Het volgen van zich ontwikkelende gemeenschappen in nepnieuwscascades met temporele grafen

Waarom online geruchten zich in hechte groepen verspreiden

Wanneer valse verhalen over sociale media razen, reizen ze zelden alleen. In plaats daarvan worden ze gepusht, gedeeld en herhaald door clusters gebruikers die min of meer synchroon handelen. Deze studie stelt een eenvoudige maar dringende vraag: kunnen we volgen hoe deze online groepen zich vormen en in de loop van de tijd veranderen, en die kennis gebruiken om de verspreiding van nepnieuws te vertragen — zonder zelfs maar naar de inhoud van de berichten te kijken?

De paden van misleidende verhalen volgen

De onderzoekers richten zich op “informatiecascades” op platforms zoals Twitter — ketens van retweets en replies die zich ontvouwen nadat een verhaal verschijnt. In plaats van gebruikers als geïsoleerde individuen te behandelen, kijken ze hoe mensen zich clusteren in gemeenschappen naarmate een gerucht zich verspreidt. Die gemeenschappen kunnen toegewijde promotors van het valse verhaal zijn, sceptische kommentatoren, of gewone toeschouwers die meegesleept worden. De uitdaging is dat online menigten constant veranderen: mensen komen en gaan, gesprekken splijten en smelten samen, en de structuur van het netwerk verschuift van uur tot uur.

Een stapsgewijze methode om gemeenschappen te volgen

Om dit aan te pakken introduceren de auteurs TIDE-MARK, een meerfasig kader dat is ontworpen om zich ontwikkelende gebruikersgemeenschappen door de tijd te volgen. Eerst bouwen ze elke cascade opnieuw op uit ruwe tweet-ID’s en zetten die om in een reeks uursnapshots waarbij knopen gebruikers zijn en links retweets of replies vertegenwoordigen. Ze verrijken elke gebruiker met eenvoudige profielinformatie en een numerieke samenvatting van de gedeelde tweets. Vervolgens leert een tijdsbewust neuraal netwerk hoe iemands connecties en gedrag veranderen tussen snapshots, en produceert het een compact “vingerafdruk”-achtig profiel voor elke gebruiker in elk uur.

Van vage menigten naar stabiele groepen

Aan de hand van deze vingerafdrukken groepeert TIDE-MARK vergelijkbare gebruikers in voorlopige gemeenschappen. Daarna modelleert het hoe gemeenschappen veranderen van het ene snapshot naar het volgende, waarbij wordt geschat hoe waarschijnlijk het is dat leden van een groep bij elkaar blijven, splitsen of een andere groep vervoegen. Ten slotte reinigt een reinforcement-learningmodule de wazige grenzen tussen groepen. Die test herhaaldelijk kleine veranderingen — individuele gebruikers verplaatsen van de ene gemeenschap naar de andere — en behoudt de wijzigingen die groepen intern sterker verbinden en tegelijkertijd consistent blijven met eerdere tijdstappen. Het resultaat is een helderder, stabieler beeld van wie met wie coördineert terwijl de cascade zich ontvouwt.

Hoe gemeenschappen rond nep- en echt nieuws eruitzien

Het team past TIDE-MARK toe op drie grote nepnieuwsdatasets over politiek, roddels over beroemdheden en COVID-19-gezondheidsinformatie. In alle datasets vinden ze hetzelfde patroon: valse verhalen stromen doorgaans door hechtere, hardnekkigere gemeenschappen dan echte verhalen. Deze nepnieuwsgroepen zijn intern dichter verbonden, hebben scherpere grenzen met de rest van het netwerk en behouden min of meer hetzelfde ledenbestand door de tijd heen. Echt nieuws verspreidt zich daarentegen via lossere, meer verspreide groepen die zich herconfigureren naarmate discussies verschuiven. Opmerkelijk is dat de structurele kenmerken die TIDE-MARK extraheert — hoe cohesief en stabiel gemeenschappen zijn — sterk genoeg zijn om eenvoudige classifiers te helpen nep- van echte cascades te onderscheiden, zelfs zonder naar de tekst te kijken.

Manieren testen om schadelijke cascades te verstoren

Aangezien TIDE-MARK een gemeenschapsniveauzicht biedt, kan het ook worden gebruikt om interventies te simuleren. De onderzoekers testen wat er gebeurt als je vroeg in een nepnieuwscascade slechts een paar sterk verbonden gebruikers uit de meest hardnekkige gemeenschap verwijdert — een geïdealiseerde afspiegeling van het schorsen van accounts of het beperken van hun bereik. In simulaties verzwakt deze gerichte verwijdering de structuur van de cascade sterk en krimpt het grootste verbonden cluster, wat suggereert dat structuurbewuste, inhoudsneutrale strategieën de verspreiding van desinformatie zinvol zouden kunnen afremmen.

Wat dit betekent voor de strijd tegen desinformatie

In gewone bewoordingen laat dit werk zien dat nepnieuws vaak reist via duurzame “fanclubs” van gecoördineerde gebruikers, terwijl echt nieuws zich door meer vloeibare menigten beweegt. TIDE-MARK biedt een manier om deze groepen in realtime te zien en te volgen, zonder de inhoud zelf te lezen of te beoordelen. Dat maakt het een veelbelovend hulpmiddel voor platforms, onderzoekers en beleidsmakers die risicovolle patronen van coördinatie willen identificeren en zorgvuldige, gerichte interventies willen ontwerpen — mogelijk om schadelijke cascades te ontmantelen voordat ze volledig losbarsten.

Bronvermelding: Ma, Y., Qu, D. & Wang, Y. Tracking evolving communities in fake news cascades using temporal graphs. Sci Rep 16, 4952 (2026). https://doi.org/10.1038/s41598-026-35175-4

Trefwoorden: nepnieuws, sociale netwerken, detectie van gemeenschappen, verspreiding van desinformatie, moderatie van sociale media