Een nieuw onderzoek toont aan dat algoritmische manipulatie van feeds van sociale media de politieke polarisatie meetbaar kan verminderen, zelfs zonder platformsamenwerking. Onderzoekers van de Universiteit van Washington en Northeastern University hebben een browserextensie ontwikkeld die gebruik maakt van grote taalmodellen (LLM’s) om berichten in de feeds van gebruikers op subtiele wijze te herschikken, extreme inhoud naar beneden te duwen en, in sommige gevallen, deze ter vergelijking enigszins te versterken. De resultaten, gepubliceerd in Science, laten een duidelijke impact zien op de houding van gebruikers ten opzichte van tegengestelde politieke groeperingen.
Het experiment en zijn bevindingen
Bij de kern van het onderzoek waren ruim 1.200 deelnemers betrokken die X (voorheen Twitter) met aangepaste feeds gebruikten in de aanloop naar de Amerikaanse verkiezingen van 2024. Eén groep zag dat polariserende inhoud minder benadrukt werd, waardoor de zichtbaarheid ervan afnam; een ander zag het versterkt. De belangrijkste bevinding: degenen die werden blootgesteld aan niet-benadrukte berichten die verdeeldheid zaaiden, rapporteerden warmere gevoelens jegens tegengestelde politieke groeperingen. Deze verschuiving werd gemeten met behulp van een ‘gevoelsthermometer’-schaal, waarbij deelnemers hun sentiment beoordeelden. De verandering bedroeg gemiddeld twee tot drie graden, een significant effect gezien het feit dat het historische politieke sentiment in de VS in de loop van drie jaar met ongeveer drie graden verandert.
Omgekeerd rapporteerden deelnemers die een versterkte polariserende inhoud zagen, koudere gevoelens jegens tegengestelde groepen, wat de invloed van het algoritme verder aantoont. De interventie beïnvloedde ook de emotionele reacties: er werd minder verdriet en woede gerapporteerd door degenen met minder nadruk op inhoud.
Platformbediening omzeilen
Dit onderzoek is baanbrekend omdat het de traditionele barrière voor het bestuderen van algoritmische invloed omzeilt: platformtoegang. In plaats van te vertrouwen op de medewerking van socialemediabedrijven – die zelden volledige transparantie bieden – creëerden de onderzoekers een tool die onafhankelijk werkt in de browsers van gebruikers. Zoals Martin Saveski, een co-auteur van de Universiteit van Washington, uitlegt: “Alleen de platforms hebben de macht gehad om deze algoritmen vorm te geven en te begrijpen. Deze tool geeft die macht aan onafhankelijke onderzoekers.”
Deze methode omzeilt de goedkeuring van platforms, waardoor testen in de echte wereld mogelijk zijn zonder afhankelijk te zijn van de bereidheid van technologiegiganten om gegevens te delen of controle uit te oefenen.
Implicaties en toekomstig onderzoek
De langetermijneffecten van dergelijke interventies blijven onduidelijk. Victoria Oldemburgo de Mello, een psycholoog aan de Universiteit van Toronto, merkt op dat de waargenomen effecten in de loop van de tijd kunnen verdwijnen of toenemen, wat een cruciaal gebied voor toekomstig onderzoek benadrukt. De onderzoekers hebben hun code openbaar gemaakt om verder onderzoek en replicatie aan te moedigen.
Het raamwerk heeft ook potentieel dat verder gaat dan politieke polarisatie. Het team is van plan interventies te onderzoeken die verband houden met welzijn en geestelijke gezondheid, waarbij LLM’s worden ingezet om feeds van sociale media te analyseren en aan te passen voor bredere voordelen. Hoewel de huidige tool voornamelijk op browsergebaseerde platforms werkt, onderzoeken de onderzoekers manieren om deze aan te passen voor gebruik met mobiele applicaties, wat technische uitdagingen met zich meebrengt maar een belangrijk doel blijft.
Het succes van het onderzoek toont aan dat algoritmische manipulatie van socialemediafeeds een meetbare impact kan hebben op de houding van gebruikers, zelfs zonder platformsamenwerking. Deze bevinding daagt het verhaal uit dat polarisatie uitsluitend wordt aangestuurd door gebruikersgedrag en onderstreept de verantwoordelijkheid van algoritmisch ontwerp bij het vormgeven van het publieke discours.
