LinkedIn vestigde mijn aandacht op een nieuwe simulatiestudie met LLM‑agenten die laat zien dat sociale netwerken, zelfs zónder slimme aanbevelers, vanzelf drie patronen ontwikkelen: echokamers, scheve aandacht (enkele ‘grote vissen’) en extra podium voor uitgesproken/extreme stemmen. De verklaring is een positieve feedbacklus: posten → doorplaatsen → volgen → nóg meer zichtbaarheid. Precies het mechanisme dat we kennen uit de meet‑ en regeltechniek: hoge lusversterking met weinig demping geeft overshoot/instabiliteit. Gevolg: wat je in de feed ziet is niet per se representatief of betrouwbaar— en dus geen neutrale maat voor ‘de werkelijkheid’. Wat betekent dat voor de informatie die we van die netwerken menen te krijgen en hoe gaan we daar vanuit de Moderne Informatie-architectuur (MIA) mee om?
De studie
In de onderliggende simulatie bouwen de auteurs een uiterst eenvoudig sociaal netwerk waarin virtuele gebruikers alleen kunnen posten, doorplaatsen en elkaar volgen. In die setting proberen ze een paar herkenbare ontwerpkeuzes uit (zoals een chronologische tijdlijn of het iets meer gewicht geven aan verbindende berichten) en kijken ze wat dat doet met zichtbaarheid en netwerkvorming. Zelfs zonder geavanceerde regels voor de samenstelling van de tijdlijn ontstaan spontaan echokamers, scheve verdelingen van aandacht en een (lichte) voorkeur voor uitgesproken stemmen (het prisma effect).
Aanpassingen in de regeles voor de tijdlijn helpen, maar leveren zichtbare neveneffecten op: eerlijker verdelen kan extremen zichtbaarder maken; meer ‘bruggen’ (verbindende berichten) kan aandacht juist concentreren bij een beperkt aantal bijdragen.
De les is dat de basislus — posten → doorplaatsen → volgen — het gedrag drijft. Een kleine groep krijgt onevenredig veel aandacht en uitgesproken stemmen bouwen extra bereik op.
Consequentie voor de informatie
MIA beschouwt informatie als gegevens + context + toepassingsregels, vastgelegd als informatieobjecten. In een netwerk met feedbacklussen is zichtbaarheid geen maat voor betrouwbaarheid. Daarom vraagt MIA om rijke metadata (bron/rol, netwerkcontext en amplificatiepad, tijdvenster, representativiteit, bewijsstatus) en expliciete informatieposities/controlepunten (inname → besluit → publicatie). Voor de netwerken vragen we daarnaast om verificatie met meerdere, onafhankelijke bronnen. Zo blijft sociale content herleidbaar, reproduceerbaar en verantwoord herbruikbaar.
In sociale netwerken wordt de context vervormd door de feedbacklus:
Zichtbaarheid ≠ representativiteit. Wat boven komt drijven is versterkt door engagement, niet per se door kwaliteit of breed draagvlak.
Emotionele prikkels winnen. Engagement als ‘sensor’ bevoordeelt conflict/sensatie; rustige onderbouwing krijgt minder bereik.
Prisma‑effect. Uitspraken aan de randen van het spectrum kleuren het beeld van ‘het debat’. De stille middengroep raakt onderbelicht.
Context is bubbel‑afhankelijk. Betekenis verschuift per netwerkpositie, dezelfde post ‘betekent’ iets anders in bubbel A dan in bubbel B.
Tijdsdynamiek telt. Piekjes door cascades (reposts/retweets/forwards) lijken op maatschappelijk belang, maar zijn vaak momentopnames.
Sociale netwerken zijn geen neutrale informatiebron.
Wil je een objectief, eerlijk beeld, verifieer dan met meerdere, onafhankelijke bronnen en corrigeer voor het feedback‑effect.
Praktische implicaties voor organisaties (MIA‑conform)
Gebruik sociale data vooral als signaal en koppel conclusies altijd aan meerdere, onafhankelijke bronnen. Laat “veel gedeeld” in je eigen analyses níet automatisch uitmonden in blijvende zichtbaarheid of extra aanbevelingen; laat bereik afnemen in de tijd, hanteer redelijke plafonds op groei en kies je dataselectie bewust divers. Stuur daarbij niet alleen op engagement, maar ook op spreiding van aandacht, kruisverbindingen en verifieerbaarheid. Leg per informatieobject rijkere metadata vast (bron/rol, verkrijgingswijze, netwerkcontext en verspreidingsroute, tijdvenster, representativiteit, bewijsstatus), zodat hergebruik reproduceerbaar en verantwoord blijft.
Vanuit MIA bezien zijn sociale netwerken (externe) operationele bronnen. We veranderen die bron niet; we regelen onze eigen keten die daarop volgt. Denk aan een regeltechnische loop in je eigen verwerking: beperk de versterking (in jouw analyse leidt “gedeeld” niet vanzelf tot structurele zichtbaarheid), voeg demping toe (tijdsverval, plafonds, bewuste diversiteit. Plaats controlepunten (informatieposities) op ten minste drie momenten: bij inname (validatie + metadata), vóór besluitvorming (met onafhankelijke bron(en)) en bij publicatie/hergebruik (transparantie over representativiteit en beperkingen). Daarmee neem je een persistentie waardig beslissing: alleen wat aantoonbaar betekenisvol en herleidbaar is, gaat van operationeel naar persistent. Zo houd je de bron als een signaal, en maak je van geselecteerde stukken informatie die bestuurbaar en verantwoord is-, zonder de illusie te wekken dat je het sociale netwerk zelf “corrigeert”.
Sociale netwerkgebruikers
Zie je feed als een signaal van wat wordt versterkt, niet automatisch als een representatief overzicht van ‘de werkelijkheid’. Kijk af en toe bewust buiten je eigen kring door enkele betrouwbare, afwijkende bronnen te volgen. Check bij opvallende claims de herkomst en datum en zoek onafhankelijke bevestiging voordat je deelt. Merk je dat iets sterke emotie triggert, pauzeer dan even: wat blijft er van het verhaal over na een dag of twee? Zo benut je sociale netwerken prima, zonder je te laten sturen door de feedback loop.
Tot slot
Deze studie onderbouwt dat de onevenwichtigheid structureel is: ze volgt uit de feedbackloop zelf. Wie met sociale data wil werken – van beleidsmaker tot marketeer – moet platforms niet zien als ‘neutrale dataverzamelingen’, maar als regellussen die je moet wegen, dempen en van context voorzien. Dat is ook de inzet van Moderne Informatie‑architectuur (MIA): informatieobjecten met betekenis, context en duidelijke toepassingsregels.