Gebruikmaken van netwerken van contentproducenten en gebruikersperceptie om online discursieve gemeenschappen te detecteren

Waarom online gesprekken in kampen uiteenvallen

Wie tijdens een verkiezing door sociale media scrolt, voelt hoe snel gesprekken in tegengestelde kampen splijten. Slechts een klein deel van de accounts start die gesprekken; de meesten van ons liken, delen of retweeten vooral. Dit artikel onderzoekt hoe die weinige zichtbare stemmen het algemene debat vormen en toont een manier om politieke "echokamers" in kaart te brengen door eerst naar de leiders te kijken en vervolgens naar hun publieksgroepen.

Weinige sprekers, veel luisteraars

Op platforms als Twitter/X is deelname zeer ongelijk verdeeld. Een relatief kleine groep gebruikers — politici, partijen, mediamerken en andere publieke figuren — produceert het merendeel van de berichten die het politieke gesprek aansturen. De meerderheid van de accounts consumeert en herverdeelt deze inhoud, bijvoorbeeld door te retweeten. De auteurs betogen dat deze leiders, omdat ze vaak spreken en hun publieke reputatie met zich meedragen, doorgaans duidelijkere, stabielere posities innemen dan gewone gebruikers. Als we de leiders betrouwbaar kunnen groeperen, kunnen we vervolgens afleiden waar het bredere publiek staat door te kijken wie zij versterken.

Twee manieren om te zien wie samen staat

De studie introduceert een kader dat alle gebruikers in twee sets opsplitst: contentproducenten (leiders) en alle anderen (het publiek). Vervolgens bouwen ze een netwerk van relaties tussen de leiders en passen standaard community-detectie-algoritmen toe op dat kleinere, schonere netwerk. De cruciale keuze is hoe de links tussen leiders worden gedefinieerd. In één versie, MonoDC genoemd, zijn leiders verbonden wanneer ze elkaar vaak retweeten, wat directe steun en signalering binnen politieke kringen vastlegt. In de andere versie, BiDC, worden leiders gekoppeld wanneer ze door vergelijkbare publieken worden geretweet, zodat twee politici met overlappende volgers in hetzelfde kamp eindigen, zelfs als ze nooit rechtstreeks met elkaar communiceren.

Het filteren van ruis uit sociale data

Ruwe socialemediadata zijn extreem ruisig: sommige mensen tweeten constant, anderen zelden; sommige berichten gaan per toeval viraal. Om willekeurige activiteit niet voor echte structuur aan te zien, gebruiken de auteurs instrumenten uit de informatietheorie om hun netwerken te filteren. Ze vergelijken de waargenomen interacties met wat te verwachten zou zijn in een gerandomiseerde wereld waarin elke gebruiker hetzelfde algemene activiteitsniveau behoudt maar verbindingen anders worden geschud. Alleen banden die veel sterker zijn dan die door deze "gerandomiseerde wereld" voorspelbare verwachting, worden behouden. Deze filtering is licht voor de directe-retweetversie (MonoDC) maar cruciaal voor de gedeelde-publieksversie (BiDC), waar eenvoudige populariteit anders misleidende overeenkomsten kan creëren.

Publieke figuren als ankers van online kampen

De onderzoekers testen hun benadering op drie grote Italiaanse politieke debatten op Twitter/X in 2022: de presidentsverkiezing, een regeringscrisis en de algemene verkiezingen. Belangrijk is dat alle data afkomstig zijn van vóór de invoering van betaalde verificatie op het platform, toen het blauwe vinkje vooral publieke erkenning aangaf en niet een abonnement. De auteurs beschouwen geverifieerde accounts als leiders en classificeren er handmatig enkele honderden op partij en electorale coalitie. Ze vinden dat, zelfs vóór enige filtering, retweet-links tussen deze geverifieerde politici al in duidelijke politieke blokken vallen. Wanneer ze hun leider-gebaseerde, statistisch gefilterde methoden toepassen, wordt de overeenkomst met echte partijen en coalities veel sterker dan bij standaardalgoritmen die op het volledige, ongefilterde retweet-netwerk worden losgelaten.

Wat goed werkt — en wat minder

MonoDC, dat vertrouwt op directe retweets tussen leiders, is bijzonder goed in het herkennen van individuele partijen: politici versterken vooral hun eigen kant. BiDC, dat leiders groepeert op basis van gedeelde publieken, weerspiegelt beter bredere electorale coalities die meerdere partijen onder één paraplu brengen. De auteurs proberen ook alternatieve manieren om leiders te kiezen, zoals accounts met veel volgers of een hoge "retweet-index". Deze op activiteit gebaseerde selecties presteren slechter. Ze nemen geneigd accounts op zoals journalisten en commentators waarvan het publiek ideologische lijnen overspant, waardoor de grenzen tussen kampen vervagen. Daarentegen bieden voor-2022 geverifieerde politieke figuren, wiens offline rollen hen aan specifieke partijen binden, een stabieler fundament voor het in kaart brengen van online discours.

Waarom dit belangrijk is voor het begrijpen van digitaal debat

Voor een niet-specialist is de hoofdboodschap dat politiek gesprek online geen vlakke marktplaats van ideeën is. In plaats daarvan is het gestructureerd rond een relatief kleine set herkenbare actoren, en onthult de rest van ons onze voorkeuren door wiens boodschappen we kiezen door te geven. Door eerst die leiders te identificeren, zorgvuldig hun verbindingen te filteren en pas daarna gewone gebruikers aan gemeenschappen toe te wijzen, kunnen de auteurs veel van de onderliggende politieke kaart herstellen uit beperkte data. Hun benadering, hoewel ontwikkeld voor het Italiaanse Twitter/X, kan in principe op veel platforms worden toegepast waar een paar zichtbare accounts bepalen wat velen te zien krijgen, en biedt een praktische manier om echokamers te bestuderen, ook wanneer platforms datatoegang beperken of hun verificatieregels veranderen.

Bronvermelding: 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

Trefwoorden: polarisatie op sociale media, politieke gemeenschappen, Twitter-discours, netwerkanalyse, online echokamers