{"CACHEDAT":"2026-05-18 11:00:57","TRANSLATEDAT":"2026-05-18 11:00:57","SOURCESIGNATURE":"873797facc63c37029ff491a16877b323f77c59b3ea3abe931d88697984ae269","SLUG":"information-circulation-visibility-p2b5TyW2TY","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":"

Viditelnost a prominentnost informací

\n

Viditelnost informací se týká toho, zda – a jak výrazně – se konkrétní informace, témata, zdroje nebo účty zobrazují uživatelům v digitálním prostředí. Informace, které existují v indexu nebo síti platformy, se automaticky nedostanou ke všem uživatelům, ani k nim nedosáhnou stejným způsobem.

\n

Viditelnost je výsledkem dvou vzájemně působících sil:

\n
    \n
  • jakým způsobem se informace šíří (sdílení, redistribuce, šíření) a\n
    • \n
  • jak jsou informace zviditelňovány, potlačovány nebo filtrovány.\n
    • \n
\n
\n
\n\n

Rozlišování mezi spolehlivostí a viditelností je pro informační gramotnost zásadní.

\n
    \n
  • Spolehlivost závisí na tom, kdo danou informaci vytvořil (autor) a jak byla upravena (redakční revize) – nikoli na tom, kdo ji sdílel, v jakém prostředí se objevila nebo jak výrazně byla zviditelněna.\n
    • \n
  • Viditelnost závisí na tom, kdo daný obsah sdílí, na mechanismech, které jej zviditelňují, a na postupech, jejichž prostřednictvím je zesilován. Viditelnost není měřítkem spolehlivosti.\n

    Například retweetovaný článek: účet, který jej sdílel, a platforma, která jej zviditelnila, ovlivnily jeho viditelnost – ale článek má svého vlastního autora a redakční historii, jejichž spolehlivost musí být posuzována samostatně.

    \n
    • \n
\n
\n
\n

Oběh informací: sdílení, přeposílání, odkazování, repostování, citování

\n

Lidé, účty (včetně botů) a organizace šíří existující informace sdílením, přeposíláním, odkazováním, repostováním, citováním nebo jiným způsobem jejich redistribuce.

\n

→ Když je informace předána s přidaným komentářem, interpretací nebo novým rámcováním, vzniká nová informace s novým autorem.

\n

Propagace a viditelnost informací řízená zdroji

\n

Postupy iniciované zdroji – těmi, kdo vytvářejí, publikují nebo propagují informační položky. Mezi zdroje patří jednotliví uživatelé, tvůrci obsahu, organizace, inzerenti a provozovatelé webových stránek. Na rozdíl od mechanismů řízených platformami jsou tyto praktiky řízeny samotnými zdroji, které rozhodují o tom, jak zviditelnit svůj obsah. Fungují ve dvou režimech: přizpůsobením obsahu systémům hodnocení platforem (dosah, přímé oslovení, SEO, SMO, optimalizace pro konkrétní platformu) nebo přímou platbou za umístění (placené umístění).

\n

Dosah účtu

\n

Velikost a struktura potenciálního publika sdílejícího.

\n

Dosah určuje několik faktorů:

\n
    \n
  • #### počet sledujících nebo odběratelů\n
    • \n
  • #### stav ověření\n
    • \n
  • #### stav účtu: stáří, historie interakcí, reputace na platformě\n
    • \n
\n

Dosah ovlivňuje viditelnost dvěma způsoby:

\n
    \n
  • přímo: příspěvky sdílené účty s velkým dosahem se v okamžiku sdílení objeví ve více feedech\n
    • \n
  • nepřímo: účty s velkým dosahem generují více signálů interakce, které algoritmy platformy následně využívají k posílení pozice příspěvků v žebříčku (→ Algoritmická selekce)\n
    • \n
\n

→ Dosah se značně liší: soukromý účet se 100 sledujícími a veřejný účet s milionem sledujících mají zásadně odlišný vliv na viditelnost.

\n

Přímé oslovování

\n

Mechanismy, pomocí nichž sdílející cílí na konkrétní příjemce a zajišťují těmto uživatelům okamžitou viditelnost prostřednictvím oznámení platformy.

\n

Příklady:

\n
    \n
  • #### @zmínky\n
    • \n
  • #### označování (ve fotkách, příspěvcích nebo vláknech)\n
    • \n
  • #### citace tweetů a zmínky v odpovědích\n
    • \n
  • #### skupinové přímé zprávy\n
    • \n
  • #### adresování v mailing listech (Komu, Kopie)\n
    • \n
\n

→ Přímé oslovení se liší od běžného sdílení: cílový uživatel obdrží položku přímo prostřednictvím oznámení, bez ohledu na to, zda by se s ní jinak setkal ve svém feedu.

\n

→ Přímé adresování je hybridní mechanismus. Funguje na straně uživatele, ale prostřednictvím infrastruktury platformy (systémů oznámení). Jeho účinkem je okamžitá viditelnost pro adresovaného uživatele.

\n

Optimalizace pro vyhledávače (SEO)

\n

Postupy na straně zdroje k přizpůsobení webových stránek – jejich obsahu, metadat a struktury odkazů – tak, aby se umisťovaly na předních místech ve výsledcích vyhledávačů obecného zaměření (Google, Bing, DuckDuckGo atd.).

\n

Mezi běžné postupy patří:

\n
    \n
  • výzkum klíčových slov a jejich integrace do titulků, nadpisů a textu\n
    • \n
  • optimalizaci metadat (titulní tagy, meta popisy, alternativní text)\n
    • \n
  • budování odkazů (získávání příchozích odkazů z autoritativních webů)\n
    • \n
  • struktura webu a interní propojení\n
    • \n
  • rychlost načítání stránek a přizpůsobení pro mobilní zařízení\n
    • \n
  • tvorba obsahu, který odpovídá záměru vyhledávání\n
    • \n
\n

→ SEO je nejvíce formalizovanou disciplínou optimalizace, protože signály pro hodnocení vyhledávačů jsou relativně stabilní a dobře zdokumentované (Lewandowski et al.). Jeho praxi podporují specializovaní odborníci na SEO, agentury a nástroje.

\n

→ SEO nemění způsob, jakým vyhledávače řadí stránky – přizpůsobuje webové stránky tak, aby vyhovovaly stávajícím kritériím pro řazení. Vydavatelé mohou ovlivnit to, co algoritmus vidí, nikoli to, jak se rozhoduje.

\n

Optimalizace pro sociální média (SMO)

\n

Postupy na straně zdroje, které maximalizují viditelnost, zapojení a sdílení obsahu na platformách sociálních médií.

\n

Mezi běžné postupy patří:

\n
    \n
  • strategie hashtagů (trendy nebo tématické tagy)\n
    • \n
  • načasování příspěvků (kdy je cílová skupina aktivní)\n
    • \n
  • výběr formátu obsahu (krátká videa, karusely, reels)\n
    • \n
  • návrh nadpisů a úvodních vět (rychlé upoutání pozornosti)\n
    • \n
  • podpora interakce (otázky, ankety, výzvy k akci)\n
    • \n
  • převádění obsahu na jiné platformy\n
    • \n
\n

→ SMO je méně formalizované než SEO, protože signály pro hodnocení na sociálních médiích jsou méně transparentní a specifické pro danou platformu. Postupy se mění s tím, jak se mění algoritmy.

\n

Optimalizace specifická pro danou platformu

\n

Optimalizační strategie přizpůsobené konvencím a logice hodnocení jednotlivých platforem – nad rámec obecných principů SEO nebo SMO.

\n
    \n
  • TikTok: zaujetí diváků během prvních tří sekund, použití trendových zvuků, vertikální krátká videa\n
    • \n
  • Instagram: vysoce kvalitní vizuály, strategie „Reels-first“, kombinace hashtagů\n
    • \n
  • YouTube: design miniatur, optimalizace doby sledování, názvy a popisy bohaté na klíčová slova\n
    • \n
  • LinkedIn: dlouhé profesionální příspěvky, nativní publikování, zapojení v rámci sítě\n
    • \n
  • X (Twitter): stručné úvodní věty, vlákna, odpovídání na účty s velkým dosahem\n
    • \n
\n

→ Optimalizace pro konkrétní platformu vyžaduje porozumění systému hodnocení, chování publika a preferencím formátu obsahu dané platformy. To, co funguje na TikToku, málokdy funguje na LinkedInu.

\n

Placené umístění a reklama

\n

Praxe na straně zdroje, kdy se platí za viditelnost – sponzorovaný obsah umístěný vedle organického obsahu, obvykle prostřednictvím reklamy.

\n

Běžné formy:

\n
    \n
  • sponzorované výsledky vyhledávání (reklamy ve vyhledávačích)\n
    • \n
  • sponzorované příspěvky a propagovaný obsah (sociální média)\n
    • \n
  • grafické reklamy (bannery, videa)\n
    • \n
  • partnerství s influencery (placená spolupráce)\n
    • \n
\n

→ Placené umístění obchází systémy organického řazení: místo optimalizace obsahu pro dobré umístění v žebříčku zdroj přímo platí platformě za umístění.

\n

→ Někdy jsou jasně označeny („Sponzorováno“, „Reklama“), jindy se od organických výsledků liší jen nepatrně. Standardy označování se liší podle jurisdikce a platformy.

\n

Propagace a filtrování informací na straně platformy

\n
\n
\n\n

To, co uživatelé skutečně vidí, je málokdy výsledkem jediného mechanismu. Ve vyhledávači se vedle placených umístění, shrnutí generovaných umělou inteligencí a někdy i redakčních highlightů zobrazuje algoritmicky seřazený seznam organických výsledků – a základní signály pro řazení lze záměrně ovlivnit pomocí optimalizace pro vyhledávače (SEO). Ve feedu sociálních médií se vedle sponzorovaného obsahu, doporučených účtů a překryvů s trendy zobrazují algoritmicky seřazené příspěvky. Každá složka se řídí vlastní logikou a přispívá k celkovému výsledku viditelnosti.

\n
\n
\n

Redakční kurátorství

\n

Ruční kurátorství na straně platformy: informační položky záměrně vybrané redakčními týmy nebo provozovateli platformy, nikoli zobrazené na základě algoritmického řazení.

\n

Příklady:

\n
    \n
  • vybrané úryvky ve výsledcích vyhledávání\n
    • \n
  • kurátorované sekce trendů\n
    • \n
  • redakčně vybrané články v agregátorech zpráv\n
    • \n
  • platformou propagované hashtagy\n
    • \n
  • Výběr redakce v obchodech s aplikacemi\n
    • \n
  • vybraní tvůrci nebo účty\n
    • \n
\n

→ Redakční výběr doplňuje algoritmické mechanismy a odráží vlastní úsudek platformy o tom, který obsah si zaslouží prominentní umístění.

\n

→ Na rozdíl od algoritmického gatekeepingu (kurátorství a personalizace) zahrnuje redakční gatekeeping lidská redakční rozhodnutí samotné platformy. Funkčně se jedná o formu redakčního gatekeepingu — prováděného platformou namísto tradičních vydavatelů.

\n

Algoritmický gatekeeping

\n

Algoritmický gatekeeping se týká role algoritmů při rozhodování o tom, které informace se dostanou k kterým uživatelům — jedná se o digitální protějšek redakčního gatekeepingu (→ Informace, zdroje a informační prostředí → Redakční recenze). Zahrnuje jak výběr (co se zobrazí a co má vysoké hodnocení), tak vyloučení (co se filtruje, degraduje nebo skrývá).

\n

Algoritmický gatekeeping funguje napříč různými typy platforem:

\n
    \n
  • ve vyhledávačích algoritmy vybírají a řadí výsledky na základě dotazů\n
    • \n
  • v kanálech sociálních médií algoritmy rozhodují, které příspěvky se zobrazí na viditelnějším místě\n
    • \n
  • na video platformách algoritmy navrhují, co sledovat dál\n
    • \n
  • v systémech odpovědí založených na umělé inteligenci algoritmy generují, shrnují nebo syntetizují odpovědi\n
    • \n
\n

Algoritmické filtrování funguje ve dvou režimech, které často spolupracují: obecné operace aplikované na všechny uživatele (algoritmická kurátorství) a individuální přizpůsobení na základě sledovaných signálů uživatelů (algoritmická personalizace).

\n

Algoritmická kurátorství

\n

Obecné algoritmické operace aplikované na všechny uživatele — utvářejí, jaké informace jsou na platformě dostupné, bez ohledu na to, kdo je uživatel.

\n
    \n
  • Procházení a indexování\n– Které informace se zobrazí?\n
      \n
    • vyhledávače procházející web\n
      • \n
    • agregátoři obsahu indexující zdroje zpráv\n
      • \n
    • obchody s aplikacemi katalogizující dostupné aplikace\n
      • \n
    \n
    • \n
  • Filtrování a moderování\n— Které položky jsou podle pravidel platformy blokovány nebo mají nižší hodnocení?\n
      \n
    • filtry spamu\n
      • \n
    • odstraňování obsahu porušujícího zásady (nenávistné projevy, nelegální obsah, drastický materiál)\n
      • \n
    • snížení hodnocení nekvalitního nebo zavádějícího materiálu\n
      • \n
    \n
    • \n
  • Hodnocení kvality\n— Které zdroje nebo položky jsou hodnoceny jako důvěryhodnější nebo kvalitnější?\n
      \n
    • vyhledávače penalizující weby nízké kvality\n
      • \n
    • agregátory zpráv řadí výsledky podle autority zdroje\n
      • \n
    • hodnocení ovlivněné vzájemným hodnocením v akademických vyhledávačích\n
      • \n
    \n
    • \n
  • Detekce trendů\n— Které položky se zobrazují jako aktuálně populární?\n
      \n
    • trendová témata na sociálních platformách\n
      • \n
    • nejoblíbenější žebříčky na streamovacích službách\n
      • \n
    • sekce „Co se děje“ a „Dnešní titulky“\n
      • \n
    • populární hashtagy\n
      • \n
    \n
    • \n
\n

→ Algoritmická kurátorství definuje soubor informací dostupných na platformě. Funguje v podstatě stejným způsobem pro všechny uživatele.

\n

Algoritmická personalizace

\n

Algoritmické operace, které přizpůsobují výběr, pořadí a prezentaci informací jednotlivým uživatelům na základě sledovaných signálů. Tyto signály se v průběhu času hromadí do uživatelských historií, z nichž algoritmy čerpají.

\n

→ Dva uživatelé na stejné platformě – i při stejném dotazu – obvykle vidí podstatně odlišný obsah.

\n
    \n
  • Personalizované řazení\n— Které položky jsou pro tohoto uživatele řazeny výše?\n
      \n
    • personalizované výsledky vyhledávání (umístění, historie, řazení podle profilu)\n
      • \n
    • řazení příspěvků na sociálních médiích (feedy „Pro tebe“, „Nejoblíbenější příspěvky“)\n
      • \n
    • žebříček založený na interakci — optimalizace pro předpovězenou interakci, dominantní na sociálních médiích\n
      • \n
    \n
    • \n
  • Doporučení\n— Které položky jsou tomuto uživateli navrhovány nad rámec toho, co aktivně požadoval?\n
      \n
    • Seznamy videí „Doporučeno pro vás“\n
      • \n
    • navrhované účty, skupiny nebo témata k sledování\n
      • \n
    • „Lidé, které možná znáte“\n
      • \n
    • související články, podobné produkty, „Další na řadě“\n
      • \n
    \n
    • \n
  • Personalizovaná reklama\n— Jaké reklamy jsou tomuto uživateli zobrazovány?\n
      \n
    • reklamy ve vyhledávání přizpůsobené předchozím dotazům\n
      • \n
    • sponzorované příspěvky na sociálních médiích na základě profilu a chování\n
      • \n
    • retargetingové grafické reklamy na webových stránkách\n
      • \n
    • partnerství s influencery přizpůsobená zájmům publika\n
      • \n
    \n
    • \n
\n

→ Dva uživatelé na stejné platformě — i při stejném dotazu — obvykle vidí podstatně odlišný obsah.

\n

→ Personalizace vytváří zpětnou vazbu: to, co uživatelé dělají, ovlivňuje to, co uvidí dál, a to, co uvidí dál, může ovlivnit to, co udělají.

\n

☑ Signály uživatelů sledované platformou pro algoritmickou personalizaci

\n

Akce, které uživatel provádí – aktivně nebo pasivně – v rámci informačního kanálu, které mohou být sledovány a využívány algoritmy k personalizaci výběru a viditelnosti informačních položek.

\n

→ Akce uživatelů se neomezují pouze na záměrné interakce, jako je kliknutí nebo označení „To se mi líbí“. Mnoho akcí je pasivních nebo automatických, například jak dlouho uživatel zůstává na stránce, jak daleko posouvá stránku nebo kde se nachází. Uživatelé si často neuvědomují, že tyto akce ovlivňují to, s čím se setkají dále.

\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
TypCo to jePříklady
Explicitní zpětná vazbaÚmyslné interakce, které se uživatel rozhodne provést- vyhledávání / vyhledávací dotazy
- kliknutí
- lajky / reakce
- komentáře / odpovědi
- sdílení / reposty /
přeposílání - sledování /
odběry - ukládání /
záložky - hodnocení / recenze
- nákupy / stahování
Implicitní chováníPasivní signály chování zaznamenané během používání- doba sledování / doba poslechu / doba setrvání -
chování při posouvání (jak daleko, jak rychle)
- chování při najetí
myší - chování při přeskakování
Kontextová dataInformace o situaci, ve které uživatel přistupuje k platformě- údaje o poloze uživatele při používání aplikace -
typ zařízení (např. telefon nebo notebook)
- čas přístupu
Údaje o účtu a sociálních sítíchInformace z profilu uživatele a sociálních sítí- informace o profilu (věk, zájmy, povolání, pohlaví)
- jazykové nastavení
- propojené účty
- seznam kontaktů / adresář
\n
\n
\n\n
    \n
  • \nAdomavicius, G., & Tuzhilin, A. (2011). Kontextově orientované doporučovací systémy. In F. Ricci, L. Rokach, B. Shapira, & P. B. Kantor (Eds.), Recommender Systems Handbook\n(str. 217–253). Springer. https://doi.org/10.1007/978-0-387-85820-3_7\n
    • \n
  • \nKelly, D., & Teevan, J. (2003). Implicitní zpětná vazba pro odvození uživatelských preferencí: Bibliografie. 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). Za hranicemi explicitní a implicitní zpětné vazby: Jak uživatelé poskytují zpětnou vazbu k utváření personalizovaného obsahu doporučení. In Sborník z konference CHI 2025 o lidských faktorech v počítačových systémech (CHI '25)\n. Association for Computing Machinery. https://doi.org/10.1145/3706598.3713241\n
    • \n
  • \nNarayanan, A. (2023). Porozumění algoritmům doporučení na sociálních médiích.\nKnight First Amendment Institute, Columbia University.https://knightcolumbia.org/content/understanding-social-media-recommendation-algorithms\n
    • \n
\n
\n
\n

Zesílení informací

\n

Amplifikace označuje systematické zvyšování viditelnosti určitého prvku nad rámec úrovně jednotlivého uživatele – s cílem dosáhnout široké viditelnosti napříč uživatelskými účty a někdy i napříč informačními prostředími.

\n

Zatímco propagace řízená zdrojem (viz výše) popisuje, co dělá samotný zdroj pro získání viditelnosti, a filtrování na straně platformy (viz výše) popisuje algoritmické operace, prostřednictvím kterých platformy zobrazují a řadí obsah pro jednotlivé uživatele, zesílení se týká výsledných efektů zesílení v měřítku – vzniklých buď jako souhrnný efekt těchto operací platformy (→ algoritmické zesílení), nebo prostřednictvím koordinované činnosti více aktérů (→ koordinované zesílení).

\n

Mechanismy zesílení

\n

Amplifikace funguje prostřednictvím dvou hlavních mechanismů.

\n
    \n
  • Algoritmická amplifikace je řízena platformou: jedná se o souhrnný efekt algoritmického gatekeepingu – kumulativní výsledek kurátorství a personalizace platformy, který určuje, které položky se dostanou k kterým uživatelům a jak výrazně.\n
    • \n
  • Koordinovaná amplifikace je řízena aktéry: více účtů, skupin nebo kampaní záměrně jedná ve vzájemné shodě, aby zvýšilo viditelnost položky, hashtagu nebo narativu nad rámec toho, co by přinesla aktivita jednotlivých uživatelů. Literatura ji klasifikuje podle dvou dimenzí – koordinace (transparentní nebo skrytá) a účty (skutečné nebo falešné) – a podle toho rozlišuje (Rogers & Righetti, 2025):\n
      \n
    • Koordinované autentické zesílení: koordinace je transparentní a účty jsou skutečné (např. otevřené občanské kampaně, prosazování zájmů, marketing).\n
      • \n
    • Koordinované neautentické / umělé zesílení: koordinace je skrytá, účty jsou falešné, nebo obojí – vytváří se tak zdání organické podpory (Meta's Coordinated Inauthentic Behaviour / CIB; Gleicher, 2018).\n
      • \n
    \n
    • \n
\n

Tyto dva mechanismy se často kombinují. Koordinované sítě využívají hodnocení založené na interakci k vyvolání algoritmického posílení; algoritmické hodnocení zase umocňuje viditelnost, kterou již koordinace vytvořila.

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

Algoritmické zesílení

\n

Algoritmické zesílení je kumulativní účinek výše uvedených mechanismů filtrování (kurátorství a personalizace): systematické utváření toho, které položky, témata, účty a formáty se uživatelům zobrazují na předních místech – a které jsou filtrovány, degradovány nebo potlačeny.

\n

Empirický výzkum ukazuje, že žebříček založený na interakci systematicky zesiluje emocionálně nabitý obsah a obsah nepřátelský vůči vnějším skupinám, i když uživatelé sami takový obsah nepreferují (Milli et al., 2025). Také to znásobuje stávající dosah: účty a položky s vysokou předchozí interakcí jsou odměněny další viditelností, což vede k velmi zkreslenému rozložení dosahu (efekt „bohatí se stávají bohatšími“).

\n

Algoritmické zásahy mohou mít nelineární účinky i v opačném směru. Snížení viditelnosti příspěvku ve feedu o přibližně 20 % může jeho dosah snížit o řádovou velikost (Narayanan, 2023).

\n

Algoritmické zesílení není neutrálním odrazem aktivity uživatelů. Jeho účinky se projevují a jsou viditelné především v souhrnu: jednotlivá doporučení jsou nepřesná (míra zapojení zůstává na většině platforem pod 1 %), ale žebříčky, doporučení a snížení viditelnosti systematicky utvářejí to, co se na platformě šíří.

\n
\n
\n\n
    \n
  • Milli, S., et al. (2025). Zapojení, spokojenost uživatelů a zesilování kontroverzního obsahu na sociálních médiích. PNAS Nexus.\n
    • \n
  • Narayanan, A. (2023). Porozumění algoritmům doporučení na sociálních médiích. Knight First Amendment Institute.\n
    • \n
\n
\n
\n

Koordinované autentické zesílení

\n

Koordinované autentické zesílení je záměrné posílení informace, tématu, hashtagu, účtu nebo narativu prostřednictvím otevřeně zveřejněné, organizované aktivity skutečných účtů. Koordinovaný původ není skryt: účastníci jednají pod svou skutečnou identitou nebo pod známou skupinovou příslušností.

\n

Mezi typické kontexty patří

\n
    \n
  • občanské kampaně (např. petice nevládních organizací, hashtagy na podporu určitých zájmů),\n
    • \n
  • politickou mobilizaci (např. volební kampaně stran, snahy o zvýšení volební účasti),\n
    • \n
  • marketingové a značkové kampaně,\n
    • \n
  • komunikace profesních sdružení a\n
    • \n
  • kulturní hnutí, jako jsou Fridays for Future nebo #MeToo.\n
    • \n
\n
\n
\n\n

Zda je základní poselství opodstatněné, vyvážené nebo jednostranné, je samostatnou otázkou – autenticita se týká pouze transparentnosti koordinace, nikoli pravdivosti nebo spravedlnosti obsahu. Autentická kampaň může zesilovat přesné informace, zavádějící informace nebo jednostranný postoj.

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

Autentická a neautentická koordinace mohou vytvářet vzorce viditelnosti, které zvenčí vypadají identicky – synchronizované sdílení, shlukování hashtagů, rychlé šíření. Rozlišujícím znakem není viditelný vzorec, ale to, zda je koordinovaný původ otevřeně zveřejněn.

\n
\n
\n

Koordinované neautentické / umělé zesílení

\n

Koordinované neautentické / umělé zesílení je záměrné posílení informace, tématu, hashtagu, účtu nebo narativu prostřednictvím organizované činnosti, při které je koordinovaný původ skrytý, zúčastněné účty jsou falešné, nebo obojí. Cílem je vytvořit dojem organické, nezávislé podpory. Termín společnosti Meta „koordinované neautentické chování“ (CIB) – nyní začleněný do zákona EU o digitálních službách – se zaměřuje na tuto kombinaci falešných identit a nepřátelských metod k vyhnutí se odhalení (Gleicher, 2018; Rogers & Righetti, 2025).

\n

Mezi typické kontexty patří operace politického ovlivňování (státem sponzorované nebo spojené s politickými stranami), astroturfingové kampaně (komerční nebo ideologické), cílená dezinformace v souvislosti s volbami, veřejným zdravím nebo geopolitickými konflikty a manipulace s reputací prostřednictvím falešných recenzí, hodnocení nebo interakcí. Operační prostředky — boti, trollové, falešné účty a jejich koordinované sítě (bot farmy, troll farmy, sítě falešných účtů, klikací farmy) — jsou podrobně popsány níže.

\n
\n
\n\n

Neautentičnost se týká utajení koordinovaného původu nebo použití falešných účtů – nikoli pravdivosti šířeného obsahu. Koordinovaná síť falešných účtů může šířit přesné informace; jeden autentický jedinec může šířit smyšlené informace. Koordinované neautentické šíření a šíření falešného obsahu jsou odlišné jevy, které se mohou vyskytovat samostatně nebo společně.

\n
\n
\n

Následující typy účtů popsané v této části se vztahují na digitální informační kanály a platformy, kde si uživatelé mohou vytvářet účty a veřejně publikovat nebo komunikovat – zejména sociální média, diskusní fóra a komunitní prostory, video a audio platformy a sekce recenzí nebo komentářů. V aplikacích pro soukromou komunikaci nebo v prostředích bez obsahu vytvářeného uživateli se vyskytují méně často. Objevují se jak samostatně, tak v rámci koordinovaných sítí. Jsou zde uvedeny kvůli své typické roli v dynamice šíření; explicitně koordinované formace jsou sítě účtů.

\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
TermínDefiniceŘízenoDefinovánoTypický účel
Sociální botAutomatizovaný nebo částečně automatizovaný účet, který online publikuje příspěvky, lajkuje, sleduje, sdílí nebo odpovídá.SoftwareAutomatizaceK zesílení zpráv, vytvoření umělé popularity, rozesílání spamu, ovlivňování diskuzí nebo šíření obsahu ve velkém měřítku.
KyborgHybridní účet kombinující lidské ovládání se softwarovou automatizací.Smíšený: člověk a softwareSelektivní automatizaceKombinace rozsahu automatizace s kontextovou věrohodností lidského vkladu – pro legitimní plánování/správu nebo pro hůře odhalitelné operace ovlivňování.
TrollOsoba nebo účet, který záměrně provokuje, narušuje nebo rozněcuje online diskusi.Obvykle lidský uživatel; někdy koordinované skupinyRušivé / provokativní / nepřátelské chováníRozčilovat ostatní, vykolejovat konverzace, provokovat reakce, šířit nepřátelství nebo polarizovat debatu.
SockpuppetFalešný účet, který někdo používá k utajení své skutečné identity nebo k předstírání, že je jinou osobou.Lidský uživatel, i když účet může využívat i automatizaciKlamná identitaK vytvoření falešné podpory, anonymnímu útoku na ostatní, obcházení zákazů, manipulaci s debatou nebo k vytvoření dojmu nezávislého souhlasu.
\n

Sociální bot

\n

Sociální bot je bot navržený pro provoz na platformách sociálních médií, který zveřejňuje příspěvky, komentuje, sdílí nebo komunikuje způsobem, který simuluje lidské uživatele. Sociální boti jsou obvykle naprogramováni tak, aby jednali ve velkém měřítku a vysokou rychlostí, daleko za hranicemi toho, co by dokázal lidský uživatel. Jejich činnost je často repetitivní a koordinovaná napříč mnoha účty, což ji odlišuje od běžného lidského chování.

\n

Sociální boti mohou být používáni k legitimním účelům – jako je zákaznický servis, šíření zpráv nebo marketing – ale jsou také široce využíváni k ovlivňování veřejného mínění, zesilování určitých sdělení, manipulaci s diskusemi nebo vytváření zdání široké podpory pro konkrétní myšlenky, produkty nebo záležitosti. V kontextu dezinformací a falešných informací hrají sociální boti zvláštní roli v rychlém šíření obsahu a vytváření falešného dojmu, že mnoho nezávislých hlasů sdílí stejný názor.

\n

Když jsou sociální boti nasazeni v koordinovaných sítích, tvoří bot farmu.

\n
\n
\n\n

Bot

\n

Bot je počítačový program, který automaticky provádí úkoly, často opakující se. Boti se pohybují od jednoduchých, neškodných nástrojů – jako jsou webové prohledávače, které indexují stránky pro vyhledávače, automatizované testovací systémy nebo chatboti, kteří odpovídají na rutinní dotazy zákazníků – až po škodlivé programy určené k šíření spamu, malwaru nebo dezinformací.

\n
\n
\n

Kyborg

\n

Kyborg je hybridní účet, který je částečně ovládán člověkem a částečně automatizován softwarem. Kyborg může mít rutinní příspěvky naplánované nebo generované softwarem, zatímco člověk se stará o vybrané interakce, odpovědi nebo citlivý obsah. Rovnováha mezi automatizovanou a lidskou činností se u jednotlivých účtů liší.

\n

Kyborgy lze použít k legitimním účelům – jako je plánování obsahu, správa účtů značek nebo institucí či hybridní zákaznický servis –, ale využívají se také v operacích zaměřených na ovlivňování, kde kombinují rozsah a rychlost automatizace s kontextovou věrohodností lidského vkladu.

\n

Kyborgy je obtížnější identifikovat než čistě automatizované boty, protože část jejich chování je skutečně lidská, což znamená, že jednotlivé detekční indikátory zřídka postačují k spolehlivé identifikaci.

\n

Troll

\n

Troll je skutečná osoba, která záměrně narušuje online diskuse provokativním, agresivním nebo nepřátelským chováním. Trollové obvykle používají osobní účty a zaměřují se na kontroverzní témata, veřejné osobnosti (například politiky nebo novináře) nebo mediální organizace. Jejich cílem je rozrušit ostatní, vyvolat reakce nebo eskalovat konflikty – někdy na podporu konkrétní agendy, jindy pro zábavu nebo pozornost.

\n

Ačkoli trollové často jednají nezávisle, mohou také působit v koordinovaných skupinách, někdy placených politickými nebo komerčními subjekty (viz Trollí farma v části Mechanismy zesilování).

\n

Trolling je nejlépe chápat jako vzorec online chování, nikoli jako konkrétní druh účtu. Stejné chování mohou vykazovat automatizované účty a příležitostně se trollingu mohou dopouštět i běžní uživatelé.

\n

Sockpuppet

\n

Sockpuppet je falešná online identita vytvořená a provozovaná skutečnou osobou, která skrývá svou pravou identitu. Na rozdíl od trollů – kteří často jednají pod jediným otevřeně nepřátelským účtem – provozovatel sockpuppetu obvykle spravuje více falešných účtů souběžně, aby vytvořil dojem, že několik nezávislých uživatelů zastává stejný názor, podporuje stejnou věc nebo souhlasí s jeho vlastním (často samostatným) hlavním účtem.

\n

Sockpuppety se běžně používají k vytváření umělého konsensu, podpoře vlastních argumentů pod různými jmény, útokům na oponenty při zachování zdání nestrannosti, obcházení zákazů vytvářením nových identit po pozastavení účtu nebo manipulaci s online recenzemi, hlasováním a anketami.

\n

Sockpuppety se liší od sociálních botů v tom, že jsou ručně ovládány lidmi, což činí jejich obsah kontextově věrohodnějším a obtížněji odhalitelným automatizovanými prostředky. Liší se od trollů v tom, že jejich primárním cílem je klamání ohledně identity a vytváření zdánlivého konsensu, nikoli provokace – ačkoli provozovatelé sockpuppetů se mohou prostřednictvím svých falešných identit také dopouštět trollování.

\n

Když osoba nebo malá skupina společně provozuje koordinovanou sadu sockpuppetů, tvoří síť sockpuppetů (viz Mechanismy zesílení).

\n

☑ Rozlišení sociálních botů, trollů a falešných účtů

\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
Rozměr detekceSociální botiTrollovéFalešné účty
Charakteristika profilu- [ ] Účet vypadá, že byl vytvořen nedávno -
[ ] Profil je neúplný nebo
obecný - [ ] Uživatelské jméno může vypadat neosobně a někdy obsahuje náhodná čísla		- [ ] Účet je obvykle aktivní delší dobu a má historii příspěvků -
[ ] Profil je kompletní a vypadá osobně; může obsahovat silný ideologický nebo politický popis
- [ ] Uživatelské jméno vypadá osobně		- [ ] Profil vypadá věrohodně a osobně, často obsahuje profilovou fotku a biografické údaje (někdy ukradené, generované umělou inteligencí nebo zkopírované)
- [ ] Historie účtu může být umírněná a navržená tak, aby v průběhu času vypadala autenticky
Chování při zveřejňování příspěvků- [ ] Aktivita neodpovídá běžnému lidskému chování
online - [ ] Účty velmi často zveřejňují nebo sdílejí obsah -
[ ] Účty zveřejňují nebo sdílejí obsah po celý den i noc		- [ ] Aktivita se podobá běžnému lidskému chování
na internetu - [ ] Účet zveřejňuje příspěvky nebo odpovídá v nepravidelných časech
- [ ] Účet se stává aktivnějším během kontroverzních diskusí		- [ ] Vzory aktivity se podobají běžnému lidskému chování
- [ ] Více účtů spravovaných stejným provozovatelem může vykazovat podobné časy aktivity nebo rytmy
- [ ] Falešné účty mají tendenci zahajovat méně diskusí a psát kratší příspěvky než běžní uživatelé
Interakce- [ ] Účet nevede skutečné konverzace
- [ ] Účty většinou lajkují, sdílejí nebo
repostují - [ ] Odpovědi jsou krátké a automatizované		- [ ] Účet přímo odpovídá ostatním uživatelům
- [ ] Účet se zapojuje do debat s cílem vyprovokovat reakce
- [ ] Konverzace jsou prodlužovány za účelem vyvolání nebo eskalace konfliktu		- [ ] Účet se zapojuje do skutečných konverzací, často podporuje hlavní účet provozovatele nebo jiné falešné účty
- [ ] Odpovědi jsou kontextově vhodné a působí autenticky
- [ ] Dvojice falešných účtů často interagují ve stejné diskusi ve stejnou dobu
Vlastnosti obsahu- [ ] Obsah je jednostranný a opakující
se - [ ] Stejné příběhy jsou zveřejňovány mnohokrát		- [ ] Obsah je specificky přizpůsoben tak, aby poškodil nebo provokoval cíl -
[ ] Obsah se zaměřuje na jednotlivce nebo sociální skupiny		- [ ] Obsah působí autenticky a je napříč účty
rozmanitý - [ ] Základní poselství nebo postoj se napříč sítí podezřele shoduje -
[ ] Častější používání osobních zájmen, jako je „já“
Jazyk- [ ] Obecné výrazy, opakující se fráze s klíčovými slovy- [ ] Rozmanitý, emotivní, často urážlivý nebo hanlivý jazyk- [ ] Přirozený a rozmanitý jazyk
- [ ] Více účtů může sdílet jazykové otisky (podobné fráze, slovní zásoba, interpunkce nebo vzorce chyb)
Síťové a technické ukazatele- [ ] Sociální boti sledují jiné sociální boty, ale vztah je obvykle jednostranný a není vzájemný
- [ ] U více botových účtů lze pozorovat koordinované chování		- [ ] Trollové sledují lidské účty
- [ ] Spojení jsou často vzájemná (sledují své sledující a naopak)
- [ ] Trollové obvykle jednají nezávisle na sobě		- [ ] Více účtů, které spolu vzájemně spolupracují –
[ ] Propojení mezi falešnými účty v rámci stejné sítě mohou být uměle vzájemná, nebo záměrně chybět, aby se zabránilo
odhalení – [ ] Stejná IP adresa, otisk zařízení nebo vzorec přihlášení \\\\*(detekce na straně platformy)\\\\* –
[ ] Více seskupených ego-sítí než u běžných uživatelů
– [ ] Korelované načasování aktivit napříč účty
\n
\n
\n\n
    \n
  • \nFerrara, E. (2023). Detekce sociálních botů v éře ChatGPT: Výzvy a příležitosti. 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). Armáda mě: Sockpuppets v online diskusních komunitách. Sborník z 26. mezinárodní konference o World Wide Web (WWW '17)\n, 857–866. https://doi.org/10.1145/3038912.3052677\n
    • \n
  • \nOrabi, M., Mouheb, D., Al Aghbari, Z., & Kamel, I. (2020). Detekce botů v sociálních médiích: Systematický přehled. Zpracování a správa informací, 57\n(4), 102250. https://doi.org/10.1016/j.ipm.2020.102250\n
    • \n
  • \nSolorio, T., Hasan, R., & Mizan, M. (2013). Případová studie detekce falešných účtů na Wikipedii. Sborník z workshopu o jazykové analýze v sociálních médiích (LASM) na konferenci NAACL-HLT\n, 59–68. Asociace pro počítačovou lingvistiku.https://aclanthology.org/W13-1107/\n
    • \n
  • \nTomaiuolo, M., Lombardo, G., Mordonini, M., Cagnoni, S., & Poggi, A. (2020). Přehled detekce trollů. Future Internet, 12\n(2), https://doi.org/10.3390/fi12020031\n
    • \n
  • \nTsikerdekis, M., & Zeadally, S. (2014). Detekce podvodů s identitou pomocí více účtů na sociálních médiích s využitím neverbálního chování. IEEE Transactions on Information Forensics and Security, 9\n(8), 1311–1321. https://doi.org/10.1109/TIFS.2014.2332820\n
    • \n
  • \nUyheng, J., Moffitt, J. D., & Carley, K. M. (2022). Jazyk a cíle online trollingu: Psycholingvistický přístup k sociální kyberbezpečnosti. Information Processing & Management, 59\n(5), 103012. https://doi.org/10.1016/j.ipm.2022.103012\n
    • \n
\n
\n
\n

Sítě účtů

\n

Bot farm

\n

Bot farm je síť botů, které pracují současně na více zařízeních nebo serverech a jsou nasazeny jedním provozovatelem nebo organizací pro konkrétní účel.

\n

Bot farmy mají řadu legitimních využití, včetně indexování webových stránek, automatizovaného testování softwaru, agregace dat a monitorování výkonu webových stránek. Často se však také používají k škodlivým činnostem, jako je vytváření falešné interakce, generování velkého množství obsahu, rozesílání spamu nebo provádění kybernetických útoků. Pokud se bot farmy používají k manipulaci s online diskurzem, mohou vytvářet falešný dojem široké podpory, opozice nebo zájmu o určité téma, účet nebo kampaň.

\n

Trollí farma

\n

Trollová farma je organizovaná skupina koordinovaných, často placených pracovníků, kteří záměrně zveřejňují provokativní, zavádějící nebo falešný obsah online – obvykle prostřednictvím falešných účtů. Jejich cílem je obvykle manipulovat s veřejným míněním, šířit dezinformace nebo vyvolávat sociální a politické nepokoje. Trollové farmy byly zdokumentovány v souvislosti s operacemi ovlivňování podporovanými státem i s komerční manipulací s reputací.

\n

Síť falešných účtů

\n

Síť falešných účtů je koordinovaná skupina falešných účtů provozovaných jednou osobou nebo malou skupinou, která se používá k simulaci nezávislých hlasů podporujících společný příběh, kampaň, účet nebo věc. Sítě falešných účtů se běžně používají v politickém astroturfingu, manipulaci s recenzemi a hodnoceními a koordinovaných dezinformačních kampaních. Na rozdíl od botových farem se sítě falešných účtů spoléhají na ruční ovládání lidmi, díky čemuž se obsah jednotlivých účtů jeví jako autentičtější a hůře zjistitelný automatizovanými prostředky. Jejich koordinace se obvykle dá odhalit pouze tehdy, když lze více účtů propojit na základě vzorců chování, sdílených technických signálů nebo vzájemné interakce.

\n

Klikací farma

\n

Klikací farma je operace, při které se využívá velké množství nízko placených pracovníků, automatizovaných botů nebo obojího k klikání na reklamy, sledování účtů na sociálních médiích, lajkování příspěvků, psaní recenzí nebo stahování aplikací. Cílem je uměle zvýšit online interakci nebo návštěvnost, aby obsah, účty nebo produkty vypadaly populárnější, než ve skutečnosti jsou.

\n

Jevy

\n

☑ Viralita vs. trendy

\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
FunkceViralitaTrendy
Co se šíříJedna informace: konkrétní video, příspěvek, obrázek nebo jiný obsahTéma, hashtag, zvuk, formát nebo diskusní skupina: nejde o jeden konkrétní prvek, ale o mnoho příspěvků odkazujících na stejnou věc nebo ji využívajících
Hlavní hnací sílyUživatelé sdílejí, repostují nebo přeposílají danou informaci dalším uživatelům, kteří ji dále šíří; toto kaskádové šíření může být dále zesíleno algoritmy doporučeníMnoho uživatelů v krátkém čase zveřejňuje příspěvky, zmiňuje nebo používá stejné téma, hashtag nebo formát; platforma tuto koncentraci aktivity detekuje a zvýrazní ji ve speciální sekci „Trendy“ (například seznam trendových témat, přehled trendových hashtagů nebo stránka s trendovými zvuky)
Časový vzorecČasto krátký a výbušný; může se později opakovatČasově omezený; přetrvává, dokud zůstává aktivita vysoká nebo dokud jej platforma nadále zviditelňuje
Jak lze tento jev manipulovatKoordinované sdílení, zesílení pomocí botů, umělá interakce zaměřená na konkrétní informaciKoordinované kampaně zveřejňování příspěvků, uměle vytvořené falešné trendy prostřednictvím sítí botů, rozhodnutí platformy o propagaci, filtrování nebo potlačení
\n

Jak virálnost, tak trendy mohou vznikat organicky nebo být uměle zesilovány prostřednictvím koordinovaných kampaní, aktivity botů nebo rozhodnutí platformy. Oba jevy mohou také zvýhodňovat obsah, který vyvolává emoce, má morální náboj nebo rozděluje společnost, zejména v politických nebo konfliktních kontextech.

\n

Viralita

\n

Vzor, podle kterého se konkrétní informace rychle šíří prostřednictvím sdílení, doporučování a recirkulace napříč sítěmi, analogicky k tomu, jak se šíří virus. Viralita je formována charakteristikami obsahu, strukturami sociálních sítí, možnostmi platformy, načasováním a algoritmickým zesílením.

\n

Obsah, který vyvolává silné emoce, morální reakce nebo nepřátelství vůči cizím skupinám, je často s větší pravděpodobností sdílen, zejména v politických nebo konfliktních kontextech. Viralita však není určena pouze velikostí původního zdroje: i menší účty nebo média mohou produkovat vysoce virální příspěvky.

\n

Viralita může vzniknout organicky, ale může být také uměle zesílena koordinovaným sdílením, manipulací s platformou nebo aktivitou botů.

\n

Trendy

\n

Platformou přiřazený status označující, že téma, hashtag, zvuk, formát nebo diskusní skupina zaznamenaly neobvykle intenzivní aktivitu v krátkém časovém úseku.

\n

Trendy jsou identifikovány algoritmicky a zobrazovány prostřednictvím funkcí platformy, jako jsou X / Twitter Trending Topics, trendové hashtagy, trendové zvuky, trendové výzvy nebo jiné funkce specifické pro danou platformu. Trendy závisí na signálech specifických pro danou platformu, jako je objem příspěvků, míra nárůstu, zapojení, umístění, personalizace a moderační filtry.

\n

Témata, která generují vysokou míru zapojení – včetně kontroverzních, emocionálně vzrušujících nebo morálně nabitých témat – mohou mít větší šanci stát se trendem, ale záleží to na systému hodnocení platformy a pravidlech moderování.

\n

Trendy mohou vznikat organicky z mnoha nezávislých příspěvků, ale mohou být také ovlivněny koordinovanými kampaněmi, aktivitou botů nebo rozhodnutími platformy o tom, co propagovat, filtrovat, moderovat nebo potlačovat.

\n
\n
\n\n
    \n
  • Berger, J. (2013). Contagious: Why Things Catch On. New York: Simon & Schuster.\n
    • \n
  • Berger, J., & Milkman, K. L. (2012).\nWhat makes online content viral? Journal of Marketing Research\n, 49(2), 192–205. https://doi.org/10.1509/jmr.10.0353\n
    • \n
  • Brady, W. J., McLoughlin, K., Doan, T. N., & Crockett, M. J. (2021).\nHow social learning amplifies moral outrage expression in online social networks. Science Advances\n, 7(33), eabe5641. https://doi.org/10.1126/sciadv.abe5641\n
    • \n
  • Jenkins, H., Ford, S., & Green, J. (2013). Spreadable Media: Creating Value and Meaning in a Networked Culture. New York: NYU Press.\n
    • \n
  • Lee, J., & Umback, J. (2026).\nThe viral turn: rethinking virality in the creator economy on TikTok. Continuum\n, 1–26. https://doi.org/10.1080/10304312.2026.2625794\n
    • \n
  • Maarouf, A., Pröllochs, N., & Feuerriegel, S. (2024).\nViralita nenávistných projevů na sociálních médiích. Sborník ACM o interakci člověk-počítač\n, 8 (CSCW1), 1–22. https://doi.org/10.1145/3641025\n
    • \n
  • Rathje, S., Van Bavel, J. J., & van der Linden, S. (2021).\nNepřátelství vůči cizím skupinám pohání aktivitu na sociálních médiích. Sborník Národní akademie věd\n, 118(26), e2024292118. https://doi.org/10.1073/pnas.2024292118\n
    • \n
  • Rathje, S., & Van Bavel, J. J. (2025).\nPsychologie virality. Trends in Cognitive Sciences\n, 29(10), 914–927. https://doi.org/10.1016/j.tics.2025.06.014\n
    • \n
  • Rogers, E. M. (2003). Šíření inovací (5. vyd.). New York: Free Press.\n
    • \n
  • Sangiorgio, E., Cinelli, M., Cerqueti, R., & Quattrociocchi, W. (2024).\nPočet sledujících nerozhoduje o virálnosti zpravodajských médií na sociálních sítích. PNAS Nexus\n, 3(7), str. 257. https://doi.org/10.1093/pnasnexus/pgae257\n
    • \n
  • Schlessinger, J., Garimella, K., Jakesch, M., & Eckles, D. (2023).\nÚčinky algoritmické propagace trendů: Důkazy z koordinovaných kampaní v trendových tématech na Twitteru. Sborník z mezinárodní konference AAAI o webu a sociálních médiích (ICWSM)\n, 17(1), 777–786. https://doi.org/10.1609/icwsm.v17i1.22187\n
    • \n
  • Schöne, J. P., Parkinson, B., & Goldenberg, A. (2021).\nNegativita se na Twitteru šíří více než pozitivita, a to jak po pozitivních, tak po negativních politických událostech. Affective Science\n, 2(4), 379–390. https://doi.org/10.1007/s42761-021-00057-7\n
    • \n
\n
\n
\n

Přesahové efekty a epistemické praní

\n

Proces, při kterém jsou informace, které získají viditelnost v jednom informačním prostředí – ať už prostřednictvím umělého zesílení, trendů nebo redakčního výběru – zachyceny a dále šířeny v jiných informačních prostředích nebo systémech přístupu k informacím, čímž osloví publikum mimo původní prostředí.

\n

K přenosu může docházet prostřednictvím novinářských reportáží, sdílení napříč platformami, redakční kurátorství nebo redistribuce iniciované uživateli.

\n

→ Výsledek výzkumu sdílený na akademickém fóru může být diskutován na sociálních médiích a shrnut asistentem AI.
→ Téma uměle zesílené boty na platformě sociálních médií může být převzato novináři.

\n

→ Efekty přelévání mohou zvýšit dosah jak spolehlivých, tak nespolehlivých informací a mohou způsobit, že se informace jeví jako širší, než ve skutečnosti byly.

\n

Epistemické praní

\n

Přesah ne vždy zachovává zdánlivý status informací. Pokud přijímající kanál nese silnější signály autority nebo spolehlivosti než kanál původu – akademický formát, recenze, formální publikace – může být informace sama o sobě vnímána jako spolehlivější pouze díky tomu, že byla přesunuta. Tento efekt je známý jako epistemické praní: informace získává vnímanou spolehlivost díky svému průchodu kanály, aniž by došlo k jakékoli skutečné změně základních tvrzení nebo důkazů. Využívá tendence příjemců přisuzovat spolehlivost kanálu, ve kterém se s informacemi setkávají, samotné informaci.

\n

→ Tvrzení pocházející z anonymního blogového příspěvku může být citováno v předtisku, reprodukováno v odpovědi generované umělou inteligencí a nakonec citováno v recenzovaném článku – přičemž v každém kroku získává akademický lesk a zdánlivou autoritu, zatímco základní tvrzení zůstává nezměněno nebo neověřeno.

\n
\n
\n\n

Tým na Univerzitě v Göteborgu pod vedením lékařského výzkumníka vymyslel falešné kožní onemocnění zvané bixonimánie, aby otestoval, zda systémy umělé inteligence přijmou a budou opakovat nesprávné lékařské informace. Prezentovali jej jako údajné onemocnění spojené s vystavením modrému světlu z obrazovek, s příznaky, jako jsou bolavé, svědící oči a narůžovělý odstín na očních víčkách. Poté vytvořili záměrně falešné preprinty s akademickým vzhledem, do nichž vložili zřejmé varovné signály – fiktivního autora s fotografií generovanou umělou inteligencí, neexistující univerzitu a odkazy na Akademii Hvězdné flotily a USS Enterprise. Časopis Nature uvedl, že preprinty byly od té doby z webu Preprints.org odstraněny. Během několika týdnů začaly hlavní chatboty s umělou inteligencí reprodukovat bixonimii jako skutečné onemocnění a v některých případech nabízely uživatelům vysvětlující nebo zdravotní rady. Souběžně s tím byl falešný materiál citován v alespoň jedné publikované práci, která byla později stažena, v časopise Cureus vydávaném nakladatelstvím Springer Nature. Šíření: příspěvky na blogu → falešný preprint → webové prohledávače → odpovědi chatbotů s umělou inteligencí → akademická citace

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

Stokel-Walker, C. (2026). Vědci vymysleli falešnou nemoc. Umělá inteligence lidem řekla, že je skutečná. Nature, 652(8110), 559-561. https://doi.org/10.1038/d41586-026-01100-y

\n
\n
\n

Zúžení informací

\n

Zatímco zesílení informací (viz výše) popisuje, jak se rozšiřuje viditelnost napříč uživatelskými účty, zúžení informací popisuje opak: jak se omezuje škála pohledů, které se dostanou k jednotlivému uživateli nebo sociální skupině. Toto zúžení způsobují dva odlišné mechanismy – filtrační bublina (algoritmická personalizace) a ozvěnová komora (vlastní výběr uživatele). Tyto dva mechanismy se v běžné diskuzi často zaměňují, ale fungují odlišně.

\n

Filtrační bublina

\n

Filtrační bublina je izolované informační prostředí vytvořené algoritmickou personalizací, ve kterém je uživatel stále více vystaven obsahu, který odpovídá jeho odvozeným preferencím a minulému chování, zatímco obsah, který se od toho odchyluje, je odfiltrován – obvykle bez vědomí uživatele. Tento termín vytvořil Eli Pariser (2011) k popisu toho, jak personalizační algoritmy na Google, Facebooku a podobných platformách mohou vytvářet systematické asymetrie v expozici na základě signálů od uživatelů, jako je historie kliknutí, poloha a údaje z profilu.

\n

Charakteristickým rysem filtrační bubliny je neúmyslnost ze strany uživatele: zúžení je generováno optimalizací platformy, nikoli záměrným výběrem zdrojů ze strany uživatele.

\n
\n
\n\n

Empirický výzkum Pariserovu původní tezi podstatně relativizoval. Studie zjistily, že algoritmická personalizace sice formuje to, co uživatelé vidí, ale většina uživatelů se stále setkává s ideologicky rozmanitým obsahem – částečně proto, že jejich vlastní sociální sítě zahrnují rozmanité názory, a částečně proto, že algoritmy neizolují tak úplně, jak naznačuje populární diskurz (Bakshy et al., 2015; Flaxman et al., 2016; Bruns, 2019). Efekt filtrační bubliny je reálný, ale obvykle slabší, než se obecně předpokládá; selektivní expozice v době před internetem (např. výběr novin nebo televizních kanálů) byla v mnoha případech silnější.

\n
\n
\n
\n
\n\n
    \n
  • Pariser, E. (2011). The Filter Bubble: What the Internet Is Hiding from You. Penguin Press.\n
    • \n
  • \nBakshy, E., Messing, S., & Adamic, L. A. (2015). Exposure to ideologically diverse news and opinion on Facebook. Science\n, 348(6239), 1130–1132. https://doi.org/10.1126/science.aaa1160\n
    • \n
  • \nFlaxman, S., Goel, S., & Rao, J. M. (2016). Filter bubbles, echo chambers, and online news consumption. Public Opinion Quarterly\n, 80(S1), 298–320. https://doi.org/10.1093/poq/nfw006\n
    • \n
  • Bruns, A. (2019). Are Filter Bubbles Real? Polity Press.\n
    • \n
\n
\n
\n

Echo Chamber

\n

Echo Chamber je sociální informační prostředí, ve kterém je uživatel vystaven především názorům, tvrzením nebo ideologiím, které posilují jeho stávající přesvědčení, zatímco odlišné názory chybí, jsou odmítány nebo aktivně diskreditovány. Cass Sunstein (2017) popisuje politické důsledky: když se skupiny izolují od vnějších perspektiv, vnitřní přesvědčení se časem prohlubují a stávají se extrémnějšími (polarizace skupiny).

\n

Na rozdíl od filtrační bubliny, která vzniká na základě algoritmické personalizace, je ozvěnová komora výsledkem především vlastní volby uživatele: rozhodnutí, koho sledovat, do jakých komunit se zapojit, kterým zdrojům důvěřovat a které hlasy ignorovat. Tyto volby jsou částečně poháněny potvrzovacím zkreslením – kognitivní tendencí vyhledávat a důvěřovat informacím, které jsou v souladu se stávajícími přesvědčeními. Posilující účinek vychází ze samotné sociální struktury, nikoli z neviditelného algoritmického filtrování.

\n

C. Thi Nguyen (2020) uvádí koncepční rozlišení, které je důležité pro zásah:

\n
    \n
  • Epistemická bublina je sociální struktura, v níž jiné relevantní hlasy prostě chybí. Její obyvatelé neslyší protichůdné názory, ale ani je aktivně neodmítají.\n
    • \n
  • Echo chamber v užším smyslu je sociální struktura, ve které jsou jiné relevantní hlasy aktivně diskreditovány. Členové mohou slyšet protichůdné názory, ale naučí se nedůvěřovat jejich zdrojům.\n
    • \n
\n

Epistemickou bublinu lze otevřít zavedením nových informací; ozvěnová komora odolává korekci i tehdy, když jsou předloženy externí důkazy, protože zdroje těchto důkazů již byly delegitimizovány.

\n
\n
\n\n

Empirické studie naznačují, že silné, ideologicky izolované ozvěnové komory jsou méně časté, než naznačuje obecný diskurz (Cinelli et al., 2021; Guess et al., 2018), ale tam, kde existují, mohou být vysoce odolné vůči korekci. Pouhá shoda uvnitř skupiny není sama o sobě ozvěnovou komorou – charakteristickým rysem je aktivní vyloučení nebo diskreditace vnějších perspektiv.

\n
\n
\n
\n
\n\n
    \n
  • Sunstein, C. R. (2017). #Republic: Divided Democracy in the Age of Social Media. Princeton University Press.\n
    • \n
  • \nNguyen, C. T. (2020). Echo chambers and epistemic bubbles. Episteme\n, 17(2), 141–161. https://doi.org/10.1017/epi.2018.32\n
    • \n
  • \nCinelli, M., De Francisci Morales, G., Galeazzi, A., Quattrociocchi, W., & Starnini, M. (2021). The echo chamber effect on social media. PNAS\n, 118(9), e2023301118. https://doi.org/10.1073/pnas.2023301118\n
    • \n
  • Guess, A., Lyons, B., Nyhan, B., & Reifler, J. (2018). Jak se vyhnout „ozvěnové komoře“ ohledně „ozvěnových komor“: Proč je selektivní vystavení politickým zprávám od lidí se stejným smýšlením méně časté, než si myslíte. Bílá kniha Knight Foundation.\n
    • \n
\n
\n
","UPDATEDAT":"2026-05-17T18:10:25.150Z","LANG":"cs","ID":"ab29e11c-2108-42ab-9bd3-f3f70f7012f9","TITLE":"Šíření informací a viditelnost","SOURCELANG":"en"}