Hoe het werkt
De engagement-loop. Het aanbevelingsalgoritme (recommender system). Waarom het algoritme geen enkele prikkel heeft om om je welzijn te geven.
Hoe je deze pagina leest. Tik op een onderstreept woord om de exacte academische term en een korte uitleg te zien. Open een "Dieper"-vak voor het bewijs en de punten die nog ter discussie staan. De hoofdtekst werkt op zichzelf — sla beide over en je krijgt nog steeds het hele verhaal.
Het kernmechanisme
Elk groot socialemediaplatform is gebouwd rond één beslissing die miljarden keren per dag wordt genomen: wat zie je hierna?
Die beslissing wordt genomen door een algoritme. Het algoritme beslist niet op basis van wat waar is, wat belangrijk is, of wat goed voor je zou zijn om te weten. Het beslist, in overgrote mate, op basis van één soort signaal: wat mensen zoals jij in het verleden betrokken hield. Een like, een share, een reactie, een lange pauze tijdens het scrollen — elke interactie is data. Het algoritme leert van die data en voorspelt daarmee waarop je hierna zult reageren.
Aanbevelingsalgoritme (recommender system)
De groep algoritmen die bepaalt wat elke gebruiker te zien krijgt. Ze voorspellen, op basis van jouw eerdere gedrag en dat van vergelijkbare gebruikers, op welk item je het waarschijnlijkst reageert — en rangschikken je feed daarnaar. Ze vormen de motor van Facebook, YouTube en TikTok.
Cruciaal: ze optimaliseren voor voorspeld engagement, niet voor juistheid, belang of jouw welzijn. Voor zover die al in het model meetellen — een classificatiemodel dat een bericht inschat als waarschijnlijk haatzaaiend, een enquête die gebruikers vraagt wat ze de moeite waard vonden — zijn het aanpassingen die er bovenop worden gelegd, niet de grootheid die het systeem moet maximaliseren.
Bronnen
- Narayanan, A. (2023), Understanding Social Media Recommendation Algorithms, Knight First Amendment Institute, Columbia University.
Optimaliseren voor engagement
De praktijk waarbij een rangschikkingssysteem wordt getraind om meetbare gedragssignalen te maximaliseren — klikken, kijktijd, shares, reacties — gebruikt als maat voor waarde. Die maat is handig omdat hij makkelijk te meten is. Hij staat ook systematisch haaks op welzijn: de content die je aandacht vasthoudt, is niet de content die je dient.
Bronnen
- Narayanan, A. (2023), Understanding Social Media Recommendation Algorithms, Knight First Amendment Institute, Columbia University.
Dat klinkt redelijk. In de praktijk levert het een systematisch probleem op.
Engagement is niet hetzelfde als welzijn
Een verkeersongeluk laat het verkeer stilstaan. Een schreeuwende ruzie trekt een menigte. Verontwaardiging, angst en groepsconflict houden je aandacht vast — niet omdat mensen ervan genieten, maar omdat je er moeilijk van wegkijkt. Het algoritme kan geen onderscheid maken tussen engagement dat goed voor je is en engagement dat dat niet is. Het probeert het niet eens. Daar optimaliseert het niet voor.
Facebooks eigen interne onderzoek, in 2021 gelekt door klokkenluider (whistleblower) Frances Haugen, liet zien dat het bedrijf wist dat zijn algoritmen wat de eigen onderzoekers "misinformatie, toxiciteit en gewelddadige content" noemden onevenredig versterkten bij gedeelde berichten. Interne documenten lieten discussie zien over de vraag of dit gerepareerd moest worden. Voorgestelde oplossingen stuitten op weerstand omdat ze het engagement zouden verlagen.
Dit is geen beschuldiging van kwade opzet. Het is een beschrijving van prikkels. Als engagement de maatstaf is en verontwaardiging het engagement opdrijft, dan is verontwaardiging wat het systeem naar boven haalt — ongeacht de bedoeling.
De terugkoppeling
Het aanbevelingsalgoritme werkt via een doorlopende lus:
Jij reageert op content — je pauzeert, liket, plaatst een reactie, deelt, of kijkt simpelweg een paar seconden. Het systeem registreert wat die reactie uitlokte. Het algoritme werkt zijn model bij van waar jij op reageert. Het serveert meer content waarvan het voorspelt dat die vergelijkbare reacties uitlokt. De lus draait doorlopend, onzichtbaar, bij meer dan drie miljard mensen per dag, alleen al op de apps van Meta. Facebook zelf ging in 2004 van start.
Na verloop van tijd wordt het algoritme heel nauwkeurig in het voorspellen van je reacties — niet omdat het jou begrijpt, maar omdat het genoeg gegevens over je gedrag heeft verzameld om het te modelleren. Het resultaat is een feed die persoonlijk en relevant aanvoelt, omdat hij is afgestemd op jouw specifieke psychologische profiel.
Gedragsprofilering
Het bouwen van een voorspellend model van een persoon uit de sporen die hij achterlaat — waarop hij klikt, hoe lang hij blijft hangen, wat hij deelt, wie hij volgt. Het profiel is geen beschrijving die je zou herkennen; het is een statistisch object dat is geoptimaliseerd om je volgende handeling te voorspellen. Je krijgt het nooit te zien, en je kunt het niet corrigeren.
Bronnen
- Zuboff, S. (2019), The Age of Surveillance Capitalism, PublicAffairs.
Dezelfde lus betaalt de mensen die de content maken. Makers — uitgevers, influencers, iedereen die voor de kost iets plaatst — verdienen aan de reclame-inkomsten die het platform deelt, aan sponsordeals waarvan de prijs op bereik is gebaseerd, en aan de creator funds van het platform zelf; elk daarvan groeit met het engagement, dus de voorkeur van de rangschikking voor wat een reactie uitlokt wordt ook hún prikkel. The Facebook Files leggen de eigen bevinding van het bedrijf vast: nadat de wijziging van 2018 reacties en shares ging belonen, vertelden uitgevers en politieke partijen aan Facebook dat ze waren overgestapt op meer verdeeldheid zaaiende berichten, omdat de rangschikking daar nu voor betaalde. Niemand gaf hun die opdracht; de inkomsten deden dat.
Wat de gegevens lieten zien
In 2018 veranderde Facebook zijn algoritme om "Meaningful Social Interactions" te bevorderen — content die meer reacties en emoji-reacties opriep, bedoeld om echte verbinding te stimuleren. Een peer-reviewed studie (Germano, Gómez en Sobbrio, in 2026 gepubliceerd in de Journal of Public Economics), op basis van enquêtegegevens uit zowel de Verenigde Staten als Italië, vond dat de aanpassing juist bijdroeg aan meer ideologisch extremisme en affectieve polarisatie in beide landen. Op basis van dit bewijs had een commerciële beslissing in een productoverleg politieke gevolgen — enquêtegegevens, geen experiment, en hoe ver één aanpassing van de rangschikking de polarisatie verschuift, staat niet vast (zie hieronder).
Een interne Facebook-presentatie uit 2016, in 2020 beschreven door de Wall Street Journal, vond dat, bij de Duitse politieke groepen die ze onderzocht, 64% van alle aanmeldingen bij extremistische groepen via Facebooks eigen aanbevelingen verliep — één land, één jaar, de eigen meting van het bedrijf. Niet via obscure websites. Via de eigen motor van het bedrijf, één voorgestelde groep per keer.
Waarom wilskracht het verkeerde kader is
De gebruikelijke reactie hierop is persoonlijk: gebruik het minder, neem pauzes, wees gedisciplineerder. Dat advies is niet verkeerd, maar het miskent de schaal van het probleem.
Het systeem dat jouw feed optimaliseert is over jaren gebouwd door grote teams van zeer bekwame ingenieurs, getraind op enorme hoeveelheden gegevens over wat mensen doen, en doorlopend bijgeschaafd — de ene wijziging na de andere getest op echte gebruikers — in de richting van wat het meeste engagement oplevert. Het idee dat individuele wilskracht hiertegen de belangrijkste verdediging is — in plaats van structurele verandering van het systeem zelf — is zelf een kader dat de platforms goed uitkomt. Het legt de last van de reactie bij gebruikers in plaats van bij het ontwerp.
Het mechanisme begrijpen is het begin. De rest is structureel: een verandering van wat het systeem moet maximaliseren, niet van hoe gedisciplineerd de gebruikers zijn.
Hoe we dit weten — de algoritmewijziging van 2018 en wat het bewijs wel en niet laat zien
De wijziging "Meaningful Social Interactions" (MSI) uit 2018 herwoog de News Feed ten gunste van berichten die reacties en emoji-reacties opriepen, vooral shares tussen vrienden. Facebook presenteerde het als het bevorderen van verbinding. De peer-reviewed analyse van Germano, Gómez en Sobbrio (2026; als working paper verspreid in 2025) modelleerde hoe rangschikking op engagementsignalen content verspreidt, en toetste de voorspellingen aan gegevens uit de Verenigde Staten en Italië. Volgens het model verhoogt het zwaarder laten meetellen van likes en shares het engagement, maar ook misinformatie en polarisatie. De enquêtegegevens wijzen erop dat de MSI-wijziging heeft bijgedragen aan meer ideologisch extremisme en affectieve polarisatie. Het bewijs is observationeel: enquêtegegevens, geen gecontroleerd experiment. De onthullingen van Haugen lieten later zien dat Facebooks eigen medewerkers hadden gesignaleerd dat MSI verontwaardiging en gedeelde misinformatie beloonde.
Wat ter discussie staat. Dat rangschikken op engagement verdeeldheid zaaiende content versterkt, wordt goed ondersteund; hoe ver dat de polarisatie verschuift, staat niet vast. De grootste experimenten naar deze vraag wijzen de andere kant op: in de onderzoeken rond de Amerikaanse verkiezingen van 2020, uitgevoerd samen met Meta, veranderden drie maanden met een chronologische feed in plaats van de gerangschikte, of met een derde minder content uit gelijkgestemde bronnen, de polarisatie en de politieke opvattingen niet meetbaar — binnen de grenzen van drie maanden en één verkiezing. De precieze omvang, en welk deel van de polarisatie in de echte wereld aan één enkele algoritmewijziging is toe te schrijven, hangen af van modelaannames. Platformeffecten lopen door elkaar met offline politiek, media en zelfselectie, wat zuivere causale toeschrijving moeilijk maakt. Wij benoemen het mechanisme en de gedocumenteerde interne kennis; we beweren niet dat het algoritme in zijn eentje de polarisatie heeft veroorzaakt.
Over het cijfer van 64%. Het komt uit een interne Facebook-presentatie uit 2016, in mei 2020 beschreven door de Wall Street Journal — een jaar vóór de onthullingen van Haugen. De slide, uit een onderzoek naar politieke groepen in Duitsland, stelde dat 64% van alle aanmeldingen bij extremistische groepen voortkwam uit Facebooks eigen aanbevelingen ("Our recommendation systems grow the problem"). Het is de eigen meting van het bedrijf aan het eigen product, en dat geeft het gewicht — maar het is één intern cijfer, uit één land en één jaar, geen onafhankelijk herhaalde studie, en het zegt niets over de vraag of die gebruikers al op zoek waren.
Bronnen
- The Facebook Files (Wall Street Journal, 2021) — de interne onthullingen van Frances Haugen.
- Germano, F., Gómez, V. & Sobbrio, F. (2026), Ranking for Engagement: How Social Media Algorithms Fuel Misinformation and Polarization, Journal of Public Economics 255 (open-access working-paperversie bij de Barcelona School of Economics) — empirisch onderzoek naar Facebooks algoritmewijziging van 2018.
- Guess, A.M. et al. (2023), How do social media feed algorithms affect attitudes and behavior in an election campaign?, Science 381(6656), 398–404 — experiment rond de Amerikaanse verkiezingen van 2020, uitgevoerd samen met Meta: drie maanden met een chronologische feed op Facebook en Instagram veranderden “het niveau van polarisatie over kwesties, affectieve polarisatie, politieke kennis of andere belangrijke opvattingen niet significant”.
- Hagey, K. & Horwitz, J. (15 september 2021), Facebook Tried to Make Its Platform a Healthier Place. It Got Angrier Instead, Wall Street Journal (The Facebook Files) — interne memo's waarin uitgevers en politieke partijen melden dat ze na de rangschikkingswijziging van 2018 zijn overgestapt op negatievere, meer verdeeldheid zaaiende berichten.
- Horwitz, J. & Seetharaman, D. (26 mei 2020), Facebook Executives Shut Down Efforts to Make the Site Less Divisive, Wall Street Journal — de interne presentatie uit 2016 en het cijfer van 64%.
- Meta, Company information — “Toen Facebook in 2004 werd gelanceerd”.
- Meta Platforms (29 juli 2026), Meta Reports Second Quarter 2026 Results — de eigen telling van het bedrijf: gemiddeld 3,60 miljard “Family daily active people” (DAP) in juni 2026, zoals ingediend bij de Amerikaanse Securities and Exchange Commission.
- Milli, S., Carroll, M., Wang, Y., Pandey, S., Zhao, S. & Dragan, A.D. (2025), Engagement, user satisfaction, and the amplification of divisive content on social media, PNAS Nexus 4(3) — vooraf geregistreerde audit: de engagementrangschikking van Twitter versterkte emotioneel geladen content die vijandig is tegenover andere groepen, vergeleken met een chronologische feed — en gebruikers gaven er niet de voorkeur aan.
- Narayanan, A. (2023), Understanding Social Media Recommendation Algorithms, Knight First Amendment Institute, Columbia University.
- Nyhan, B. et al. (2023), Like-minded sources on Facebook are prevalent but not polarizing, Nature 620, 137–144 — de blootstelling aan gelijkgestemde bronnen met ongeveer een derde verminderen, bij 23.377 gebruikers tijdens de Amerikaanse verkiezingen van 2020, had geen meetbaar effect op affectieve polarisatie, ideologische extremiteit of zes andere vooraf geregistreerde opvattingen.
- Zuboff, S. (2019), The Age of Surveillance Capitalism, PublicAffairs.