{"CACHEDAT":"2026-05-18 11:12:40","TRANSLATEDAT":"2026-05-18 11:12:40","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":"

Zichtbaarheid en prominentie van informatie

\n

Zichtbaarheid van informatie verwijst naar de vraag of — en hoe prominent — specifieke informatie-items, onderwerpen, bronnen of accounts aan gebruikers worden getoond in digitale omgevingen. Informatie die in de index of het netwerk van een platform aanwezig is, bereikt niet automatisch alle gebruikers, noch bereikt ze hen op dezelfde manier.

\n

Zichtbaarheid is het resultaat van twee op elkaar inwerkende krachten:

\n
    \n
  • hoe informatie wordt verspreid (delen, herverdeling, verspreiding) en\n
    • \n
  • hoe deze prominent naar voren wordt gebracht, naar beneden wordt geduwd of wordt weggefilterd.\n
    • \n
\n
\n
\n\n

Het onderscheid tussen betrouwbaarheid en zichtbaarheid is essentieel voor informatievaardigheden.

\n
    \n
  • Betrouwbaarheid hangt af van wie een item heeft gemaakt (auteur) en hoe het is bewerkt (redactionele beoordeling) — niet van wie het heeft gedeeld, in welke omgeving het verscheen of hoe prominent het naar voren werd gebracht.\n
    • \n
  • Zichtbaarheid hangt af van wie een item deelt, van de mechanismen die het naar voren brengen en van de praktijken waardoor het wordt versterkt. Zichtbaarheid is geen maatstaf voor betrouwbaarheid.\n

    Neem bijvoorbeeld een geretweet artikel: het account dat het heeft gedeeld en het platform waarop het is verschenen, hebben de zichtbaarheid ervan beïnvloed — maar het artikel heeft zijn eigen auteur en redactionele geschiedenis, waarvan de betrouwbaarheid afzonderlijk moet worden beoordeeld.

    \n
    • \n
\n
\n
\n

Informatiecirculatie: delen, doorsturen, linken, herplaatsen, citeren

\n

Mensen, accounts (inclusief bots) en organisaties verspreiden bestaande informatie-items door ze te delen, door te sturen, te linken, te herplaatsen, te citeren of op een andere manier te herverdelen.

\n

→ Wanneer een item wordt doorgegeven met toegevoegde commentaar, interpretatie of herformulering, ontstaat er een nieuw informatie-item met een nieuwe auteur.

\n

Bron-gedreven informatiepromotie & zichtbaarheid

\n

Praktijken die worden geïnitieerd door bronnen — degenen die informatie-items creëren, publiceren of promoten. Bronnen zijn onder meer individuele gebruikers, makers van inhoud, organisaties, adverteerders en websitebeheerders. In tegenstelling tot platformgestuurde mechanismen worden deze praktijken aangestuurd door de bronnen zelf, die beslissen hoe ze hun inhoud zichtbaar maken. Ze werken op twee manieren: door inhoud aan te passen aan de rangschikkingssystemen van de platforms (bereik, directe aanspreking, SEO, SMO, platformspecifieke optimalisatie), of door rechtstreeks te betalen voor plaatsing (betaalde plaatsingen).

\n

Bereik van het account

\n

De omvang en structuur van het potentiële publiek van iemand die iets deelt.

\n

Verschillende factoren bepalen het bereik:

\n
    \n
  • #### aantal volgers of abonnees\n
    • \n
  • #### verificatiestatus\n
    • \n
  • #### status van het account: leeftijd, betrokkenheidsgeschiedenis, reputatie op het platform\n
    • \n
\n

Het bereik beïnvloedt de zichtbaarheid op twee manieren:

\n
    \n
  • direct: items die worden gedeeld door accounts met een groot bereik verschijnen op het moment van delen in meer feeds\n
    • \n
  • indirect: accounts met een groot bereik genereren meer betrokkenheidssignalen, die platformalgoritmen vervolgens gebruiken om berichten hoger in de ranglijst te plaatsen (→ Algoritmische poortwachtersfunctie)\n
    • \n
\n

→ Bereik varieert sterk: een privéaccount met 100 volgers en een openbaar account met een miljoen volgers hebben fundamenteel verschillende schaalgroottes wat betreft invloed op de zichtbaarheid.

\n

Directe aanspreking

\n

Mechanismen waarmee degenen die iets delen zich richten op specifieke ontvangers, waardoor die gebruikers onmiddellijk opvallen via platformmeldingen.

\n

Voorbeelden:

\n
    \n
  • #### @vermeldingen\n
    • \n
  • #### tagging (in foto's, berichten of threads)\n
    • \n
  • #### quote-tweets & reply-vermeldingen\n
    • \n
  • #### directe groepsberichten\n
    • \n
  • #### adressering via mailinglijsten (Aan, CC)\n
    • \n
\n

→ Directe adressering verschilt van regulier delen: de beoogde gebruiker ontvangt het bericht direct via een melding, ongeacht of hij of zij het anders via de feed zou zijn tegengekomen.

\n

→ Directe adressering is een hybride mechanisme. Het werkt aan de gebruikerskant, maar functioneert via de platforminfrastructuur (meldingssystemen). Het effect is onmiddellijke zichtbaarheid voor de geadresseerde gebruiker.

\n

Zoekmachineoptimalisatie (SEO)

\n

Praktijken aan de bronzijde om websites — hun inhoud, metagegevens en linkstructuur — aan te passen, zodat ze prominenter scoren in de resultaten van algemene zoekmachines (Google, Bing, DuckDuckGo, enz.).

\n

Veelgebruikte praktijken zijn onder meer:

\n
    \n
  • zoekwoordonderzoek en integratie in titels, koppen en hoofdtekst\n
    • \n
  • optimalisatie van metadata (titeltags, metabeschrijvingen, alt-tekst)\n
    • \n
  • linkbuilding (het verkrijgen van inkomende links van gezaghebbende sites)\n
    • \n
  • sitstructuur en interne links\n
    • \n
  • pagina-snelheid en mobielvriendelijkheid\n
    • \n
  • content produceren die aansluit bij de zoekintentie\n
    • \n
\n

→ SEO is de meest geformaliseerde optimalisatiediscipline omdat de signalen voor de rangschikking door zoekmachines relatief stabiel en goed gedocumenteerd zijn (Lewandowski et al.). Gespecialiseerde SEO-professionals, bureaus en tools ondersteunen de praktijk ervan.

\n

→ SEO verandert niet hoe zoekmachines pagina's rangschikken — het past de website aan aan bestaande rangschikkingscriteria. Uitgevers kunnen beïnvloeden wat het algoritme ziet, niet hoe het beslist.

\n

Social Media Optimisation (SMO)

\n

Praktijken aan de bronzijde om de zichtbaarheid, betrokkenheid en deelbaarheid van content op sociale mediaplatforms te maximaliseren.

\n

Veelgebruikte praktijken zijn onder meer:

\n
    \n
  • hashtag-strategieën (trending of onderwerpspecifieke tags)\n
    • \n
  • timing van posts (wanneer de doelgroepen actief zijn)\n
    • \n
  • keuze van contentformaten (korte video's, carrousels, reels)\n
    • \n
  • ontwerp van koppen en hooks (snel de aandacht trekken)\n
    • \n
  • het stimuleren van betrokkenheid (vragen, polls, call-to-actions)\n
    • \n
  • hergebruik van content op verschillende platforms\n
    • \n
\n

→ SMO is minder geformaliseerd dan SEO omdat de signalen voor de rangschikking op sociale media ondoorzichtiger en platformspecifiek zijn. De werkwijzen veranderen naarmate de algoritmen veranderen.

\n

Platformspecifieke optimalisatie

\n

Optimalisatiestrategieën afgestemd op de conventies en rangschikkingslogica van individuele platforms — die verder gaan dan algemene SEO- of SMO-principes.

\n
    \n
  • TikTok: kijkers binnen de eerste drie seconden boeien, gebruikmaken van trending geluiden, verticale korte video's\n
    • \n
  • Instagram: hoogwaardige beelden, Reels-first-strategie, combineren van hashtags\n
    • \n
  • YouTube: ontwerp van thumbnails, optimalisatie van kijktijd, titels en beschrijvingen rijk aan trefwoorden\n
    • \n
  • LinkedIn: lange professionele posts, native publiceren, netwerkbetrokkenheid\n
    • \n
  • X (Twitter): pakkende openingszinnen, threads, reageren op accounts met een groot bereik\n
    • \n
\n

→ Platformspecifieke optimalisatie vereist inzicht in het rankingsysteem, het gedrag van het publiek en de voorkeuren voor inhoudsformaten van elk platform. Wat werkt op TikTok, werkt zelden op LinkedIn.

\n

Betaalde plaatsingen en advertenties

\n

Praktijk waarbij wordt betaald voor zichtbaarheid — gesponsorde content die naast organische content wordt geplaatst, meestal via advertenties.

\n

Veelvoorkomende vormen:

\n
    \n
  • gesponsorde zoekresultaten (zoekmachineadvertenties)\n
    • \n
  • gesponsorde berichten en gepromote content (sociale media)\n
    • \n
  • display-advertenties (banners, video's)\n
    • \n
  • samenwerkingen met influencers (betaalde samenwerkingen)\n
    • \n
\n

→ Betaalde plaatsingen omzeilen organische rangschikkingssystemen: in plaats van content te optimaliseren om hoog te scoren, betaalt de bron het platform rechtstreeks voor de plaatsing.

\n

→ Ze zijn soms duidelijk gemarkeerd ("Gesponsord", "Advertentie"), soms slechts moeilijk te onderscheiden van organische resultaten. De normen voor het markeren variëren per rechtsgebied en platform.

\n

Informatiepromotie en gatekeeping aan de kant van het platform

\n
\n
\n\n

Wat gebruikers daadwerkelijk te zien krijgen, is zelden het resultaat van één enkel mechanisme. In een zoekmachine wordt een algoritmisch geordende lijst met organische resultaten gepresenteerd naast betaalde plaatsingen, door AI gegenereerde samenvattingen en soms redactionele hoogtepunten — en de onderliggende rangschikkingssignalen kunnen opzettelijk worden beïnvloed door middel van zoekmachineoptimalisatie. In een feed op sociale media verschijnen algoritmisch gerangschikte berichten naast gesponsorde inhoud, aanbevolen accounts en trending overlays. Elk onderdeel volgt zijn eigen logica en draagt bij aan een samengesteld zichtbaarheidsresultaat.

\n
\n
\n

Redactionele curatie

\n

Handmatige curatie door het platform: informatie-items die bewust door redactieteams of platformbeheerders worden uitgelicht in plaats van via algoritmische rangschikking naar voren te komen.

\n

Voorbeelden:

\n
    \n
  • uitgelichte fragmenten in zoekresultaten\n
    • \n
  • gecureerde trending-secties\n
    • \n
  • door redacteuren geselecteerde verhalen in nieuwsaggregators\n
    • \n
  • door het platform gepromote hashtags\n
    • \n
  • Keuze van de redactie in app-winkels\n
    • \n
  • uitgelichte makers of accounts\n
    • \n
\n

→ Redactionele hoogtepunten staan naast de algoritmische mechanismen en weerspiegelen het eigen oordeel van het platform over welke inhoud een prominente plaats verdient.

\n

→ In tegenstelling tot algoritmische gatekeeping (curatie en personalisatie) omvat redactionele gatekeeping menselijke redactionele keuzes door het platform zelf. Functioneel gezien is dit een vorm van redactionele gatekeeping — uitgevoerd door het platform in plaats van door traditionele uitgevers.

\n

Algoritmische gatekeeping

\n

Algoritmische gatekeeping verwijst naar de rol van algoritmen bij het bepalen welke informatie-items welke gebruikers bereiken — de digitale tegenhanger van redactionele gatekeeping (→ Informatie, bronnen en informatieomgevingen → Redactionele beoordeling). Het omvat zowel selectie (wat wordt getoond en hoog gerangschikt) als uitsluiting (wat wordt gefilterd, gedegradeerd of verborgen).

\n

Algoritmische gatekeeping komt voor op verschillende soorten platforms:

\n
    \n
  • in zoekmachines selecteren en rangschikken algoritmen resultaten op basis van zoekopdrachten\n
    • \n
  • in feeds op sociale media bepalen algoritmen welke berichten prominenter worden weergegeven\n
    • \n
  • op videoplatforms suggereren algoritmen wat je vervolgens kunt bekijken\n
    • \n
  • in op AI gebaseerde antwoordsystemen genereren, vatten algoritmen antwoorden samen of synthetiseren ze\n
    • \n
\n

Algoritmische gatekeeping werkt in twee modi die vaak samenwerken: algemene bewerkingen die op alle gebruikers worden toegepast (algoritmische curatie) en individuele aanpassing op basis van bijgehouden gebruikerssignalen (algoritmische personalisatie).

\n

Algoritmische curatie

\n

Algemene algoritmische bewerkingen die op alle gebruikers worden toegepast — deze bepalen welke informatie beschikbaar is op het platform, ongeacht wie de gebruiker is.

\n
    \n
  • Crawlen en indexeren\n— Welke informatie-items worden beschikbaar gesteld voor weergave?\n
      \n
    • zoekmachines die het web crawlen\n
      • \n
    • contentaggregators die nieuwsbronnen indexeren\n
      • \n
    • app-winkels die beschikbare apps catalogiseren\n
      • \n
    \n
    • \n
  • Filtering en moderatie\n— Welke items worden geblokkeerd of lager gerangschikt volgens de platformregels?\n
      \n
    • spamfilters\n
      • \n
    • verwijdering van inhoud die in strijd is met het beleid (haatzaaiende uitlatingen, illegale inhoud, expliciet materiaal)\n
      • \n
    • lagere rangschikking van materiaal van lage kwaliteit of misleidend materiaal\n
      • \n
    \n
    • \n
  • Kwaliteitsscores\n— Welke bronnen of items worden beoordeeld als geloofwaardiger of van hogere kwaliteit?\n
      \n
    • zoekmachines die sites van lage kwaliteit straffen\n
      • \n
    • nieuwsaggregators rangschikken op basis van de autoriteit van de bron\n
      • \n
    • door peer review beïnvloede rangschikking op academische zoekmachines\n
      • \n
    \n
    • \n
  • Trenddetectie\n— Welke items worden getoond als momenteel populair?\n
      \n
    • trending topics op sociale platforms\n
      • \n
    • toplijsten op streamingdiensten\n
      • \n
    • Secties 'Wat gebeurt er' en 'Krantenkoppen van vandaag'\n
      • \n
    • populaire hashtags\n
      • \n
    \n
    • \n
\n

→ Algoritmische curatie bepaalt de hoeveelheid informatie die beschikbaar is op het platform. Dit werkt grotendeels hetzelfde voor alle gebruikers.

\n

Algoritmische personalisatie

\n

Algoritmische bewerkingen die de selectie, volgorde en presentatie van informatie aanpassen aan individuele gebruikers op basis van hun bijgehouden signalen. Deze signalen stapelen zich in de loop van de tijd op tot gebruikersgeschiedenissen waar algoritmen gebruik van maken.

\n

→ Twee gebruikers op hetzelfde platform — zelfs met dezelfde zoekopdracht — zien doorgaans aanzienlijk verschillende inhoud.

\n
    \n
  • Gepersonaliseerde rangschikking\n— Welke items krijgen voor deze gebruiker een hogere positie?\n
      \n
    • gepersonaliseerde zoekresultaten (locatie, geschiedenis, rangschikking op basis van profielvorm)\n
      • \n
    • volgorde van feeds op sociale media ("Voor jou"-feeds, "Topberichten")\n
      • \n
    • op betrokkenheid gebaseerde rangschikking — optimalisatie voor voorspelde interactie, dominant op sociale media\n
      • \n
    \n
    • \n
  • Aanbevelingen\n— Welke items worden aan deze gebruiker voorgesteld naast wat hij actief heeft gevraagd?\n
      \n
    • "Aanbevolen voor jou"-videolijsten\n
      • \n
    • voorgestelde accounts, groepen of onderwerpen om te volgen\n
      • \n
    • "Mensen die je misschien kent"\n
      • \n
    • gerelateerde artikelen, vergelijkbare producten, "Wat volgt"\n
      • \n
    \n
    • \n
  • Gepersonaliseerde advertenties\n— Welke advertenties zijn gericht op deze gebruiker?\n
      \n
    • zoekadvertenties afgestemd op eerdere zoekopdrachten\n
      • \n
    • gesponsorde posts op sociale media op basis van profiel en gedrag\n
      • \n
    • retargeting-displayadvertenties op websites\n
      • \n
    • samenwerkingen met influencers afgestemd op de interesses van het publiek\n
      • \n
    \n
    • \n
\n

→ Twee gebruikers op hetzelfde platform — zelfs met dezelfde zoekopdracht — zien doorgaans aanzienlijk verschillende inhoud.

\n

→ Personalisatie creëert een feedbackloop: wat gebruikers doen, beïnvloedt wat ze vervolgens te zien krijgen, en wat ze vervolgens te zien krijgen, kan beïnvloeden wat ze doen.

\n

☑ Gebruikerssignalen die door het platform worden bijgehouden voor algoritmische personalisatie

\n

Acties die een gebruiker — actief of passief — uitvoert binnen een informatiekanaal en die door algoritmen kunnen worden bijgehouden en gebruikt om de selectie en zichtbaarheid van informatie-items te personaliseren.

\n

→ Gebruikersacties zijn niet beperkt tot bewuste interacties zoals klikken of liken. Veel acties zijn passief of automatisch, zoals hoe lang een gebruiker op een pagina blijft, hoe ver hij scrolt of waar hij zich bevindt. Gebruikers zijn zich er vaak niet van bewust dat deze acties van invloed zijn op wat ze vervolgens te zien krijgen.

\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
TypeWat het isVoorbeelden
Expliciete feedbackBewuste interacties die de gebruiker zelf kiest- zoekopdrachten /
zoektermen-
klikken- likes /
reacties- opmerkingen /
reacties- delen / reposten /
doorsturen- volgen /
abonneren- opslaan /
bladwijzers- beoordelingen /
recensies- aankopen / downloads
Impliciet gedragPassieve gedragssignalen die tijdens het gebruik worden vastgelegd- kijktijd / luistertijd /
verblijftijd- scrollgedrag (hoe ver, hoe snel)
-
hovergedrag- oversla-gedrag
Contextuele gegevensInformatie over de situatie waarin de gebruiker het platform bezoekt- locatiegegevens van de gebruiker tijdens het gebruik van de applicatie
- apparaattype (bijv. telefoon of laptop)
- tijdstip van toegang
Account- en sociale gegevensInformatie uit het profiel van de gebruiker en sociale connecties- profielinformatie (leeftijd, interesses, beroep, geslacht)
-
taalinstellingen - gekoppelde accounts
- contactenlijst / adresboek
\n
\n
\n\n
\n
\n
\n

Informatieversterking

\n

Versterking verwijst naar het systematisch vergroten van de zichtbaarheid van een item buiten het niveau van de individuele gebruiker — om brede zichtbaarheid te creëren over gebruikersaccounts heen, en soms zelfs over informatieomgevingen heen.

\n

Waar bron-gedreven promotie (hierboven) betrekking heeft op wat een enkele bron zelf doet om zichtbaarheid te verkrijgen, en platform-gerichte gatekeeping (hierboven) de algoritmische bewerkingen beschrijft waarmee platforms inhoud voor individuele gebruikers naar voren halen en rangschikken, verwijst versterking naar de resulterende versterkende effecten op grote schaal — die ofwel ontstaan als het geaggregeerde effect van die platformbewerkingen (→ algoritmische versterking) ofwel door gecoördineerde activiteiten van meerdere actoren (→ gecoördineerde versterking).

\n

Versterkingsmechanismen

\n

Versterking werkt via twee hoofdmechanismen.

\n
    \n
  • Algoritmische versterking is platformgedreven: het is het geaggregeerde effect van algoritmische gatekeeping — het cumulatieve resultaat van platformcuratie en personalisatie, waarbij wordt bepaald welke items welke gebruikers bereiken en hoe prominent.\n
    • \n
  • Gecoördineerde versterking is actorgestuurd: meerdere accounts, groepen of campagnes werken bewust samen om de zichtbaarheid van een item, hashtag of verhaal te vergroten tot boven het niveau dat individuele gebruikersactiviteit zou opleveren. De literatuur classificeert dit langs twee dimensies — de coördinatie (transparant of verborgen) en de accounts (echt of nep) — en maakt dienovereenkomstig onderscheid (Rogers & Righetti, 2025):\n
      \n
    • Gecoördineerde authentieke versterking: de coördinatie is transparant en de accounts zijn echt (bijv. open maatschappelijke campagnes, belangenbehartiging, marketing).\n
      • \n
    • Gecoördineerde niet-authentieke / kunstmatige versterking: de coördinatie is verborgen, de accounts zijn nep, of beide — waardoor de schijn van organische steun wordt gewekt (Meta's Coordinated Inauthentic Behaviour / CIB; Gleicher, 2018).\n
      • \n
    \n
    • \n
\n

De twee mechanismen worden vaak gecombineerd. Gecoördineerde netwerken maken gebruik van op betrokkenheid gebaseerde rangschikking om algoritmische boosts te activeren; algoritmische rangschikking versterkt op haar beurt de zichtbaarheid die coördinatie al heeft opgeleverd.

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

Algoritmische versterking

\n

Algoritmische versterking is het cumulatieve effect van de bovengenoemde gatekeeping-mechanismen (curatie en personalisatie): het systematisch bepalen welke items, onderwerpen, accounts en formats prominent aan gebruikers worden getoond — en welke worden gefilterd, gedegradeerd of naar beneden geduwd.

\n

Empirisch onderzoek toont aan dat op engagement gebaseerde rangschikking emotioneel geladen en vijandige inhoud tegen buitenstaanders systematisch versterkt, zelfs wanneer gebruikers zelf niet de voorkeur geven aan dergelijke inhoud (Milli et al., 2025). Het versterkt ook het bestaande bereik: accounts en items met een hoog eerdere engagement worden beloond met verdere zichtbaarheid, wat leidt tot sterk scheve bereikverdelingen (het 'rich-get-richer'-effect).

\n

Algoritmische interventies kunnen ook niet-lineaire effecten in de tegenovergestelde richting hebben. Een vermindering van ongeveer 20% in de zichtbaarheid van een item in de feed kan het bereik ervan met een orde van grootte verminderen (Narayanan, 2023).

\n

Algoritmische versterking is geen neutrale weerspiegeling van gebruikersactiviteit. De effecten ervan zijn emergent en vooral zichtbaar in het totaal: individuele aanbevelingen zijn onnauwkeurig (de betrokkenheidspercentages blijven op de meeste platforms onder de 1%), maar rangschikking, aanbeveling en degradatie bepalen systematisch wat er op het platform circuleert.

\n
\n
\n\n
    \n
  • Milli, S., et al. (2025). Betrokkenheid, gebruikerstevredenheid en de versterking van polariserende inhoud op sociale media. PNAS Nexus.\n
    • \n
  • Narayanan, A. (2023). Inzicht in aanbevelingsalgoritmen op sociale media. Knight First Amendment Institute.\n
    • \n
\n
\n
\n

Gecoördineerde authentieke versterking

\n

Gecoördineerde authentieke versterking is het opzettelijk versterken van een informatie-item, onderwerp, hashtag, account of verhaal door middel van openlijk bekendgemaakte, georganiseerde activiteiten door echte accounts. De gecoördineerde oorsprong wordt niet verborgen: deelnemers handelen onder hun echte identiteit of onder bekende groepsverbanden.

\n

Typische contexten zijn onder meer

\n
    \n
  • maatschappelijke campagnes (bijv. petities van ngo's, hashtags voor belangenbehartiging),\n
    • \n
  • politieke mobilisatie (bijv. partijcampagnes, inspanningen om kiezers naar de stembus te krijgen),\n
    • \n
  • marketing- en merkcampagnes,\n
    • \n
  • communicatie van beroepsverenigingen, en\n
    • \n
  • culturele bewegingen zoals Fridays for Future of #MeToo.\n
    • \n
\n
\n
\n\n

Of de onderliggende boodschap gegrond, evenwichtig of eenzijdig is, is een andere vraag — authenticiteit verwijst alleen naar de transparantie van de coördinatie, niet naar de waarheidswaarde of eerlijkheid van de inhoud. Een authentieke campagne kan accurate informatie, misleidende informatie of een eenzijdig standpunt versterken.

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

Authentieke en niet-authentieke coördinatie kunnen zichtbaarheidspatronen opleveren die er van buitenaf identiek uitzien — gesynchroniseerd delen, clustering van hashtags, snelle verspreiding. Het onderscheidende kenmerk is niet het zichtbare patroon, maar of de gecoördineerde oorsprong openlijk wordt bekendgemaakt.

\n
\n
\n

Gecoördineerde onechte / kunstmatige versterking

\n

Gecoördineerde onechte / kunstmatige versterking is het opzettelijk versterken van een informatie-item, onderwerp, hashtag, account of verhaal door middel van georganiseerde activiteiten waarbij de gecoördineerde oorsprong verborgen blijft, de deelnemende accounts nep zijn, of beide. Het doel is om de schijn van organische, onafhankelijke steun te wekken. De term 'gecoördineerd onecht gedrag' (CIB) van Meta — die nu is opgenomen in de EU-wet inzake digitale diensten — richt zich op deze combinatie van valse identiteiten en vijandige methoden om detectie te ontwijken (Gleicher, 2018; Rogers & Righetti, 2025).

\n

Typische contexten zijn onder meer politieke beïnvloedingsoperaties (door de staat gesponsord of partijgebonden), astroturfing-campagnes (commercieel of ideologisch), gerichte desinformatie rond verkiezingen, volksgezondheid of geopolitieke conflicten, en reputatiemanipulatie door middel van valse recensies, beoordelingen of betrokkenheid. De operationele middelen — bots, trollen, sockpuppets en hun gecoördineerde netwerken (botfarms, trollfarms, sockpuppetnetwerken, klikfarms) — worden hieronder in detail beschreven.

\n
\n
\n\n

Inauthenticiteit verwijst naar het verbergen van de gecoördineerde oorsprong of het gebruik van nepaccounts — niet naar de waarheidswaarde van de inhoud die wordt versterkt. Een gecoördineerd netwerk van nepaccounts kan accurate informatie versterken; een enkel authentiek individu kan verzonnen informatie verspreiden. Gecoördineerde inauthentieke versterking en de verspreiding van valse inhoud zijn verschillende fenomenen die onafhankelijk van elkaar of samen kunnen voorkomen.

\n
\n
\n

De volgende accounttypes die in deze paragraaf worden beschreven, zijn van toepassing op alle digitale informatiekanalen en -platforms waar gebruikers accounts kunnen aanmaken en openbaar kunnen posten of communiceren — met name sociale media, discussieforums en communityruimtes, video- en audioplatforms, en beoordelings- of commentaarsecties. Ze komen minder voor in apps voor privécommunicatie of in omgevingen zonder door gebruikers gegenereerde inhoud. Ze verschijnen zowel onafhankelijk als binnen gecoördineerde netwerken. Ze worden hier vermeld vanwege hun typische rol in de verspreidingsdynamiek; de expliciet gecoördineerde formaties zijn de accountnetwerken.

\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
TermDefinitieBeheerd doorGedefinieerd doorTypisch doel
Social botEen geautomatiseerd of gedeeltelijk geautomatiseerd account dat online berichten plaatst, likes geeft, volgt, deelt of reageert.SoftwareAutomatiseringOm berichten te versterken, kunstmatige populariteit te creëren, te spammen, debatten te beïnvloeden of inhoud op grote schaal te verspreiden.
CyborgEen hybride account dat menselijke bediening combineert met softwareautomatisering.Gemengd: mens en softwareSelectieve automatiseringOm de schaal van automatisering te combineren met de contextuele aannemelijkheid van menselijke input — voor legitieme planning/beheer of voor moeilijker te detecteren beïnvloedingsoperaties.
TrollEen persoon of account die opzettelijk online discussies uitlokt, verstoort of aanwakkert.Meestal een menselijke gebruiker; soms gecoördineerde groepenVerstorend / provocerend / vijandig gedragAnderen van streek maken, gesprekken doen ontsporen, reacties uitlokken, vijandigheid verspreiden of het debat polariseren.
SockpuppetEen nepaccount dat door iemand wordt gebruikt om zijn of haar echte identiteit te verbergen of zich voor te doen als een ander persoon.Een menselijke gebruiker, hoewel het account ook geautomatiseerd kan zijnMisleidende identiteitOm valse steun te creëren, anderen anoniem aan te vallen, verboden te omzeilen, het debat te manipuleren of de indruk te wekken van onafhankelijke instemming.
\n

Social bot

\n

Een sociale bot is een bot die is ontworpen om op sociale mediaplatforms te opereren en te posten, reageren, delen of interactie te hebben op manieren die menselijke gebruikers nabootsen. Sociale bots zijn doorgaans geprogrammeerd om op grote schaal en met hoge snelheid te handelen, ver buiten het bereik van wat een menselijke gebruiker zou kunnen. Hun activiteit is vaak repetitief en gecoördineerd over vele accounts, wat het onderscheidt van normaal menselijk gebruik.

\n

Sociale bots kunnen worden gebruikt voor legitieme doeleinden — zoals klantenservice, nieuwsverspreiding of marketing — maar ze worden ook op grote schaal gebruikt om de publieke opinie te beïnvloeden, bepaalde boodschappen te versterken, discussies te manipuleren of de schijn te wekken van brede steun voor specifieke ideeën, producten of doelen. In de context van misinformatie en desinformatie spelen sociale bots een bijzondere rol bij het snel verspreiden van inhoud en het wekken van de valse indruk dat veel onafhankelijke stemmen dezelfde mening delen.

\n

Wanneer sociale bots in gecoördineerde netwerken worden ingezet, vormen ze een botfarm.

\n
\n
\n\n

Bot

\n

Een bot is een computerprogramma dat automatisch taken uitvoert, vaak repetitieve. Bots variëren van eenvoudige, onschuldige hulpmiddelen — zoals webcrawlers die pagina's indexeren voor zoekmachines, geautomatiseerde testsystemen of chatbots die routinematige vragen van klanten beantwoorden — tot kwaadaardige programma's die zijn ontworpen om spam, malware of desinformatie te verspreiden.

\n
\n
\n

Cyborg

\n

Een cyborg is een hybride account dat deels door een mens wordt beheerd en deels door software wordt geautomatiseerd. Een cyborg kan routinematige berichten hebben die door software worden gepland of gegenereerd, terwijl een persoon geselecteerde interacties, reacties of gevoelige inhoud afhandelt. De balans tussen geautomatiseerde en menselijke activiteit varieert per account.

\n

Cyborgs kunnen worden gebruikt voor legitieme doeleinden — zoals het plannen van content, het beheer van merk- of institutionele accounts, of hybride klantenservice — maar ze worden ook ingezet in beïnvloedingsoperaties om de schaal en snelheid van automatisering te combineren met de contextuele geloofwaardigheid van menselijke input.

\n

Cyborgs zijn moeilijker te identificeren dan puur geautomatiseerde bots, omdat een deel van hun gedrag echt menselijk is, wat betekent dat afzonderlijke detectie-indicatoren zelden volstaan voor betrouwbare identificatie.

\n

Troll

\n

Een trol is een echt persoon die opzettelijk online discussies verstoort door provocerend, agressief of vijandig gedrag. Trollen gebruiken doorgaans persoonlijke accounts en richten zich op controversiële kwesties, publieke figuren (zoals politici of journalisten) of mediaorganisaties. Hun doel is anderen van streek te maken, reacties uit te lokken of conflicten te escaleren — soms ter ondersteuning van een bepaalde agenda, soms voor vermaak of aandacht.

\n

Hoewel trollen vaak onafhankelijk opereren, kunnen ze ook in gecoördineerde groepen werken, soms betaald door politieke of commerciële actoren (zie Troll Farm onder Mechanismen van Versterking).

\n

Trollen kan het best worden begrepen als een patroon van online gedrag, niet als een specifiek soort account. Hetzelfde gedrag kan worden vertoond door geautomatiseerde accounts, en gewone gebruikers kunnen zich af en toe bezighouden met trollen.

\n

Sockpuppet

\n

Een sockpuppet is een valse online identiteit die is aangemaakt en wordt beheerd door een echt persoon die zijn of haar ware identiteit verbergt. In tegenstelling tot trollen — die vaak opereren onder één openlijk vijandig account — beheert een sockpuppet-gebruiker doorgaans meerdere valse accounts tegelijk om de indruk te wekken dat verschillende onafhankelijke gebruikers dezelfde mening hebben, dezelfde zaak steunen of het eens zijn met het eigen (vaak aparte) hoofdaccount van de gebruiker.

\n

Sockpuppets worden vaak gebruikt om een kunstmatige consensus te creëren, de eigen argumenten onder verschillende namen te ondersteunen, tegenstanders aan te vallen terwijl men onpartijdig lijkt, verbanningen te omzeilen door na schorsing nieuwe identiteiten aan te maken, of online beoordelingen, stemmen en peilingen te manipuleren.

\n

Sockpuppets verschillen van sociale bots doordat ze handmatig door mensen worden bediend, waardoor hun inhoud contextueel aannemelijker is en moeilijker te detecteren via geautomatiseerde middelen. Ze verschillen van trollen doordat hun primaire doel misleiding over identiteit en het creëren van schijnbare consensus is, niet provocatie — hoewel sockpuppet-beheerders zich via hun valse identiteiten ook kunnen bezighouden met trollinggedrag.

\n

Wanneer een persoon of een kleine groep samen een gecoördineerde reeks sockpuppets bedient, vormen ze een sockpuppet-netwerk (zie Mechanismen van versterking).

\n

☑ Het onderscheid tussen sociale bots, trollen en sockpuppets

\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
DetectiedimensieSociale botsTrollenSockpuppets
Profielkenmerken- [ ] Het account lijkt nieuw
aangemaakt te zijn - [ ] Het profiel is onvolledig of generiek
- [ ] De gebruikersnaam kan onpersoonlijk lijken en bevat soms willekeurige cijfers		- [ ] Het account is doorgaans al langer actief en heeft een
postgeschiedenis- [ ] Het profiel is compleet en lijkt persoonlijk; het kan een sterke ideologische of politieke
zelfbeschrijving bevatten- [ ] De gebruikersnaam ziet er persoonlijk uit		- [ ] Het profiel ziet er geloofwaardig en persoonlijk uit, vaak met een profielfoto en biografische gegevens (soms gestolen, door AI gegenereerd of gekopieerd)
- [ ] De accountgeschiedenis kan gematigd zijn en zo zijn ontworpen dat deze er na verloop van tijd authentiek uitziet
Postgedrag- [ ] De activiteit komt niet overeen met normaal menselijk online gedrag
- [ ] De accounts plaatsen of herplaatsen zeer frequent inhoud
- [ ] De accounts plaatsen of herplaatsen inhoud op alle uren van de dag en nacht		- [ ] De activiteit lijkt op normaal menselijk online gedrag-
[ ] Het account plaatst berichten of reageert op onregelmatige
tijdstippen- [ ] Het account wordt actiever tijdens controversiële discussies		- [ ] Activiteitspatronen lijken op normaal menselijk gebruik-
[ ] Meerdere accounts die door dezelfde beheerder worden beheerd, kunnen vergelijkbare actieve uren of ritmes
vertonen- [ ] Sockpuppets starten doorgaans minder discussies en schrijven kortere berichten dan typische gebruikers
Interacties- [ ] Het account voert geen echte gesprekken
- [ ] De accounts liken, delen of reposten
meestal - [ ] Reacties zijn kort en geautomatiseerd		- [ ] Het account reageert rechtstreeks op andere gebruikers
- [ ] Het account gaat debatten aan met als doel reacties uit te
lokken - [ ] Gesprekken worden uitgerekt om conflicten te creëren of te escaleren		- [ ] Het account voert echte gesprekken, waarbij het vaak het hoofdaccount van de beheerder of andere
sockpuppets ondersteunt - [ ] Antwoorden zijn contextueel passend en lijken authentiek
- [ ] Paren van sockpuppets communiceren vaak op vergelijkbare tijdstippen in dezelfde discussie
Kenmerken van de inhoud- [ ] De inhoud is eenzijdig en
repetitief - [ ] Dezelfde verhalen worden vele malen gepost		- [ ] De inhoud is specifiek afgestemd op het schaden of provoceren van een doelwit
- [ ] De inhoud richt zich op individuen of sociale groepen		- [ ] De inhoud lijkt authentiek en gevarieerd over de verschillende accounts
heen - [ ] De onderliggende boodschap of houding komt verdacht overeen binnen het netwerk
- [ ] Frequent gebruik van persoonlijke voornaamwoorden zoals "ik"
Taal- [ ] Algemene uitdrukkingen, herhalende zinsconstructies met sleutelwoorden- [ ] Gevarieerde, emotionele, vaak grove of beledigende taal- [ ] Natuurlijke en gevarieerde taal
- [ ] Meerdere accounts kunnen taalkundige kenmerken delen (vergelijkbare zinsconstructies, woordkeuze, interpunctie of foutpatronen)
Netwerk- en technische indicatoren- [ ] Sociale bots volgen andere sociale bots, maar de relatie is doorgaans eenrichtingsverkeer en niet
wederzijds- [ ] Gecoördineerd gedrag is waarneembaar bij meerdere botaccounts		- [ ] Trollen volgen menselijke accounts
- [ ] Verbindingen zijn vaak wederzijds (ze volgen hun volgers en vice versa)
- [ ] Trollen handelen doorgaans onafhankelijk van elkaar		- [ ] Meerdere accounts die op een wederzijds ondersteunende manier
met elkaar communiceren- [ ] Verbindingen kunnen kunstmatig wederzijds zijn tussen sockpuppets in hetzelfde netwerk, of opzettelijk ontbreken om detectie te
vermijden- [ ] Hetzelfde IP-adres, apparaatvingerafdruk of inlogpatroon \\\\*(detectie aan de platformzijde)\\\\*-
[ ] Meer geclusterde ego-netwerken dan bij gewone gebruikers-
[ ] Gecorreleerde timing van activiteiten tussen accounts
\n
\n
\n\n
    \n
  • \nFerrara, E. (2023). Detectie van sociale bots in het tijdperk van ChatGPT: uitdagingen en kansen. First Monday, 28\n(6). https://doi.org/10.5210/fm.v28i6.13185\n
    • \n
  • \nKumar, S., Cheng, J., Leskovec, J., & Subrahmanian, V. S. (2017). An army of me: Sockpuppets in online discussion communities. Proceedings of the 26th International Conference on World Wide Web (WWW '17)\n, 857–866. https://doi.org/10.1145/3038912.3052677\n
    • \n
  • \nOrabi, M., Mouheb, D., Al Aghbari, Z., & Kamel, I. (2020). Detectie van bots op sociale media: een systematisch overzicht. Information Processing & Management, 57\n(4), 102250. https://doi.org/10.1016/j.ipm.2020.102250\n
    • \n
  • \nSolorio, T., Hasan, R., & Mizan, M. (2013). Een casestudy over de detectie van sockpuppets op Wikipedia. Proceedings of the Workshop on Language Analysis in Social Media (LASM) at NAACL-HLT\n, 59–68. Association for Computational Linguistics.https://aclanthology.org/W13-1107/\n
    • \n
  • \nTomaiuolo, M., Lombardo, G., Mordonini, M., Cagnoni, S., & Poggi, A. (2020). Een overzicht van troll-detectie. Future Internet, 12\n(2), https://doi.org/10.3390/fi12020031\n
    • \n
  • \nTsikerdekis, M., & Zeadally, S. (2014). Detectie van identiteitsfraude met meerdere accounts op sociale media aan de hand van non-verbaal gedrag. 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). De taal en doelwitten van online trollen: een psycholinguïstische benadering voor sociale cyberveiligheid. Information Processing & Management, 59\n(5), 103012. https://doi.org/10.1016/j.ipm.2022.103012\n
    • \n
\n
\n
\n

Accountnetwerken

\n

Botfarm

\n

Een botfarm is een netwerk van bots die tegelijkertijd op meerdere apparaten of servers actief zijn en door één operator of organisatie voor een bepaald doel worden ingezet.

\n

Botfarms hebben een reeks legitieme toepassingen, waaronder webindexering, geautomatiseerd testen van software, gegevensaggregatie en monitoring van websiteprestaties. Ze worden echter ook vaak gebruikt voor kwaadaardige activiteiten, zoals het creëren van valse betrokkenheid, het genereren van grote hoeveelheden content, het verspreiden van spam of het uitvoeren van cyberbeveiligingsaanvallen. Wanneer botfarms worden gebruikt om het online discours te manipuleren, kunnen ze de valse indruk wekken dat er brede steun, tegenstand of interesse is voor een onderwerp, account of campagne.

\n

Trollenfabriek

\n

Een troll farm is een georganiseerde groep van gecoördineerde, vaak betaalde werknemers die opzettelijk provocerende, misleidende of valse inhoud online plaatsen — meestal via nepaccounts. Hun doel is meestal het manipuleren van de publieke opinie, het verspreiden van desinformatie of het creëren van sociale en politieke onrust. Er zijn troll farms gedocumenteerd in verband met door de staat gesponsorde beïnvloedingsoperaties en met commerciële reputatiemanipulatie.

\n

Sockpuppet-netwerk

\n

Een sockpuppet-netwerk is een gecoördineerde reeks sockpuppet-accounts die door één persoon of een kleine groep worden beheerd, en die worden gebruikt om onafhankelijke stemmen te simuleren die een gedeeld verhaal, een campagne, een account of een doel ondersteunen. Sockpuppet-netwerken worden vaak gebruikt bij politieke astroturfing, manipulatie van beoordelingen en ratings, en gecoördineerde desinformatiecampagnes. In tegenstelling tot botfarms zijn sockpuppet-netwerken afhankelijk van handmatige bediening door mensen, waardoor de inhoud van individuele accounts authentieker lijkt en moeilijker te detecteren is met geautomatiseerde middelen. Hun coördinatie wordt meestal pas detecteerbaar wanneer meerdere accounts aan elkaar kunnen worden gekoppeld via gedragspatronen, gedeelde technische signalen of wederzijdse interactie.

\n

Klikboerderij

\n

Een click farm is een operatie waarbij grote aantallen laagbetaalde werknemers, geautomatiseerde bots of beide worden ingezet om op advertenties te klikken, socialemedia-accounts te volgen, berichten te liken, recensies achter te laten of apps te downloaden. Het doel is om online betrokkenheid of verkeer kunstmatig te stimuleren, waardoor inhoud, accounts of producten populairder lijken dan ze in werkelijkheid zijn.

\n

Fenomenen

\n

☑ Viraliteit versus trending

\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
FunctieViraliteitTrending
Wat wordt verspreidEen enkel stukje informatie: een specifieke video, post, afbeelding of ander stukje contentEen onderwerp, hashtag, geluid, formaat of discussiecluster: niet één specifiek item, maar veel berichten die naar hetzelfde verwijzen of hetzelfde gebruiken
Belangrijkste drijfverenGebruikers delen, reposten of sturen het informatie-item door naar anderen, die het op hun beurt weer doorgeven; deze cascade-verspreiding kan verder worden versterkt door aanbevelingsalgoritmenVeel gebruikers posten over, vermelden of gebruiken hetzelfde onderwerp, dezelfde hashtag of hetzelfde formaat binnen een korte tijd; het platform detecteert deze concentratie van activiteit en zet deze in de schijnwerpers in een speciale "Trending"-sectie (zoals een lijst met trending topics, een overzicht van trending hashtags of een pagina met trending geluiden)
TijdspatroonVaak kort en explosief; kan later terugkerenTijdgebonden; blijft bestaan zolang de activiteit hoog blijft of het platform het blijft onder de aandacht brengen
Hoe het kan worden gemanipuleerdGecoördineerd delen, versterking door bots, kunstmatige betrokkenheid gericht op het specifieke informatie-itemGecoördineerde plaatsingscampagnes, verzonnen nep-trends via botnetwerken, beslissingen van het platform om te promoten, te filteren of te onderdrukken
\n

Zowel viraliteit als trending kunnen organisch ontstaan of kunstmatig worden versterkt door gecoördineerde campagnes, botactiviteit of beslissingen van het platform. Beide kunnen ook een voordeel opleveren voor emotioneel prikkende, moreel geladen of polariserende inhoud, vooral in politieke of conflictgerichte contexten.

\n

Viraliteit

\n

Het patroon waarbij een specifiek informatie-item zich snel verspreidt door delen, aanbevelen en hercirculatie via netwerken, analoog aan de manier waarop een virus zich verspreidt. Viraliteit wordt gevormd door inhoudskenmerken, sociale netwerkstructuren, platformmogelijkheden, timing en algoritmische versterking.

\n

Inhoud die sterk opwindende emoties, morele reacties of vijandigheid tegenover buitenstaanders oproept, wordt vaak vaker gedeeld, vooral in politieke of conflictgerichte contexten. Viraliteit wordt echter niet alleen bepaald door de omvang van de oorspronkelijke bron: ook kleinere accounts of mediakanalen kunnen zeer virale items produceren.

\n

Viraliteit kan op natuurlijke wijze ontstaan, maar kan ook kunstmatig worden versterkt door gecoördineerd delen, manipulatie van het platform of botactiviteit.

\n

Trending

\n

Een door het platform toegekende status die aangeeft dat een onderwerp, hashtag, geluid, formaat of discussiecluster binnen een korte periode ongewoon veel activiteit heeft ontvangen.

\n

Trending wordt algoritmisch geïdentificeerd en naar voren gebracht via platformfuncties zoals X / Twitter Trending Topics, trending hashtags, trending geluiden, trending challenges of andere platformspecifieke trendfuncties. Trending is afhankelijk van platformspecifieke signalen zoals het aantal berichten, de groeisnelheid, betrokkenheid, locatie, personalisatie en moderatiefilters.

\n

Onderwerpen die veel betrokkenheid genereren — waaronder controversiële, emotioneel geladen of moreel beladen onderwerpen — hebben wellicht meer kans om trending te worden, maar dit hangt af van het rangschikkingssysteem en de moderatieregels van het platform.

\n

Trends kunnen op organische wijze ontstaan uit vele onafhankelijke bijdragen, maar kunnen ook worden beïnvloed door gecoördineerde campagnes, botactiviteit of beslissingen van het platform over wat er moet worden gepromoot, gefilterd, gemodereerd of onderdrukt.

\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).\nDe virale wending: een heroverweging van viraliteit in de creator-economie op TikTok. Continuum\n, 1–26. https://doi.org/10.1080/10304312.2026.2625794\n
    • \n
  • Maarouf, A., Pröllochs, N., & Feuerriegel, S. (2024).\nDe viraliteit van haatzaaiende uitlatingen op sociale media. Proceedings of the ACM on Human-Computer Interaction\n, 8 (CSCW1), 1–22. https://doi.org/10.1145/3641025\n
    • \n
  • Rathje, S., Van Bavel, J. J., & van der Linden, S. (2021).\nVijandigheid tegenover buitenstaanders stimuleert betrokkenheid op sociale media. Proceedings of the National Academy of Sciences\n, 118(26), e2024292118. https://doi.org/10.1073/pnas.2024292118\n
    • \n
  • Rathje, S., & Van Bavel, J. J. (2025).\nThe psychology of 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). Diffusion of Innovations (5e ed.). New York: Free Press.\n
    • \n
  • Sangiorgio, E., Cinelli, M., Cerqueti, R., & Quattrociocchi, W. (2024).\nVolgers bepalen niet de viraliteit van nieuwsmedia op sociale media. PNAS Nexus\n, 3(7), pgae257. https://doi.org/10.1093/pnasnexus/pgae257\n
    • \n
  • Schlessinger, J., Garimella, K., Jakesch, M., & Eckles, D. (2023).\nEffecten van algoritmische trendpromotie: bewijs uit gecoördineerde campagnes in de trending topics van Twitter. Proceedings of the International AAAI Conference on Web and Social Media (ICWSM)\n, 17(1), 777–786. https://doi.org/10.1609/icwsm.v17i1.22187\n
    • \n
  • Schöne, J. P., Parkinson, B., & Goldenberg, A. (2021).\nNegativiteit verspreidt zich meer dan positiviteit op Twitter na zowel positieve als negatieve politieke situaties. Affective Science\n, 2(4), 379–390. https://doi.org/10.1007/s42761-021-00057-7\n
    • \n
\n
\n
\n

Spill-over-effecten & epistemische witwaspraktijken

\n

Het proces waarbij informatie die binnen één informatieomgeving zichtbaarheid krijgt — hetzij door kunstmatige versterking, trending of redactionele selectie — wordt opgepikt en verder verspreid in andere informatieomgevingen of informatie-toegangssystemen, waardoor een publiek buiten de oorspronkelijke omgeving wordt bereikt.

\n

Spill-over kan plaatsvinden via journalistieke berichtgeving, het delen tussen platforms, redactionele curatie of door gebruikers aangestuurde herdistributie.

\n

→ Een onderzoeksbevinding die op een wetenschappelijk forum wordt gedeeld, kan op sociale media worden besproken en door een AI-assistent worden samengevat.
→ Een onderwerp dat kunstmatig wordt versterkt door bots op een socialemediaplatform, kan door journalisten worden opgepikt.

\n

→ Spill-overeffecten kunnen het bereik van zowel betrouwbare als onbetrouwbare informatie vergroten en ervoor zorgen dat informatie breder geaccepteerd lijkt dan oorspronkelijk het geval was.

\n

Epistemische witwassing

\n

Spill-over behoudt niet altijd de schijnbare status van informatie. Wanneer het ontvangende kanaal sterkere signalen van autoriteit of betrouwbaarheid uitstraalt dan het oorspronkelijke kanaal — academische vorm, peer review, formele publicatie — kan de informatie zelf als betrouwbaarder worden ervaren, simpelweg doordat ze is verplaatst. Dit effect staat bekend als epistemische witwassing: informatie wint aan waargenomen betrouwbaarheid door haar passage door verschillende kanalen, zonder dat er daadwerkelijk iets verandert aan de onderliggende beweringen of het bewijs. Het maakt gebruik van de neiging van ontvangers om de betrouwbaarheid van het kanaal waarin ze informatie tegenkomen toe te schrijven aan de informatie zelf.

\n

→ Een bewering die afkomstig is uit een anonieme blogpost kan worden geciteerd in een preprint, gereproduceerd in een door AI gegenereerd antwoord en ten slotte geciteerd in een peer-reviewed artikel — waarbij het bij elke stap aan academische schijn en ogenschijnlijke autoriteit wint, terwijl de onderliggende bewering ongewijzigd of ongeverifieerd blijft.

\n
\n
\n\n

Een team van de Universiteit van Göteborg, onder leiding van een medisch onderzoeker, bedacht een nep-huidaandoening genaamd Bixonimania om te testen of AI-systemen medische desinformatie zouden overnemen en herhalen. Ze presenteerden het als een vermeende aandoening die verband hield met blootstelling aan blauw licht van schermen, met symptomen zoals pijnlijke, jeukende ogen en een roze tint op de oogleden. Vervolgens creëerden ze opzettelijk nep-preprints die er academisch uitzagen, doorspekt met duidelijke waarschuwingssignalen — een fictieve auteur met een door AI gegenereerde foto, een niet-bestaande universiteit en verwijzingen naar Starfleet Academy en de USS Enterprise. Nature meldde dat de preprints inmiddels zijn verwijderd van Preprints.org. Binnen enkele weken begonnen grote AI-chatbots Bixonimania te reproduceren als een echte medische aandoening, waarbij ze gebruikers in sommige gevallen uitleg of gezondheidsgerelateerd advies gaven. Tegelijkertijd werd het nepmateriaal geciteerd in ten minste één gepubliceerd artikel, dat inmiddels is ingetrokken, in het Springer Nature-tijdschrift Cureus. Spill-over: logberichten → nep-preprint → webcrawlers → antwoorden van AI-chatbots → academische citatie

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

Stokel-Walker, C. (2026). Wetenschappers hebben een nepziekte uitgevonden. AI vertelde mensen dat deze echt was. Nature, 652(8110), 559-561. https://doi.org/10.1038/d41586-026-01100-y

\n
\n
\n

Informatievernauwing

\n

Terwijl informatieversterking (zie hierboven) beschrijft hoe de zichtbaarheid over gebruikersaccounts wordt verbreed, beschrijft informatievernauwing het omgekeerde: hoe het scala aan perspectieven dat een individuele gebruiker of sociale groep bereikt, wordt beperkt. Twee verschillende mechanismen zorgen voor deze vernauwing: de filterbubbel (algoritmische personalisatie) en de echokamer (zelfselectie door de gebruiker). Deze twee worden in het publieke debat vaak door elkaar gehaald, maar werken verschillend.

\n

Filterbubbel

\n

Een filterbubbel is een geïsoleerde informatieomgeving die wordt gecreëerd door algoritmische personalisatie, waarin een gebruiker in toenemende mate wordt blootgesteld aan inhoud die aansluit bij zijn of haar afgeleide voorkeuren en gedrag uit het verleden, terwijl afwijkende inhoud wordt weggefilterd — doorgaans zonder dat de gebruiker zich daarvan bewust is. De term is bedacht door Eli Pariser (2011) om te beschrijven hoe personalisatie-algoritmen op Google, Facebook en soortgelijke platforms systematische asymmetrieën in de blootstelling kunnen veroorzaken op basis van gebruikerssignalen zoals klikgeschiedenis, locatie en profielgegevens.

\n

Het kenmerkende aan een filterbubbel is de onbedoeldheid van de kant van de gebruiker: de beperking wordt veroorzaakt door de optimalisatie van het platform, niet door de bewuste keuze van bronnen door de gebruiker.

\n
\n
\n\n

Empirisch onderzoek heeft de oorspronkelijke stelling van Pariser aanzienlijk genuanceerd. Studies hebben aangetoond dat algoritmische personalisatie weliswaar beïnvloedt wat gebruikers te zien krijgen, maar dat de meeste gebruikers nog steeds ideologisch diverse inhoud tegenkomen — deels omdat hun eigen sociale netwerken uiteenlopende standpunten omvatten, en deels omdat algoritmen niet zo volledig isoleren als het gangbare discours suggereert (Bakshy et al., 2015; Flaxman et al., 2016; Bruns, 2019). Het filterbubbel-effect is reëel, maar doorgaans zwakker dan algemeen wordt aangenomen; selectieve blootstelling vóór het internet (bijvoorbeeld het kiezen van kranten of tv-zenders) was in veel gevallen sterker.

\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). Filterbubbels, echokamers en online nieuwsconsumptie. 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

Echokamer

\n

Een echokamer is een sociale informatieomgeving waarin een gebruiker voornamelijk wordt blootgesteld aan meningen, beweringen of ideologieën die zijn bestaande overtuigingen versterken, terwijl afwijkende standpunten ontbreken, worden afgewezen of actief in diskrediet worden gebracht. Cass Sunstein (2017) beschrijft de politieke gevolgen: wanneer groepen zich afschermen van perspectieven van buitenaf, worden interne overtuigingen in de loop van de tijd sterker en extremer (groeps polarisatie).

\n

In tegenstelling tot de filterbubbel, die voortkomt uit algoritmische personalisatie, is een echokamer voornamelijk het resultaat van zelfselectie door de gebruiker: keuzes over wie te volgen, bij welke gemeenschappen aan te sluiten, welke bronnen te vertrouwen en welke stemmen te negeren. Deze keuzes worden deels gedreven door bevestigingsvertekening — de cognitieve neiging om informatie op te zoeken en te vertrouwen die aansluit bij bestaande overtuigingen. Het versterkende effect komt voort uit de sociale structuur zelf, niet uit onzichtbare algoritmische filtering.

\n

C. Thi Nguyen (2020) maakt een conceptueel onderscheid dat van belang is voor interventie:

\n
    \n
  • Een epistemische bubbel is een sociale structuur waarin andere relevante stemmen simpelweg afwezig zijn. De bewoners ervan horen geen tegengestelde perspectieven, maar wijzen deze ook niet actief af.\n
    • \n
  • Een echokamer in strikte zin is een sociale structuur waarin andere relevante stemmen actief in diskrediet worden gebracht. Leden horen misschien tegengestelde standpunten, maar leren hun bronnen te wantrouwen.\n
    • \n
\n

Een epistemische bubbel kan worden doorbroken door nieuwe informatie te introduceren; een echokamer verzet zich tegen correctie, zelfs wanneer extern bewijs wordt aangedragen, omdat de bronnen van dat bewijs al zijn gedelegitimeerd.

\n
\n
\n\n

Empirisch onderzoek suggereert dat sterke, ideologisch geïsoleerde echokamers minder vaak voorkomen dan het populaire discours doet vermoeden (Cinelli et al., 2021; Guess et al., 2018), maar waar ze bestaan, kunnen ze zeer resistent zijn tegen correctie. Louter overeenstemming binnen een groep is op zich geen echokamer — het kenmerkende aspect is de actieve uitsluiting of diskreditering van perspectieven van buitenaf.

\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). Het vermijden van de echokamer over echokamers: waarom selectieve blootstelling aan gelijkgestemd politiek nieuws minder voorkomt dan je denkt. Witboek van de Knight Foundation.\n
    • \n
\n
\n
","UPDATEDAT":"2026-05-17T18:10:25.150Z","LANG":"nl","ID":"ab29e11c-2108-42ab-9bd3-f3f70f7012f9","TITLE":"Informatieverspreiding en zichtbaarheid","SOURCELANG":"en"}