Nutzung von Netzwerken von Inhaltsproduzenten und Nutzerwahrnehmung zur Erkennung online-diskursiver Gemeinschaften

Warum sich Online‑Gespräche in Lager aufteilen

Wer in Wahlzeiten durch soziale Medien scrollt, hat gespürt, wie schnell sich Gespräche in gegensätzliche Lager spalten. Doch nur ein winziger Teil der Konten initiiert diese Debatten; die meisten von uns liken, teilen oder retweeten hauptsächlich. Dieser Artikel fragt, wie diese wenigen sichtbaren Stimmen die Gesamtdiskussion formen, und zeigt eine Methode, politische „Echokammern“ zu kartieren, indem man zunächst die Meinungsführer betrachtet und erst dann ihr Publikum.

Wenige Sprecher, viele Zuhörer

Auf Plattformen wie Twitter/X ist die Teilnahme sehr ungleich verteilt. Eine vergleichsweise kleine Gruppe von Nutzern – Politiker, Parteien, Medienmarken und andere öffentliche Persönlichkeiten – erstellt den Großteil der Beiträge, die politische Diskussionen antreiben. Die Mehrheit der Konten konsumiert und verbreitet diese Inhalte vor allem, zum Beispiel durch Retweets. Die Autor*innen argumentieren, dass diese Meinungsführer, weil sie häufig sprechen und ihre öffentliche Reputation mittragen, in der Regel klarere, stabilere Positionen einnehmen als normale Nutzer. Wenn man die Führenden zuverlässig gruppieren kann, lässt sich durch Beobachtung dessen, wen die breite Masse verstärkt, ableiten, wo die allgemeine Öffentlichkeit steht.

Zwei Wege zu erkennen, wer zusammensteht

Die Studie stellt ein Rahmenkonzept vor, das alle Nutzer in zwei Mengen teilt: Inhaltsproduzenten (Führende) und alle anderen (das Publikum). Anschließend wird ein Netzwerk von Beziehungen zwischen den Führenden aufgebaut und auf diesem kleineren, saubereren Netzwerk werden Standard‑Community‑Erkennungsalgorithmen ausgeführt. Die zentrale Entscheidung ist, wie die Verbindungen zwischen Führenden definiert werden. In einer Version, MonoDC genannt, sind Führende verbunden, wenn sie einander häufig retweeten; das erfasst direkte Unterstützung und Signalisierung innerhalb politischer Kreise. In der anderen Version, BiDC genannt, werden Führende verknüpft, wenn sie von ähnlichen Audienzen retweetet werden, sodass zwei Politiker mit überlappenden Anhängerschaften im selben Lager landen, selbst wenn sie nie direkt miteinander interagieren.

Filterung des Rauschens in Social‑Media‑Daten

Rohdaten aus sozialen Medien sind extrem laut: Manche twittern ständig, andere selten; manche Beiträge gehen zufällig viral. Um zufällige Aktivität nicht mit echter Struktur zu verwechseln, nutzen die Autor*innen Werkzeuge aus der Informationstheorie, um ihre Netzwerke zu filtern. Sie vergleichen die beobachteten Interaktionen mit dem, was in einer randomisierten Welt zu erwarten wäre, in der jeder Nutzer sein allgemeines Aktivitätsniveau behält, die Verbindungen sonst aber zufällig verteilt sind. Nur jene Bindungen, die deutlich stärker sind, als es diese „zufällige Welt“ vorhersagt, bleiben erhalten. Diese Filterung ist für die direkte‑Retweet‑Version (MonoDC) eher leicht, für die gemeinsame‑Publikums‑Version (BiDC) jedoch entscheidend, weil dort einfache Popularität sonst irreführende Ähnlichkeiten erzeugen könnte.

Öffentliche Figuren als Anker online‑lager

Die Forschenden testen ihren Ansatz an drei großen italienischen politischen Debatten auf Twitter/X im Jahr 2022: der Präsidentschaftswahl, einer Regierungskrise und der Parlamentswahl. Wichtig ist, dass alle Daten aus der Zeit vor der Einführung bezahlter Verifizierung stammen, als das blaue Häkchen meist öffentliche Anerkennung und nicht ein Abonnement signalisierte. Die Autor*innen behandeln verifizierte Konten als Führende und klassifizieren einige hundert davon manuell nach Partei und Wahlkoalition. Sie stellen fest, dass bereits vor jeder Filterung die Retweet‑Verbindungen zwischen diesen verifizierten Politiker*innen in deutliche politische Blöcke fallen. Wenn sie ihre führerzentrierten, statistisch gefilterten Methoden anwenden, wird die Übereinstimmung mit realen Parteien und Koalitionen deutlich stärker als bei Standardalgorithmen, die auf dem vollständigen, ungefilterten Retweet‑Netzwerk laufen.

Was gut funktioniert – und was weniger

MonoDC, das auf direkten Retweets zwischen Führenden beruht, ist besonders gut darin, einzelne Parteien zu erkennen: Politiker*innen unterstützen überwiegend die eigene Seite. BiDC, das Führende nach gemeinsamen Audienzen gruppiert, spiegelt besser breitere Wahlkoalitionen wider, die mehrere Parteien unter demselben Dach vereinen. Die Autor*innen prüfen auch alternative Möglichkeiten, Führende auszuwählen, etwa Konten mit vielen Followern oder einem hohen „Retweet‑Index“. Diese aktivitätsbasierten Auswahlen schneiden schlechter ab. Sie neigen dazu, Journalist*innen und Kommentator*innen einzubeziehen, deren Publikum ideologische Grenzen überschreitet und so die Lagergrenzen verwischt. Im Gegensatz dazu liefern politische Persönlichkeiten mit Verifizierung vor 2022, deren Offline‑Rollen sie an bestimmte Parteien binden, ein stabileres Rückgrat zur Kartierung des Online‑Diskurses.

Warum das für das Verständnis digitaler Debatten wichtig ist

Für eine allgemeine Leserschaft lautet die Kernbotschaft: Politische Unterhaltung online ist kein flacher Marktplatz der Ideen. Vielmehr ist sie um eine relativ kleine Menge erkennbarer Akteure strukturiert, und der Rest von uns verrät seine Neigung dadurch, wessen Botschaften wir weiterverbreiten. Indem man zunächst diese Führenden identifiziert, ihre Verbindungen sorgfältig filtert und erst dann gewöhnliche Nutzer*innen Gemeinschaften zuweist, können die Autor*innen einen Großteil der zugrunde liegenden politischen Karte aus begrenzten Daten rekonstruieren. Ihr Ansatz, zwar an italienischem Twitter/X entwickelt, lässt sich prinzipiell auf viele Plattformen anwenden, auf denen wenige sichtbare Konten das formen, was viele sehen — und bietet eine praktikable Methode, Echokammern zu untersuchen, selbst wenn Plattformen den Datenzugang einschränken oder ihre Verifizierungsregeln ändern.

Zitation: Guarino, S., Mounim, A., Caldarelli, G. et al. Leveraging content producer networks and user perception to detect online discursive communities. Sci Rep 16, 11911 (2026). https://doi.org/10.1038/s41598-026-39477-5

Schlüsselwörter: Polarisierung in sozialen Medien, politische Gemeinschaften, Diskurs auf Twitter, Netzwerkanalyse, Online-Echokammern