşturur, özetler veya sentezler\n
    • \n
\n

Algoritmik geçit kontrolü, genellikle birlikte çalışan iki modda işler: tüm kullanıcılara uygulanan genel işlemler (Algoritmik Kürasyon) ve izlenen kullanıcı sinyallerine dayalı bireysel uyarlama (Algoritmik Kişiselleştirme).

\n

Algoritmik Kürasyon

\n

Kullanıcılara genel olarak uygulanan algoritmik işlemler — bunlar, kullanıcının kim olduğuna bakılmaksızın platformda hangi bilgilerin mevcut olacağını belirler.

\n
    \n
  • Tarama ve Dizin Oluşturma\n— Hangi bilgi öğeleri görüntülenebilir hale gelir?\n
      \n
    • web'i tarayan arama motorları\n
      • \n
    • haber kaynaklarını indeksleyen içerik toplayıcılar\n
      • \n
    • uygulamaları kataloglayan uygulama mağazaları\n
      • \n
    \n
    • \n
  • Filtreleme ve Denetim\n— Platform kuralları uyarınca hangi öğeler engellenir veya sıralamada aşağıya alınır?\n
      \n
    • spam filtreleri\n
      • \n
    • politikaya aykırı içeriğin kaldırılması (nefret söylemi, yasa dışı içerik, müstehcen materyal)\n
      • \n
    • düşük kaliteli veya yanıltıcı materyallerin sıralamasının düşürülmesi\n
      • \n
    \n
    • \n
  • Kalite Puanlaması\n— Hangi kaynaklar veya öğeler daha güvenilir veya daha yüksek kaliteli olarak değerlendirilir?\n
      \n
    • arama motorları düşük kaliteli siteleri cezalandırır\n
      • \n
    • kaynak otoritesine göre sıralama yapan haber toplayıcılar\n
      • \n
    • akademik arama motorlarında akran değerlendirmesi etkisiyle sıralama\n
      • \n
    \n
    • \n
  • Trend Algılama\n— Hangi öğeler şu anda popüler olarak öne çıkarılır?\n
      \n
    • sosyal platformlarda trend olan konular\n
      • \n
    • akış hizmetlerinde en çok izlenenler listesi\n
      • \n
    • "Neler oluyor" ve "Günün manşetleri" bölümleri\n
      • \n
    • popüler hashtag'ler\n
      • \n
    \n
    • \n
\n

→ Algoritmik kürasyon, platformda bulunan bilgi havuzunu tanımlar. Bu, tüm kullanıcılar için büyük ölçüde aynı şekilde işler.

\n

Algoritmik Kişiselleştirme

\n

Bilginin seçimini, sıralamasını ve sunumunu, izlenen sinyallere göre bireysel kullanıcılara uyarlayan algoritmik işlemler. Bu sinyaller zamanla birikerek algoritmaların kullandığı kullanıcı geçmişlerini oluşturur.

\n

→ Aynı platformdaki iki kullanıcı — aynı sorguyu kullanmış olsalar bile — genellikle birbirinden önemli ölçüde farklı içerikler görür.

\n
    \n
  • Kişiselleştirilmiş Sıralama\n— Bu kullanıcı için hangi öğeler daha üst sıralarda yer alır?\n
      \n
    • kişiselleştirilmiş arama sonuçları (konum, geçmiş, profil şekline göre sıralama)\n
      • \n
    • sosyal medya akışı sıralaması ("Sizin İçin" akışları, "En popüler gönderiler")\n
      • \n
    • etkileşime dayalı sıralama — öngörülen etkileşim için optimizasyon, sosyal medyada baskındır\n
      • \n
    \n
    • \n
  • Öneriler\n— Bu kullanıcıya, aktif olarak talep ettiklerinin ötesinde hangi öğeler önerilir?\n
      \n
    • "Sana önerilenler" video listeleri\n
      • \n
    • takip edilmesi önerilen hesaplar, gruplar veya konular\n
      • \n
    • "Tanıyor olabileceğiniz kişiler"\n
      • \n
    • ilgili makaleler, benzer ürünler, "Sıradaki"\n
      • \n
    \n
    • \n
  • Kişiselleştirilmiş Reklamcılık\n— Bu kullanıcıya hangi reklamlar gösterilir?\n
      \n
    • geçmiş aramalara göre uyarlanmış arama reklamları\n
      • \n
    • profil ve davranışa dayalı sosyal medya sponsorlu gönderileri\n
      • \n
    • web sitelerinde yeniden hedeflemeli görüntülü reklamlar\n
      • \n
    • Hedef kitlenin ilgi alanlarına uygun influencer ortaklıkları\n
      • \n
    \n
    • \n
\n

→ Aynı platformdaki iki kullanıcı — aynı sorguyu kullanmış olsalar bile — genellikle birbirinden oldukça farklı içerikler görür.

\n

→ Kişiselleştirme bir geri bildirim döngüsü oluşturur: kullanıcıların yaptıkları, daha sonra görecekleri içeriği etkiler ve daha sonra görecekleri içerik de yaptıklarını etkileyebilir.

\n

☑ Algoritmik Kişiselleştirme için Platform Tarafından İzlenen Kullanıcı Sinyalleri

\n

Bir kullanıcının bir bilgi kanalı içinde — aktif veya pasif olarak — gerçekleştirdiği ve algoritmalar tarafından izlenip bilgi öğelerinin seçimi ve görünürlüğünü kişiselleştirmek için kullanılabilen eylemler.

\n

→ Kullanıcı eylemleri, tıklama veya beğenme gibi kasıtlı etkileşimlerle sınırlı değildir. Bir kullanıcının bir sayfada ne kadar süre kaldığı, ne kadar aşağı kaydırdığı veya nerede bulunduğu gibi birçok eylem pasif veya otomatiktir. Kullanıcılar genellikle bu eylemlerin daha sonra karşılaşacakları içeriği etkilediğinin farkında değildir.

\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
TürNedirÖrnek
Açık geri bildirimKullanıcının gerçekleştirmeyi seçtiği kasıtlı etkileşimler- aramalar / arama
sorguları-
tıklamalar- beğeniler /
tepkiler- yorumlar /
yanıtlar- paylaşımlar / yeniden paylaşımlar /
iletmeler- takipler /
abonelikler- kaydetmeler / yer
imleri- puanlamalar /
yorumlar- satın alımlar / indirmeler
Örtük davranışKullanım sırasında yakalanan pasif davranış sinyalleri- izleme süresi / dinleme süresi / kalma süresi-
kaydırma davranışı (ne kadar uzağa, ne kadar hızlı)
- fareyle üzerine gelme
davranışı- atlama davranışı
Bağlamsal verilerKullanıcının platforma eriştiği durumla ilgili bilgiler- uygulamayı kullanırken kullanıcının konum verileri -
cihaz türü (ör. telefon veya dizüstü bilgisayar)
- erişim saati
Hesap ve sosyal verilerKullanıcının profilinden ve sosyal bağlantılarından alınan bilgiler- profil bilgileri (yaş, ilgi alanları, meslek, cinsiyet)
- dil
ayarları - bağlantılı hesaplar
- kişi listesi / adres defteri
\n
\n
\n\n
    \n
  • \nAdomavicius, G., & Tuzhilin, A. (2011). Bağlam farkında öneri sistemleri. F. Ricci, L. Rokach, B. Shapira ve P. B. Kantor (Ed.), Öneri Sistemleri El Kitabı\n(s. 217–253). Springer. https://doi.org/10.1007/978-0-387-85820-3_7\n
    • \n
  • \nKelly, D., & Teevan, J. (2003). Kullanıcı tercihlerini çıkarsamak için örtük geri bildirim: Bir bibliyografya. 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). Açık ve örtük ötesinde: Kullanıcıların kişiselleştirilmiş öneri içeriğini şekillendirmek için nasıl geri bildirim sağladıkları. 2025 CHI Bilgisayar Sistemlerinde İnsan Faktörleri Konferansı Bildirileri (CHI '25)\n. Association for Computing Machinery. https://doi.org/10.1145/3706598.3713241\n
    • \n
  • \nNarayanan, A. (2023). Sosyal medya öneri algoritmalarını anlamak.\nKnight First Amendment Institute, Columbia Üniversitesi.https://knightcolumbia.org/content/understanding-social-media-recommendation-algorithms\n
    • \n
\n
\n
\n

Bilgi Yayılımı

\n

Yaygınlaştırma, bir öğenin görünürlüğünün bireysel kullanıcı düzeyinin ötesine sistematik olarak artırılması anlamına gelir — kullanıcı hesapları arasında ve bazen de bilgi ortamları arasında geniş bir görünürlük sağlamak amacıyla.

\n

Kaynak Odaklı Tanıtım (yukarıda) tek bir kaynağın görünürlük kazanmak için yaptıklarını kapsarken, Platform Taraflı Gatekeeping (yukarıda) platformların bireysel kullanıcılar için içeriği ortaya çıkardığı ve sıraladığı algoritmik işlemleri tanımlarken, Amplifikasyon, bu platform işlemlerinin toplam etkisi (→ Algoritmik Amplifikasyon) veya birden fazla aktörün koordineli faaliyeti (→ Koordineli Amplifikasyon) yoluyla üretilen, sonuçta ortaya çıkan büyük ölçekli güçlendirme sonuçlarını ifade eder.

\n

Amplifikasyon Mekanizmaları

\n

Amplifikasyon, iki temel mekanizma aracılığıyla işler.

\n
    \n
  • Algoritmik Amplifikasyon platform odaklıdır: Algoritmik Gatekeeping'in toplam etkisidir — hangi öğelerin hangi kullanıcılara ne kadar belirgin bir şekilde ulaşacağına dair platform kürasyonu ve kişiselleştirmesinin kümülatif sonucudur.\n
    • \n
  • Koordineli Amplifikasyon aktör odaklıdır: birden fazla hesap, grup veya kampanya, bir öğenin, hashtag'in veya anlatının görünürlüğünü, bireysel kullanıcı faaliyetlerinin sağlayabileceğinin ötesine çıkarmak için kasıtlı olarak birlikte hareket eder. Literatürde bu, iki boyuta göre sınıflandırılır — koordinasyon (şeffaf veya gizli) ve hesaplar (gerçek veya sahte) — ve buna göre ayrım yapılır (Rogers & Righetti, 2025):\n
      \n
    • Koordineli Otantik Amplifikasyon: koordinasyon şeffaftır ve hesaplar gerçektir (ör. açık sivil kampanyalar, savunuculuk, pazarlama).\n
      • \n
    • Koordineli Sahte / Yapay Yaygınlaştırma: koordinasyon gizlidir, hesaplar sahtedir veya her ikisi de geçerlidir — organik destek görünümü yaratılır (Meta'nın Koordineli Sahte Davranış / CIB; Gleicher, 2018).\n
      • \n
    \n
    • \n
\n

Bu iki mekanizma sıklıkla bir araya gelir. Koordineli ağlar, algoritmik destekleri tetiklemek için etkileşime dayalı sıralamayı kullanır; algoritmik sıralama ise, koordinasyonun halihazırda sağladığı görünürlüğü daha da artırır.

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

Algoritmik Amplifikasyon

\n

Algoritmik amplifikasyon, yukarıdaki geçit kontrol mekanizmalarının (Kürasyon ve Kişiselleştirme) birikimli etkisidir: hangi öğelerin, konuların, hesapların ve formatların kullanıcılara öne çıkacak şekilde gösterileceğinin ve hangilerinin filtreleneceği, geri plana atılacağı veya aşağıya itileceğinin sistematik olarak şekillendirilmesidir.

\n

Ampirik araştırmalar, etkileşime dayalı sıralamanın, kullanıcılar bu tür içeriği tercih etmeseler bile, duygusal olarak yüklü ve dış gruba düşmanca içeriği sistematik olarak güçlendirdiğini göstermektedir (Milli et al., 2025). Ayrıca mevcut erişimi de artırır: önceden yüksek etkileşime sahip hesaplar ve öğeler daha fazla görünürlükle ödüllendirilir, bu da son derece çarpık erişim dağılımları yaratır (zenginler daha da zenginleşir etkisi).

\n

Algoritmik müdahaleler, ters yönde de doğrusal olmayan etkilere sahip olabilir. Bir öğenin akıştaki görünürlüğünde yaklaşık %20'lik bir azalma, erişimini bir mertebe azaltabilir (Narayanan, 2023).

\n

Algoritmik amplifikasyon, kullanıcı aktivitesinin tarafsız bir yansıması değildir. Etkileri, öncelikle toplu olarak ortaya çıkar ve görünür hale gelir: bireysel öneriler kesin değildir (etkileşim oranları çoğu platformda %1'in altında kalır), ancak sıralama, öneri ve geri çekme, platformda dolaşan içeriği sistematik olarak şekillendirir.

\n
\n
\n\n
    \n
  • Milli, S. ve ark. (2025). Sosyal medyada etkileşim, kullanıcı memnuniyeti ve bölücü içeriğin amplifikasyonu. PNAS Nexus.\n
    • \n
  • Narayanan, A. (2023). Sosyal medya öneri algoritmalarını anlamak. Knight First Amendment Institute.\n
    • \n
\n
\n
\n

Koordineli Otantik Yaygınlaştırma

\n

Koordineli Otantik Yaygınlaştırma, gerçek hesaplar tarafından açıkça ifşa edilen, organize bir faaliyet yoluyla bir bilgi öğesinin, konunun, etiketinin, hesabın veya anlatının kasıtlı olarak güçlendirilmesidir. Koordineli köken gizlenmez: katılımcılar gerçek kimlikleri veya bilinen grup bağlantıları altında hareket ederler.

\n

Tipik bağlamlar şunlardır

\n
    \n
  • sivil kampanyalar (ör. STK dilekçeleri, savunuculuk hashtag'leri),\n
    • \n
  • siyasi seferberlik (örn. parti kampanyaları, oy kullanma çabaları),\n
    • \n
  • pazarlama ve marka kampanyaları,\n
    • \n
  • meslek odası iletişimleri ve\n
    • \n
  • Fridays for Future veya #MeToo gibi kültürel hareketler.\n
    • \n
\n
\n
\n\n

Altta yatan mesajın sağlam temelli, dengeli veya tek taraflı olup olmadığı ayrı bir sorudur — özgünlük yalnızca koordinasyonun şeffaflığına atıfta bulunur, içeriğin doğruluk değeri veya adaletine değil. Özgün bir kampanya, doğru bilgileri, yanıltıcı bilgileri veya tek taraflı bir pozisyonu güçlendirebilir.

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

Otantik ve otantik olmayan koordinasyon, dışarıdan bakıldığında aynı görünen görünürlük kalıpları oluşturabilir — senkronize paylaşım, hashtag kümelenmesi, hızlı yayılma. Ayırt edici özellik, görünür kalıp değil, koordinasyonun kaynağının açıkça ifşa edilip edilmediğidir.

\n
\n
\n

Koordineli Sahte / Yapay Yaygınlaştırma

\n

Koordineli Sahte / Yapay Yaygınlaştırma, koordineli kaynağın gizlendiği, katılan hesapların sahte olduğu veya her ikisinin birden olduğu organize bir faaliyet yoluyla bir bilgi öğesinin, konunun, hashtag'in, hesabın veya anlatının kasıtlı olarak güçlendirilmesidir. Amaç, organik ve bağımsız bir destek görünümü yaratmaktır. Meta'nın Koordineli Sahte Davranış (CIB) terimi — şu anda AB Dijital Hizmetler Yasası'na dahil edilmiştir — tespit edilmekten kaçınmak için sahte kimlikler ve düşmanca yöntemlerin bu kombinasyonuna odaklanır (Gleicher, 2018; Rogers & Righetti, 2025).

\n

Tipik bağlamlar arasında siyasi etki operasyonları (devlet destekli veya partiye bağlı), astroturfing kampanyaları (ticari veya ideolojik), seçimler, halk sağlığı veya jeopolitik çatışmalar etrafında hedefli dezenformasyon ve sahte yorumlar, puanlamalar veya etkileşim yoluyla itibar manipülasyonu yer alır. Operasyonel araçlar — botlar, troller, sahte hesaplar ve bunların koordineli ağları (bot çiftlikleri, trol çiftlikleri, sahte hesap ağları, tıklama çiftlikleri) — aşağıda ayrıntılı olarak açıklanmaktadır.

\n
\n
\n\n

Sahtecilik, yaygınlaştırılan içeriğin doğruluk değerine değil, koordineli kaynağın gizlenmesine veya sahte hesapların kullanımına atıfta bulunur. Sahte hesaplardan oluşan koordineli bir ağ, doğru bilgileri yaygınlaştırabilir; tek bir gerçek kişi ise uydurma bilgileri yayabilir. Koordineli sahte yaygınlaştırma ve yanlış içeriğin yayılması, bağımsız olarak veya birlikte meydana gelebilen farklı olgulardır.

\n
\n
\n

Bu bölümde açıklanan aşağıdaki hesap türleri, kullanıcıların hesap oluşturabileceği ve kamuya açık olarak paylaşım yapabileceği veya etkileşimde bulunabileceği Dijital Bilgi Kanalları ve Platformlarında geçerlidir — özellikle sosyal medya, tartışma forumları ve topluluk alanları, video ve ses platformları ile inceleme veya yorum bölümleri. Bu hesap türleri, özel iletişim uygulamalarında veya kullanıcı tarafından oluşturulan içeriğin bulunmadığı ortamlarda daha az belirgindir. Hem bağımsız olarak hem de koordineli ağlar içinde ortaya çıkarlar. Yayılma dinamiklerinde oynadıkları tipik rol nedeniyle burada listelenmiştir; açıkça koordineli oluşumlar ise Hesap Ağlarıdır.

\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
TerimTanımKontrol EdenTanımTipik amaç
Sosyal BotÇevrimiçi ortamda paylaşım yapan, beğenen, takip eden, paylaşan veya yanıt veren otomatik veya kısmen otomatik bir hesap.YazılımOtomasyonMesajları güçlendirmek, yapay popülerlik yaratmak, spam göndermek, tartışmaları etkilemek veya içeriği geniş ölçekte yaymak.
Cyborgİnsan müdahalesi ile yazılım otomasyonunu birleştiren melez bir hesap.Karışık: insan ve yazılımSeçici otomasyonOtomasyonun ölçeğini, insan girdisinin bağlamsal inandırıcılığıyla birleştirmek — meşru planlama/yönetim veya tespit edilmesi daha zor etki operasyonları için.
TrolÇevrimiçi tartışmaları kasıtlı olarak kışkırtan, bozan veya alevlendiren kişi veya hesap.Genellikle bir insan kullanıcı; bazen koordineli gruplarRahatsız edici / kışkırtıcı / düşmanca davranışBaşkalarını kızdırmak, konuşmaları rayından çıkarmak, tepkileri kışkırtmak, düşmanlığı yaymak veya tartışmayı kutuplaştırmak.
SockpuppetBir kişinin gerçek kimliğini gizlemek veya farklı bir kişi gibi davranmak için kullandığı sahte hesap.Bir insan kullanıcı, ancak hesap otomasyon da kullanabilirAldatıcı kimlikSahte destek oluşturmak, başkalarını anonim olarak saldırmak, yasaklardan kaçınmak, tartışmayı manipüle etmek veya bağımsız bir mutabakat izlenimi vermek.
\n

Sosyal Bot

\n

Sosyal bot, sosyal medya platformlarında çalışmak üzere tasarlanmış, insan kullanıcıları taklit eden şekilde paylaşım yapan, yorum yazan, paylaşan veya etkileşim kuran bir bottur. Sosyal botlar genellikle, bir insan kullanıcının yapabileceğinin çok ötesinde, büyük ölçekte ve yüksek hızda hareket edecek şekilde programlanmıştır. Faaliyetleri genellikle tekrarlayıcıdır ve birçok hesap arasında koordine edilir, bu da onları normal insan kullanımından ayırır.

\n

Sosyal botlar, müşteri hizmetleri, haber dağıtımı veya pazarlama gibi meşru amaçlar için kullanılabilir, ancak aynı zamanda kamuoyunu etkilemek, belirli mesajları güçlendirmek, tartışmaları manipüle etmek veya belirli fikirler, ürünler veya amaçlar için yaygın bir destek varmış gibi bir izlenim yaratmak için de yaygın olarak kullanılır. Yanlış bilgi ve dezenformasyon bağlamında, sosyal botlar içeriği hızla yaymada ve birçok bağımsız sesin aynı görüşü paylaştığı gibi yanlış bir izlenim yaratmada özel bir rol oynar.

\n

Sosyal botlar koordineli ağlarda kullanıldığında, bir Bot Çiftliği oluştururlar.

\n
\n
\n\n

Bot

\n

Bot, genellikle tekrarlayan görevleri otomatik olarak yerine getiren bir bilgisayar programıdır. Botlar, arama motorları için sayfaları indeksleyen web tarayıcıları, otomatik test sistemleri veya rutin müşteri sorularını yanıtlayan sohbet botları gibi basit, zararsız araçlardan, spam, kötü amaçlı yazılım veya dezenformasyon yaymak için tasarlanmış kötü niyetli programlara kadar çeşitlilik gösterir.

\n
\n
\n

Cyborg

\n

Cyborg, kısmen bir insan tarafından işletilen ve kısmen yazılım tarafından otomatikleştirilen melez bir hesaptır. Bir cyborg, yazılım tarafından planlanan veya oluşturulan rutin gönderilere sahip olabilirken, bir kişi seçilen etkileşimleri, yanıtları veya hassas içeriği yönetir. Otomatik ve insan faaliyetleri arasındaki denge, hesaplar arasında değişiklik gösterir.

\n

Cyborglar, içerik planlama, marka veya kurumsal hesap yönetimi ya da hibrit müşteri hizmetleri gibi meşru amaçlarla kullanılabilir, ancak otomasyonun ölçeği ve hızını insan girdisinin bağlamsal inandırıcılığıyla birleştirmek için etki operasyonlarında da kullanılırlar.

\n

Cyborgları tespit etmek, tamamen otomatik botlara göre daha zordur çünkü davranışlarının bir kısmı gerçekten insani niteliktedir; bu da tek bir tespit göstergesinin güvenilir bir tanımlama için nadiren yeterli olduğu anlamına gelir.

\n

Trol

\n

Trol, kışkırtıcı, saldırgan veya düşmanca davranışlarla çevrimiçi tartışmaları kasıtlı olarak bozan gerçek bir kişidir. Troller genellikle kişisel hesaplar kullanır ve tartışmalı konuları, kamuoyunda tanınan kişileri (siyasetçiler veya gazeteciler gibi) veya medya kuruluşlarını hedef alır. Amaçları, bazen belirli bir gündemi desteklemek, bazen de eğlence veya dikkat çekmek için başkalarını kızdırmak, tepki uyandırmak veya çatışmaları tırmandırmaktır.

\n

Troller genellikle bağımsız hareket etseler de, bazen siyasi veya ticari aktörler tarafından ücretlendirilen koordineli gruplar halinde de faaliyet gösterebilirler (bkz. Yükseltme Mekanizmaları altındaki Troll Çiftliği).

\n

Trollük, belirli bir hesap türü değil, bir çevrimiçi davranış biçimi olarak anlaşılmalıdır. Aynı davranış, otomatik hesaplar tarafından da sergilenebilir ve sıradan kullanıcılar da zaman zaman trollük yapabilir.

\n

Sockpuppet

\n

Sockpuppet, gerçek kimliğini gizleyen gerçek bir kişi tarafından oluşturulan ve işletilen sahte bir çevrimiçi kimliktir. Genellikle tek bir açıkça düşmanca hesap altında hareket eden trollerin aksine, bir sockpuppet operatörü genellikle birkaç bağımsız kullanıcının aynı görüşe sahip olduğu, aynı davayı desteklediği veya operatörün kendi (genellikle ayrı) ana hesabıyla aynı fikirde olduğu izlenimini yaratmak için birden fazla sahte hesabı paralel olarak işletir.

\n

Sockpuppet'lar genellikle yapay bir konsensüs oluşturmak, farklı isimler altında kendi argümanlarını desteklemek, tarafsız görünürken rakiplere saldırmak, askıya alınma sonrasında yeni kimlikler oluşturarak yasaklardan kaçınmak veya çevrimiçi yorumları, oylamaları ve anketleri manipüle etmek için kullanılır.

\n

Sockpuppet'lar, insanlar tarafından manuel olarak işletildikleri için sosyal botlardan farklıdır; bu da içeriklerini bağlamsal olarak daha inandırıcı kılar ve otomatik yöntemlerle tespit edilmesini zorlaştırır. Trollerden ise, asıl amaçlarının provokasyon değil, kimlik konusunda aldatma ve görünürde bir konsensüs yaratmak olması bakımından farklıdırlar — ancak sockpuppet operatörleri sahte kimlikleri aracılığıyla trolling davranışında da bulunabilirler.

\n

Bir kişi veya küçük bir grup, koordineli bir şekilde bir dizi sahte hesap işletirse, bir Sahte Hesap Ağı oluştururlar (bkz. Yükseltme Mekanizmaları).

\n

☑ Sosyal Botlar, Troller ve Sockpuppet'leri Ayırt Etme

\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
Tespit BoyutuSosyal BotlarTrollerSahte Hesaplar
Profil Özellikleri- [ ] Hesap yeni oluşturulmuş
gibi görünüyor - [ ] Profil eksik veya genel nitelikte
- [ ] Kullanıcı adı kişisel olmayan bir izlenim bırakıyor ve bazen rastgele sayılar içeriyor		- [ ] Hesap genellikle uzun süredir aktiftir ve bir paylaşım geçmişi
vardır- [ ] Profil eksiksizdir ve kişisel görünür; güçlü ideolojik veya politik bir öz tanımlama
içerebilir- [ ] Kullanıcı adı kişisel görünür		- [ ] Profil inandırıcı ve kişisel görünüyor, genellikle bir profil resmi ve biyografik ayrıntılar içeriyor (bazen çalınmış, yapay zeka tarafından oluşturulmuş veya kopyalanmış olabilir)
- [ ] Hesap geçmişi ılımlı olabilir ve zamanla gerçekçi görünmek üzere tasarlanmış olabilir
Gönderi Davranışı- [ ] Etkinlik, normal insan çevrimiçi davranışlarıyla
uyuşmaz - [ ] Hesaplar çok sık içerik paylaşır veya
yeniden paylaşır - [ ] Hesaplar gece gündüz her saatte içerik paylaşır veya yeniden paylaşır		- [ ] Etkinlik, normal insan çevrimiçi davranışına
benziyor - [ ] Hesap, düzensiz zamanlarda paylaşım yapıyor veya yanıt veriyor -
[ ] Hesap, tartışmalı tartışmalar sırasında daha aktif hale geliyor		- [ ] Etkinlik kalıpları normal insan kullanımına
benziyor - [ ] Aynı operatör tarafından yönetilen birden fazla hesap, benzer aktif saatler veya ritimler
gösterebilir - [ ] Sockpuppet'lar, tipik kullanıcılara göre daha az tartışma başlatma ve daha kısa gönderiler yazma eğilimindedir
Etkileşimler- [ ] Hesap gerçek sohbetler yapmaz -
[ ] Hesaplar çoğunlukla beğenir, paylaşır veya yeniden paylaşır
- [ ] Yanıtlar kısa ve otomatiktir		- [ ] Hesap diğer kullanıcılara doğrudan yanıt verir -
[ ] Hesap, tepki
uyandırmak amacıyla tartışmalara girer - [ ] Sohbetler, çatışma yaratmak veya çatışmayı tırmandırmak için uzatılır		- [ ] Hesap, genellikle operatörün ana hesabını veya diğer sahte hesapları
destekleyen gerçek sohbetlere katılır - [ ] Yanıtlar bağlama uygundur ve gerçek gibi
görünür - [ ] Sahte hesap çiftleri genellikle aynı tartışmada benzer zamanlarda etkileşime girer
İçerik Özellikleri- [ ] İçerik tek taraflı ve tekrarlayıcıdır -
[ ] Aynı anlatılar birçok kez paylaşılır		- [ ] İçerik, bir hedefe
zarar vermek veya onu kışkırtmak için özel olarak hazırlanmıştır - [ ] İçerik, bireyleri veya sosyal grupları hedef alır		- [ ] İçerik gerçekçi görünür ve hesaplar
arasında çeşitlilik gösterir- [ ] Altta yatan mesaj veya tutum, ağ genelinde şüphe
uyandıracak şekilde uyumludur- [ ] "Ben" gibi şahıs zamirlerinin daha sık kullanılması
Dil- [ ] Genel ifadeler, anahtar kelimelerle tekrarlanan cümleler- [ ] Çeşitli, duygusal, genellikle küfürlü veya saldırgan dil- [ ] Doğal ve çeşitlilik gösteren dil
- [ ] Birden fazla hesap, dilbilimsel izler (benzer ifadeler, kelime dağarcığı, noktalama işaretleri veya hata kalıpları) paylaşabilir
Ağ ve Teknik Göstergeler- [ ] Sosyal botlar diğer sosyal botları takip eder, ancak bu ilişki genellikle tek yönlüdür ve karşılıklı
değildir- [ ] Birden fazla bot hesabında koordineli davranış gözlemlenebilir		- [ ] Troller insan hesaplarını
takip eder - [ ] Bağlantılar genellikle karşılıklıdır (takipçilerini takip ederler ve bunun tersi de geçerlidir)
- [ ] Troller genellikle birbirlerinden bağımsız hareket eder		- [ ] Birbirini karşılıklı olarak destekleyen birden fazla hesap -
[ ] Bağlantılar, aynı ağdaki sahte hesaplar arasında yapay olarak karşılıklı olabilir veya tespit edilmekten kaçınmak için kasıtlı olarak yok olabilir -
[ ] Aynı IP adresi, cihaz parmak izi veya oturum açma kalıbı \\\\*(platform tarafında tespit)\\\\*-
[ ] Sıradan kullanıcılara
göre daha kümelenmiş ego ağları - [ ] Hesaplar arasında ilişkili etkinlik zamanlaması
\n
\n
\n\n
    \n
  • \nFerrara, E. (2023). ChatGPT çağında sosyal bot tespiti: Zorluklar ve fırsatlar. 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). Benim ordum: Çevrimiçi tartışma topluluklarındaki sahte hesaplar. 26. Uluslararası World Wide Web Konferansı (WWW '17) Bildirileri\n, 857–866. https://doi.org/10.1145/3038912.3052677\n
    • \n
  • \nOrabi, M., Mouheb, D., Al Aghbari, Z., & Kamel, I. (2020). Sosyal medyada botların tespiti: Sistematik bir inceleme. Bilgi İşleme ve Yönetimi, 57\n(4), 102250. https://doi.org/10.1016/j.ipm.2020.102250\n
    • \n
  • \nSolorio, T., Hasan, R., & Mizan, M. (2013). Wikipedia'da sahte hesap tespitine ilişkin bir vaka çalışması. NAACL-HLT'de düzenlenen Sosyal Medyada Dil Analizi Çalıştayı (LASM) Bildirileri\n, 59–68. Hesaplamalı Dilbilim Derneği.https://aclanthology.org/W13-1107/\n
    • \n
  • \nTomaiuolo, M., Lombardo, G., Mordonini, M., Cagnoni, S., & Poggi, A. (2020). Troll tespitine ilişkin bir araştırma. Future Internet, 12\n(2), https://doi.org/10.3390/fi12020031\n
    • \n
  • \nTsikerdekis, M., & Zeadally, S. (2014). Sözsüz davranışları kullanarak sosyal medyada çoklu hesap kimlik aldatmacasının tespiti. IEEE Bilgi Adli Tıp ve Güvenlik İşlemleri, 9\n(8), 1311–1321. https://doi.org/10.1109/TIFS.2014.2332820\n
    • \n
  • \nUyheng, J., Moffitt, J. D., & Carley, K. M. (2022). Çevrimiçi trolling'in dili ve hedefleri: Sosyal siber güvenlik için psikodilbilimsel bir yaklaşım. Bilgi İşleme ve Yönetimi, 59\n(5), 103012. https://doi.org/10.1016/j.ipm.2022.103012\n
    • \n
\n
\n
\n

Hesap Ağları

\n

Bot Çiftliği

\n

Bot çiftliği, belirli bir amaç için tek bir operatör veya kuruluş tarafından kurulan, birden fazla cihaz veya sunucu üzerinde eşzamanlı olarak çalışan botlardan oluşan bir ağdır.

\n

Bot çiftliklerinin web indeksleme, otomatik yazılım testi, veri toplama ve web sitesi performans izleme gibi çeşitli meşru kullanım alanları vardır. Ancak, bunlar aynı zamanda sahte etkileşim yaratma, büyük hacimli içerik üretme, spam dağıtma veya siber güvenlik saldırıları gerçekleştirme gibi kötü niyetli faaliyetler için de yaygın olarak kullanılır. Çevrimiçi söylemi manipüle etmek için kullanıldığında, bot çiftlikleri bir konu, hesap veya kampanyaya yönelik yaygın destek, muhalefet veya ilgi olduğu yönünde yanlış bir izlenim yaratabilir.

\n

Trol Çiftliği

\n

Trol çiftliği, genellikle sahte hesaplar aracılığıyla çevrimiçi ortamda kasıtlı olarak kışkırtıcı, yanıltıcı veya yanlış içerik yayınlayan, koordineli ve çoğu zaman ücretli çalışanlardan oluşan organize bir gruptur. Amaçları genellikle kamuoyunu manipüle etmek, dezenformasyon yaymak veya sosyal ve siyasi kargaşa yaratmaktır. Trol çiftliklerinin, devlet destekli etki operasyonları ve ticari itibar manipülasyonu ile bağlantılı olduğu belgelenmiştir.

\n

Sockpuppet Ağı

\n

Sockpuppet ağı, tek bir kişi veya küçük bir grup tarafından işletilen, ortak bir anlatıyı, kampanyayı, hesabı veya amacı destekleyen bağımsız sesleri simüle etmek için kullanılan, koordineli bir sockpuppet hesapları kümesidir. Sockpuppet ağları genellikle siyasi astroturfing, yorum ve puan manipülasyonu ve koordineli dezenformasyon kampanyalarında kullanılır. Bot çiftliklerinden farklı olarak, sahte hesap ağları insanlar tarafından manuel olarak işletilir; bu da bireysel hesapların içeriğinin daha gerçekçi görünmesini ve otomatik yöntemlerle tespit edilmesini zorlaştırır. Bu ağların koordinasyonu genellikle, birden fazla hesap davranış kalıpları, ortak teknik sinyaller veya karşılıklı etkileşim yoluyla birbirine bağlanabildiğinde tespit edilebilir hale gelir.

\n

Tıklama Çiftliği

\n

Tıklama çiftliği, çok sayıda düşük ücretli işçi, otomatik botlar veya her ikisinin birden kullanıldığı, reklamlara tıklama, sosyal medya hesaplarını takip etme, gönderileri beğenme, yorum bırakma veya uygulama indirme işlemlerini gerçekleştiren bir operasyondur. Amaç, çevrimiçi etkileşimi veya trafiği yapay olarak artırarak içerik, hesap veya ürünlerin gerçekte olduklarından daha popüler görünmesini sağlamaktır.

\n

Fenomenler

\n

☑ Viral Olma ve Trend Olma

\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
ÖzellikViralTrend
Ne yayılıyorTek bir bilgi öğesi: belirli bir video, gönderi, resim veya başka bir içerikBir konu, etiket, ses, format veya tartışma kümesi: belirli bir öğe değil, aynı şeye atıfta bulunan veya onu kullanan birçok gönderi
Başlıca itici güçlerKullanıcılar bilgi öğesini paylaşır, yeniden yayınlar veya başkalarına iletir; bu kişiler de onu başkalarına aktarır; bu zincirleme yayılma, öneri algoritmalarıyla daha da güçlendirilebilirBirçok kullanıcı kısa bir süre içinde aynı konuyu, etiketini veya formatı paylaşır, bahseder veya kullanır; platform bu yoğun aktiviteyi algılar ve bunu özel bir "Trendler" bölümünde (trend olan konular listesi, trend olan etiketlere genel bakış veya trend olan sesler sayfası gibi) öne çıkarır
Zaman modeliGenellikle kısa ve patlamalıdır; daha sonra tekrarlanabilirZamana bağlıdır; etkinlik yüksek kaldığı veya platform bunu öne çıkardığı sürece devam eder
Nasıl manipüle edilebilirKoordineli paylaşım, botlarla yaygınlaştırma, belirli bir bilgi öğesine yönelik yapay etkileşimKoordineli paylaşım kampanyaları, bot ağları aracılığıyla üretilen sahte trendler, tanıtım, filtreleme veya bastırma yönündeki platform kararları
\n

Hem viralite hem de trend olma durumu organik olarak ortaya çıkabilir veya koordineli kampanyalar, bot faaliyetleri veya platform kararları yoluyla yapay olarak güçlendirilebilir. Her ikisi de, özellikle siyasi veya çatışma odaklı bağlamlarda, duygusal olarak heyecan verici, ahlaki yükü olan veya bölücü içeriğe avantaj sağlayabilir.

\n

Viralite

\n

Belirli bir bilgi öğesinin, bir virüsün yayılma şekline benzer şekilde, paylaşım, öneri ve ağlar arasında yeniden dolaşım yoluyla hızla yayılma şekli. Viralite, içerik özellikleri, sosyal ağ yapıları, platform olanakları, zamanlama ve algoritmik güçlendirme tarafından şekillenir.

\n

Yüksek düzeyde heyecan uyandıran duygular, ahlaki tepkiler veya grup dışı düşmanlık uyandıran içeriklerin paylaşılma olasılığı, özellikle siyasi veya çatışma odaklı bağlamlarda daha yüksektir. Ancak viralite sadece orijinal kaynağın büyüklüğüyle belirlenmez: daha küçük hesaplar veya yayın organları da oldukça viral içerikler üretebilir.

\n

Viralite organik olarak ortaya çıkabileceği gibi, koordineli paylaşım, platform manipülasyonu veya bot faaliyetleri yoluyla yapay olarak da güçlendirilebilir.

\n

Trend

\n

Bir platform tarafından atanan ve bir konunun, etiketinin, sesin, formatın veya tartışma kümesinin kısa bir süre içinde olağandışı yoğunlukta etkinlik aldığını gösteren durum.

\n

Trend, algoritmik olarak belirlenir ve X / Twitter Trend Konuları, trend olan hashtag'ler, trend olan sesler, trend olan meydan okumalar veya diğer platforma özgü trend özellikleri gibi platform özellikleri aracılığıyla ortaya çıkar. Trend, gönderi hacmi, artış oranı, etkileşim, konum, kişiselleştirme ve moderasyon filtreleri gibi platforma özgü sinyallere bağlıdır.

\n

Yüksek etkileşim yaratan konular — ayrıştırıcı, duygusal olarak heyecan verici veya ahlaki açıdan yüklü konular dahil — trend olma olasılığı daha yüksek olabilir, ancak bu, platformun sıralama sistemine ve moderasyon kurallarına bağlıdır.

\n

Trendler, birçok bağımsız katkıdan organik olarak ortaya çıkabilir, ancak koordineli kampanyalar, bot faaliyetleri veya neyin tanıtılacağı, filtreleneceği, denetleneceği veya bastırılacağına ilişkin platform kararlarından da etkilenebilir.

\n
\n
\n\n
    \n
  • Berger, J. (2013). Contagious: Why Things Catch On. New York: Simon & Schuster.\n
    • \n
  • Berger, J., & Milkman, K. L. (2012).\nÇevrimiçi içeriği viral yapan nedir? 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).\nSosyal öğrenmenin çevrimiçi sosyal ağlarda ahlaki öfke ifadesini nasıl güçlendirdiği. Science Advances\n, 7(33), eabe5641. https://doi.org/10.1126/sciadv.abe5641\n
    • \n
  • Jenkins, H., Ford, S., & Green, J. (2013). Yayılabilir Medya: Ağ Kültürü İçinde Değer ve Anlam Yaratmak. New York: NYU Press.\n
    • \n
  • Lee, J., & Umback, J. (2026).\nViral dönüş: TikTok'taki yaratıcı ekonomisinde viraliteyi yeniden düşünmek. Continuum\n, 1–26. https://doi.org/10.1080/10304312.2026.2625794\n
    • \n
  • Maarouf, A., Pröllochs, N., & Feuerriegel, S. (2024).\nSosyal medyada nefret söyleminin viralitesi. ACM İnsan-Bilgisayar Etkileşimi Bildirileri\n, 8 (CSCW1), 1–22. https://doi.org/10.1145/3641025\n
    • \n
  • Rathje, S., Van Bavel, J. J., & van der Linden, S. (2021).\nDış gruba yönelik düşmanlık, sosyal medyada etkileşimi artırıyor. Ulusal Bilimler Akademisi Bildirileri\n, 118(26), e2024292118. https://doi.org/10.1073/pnas.2024292118\n
    • \n
  • Rathje, S., & Van Bavel, J. J. (2025).\nViral olmanın psikolojisi. Bilişsel Bilimler Trendleri\n, 29(10), 914–927. https://doi.org/10.1016/j.tics.2025.06.014\n
    • \n
  • Rogers, E. M. (2003). Yeniliklerin Yayılması (5. baskı). New York: Free Press.\n
    • \n
  • Sangiorgio, E., Cinelli, M., Cerqueti, R., & Quattrociocchi, W. (2024).\nTakipçiler, sosyal medyada haber kaynaklarının viralitesini belirlemez. PNAS Nexus\n, 3(7), s. 257. https://doi.org/10.1093/pnasnexus/pgae257\n
    • \n
  • Schlessinger, J., Garimella, K., Jakesch, M., & Eckles, D. (2023).\nAlgoritmik Trend Tanıtımının Etkileri: Twitter'ın Trend Konularındaki Koordineli Kampanyalardan Kanıtlar. Uluslararası AAAI Web ve Sosyal Medya Konferansı (ICWSM) Bildirileri\n, 17(1), 777–786. https://doi.org/10.1609/icwsm.v17i1.22187\n
    • \n
  • Schöne, J. P., Parkinson, B., & Goldenberg, A. (2021).\nHem olumlu hem de olumsuz siyasi durumların ardından Twitter'da olumsuzluk, olumluluktan daha fazla yayılır. Duygusal Bilim\n, 2(4), 379–390. https://doi.org/10.1007/s42761-021-00057-7\n
    • \n
\n
\n
\n

Yayılma Etkileri ve Epistemik Aklama

\n

Yapay amplifikasyon, trend olma veya editoryal seçim yoluyla bir bilgi ortamında görünürlük kazanan bilginin, diğer bilgi ortamlarında veya bilgi erişim sistemlerinde alınıp daha da yaygınlaştırılması ve böylece orijinal ortamın ötesindeki kitlelere ulaşması süreci.

\n

Yayılma etkisi, gazetecilik haberleri, platformlar arası paylaşım, editoryal kürasyon veya kullanıcı odaklı yeniden dağıtım yoluyla gerçekleşebilir.

\n

→ Akademik bir forumda paylaşılan bir araştırma bulgusu, sosyal medyada tartışılabilir ve bir yapay zeka asistanı tarafından özetlenebilir.
→ Bir sosyal medya platformunda botlar tarafından yapay olarak yaygınlaştırılan bir konu, gazeteciler tarafından ele alınabilir.

\n

→ Yayılma etkileri, hem güvenilir hem de güvenilmez bilgilerin erişimini artırabilir ve bilginin orijinalinden daha yaygın olarak kabul görmüş gibi görünmesine neden olabilir.

\n

Epistemik Aklama

\n

Yayılma etkisi, bilginin görünürdeki statüsünü her zaman korumaz. Alıcı kanal, kaynak kanaldan (akademik format, akran değerlendirmesi, resmi yayın) daha güçlü otorite veya güvenilirlik sinyalleri taşıyorsa, bilgi sadece yer değiştirmiş olması nedeniyle daha güvenilir olarak algılanabilir. Bu etki, Epistemik Aklama olarak bilinir: bilgi, altta yatan iddialarda veya kanıtlarda herhangi bir gerçek değişiklik olmaksızın, kanallar arasında geçişi sayesinde algılanan güvenilirlik kazanır. Bu, alıcıların bilgiyle karşılaştıkları kanalın güvenilirliğini bilginin kendisine atfetme eğiliminden yararlanır.

\n

→ Anonim bir blog gönderisinden kaynaklanan bir iddia, bir ön baskıda alıntılanabilir, yapay zeka tarafından üretilen bir cevapta yeniden üretilebilir ve son olarak hakemli bir makalede alıntılanabilir — her adımda akademik görünürlük ve görünür otorite kazanırken, altta yatan iddia değişmeden veya doğrulanmadan kalır.

\n
\n
\n\n

Göteborg Üniversitesi'nden bir tıp araştırmacısının liderliğindeki bir ekip, yapay zeka sistemlerinin tıbbi yanlış bilgileri alıp tekrarlayıp tekrarlamayacağını test etmek için Bixonimania adlı sahte bir cilt hastalığı icat etti. Bunu, ekranlardan gelen mavi ışığa maruz kalmayla bağlantılı olduğu varsayılan bir hastalık olarak sundular; semptomları arasında gözlerde ağrı ve kaşıntı ile göz kapaklarında pembemsi bir renk vardı. Ardından, kasıtlı olarak sahte, akademik görünümlü ön baskılar oluşturdular ve bunlara bariz uyarı işaretleri eklediler — AI tarafından üretilmiş bir fotoğrafa sahip hayali bir yazar, var olmayan bir üniversite ve Starfleet Akademisi ile USS Enterprise'a yapılan atıflar. Nature, ön baskıların o zamandan beri Preprints.org'dan kaldırıldığını bildirdi. Birkaç hafta içinde, büyük AI sohbet robotları Bixonimania'yı gerçek bir tıbbi durum olarak yaymaya başladı; bazı durumlarda kullanıcılara açıklayıcı veya sağlıkla ilgili tavsiyeler bile sundular. Buna paralel olarak, sahte materyal, Springer Nature dergisi Cureus'ta yayınlanan ve daha sonra geri çekilen en az bir makalede alıntılanmıştı. Yayılma: blog gönderileri → sahte ön baskı → web tarayıcıları → AI sohbet robotu yanıtları → akademik alıntı

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

Stokel-Walker, C. (2026). Bilim adamları sahte bir hastalık icat etti. Yapay zeka insanlara bunun gerçek olduğunu söyledi. Nature, 652(8110), 559-561. https://doi.org/10.1038/d41586-026-01100-y

\n
\n
\n

Bilgi Daralması

\n

Bilgi Genişletme (yukarıda) görünürlüğün kullanıcı hesapları arasında nasıl genişlediğini açıklarken, Bilgi Daraltma bunun tersini, yani tek bir kullanıcıya veya sosyal gruba ulaşan bakış açılarının nasıl kısıtlandığını açıklar. Bu daraltmayı iki farklı mekanizma yaratır: Filtre Balonu (algoritmik kişiselleştirme) ve Yankı Odası (kullanıcının kendi seçimi). Bu ikisi popüler söylemlerde sıklıkla birbirine karıştırılır, ancak farklı şekilde işler.

\n

Filtre Balonu

\n

Filtre Balonu, Algoritmik Kişiselleştirme tarafından oluşturulan izole bir bilgi ortamıdır. Bu ortamda, kullanıcı, genellikle farkında olmadan, tahmin edilen tercihlerine ve geçmiş davranışlarına uygun içeriğe giderek daha fazla maruz kalırken, bunlardan farklı olan içerikler filtrelenir. Bu terim, Google, Facebook ve benzeri platformlardaki kişiselleştirme algoritmalarının, tıklama geçmişi, konum ve profil verileri gibi kullanıcı sinyallerine dayalı olarak nasıl sistematik maruz kalma asimetrileri üretebileceğini açıklamak için Eli Pariser (2011) tarafından ortaya atılmıştır.

\n

Filtre balonunun belirleyici özelliği, kullanıcı tarafında kasıtsızlık olmasıdır: daralma, kullanıcının kaynakları kasıtlı olarak seçmesi değil, platformun optimizasyonu tarafından oluşturulur.

\n
\n
\n\n

Ampirik araştırmalar, Pariser'in orijinal tezini önemli ölçüde sınırlandırmıştır. Çalışmalar, algoritmik kişiselleştirmenin kullanıcıların gördüklerini şekillendirdiğini, ancak çoğu kullanıcının yine de ideolojik açıdan çeşitli içeriklerle karşılaştığını ortaya koymuştur — bunun nedeni kısmen kendi sosyal ağlarının çeşitli görüşleri içermesi, kısmen de algoritmaların popüler söylemin öne sürdüğü kadar tamamen izole etmemesidir (Bakshy ve ark., 2015; Flaxman ve ark., 2016; Bruns, 2019). Filtre balonu etkisi gerçektir, ancak genellikle varsayıldığından daha zayıftır; internet öncesi seçici maruz kalma (örneğin, gazete veya TV kanallarını seçme) birçok durumda daha güçlüydü.

\n
\n
\n
\n
\n\n
    \n
  • Pariser, E. (2011). Filtre Balonu: İnternet Senden Ne Saklıyor. Penguin Press.\n
    • \n
  • \nBakshy, E., Messing, S., & Adamic, L. A. (2015). Facebook'ta ideolojik açıdan farklı haber ve görüşlere maruz kalma. Science\n, 348(6239), 1130–1132. https://doi.org/10.1126/science.aaa1160\n
    • \n
  • \nFlaxman, S., Goel, S., & Rao, J. M. (2016). Filtre balonları, yankı odaları ve çevrimiçi haber tüketimi. Public Opinion Quarterly\n, 80(S1), 298–320. https://doi.org/10.1093/poq/nfw006\n
    • \n
  • Bruns, A. (2019). Filtre Balonları Gerçek mi? Polity Press.\n
    • \n
\n
\n
\n

Yankı Odası

\n

Yankı odası, kullanıcının öncelikle mevcut inançlarını pekiştiren görüşlere, iddialara veya ideolojilere maruz kaldığı, muhalif görüşlerin ise yok olduğu, reddedildiği veya aktif olarak itibarsızlaştırıldığı bir sosyal bilgi ortamıdır. Cass Sunstein (2017) bunun siyasi sonuçlarını şöyle açıklamaktadır: gruplar kendilerini dış bakış açılarından izole ettiğinde, iç inançlar zamanla yoğunlaşır ve daha aşırı hale gelir (grup kutuplaşması).

\n

Algoritmik kişiselleştirmeden kaynaklanan Filtre Balonundan farklı olarak, yankı odası esas olarak kullanıcının kendi seçiminden kaynaklanır: kimi takip edeceği, hangi topluluklara katılacağı, hangi kaynaklara güveneceği ve hangi sesleri reddedeceği konusundaki seçimler. Bu seçimler kısmen Onay Önyargısı tarafından yönlendirilir — mevcut inançlarla uyumlu bilgileri arama ve bunlara güvenme eğilimi. Güçlendirici etki, görünmez algoritmik filtrelemeden değil, sosyal yapının kendisinden gelir.

\n

C. Thi Nguyen (2020), müdahale açısından önemli olan kavramsal bir ayrım yapar:

\n
    \n
  • Epistemik balon, diğer ilgili seslerin basitçe yok olduğu bir sosyal yapıdır. Bu yapının sakinleri karşıt bakış açılarını duymazlar, ancak bunları aktif olarak reddetmezler.\n
    • \n
  • Dar anlamıyla bir yankı odası, diğer ilgili seslerin aktif olarak itibarsızlaştırıldığı bir sosyal yapıdır. Üyeler karşıt bakış açılarını duyabilir, ancak kaynaklarına güvenmemeyi öğrenirler.\n
    • \n
\n

Epistemik balon, yeni bilgiler sunulduğunda açılabilir; yankı odası ise, dış kanıtlar sunulsa bile düzeltmeye direnir, çünkü bu kanıtların kaynakları zaten meşruiyetini yitirmiştir.

\n
\n
\n\n

Ampirik çalışmalar, güçlü, ideolojik olarak izole edilmiş yankı odalarının popüler söylemin ima ettiğinden daha az yaygın olduğunu göstermektedir (Cinelli ve ark., 2021; Guess ve ark., 2018), ancak var oldukları yerlerde düzeltmeye karşı oldukça dirençli olabilirler. Bir grup içindeki basit bir mutabakat, kendi başına bir yankı odası değildir — belirleyici özellik, dış bakış açılarının aktif olarak dışlanması veya itibarının sarsılmasıdır.

\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). Yankı odaları ve epistemik baloncuklar. 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). Sosyal medyada yankı odası etkisi. PNAS\n, 118(9), e2023301118. https://doi.org/10.1073/pnas.2023301118\n
    • \n
  • Guess, A., Lyons, B., Nyhan, B., & Reifler, J. (2018). Yankı Odaları Hakkında Yankı Odasından Kaçınmak: Neden Benzer Düşünenlerin Siyasi Haberlerine Seçici Maruz Kalma, Düşündüğünüzden Daha Az Yaygın. Knight Vakfı Beyaz Kitabı.\n
    • \n
\n
\n
","UPDATEDAT":"2026-05-08T06:56:38.108Z","LANG":"tr","ID":"3b24684f-982f-46f5-bc94-0c5e6b459760","TITLE":"Bilgi Dolaşımı ve Görünürlük","SOURCELANG":"en"}