Hoe werken aanbevelingsalgoritmen in verkiezingstijd?
Aanbevelingsalgoritmen hebben steeds meer invloed op het bereik van berichten op socialemediaplatformen. Nu grote platformen zoals Meta en Google vaker besluiten om politieke advertenties niet toe te staan, wordt virale content belangrijker voor politici om potentiële stemmers te bereiken. Doordat aanbevelingsalgoritmen een grote rol spelen in de verspreiding van online content, kunnen politici potentieel ook mensen bereiken die zich buiten hun eigen netwerk bevinden. Maar hoe wordt bepaald welke accounts veel bereik krijgen? En welke onderwerpen gaan viraal? Met de verkiezingen in aantocht is het belangrijk om te begrijpen welke keuzes van platformen er schuilgaan achter de werking van hun aanbevelingsalgoritmen.
Dit artikel hoort bij ons lopende onderzoek Scrollend naar de stembus - hoe socialemediaplatformen verkiezingen beïnvloeden. We kijken hierin hoe aanbevelingsalgoritmen, die bepalen welke berichten wij te zien krijgen, kunnen bijdragen aan beïnvloeding tijdens verkiezingen.
Wat zijn aanbevelingsalgoritmen?
Op elke tijdlijn is maar beperkt plek. Platformontwerpers moeten daarom kiezen welke berichten ze in je tijdlijn laten zien. En ze maken keuzes over hoe die inhoud wordt gerangschikt. Het Rathenau Instituut laat in het onderzoek Inclusief online (2025) zien hoe de visie, het verdienmodel en de eigenaarsstructuur van online platformen van grote invloed zijn op ontwerpkeuzes achter aanbevelingsalgoritmen en de manier waarop de gebruikersomgeving ontworpen is. De keuze voor het advertentie-verdienmodel werkt bijvoorbeeld dataverzameling en gepersonaliseerde algoritmen in de hand. Keuzes over welke berichten op jouw tijdlijn verschijnen, zijn dus geen neutrale of puur technische ontwerpkeuzes.
Hoe bepalen platformen wat ik zie op sociale media?
Socialemediaplatformen kunnen berichten op verschillende manieren rangschikken. In de beginjaren gebeurde dit vooral via het netwerkmodel: je zag berichten van accounts die je zelf volgde, in chronologische volgorde, eventueel afgewisseld met advertenties. Dit bood overzicht en beperkte de zichtbaarheid tot je eigen netwerk. Inmiddels combineren de meeste platforms dit met een aanbevelingsmodel, waarbij ook berichten van onbekende accounts worden getoond. Deze aanbevelingen zijn gebaseerd op factoren als inhoud, je scrollgedrag en interacties van je netwerk. Bekende voorbeelden zijn de Voor jou-pagina’s van TikTok, Instagram en X, of Discover op Snapchat. TikTok is zelfs groot geworden dankzij dit model, waarbij vrijwel alle zichtbaarheid via algoritmen tot stand komt. Daarmee verschuift de macht over je als gebruikers ziet, steeds meer van jou zelf naar de ontwerpers van algoritmen . Niet alle online omgevingen werken op deze manier: op bijvoorbeeld sociaal netwerk Mastodon zie je nog steeds alleen berichten van mensen die je zelf volgt, of die gedeeld zijn door mensen in jouw netwerk.
Waarom zijn aanbevelingsalgoritmen zo invloedrijk?
De overgang van het netwerkmodel naar het algoritmisch model (of een combinatie van die twee) (zie: Hoe bepalen platformen wat ik zie op social media?) is belangrijk, omdat het grote invloed heeft op welke type berichten het meest bereik krijgen. Onderzoek uit 2025 naar het aanbevelingsalgoritme van X wijst erop dat de inhoud van de berichten die meer bereik krijgen, vaker politiek gekleurd, emotioneel en vijandig is. Daarnaast beperkt het algoritmisch model de invloed van gebruikers op wat er op hun tijdlijn verschijnt: er wordt meer voor hen gekozen dan dat ze zelf kiezen. Het is dus de moeite waard om nader te bekijken hoe aanbevelingen tot stand komen. Waarom wordt bij verspreiding door aanbevelingsalgoritmen het ene bericht verkozen boven het andere?
Hoe houden aanbevelingsalgoritmes mijn aandacht vast?
De ontwerpkeuzes die ontwerpers maken variëren per platform, maar ze hebben over het algemeen wel hetzelfde doel: de score staat voor een voorspelling van hoe waarschijnlijk het is dat gebruikers aandacht (engagement) geven aan een bericht als deze hun tijdlijn verschijnt. Platformen proberen te voorspellen of je op een bericht gaat klikken, het zal liken, doorsturen of erop reageren. Op platformen met aanbevelingsalgoritmen krijgt elk bericht een score die bepaalt of en waar het in je tijdlijn verschijnt. Eerst wordt een verzameling potentiële berichten geselecteerd, daarna rangschikt een algoritme deze op basis van de kans dat jij ermee in interactie gaat – bijvoorbeeld klikken, liken, reageren of een video uitkijken. De score hangt af van ontwerpkeuzes van het platform, waarbij steeds het vergroten van aandacht en engagement centraal staat. Daarbij tellen ook contextfactoren mee, zoals je locatie, tijdstip en hoe lang je de app al gebruikt. Zo proberen platforms te voorspellen wat jou het langst vasthoudt.
Waarop is het aanbevelingsalgoritme gebaseerd?
Platformen verschillen in welke signalen ze belangrijk vinden bij het rangschikken van berichten. Facebook gaf in 2018 aan dat ‘betekenisvolle sociale interacties’ zwaarder wegen dan likes, waarbij lange reacties meer tellen dan korte. Twitter keek in 2016 vooral naar likes, retweets en reacties. YouTube benadrukte rond die tijd juist kijktijd, terwijl TikTok volgens gelekte documenten vooral let op een mix van likes, reacties en of gebruikers een video helemaal uitkijken. Duidelijk is dat platforms hun modellen voortdurend aanpassen. Zo maakte YouTube in 2012 kijktijd belangrijker dan het aantal klikken, om ‘clickbait’ tegen te gaan: aantrekkelijke plaatjes (thumbnails”) die gebruikers lokten, maar waar de inhoud tegenviel. Door dit soort aanpassingen proberen platforms te sturen op de betrokkenheid die voor hen waardevol is.
Krijgen sommige accounts meer bereik dan andere?
Ontwerpkeuzes over aanbevelingsalgoritmen gaan dus over hoeveel gewicht bepaalde berichten krijgen ten opzichte van andere berichten. De keuze om berichten anders te wegen kan ook voor individuele accounts worden gemaakt. Accounts met veel volgers krijgen dan een streepje voor op accounts met minder volgers. Elon Musk zou in 2023 deze ‘gewichten’ persoonlijk hebben laten aanpassen voor zijn eigen berichten. Uit interne memo’s bleek dat hij dit deed nadat een bericht van Joe Biden meer interactie kreeg dan een bericht van hemzelf. Hij liet naar verluidt zijn medewerkers het algoritme zo aanpassen dat zijn berichten 1000 keer meer te zien waren dan die van andere gebruikers.
Hoeveel invloed heb je op wat je op online platformen te zien krijgt?
Sociale mediaplatformen geven verschillende opties om invloed uit te oefenen op wat je te zien krijgt. Afhankelijk van hoeveel gewicht platformen dit geven in hun aanbevelingsalgoritme, kun je zelf accounts volgen of ontvolgen. Vaak kun je ook specifieke berichten verbergen. De mate van inspraak varieert wel per platform. Op Instagram wordt bijvoorbeeld actief feedback gevraagd in een popup in het scherm. Gebruikers kunnen hier aangeven wat ze van een bericht vinden. Wat de daadwerkelijke invloed is van deze mechanismen op de weging van het aanbevelingsalgoritme, is onbekend.
Uit onderzoek blijkt dat Nederlandse jongeren tussen de 16 en 26 jaar oud hun invloed op algoritmische selectie inschatten als gering. Veel jongeren geven aan dat ze niet de moeite nemen om actief te proberen het aanbevelingsalgoritme naar hun voorkeuren te bewegen. Hoe aanbevelingsalgoritmen tot een selectie komen, wordt daardoor de facto grotendeels bepaald door de ontwerpers van de algoritmen.
Meer weten?
Nieuwsgierig naar de antwoorden op andere veelgestelde vragen rond aanbevelingsalgoritmes en beïnvloeding? Alle vragen zijn te vinden in Scrollend naar de stembus:
