TeraGram: A Structured Longitudinal Dataset of the Telegram Messenger
Dit artikel introduceert TeraGram, een massaal longitudinaal dataset met meer dan 5,9 miljard publieke Telegram-berichten van 2015 tot 2025, dat fungeert als een uniek, algoritme-vrij hulpmiddel voor het bestuderen van betrokkenheidspatronen, netwerkevolutie en gemeenschapsvorming in diverse talen en gemeenschappen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je het internet voor als een gigantische, lawaaierige stad. De meeste grote pleinen in deze stad (zoals Facebook of Twitter/X) worden beheerd door onzichtbare, superintelligente portiers. Deze portiers beslissen welke toespraken je hoort, welke advertenties je ziet en welke gesprekken worden versterkt, allemaal op basis van geheime regels die zijn ontworpen om je aan je scherm te kluisteren.
TeraGram is een enorme nieuwe kaart van een ander soort stadsplein: Telegram.
Hier is de eenvoudige uitleg waar dit paper over gaat, met behulp van alledaagse analogieën:
1. De "Geen-Portier"-Stad
In tegenstelling tot andere sociale mediaplatforms is Telegram als een stadsplein waar er geen portiers zijn die beslissen wat je ziet. Als iemand een bericht plaatst, verschijnt het in een eenvoudige, chronologische lijn (zoals een real-time nieuwsband). Er zijn geen verborgen algoritmen die specifieke inhoud naar boven duwen.
De onderzoekers bouwden TeraGram om deze unieke omgeving te bestuderen. Ze wilden zien hoe mensen praten, delen en gemeenschappen vormen wanneer niemand het gesprek in het geheim manipuleert.
2. Een Tijdskist van 5,9 Miljard Berichten
Het team nam niet zomaar een momentopname; ze bouwden een tijdmachine.
- De Grootte: Ze verzamelden 5,9 miljard berichten. Als je ze zou uitprinten, zouden ze een bibliotheek vullen ter grootte van een klein land.
- De Tijd: De data reikt terug tot 2015 en loopt tot 2025. Het is een tien jaar durend dagboek van publieke gesprekken.
- De Omvang: Ze keken niet naar slechts één onderwerp. Ze verzamelden data van 712.000 verschillende kanalen en groepen.
3. Hoe Ze Het Verzamelden: De "Sneeuwbal"-Methode
Omdat Telegram onderzoekers geen directe downloadknop voor alles biedt, gebruikte het team een slimme truc genaamd "Sneeuwbal Crawling".
- De Analogie: Stel je voor dat je een bos wilt in kaart brengen. Je begint met één grote boom (een populair kanaal). Je kijkt naar de takken (berichten) en ziet waar ze naar andere bomen (kanalen) verwijzen. Je volgt die links, vindt nieuwe bomen en volgt hun takken.
- Het Resultaat: Net als een rollende sneeuwbal die groter wordt naarmate hij de heuvel afrolt, groeide hun datacollectie exponentieel, waardoor ze uiteindelijk de meest invloedrijke "hubs" van het Telegram-netwerk vastlegden.
4. Wat Zit Er In De Doos?
De dataset is als een gigantisch, georganiseerd magazijn. Het is niet zomaar een stapel tekst; het is gestructureerd zodat computers het gemakkelijk kunnen lezen. Binnenin vind je:
- De Berichten: De daadwerkelijke woorden die mensen schreven (hoewel de volledige tekst voor privacy redenen op slot zit, kunnen onderzoekers om inzage vragen).
- De Reacties: Hoeveel mensen een bericht "liken" of erop reageren.
- De Enquêtes: Miljoenen vragen en antwoorden waar mensen over hebben gestemd.
- De Verbindingen: Wie een bericht naar wie heeft doorgestuurd, waardoor een kaart ontstaat van hoe informatie zich verplaatst.
- De Talen: Hoewel Engels aanwezig is, wordt de kaart gedomineerd door Russisch (56%) en Perzisch (15%), wat weerspiegelt waar Telegram het populairst is als dagelijks hulpmiddel. Engels is kleiner (6%) maar nog steeds enorm in absolute aantallen.
5. Wat Vonden Ze? (De "Vibe Check")
De onderzoekers maakten een snelle rondleiding door de data om te zien wat de "sfeer" van deze verschillende taalgroepen was:
- Russisch & Perzisch: Deze groepen spraken over een mix van alles: politiek, maar ook boeken, mode, kunst, muziek en het dagelijks leven. Het voelde als een divers, mainstream stadsplein.
- Engels: Deze groep was anders. Hoewel ze ook over sport en nieuws spraken, hadden ze een veel hogere concentratie aan complottheorieën en extremistische onderwerpen (zoals "klimaatverandering als hoax" of "antisemitische verhalen").
- De "Vertrouwen"-Test: Toen ze de websites controleerden die mensen deelden in Engelse chats, vonden ze dat 60% van de links naar onbetrouwbare of nepnieuwsbronnen leidde. Vergelijk dat met Twitter, waar betrouwbare bronnen veel gebruikelijker zijn. Het is alsof het Engelse Telegram-plein vol staat met mensen die geruchten schreeuwen vanuit ongeverifieerde pamfletten, terwijl de Russische/Perzische pleinen meer lijken op standaard krantenkiosken.
6. Waarom Dit Belangrijk Is
Deze dataset is een wetenschappelijk hulpmiddel. Het stelt onderzoekers in staat menselijk gedrag te bestuderen zonder de "ruis" van geheime algoritmen.
- Privacy Eerst: Om mensen te beschermen, hebben de onderzoekers telefoonnummers verwijderd en namen verborgen. Ze hielden alleen publieke data over.
- Open Voor Wetenschap: Ze maakten de data beschikbaar (in een formaat genaamd Parquet) zodat andere wetenschappers het kunnen gebruiken om te bestuderen hoe gemeenschappen zich vormen, hoe geruchten zich verspreiden en hoe mensen zich gedragen wanneer ze niet worden gestuurd door een algoritme.
Kortom: TeraGram is een enorme, tien jaar durende, georganiseerde registratie van een sociaal mediaplatform dat draait op "tijd" in plaats van "algoritmen". Het geeft wetenschappers een zeldzame, schone blik op hoe mensen echt met elkaar praten wanneer niemand probeert hen iets te verkopen of hun feed te manipuleren.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.