💬 NLP

Angry but Accurate: Detecting and Profiling the Counter-Misinformation Ecosystem on Twitter

Door meer dan 264.000 COVID-19-tweets te analyseren, onthult deze studie dat gebruikers die zich actief verzetten tegen misinformatie vaker gevestigde accounts zijn die hogere niveaus van negatieve emoties zoals woede en afkeer uiten, wat de aanname uitdaagt dat negativiteit een primaire handtekening van onwaarheid is.

Oorspronkelijke auteurs: Eun Cheol Choi, Emilio Ferrara

Gepubliceerd 2026-07-07

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Eun Cheol Choi, Emilio Ferrara

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 enorm, chaotisch dorpsplein. Op dit plein schreeuwt iemand een leugen (misinformatie). Meestal gaan we ervan uit dat de persoon die de leugen schreeuwt degene is die boos wordt, terwijl de persoon die hen corrigeert kalm en rationeel is.

Dit artikel, getiteld "Angry but Accurate" (Boos maar Accuraat), draait die aanname volledig om. De onderzoekers keken naar miljoenen tweets over COVID-19 om te zien wie de leugens schreeuwde en wie de correcties schreeuwde. Dit is wat zij vonden, eenvoudig uitgelegd:

1. De "Boze Correctors"

Het Oude Idee: We denken vaak dat valse informatie de "boze" inhoud is, vol angst en verontwaardiging, terwijl de waarheid kalm en neutraal is.
De Nieuwe Ontdekking: De onderzoekers ontdekten dat de mensen die de leugens corrigeerden, juist bozer, walgeriger en droeviger waren dan de mensen die de leugens verspreidden.

De Analogie: Denk aan een lawaaierig feestje. Je zou verwachten dat de persoon die een wild, nepverhaal vertelt de meest opgewonden en emotionele persoon is. Maar dit onderzoek vond dat de mensen die opstonden en riepenen: "Dat is niet waar! Stop met dat verspreiden!" juist degenen waren met de meest intense negatieve emoties. Ze waren gefrustreerd en verontwaardigd.

2. Wie Zijn Deze Mensen?

De studie keek ook naar de profielen van de mensen die deze tweets plaatsten.

De Verspreiders: Mensen die misinformatie deelden, hadden geen specifiek "bot"-kenmerk; ze waren duidelijk niet meer geautomatiseerd dan de rest.
De Correctors: De mensen die de misinformatie bestreden, waren de "veteranen" van het dorpsplein.
- De Analogie: Stel je het Twitter-platform voor als een buurt. De mensen die de leugens corrigeerden, waren als de langdurige bewoners met grote huizen, veel vrienden en een lange geschiedenis in de gemeenschap. Ze hadden oudere accounts, meer volgers en stonden in meer groepen vermeld. Het waren niet de nieuwe, willekeurige accounts; het waren de gevestigde, actieve leden van de gemeenschap.

3. Hoe Zij Spraken

De onderzoekers analyseerden de werkelijke tekst van de tweets.

De Leugens: De berichten die misinformatie verspreidden, waren meestal langer en vol verbazing.
- De Analogie: De leugenaars waren als verhalenvertellers die ingewikkelde, complexe verhalen weefden met veel wendingen om je te laten denken: "Wauw, ik kan dit niet geloven!"
De Waarheid: De correcties waren vaak korter en vol verdriet, woede of walging.
- De Analogie: De correctors waren als de botte, gefrustreerde buurman die gewoon roept: "Dat is een leugen!" of "Ik ben het zo zat om dit te horen!" Ze hadden geen lang verhaal nodig; ze moesten alleen hun frustratie uiten.

4. De Belangrijkste Les

De belangrijkste les van dit artikel is een waarschuwing voor iedereen die probeert het internet te reguleren.

De Valstrik: Als een computerprogramma de opdracht krijgt om "boze" of "emotionele" berichten te markeren als waarschijnlijk leugens, zal het per ongeluk de mensen die de waarheid spreken de mond snoeren.
De Realiteit: Omdat de mensen die leugens corrigeren vaak de meest emotionele zijn (boos en walgend), kan een geautomatiseerd systeem denken dat zij het probleem zijn en hun berichten verwijderen. Dit zou het dorpsplein zonder zijn meest actieve verdedigers achterlaten.

Samenvatting

Het artikel concludeert dat in de strijd tegen de COVID-19 leugens op Twitter:

De Waarheidsprekers waren Bozer: Zij waren emotioneler (boos, droevig, walgend) dan de leugenaars.
De Waarheidsprekers waren Gevestigd: Zij waren oudere, populaire accounts, geen bots.
De Leugenaars waren Verrassend: Hun berichten waren langer en probeerden je te choqueren.

De auteurs noemen deze groep "Angry but Accurate". Het zijn de gefrustreerde, emotionele, maar betrouwbare buren die proberen de rommel op het dorpsplein op te ruimen.

Probleemstelling
Hoewel misinformatie op sociale media een aanzienlijke bedreiging vormt voor het publieke debat, bestaat een substantieel deel van de online activiteit uit gewone gebruikers die actief strijd leveren tegen valse claims. Echter, het "tegen-misinformatie-ecosysteem" — de gebruikers en de inhoud die onwaarheden corrigeren — blijft onderbelicht. Dominante aannames in het vakgebied suggereren dat negatieve emotie een primaire signatuur van onwaarheid is, wat impliceert dat corrigerende inhoud neutraler zou zijn. Bovendien vertrouwen bestaande detectiemethoden vaak op URL- of hashtag-sampling, waardoor tekstuele misinformatie zonder specifieke tags wordt gemist. Er is een behoefte aan begrip van de linguïstische en account-niveau kenmerken van degenen die misinformatie op schaal bestrijden, specifiek om te bepalen of de emotionele en structurele profielen van corrigerende berichten verschillen van de misinformatie die zij doelwitten.

Methodologie
De auteurs hanteerden een driestaps pijplijn om het tegen-misinformatie-ecosysteem te detecteren en te profileren met behulp van een grote corpus van COVID-19 tweets uit 2020–2021:

Dataverzameling en Koppeling: De onderzoekers aggregeerden 15.374 unieke, door factcheckers geverifieerde valse COVID-19 claims uit diverse bronnen (bijv. PolitiFact, Snopes). Met behulp van BM25-retrieval koppelden zij deze claims aan een grootschalige publieke Twitter-dataset, wat resulteerde in 1.537.400 kandidaat-claim-tweet paren.
Stance Detection (NLI): Een domeinspecifiek Natural Language Inference (NLI) model, eerder gefinetuned op COVID-19 misinformatie data en uitgebreid met synthetische data gegenereerd door GPT-4o (via Controllable Misinformation Generation), werd toegepast op de kandidaat-paren. Dit model classificeert tekst als ondersteunend, tegenstrijdig of neutraal ten opzichte van een claim. Na het filteren van duplicaten en ambigue gevallen, bestond de uiteindelijke analytische steekproef uit 264.737 tweets (195.922 ondersteunend, 68.815 tegenstrijdig).
Profilering en Vergelijking: De studie vergeleek 23 gebruikers- en tekstkenmerken tussen de pro-misinformatie en anti-misinformatie groepen. Kenmerken omvatten:
- Emotie: Scores voor de zes basisemoties van Ekman (woede, afkeer, angst, vreugde, verdriet, verrassing) met behulp van het Demux-model.
- Toxiciteit: Zeven toxiciteitsscores via DeToxify.
- Bot-waarschijnlijkheid: Scores van de Botometer X API.
- Gebruikers-/Tekstattributen: Accountleeftijd, aantal volgers, aantal vermeldingen (listed count), tweetlengte en activiteitsniveaus.
- Voorspellende Modellering: Machine learning classificaties (Random Forest, XGBoost, etc.) werden getraind om de standpunt (stance) te voorspellen op basis van enkel deze 23 kenmerken om de scheidbaarheid te beoordelen.

Belangrijkste Resultaten
De studie leverde verschillende contra-intuïtieve bevindingen op met betrekking tot de emotionele en structurele profielen van het tegen-misinformatie-ecosysteem:

Emotionele Toon: In tegenstelling tot de aanname dat negatieve emotie een kenmerk is van onwaarheid, vertoonden berichten die misinformatie tegengingen aanzienlijk hogere niveaus van negatieve emotie dan berichten die het ondersteunden. Specifiek scoorden anti-misinformatie tweets hoger op verdriet (Cliff's $\delta = -0,125$ ), woede ( $\delta = -0,098$ ) en afkeer ( $\delta = -0,097$ ). Omgekeerd werden pro-misinformatie tweets gekenmerkt door een grotere lengte en hogere niveaus van verrassing.
Gebruikerskenmerken: Gebruikers die anti-misinformatie inhoud posten, neigden meer "gevestigd" te zijn. Zij hadden oudere accounts, meer volgers, een hoger aantal vermeldingen en een grotere algehele activiteit (tweets/retweets) vergeleken met gebruikers die misinformatie verspreiden.
Bot-activiteit: Bot-waarschijnlijkheidsscores maakten geen betekenisvol onderscheid tussen de twee groepen, wat suggereert dat geautomatiseerde accounts zich niet onevenredig concentreren op één zijde van de kloof in deze dataset.
Voorspellende Scheidbaarheid: Machine learning modellen getraind op deze kenmerken konden het verschil tussen pro- en anti-misinformatie standpunten onderscheiden met een bescheiden maar consistente nauwkeurigheid boven het toeval (Random Forest $F1 = 0,632$ , Accuracy = 0,620). SHAP-analyse bevestigde dat verdriet, afkeer en een kortere tweetlengte sterke voorspellers waren van een "tegen"-standpunt.

Significantie en Claims
Het artikel beweert de eerste grootschalige, discrete-emotie meting te bieden die vaststelt dat corrigerende berichten vaak emotioneler negatief zijn dan de misinformatie die zij doelwitten. De auteurs stellen dat deze bevinding de heersende heuristiek uitdaagt dat negatieve emotie een betrouwbaar signaal voor misinformatie is.

De primaire significantie ligt in de implicaties voor platformbestuur en contentmoderatie. De auteurs waarschuwen dat systemen die ontworpen zijn om emotioneel geladen inhoud als potentiële misinformatie te markeren, onbedoeld legitieme corrigerende discussie en de gevestigde gebruikersbasis die het tegen-misinformatie-ecosysteem verankert, kunnen onderdrukken. De studie suggereert dat het bestrijden van misinformatie vereist dat men de corrigerende inhoud begrijpt die als reactie ontstaat, in plaats van uitsluitend te focussen op het onderdrukken van de valse inhoud.

Beperkingen
De auteurs merken op dat er enkele beperkingen zijn: de studie is beperkt tot COVID-19 op Twitter (2020–2021, wat de generaliseerbaarheid naar andere onderwerpen of tijdperken kan beperken. Het vertrouwen op vooraf getrainde modellen voor emotie- en botdetectie introduceert potentiële biases. De NLI-classifier is weliswaar robuust, maar imperfect, en het gebruik van door LLM gegenereerde synthetische data voor training brengt risico's met zich mee van 'task flipping' en ondervertegenwoordiging van bepaalde soorten inhoud. Ten slotte zijn de geobserveerde groepsverschillen bescheiden op individueel tweet-niveau, wat betekent dat deze kenmerken eerder reflecterende distributieve tendensen zijn dan betrouwbare signalen per individuele tweet.

1. De "Boze Correctors"

2. Wie Zijn Deze Mensen?

3. Hoe Zij Spraken

4. De Belangrijkste Les

Samenvatting

Meer zoals dit