Bot- und Fake-Engagement-Analyse: Wie lässt sich echte öffentliche Meinung erkennen?

Dass zu einem Thema Hunderttausende Beiträge veröffentlicht werden, bedeutet nicht, dass Hunderttausende Menschen dasselbe denken.

• Ein Inhalt kann Tausende Male geteilt werden.
• Eine Marke kann in kurzer Zeit außergewöhnliches Engagement erzielen.
• Ein politisches Thema kann plötzlich zum Zentrum der Agenda werden.

Doch nicht jede sichtbare Bewegung in der digitalen Welt spiegelt stets organisches menschliches Verhalten wider.

Bot-Accounts, gefälschte Profile, Spam, koordinierte Aktionen und künstliches Engagement können die digitale Sichtbarkeit aufblähen und das analysierte Bild verzerrt erscheinen lassen.

Deshalb ist die eigentliche Frage nicht allein die erste:

Hohes Engagement bedeutet nicht hohe Zustimmung

Nehmen wir an, eine Kampagne erzielt Millionen von Interaktionen.

Auf den ersten Blick könnte man eine sehr starke gesellschaftliche Resonanz vermuten.

Zeigt sich jedoch, dass dieselben Accounts ständig miteinander interagieren, ähnliche Inhalte wiederholt werden oder ungewöhnliche Verhaltensmuster entstehen, ändert sich das Bild.

Tatsächlich zeigen Untersuchungen zur Integrität sozialer Netzwerke, dass bei der Erkennung verdächtiger Aktivitäten nicht nur einzelne Accounts, sondern auch die Interaktionsstruktur zwischen den Accounts und zeitliche Muster betrachtet werden können.

Daher müssen Engagement-Volumen und tatsächliche Wirkung voneinander unterschieden werden.

Was ist ein Bot, was ist Fake-Engagement?

Ein Bot ist ein Account, der bestimmte Aktivitäten automatisiert ausführen kann.

Für die Analyse geht es jedoch nicht nur darum, ob ein Account automatisiert ist oder nicht.

Das umfassendere Problem sind gefälschte Accounts, Spam-Verhalten, künstliche Likes, sich wiederholende Beiträge, koordinierte Aktionen und Engagement-Muster, die von natürlichem Nutzerverhalten abweichen.

Zudem können automatisierte Accounts zunehmend realistischer wirken. Dass in groß angelegten Studien zu sozialen Netzwerken Bots simuliert werden können, die menschliches Verhalten nachahmen, zeigt ebenfalls, dass diese Unterscheidung nicht allein anhand einfacher Profilmerkmale getroffen werden kann.

Sagen tausend Menschen dieselbe Botschaft, oder sagt ein einziger Akteur mit tausend Accounts dieselbe Botschaft?

Diese Unterscheidung ist von entscheidender Bedeutung.

Von außen betrachtet kann in beiden Fällen ein hohes Gesprächsvolumen sichtbar sein.

Doch während der erste Fall zeigen kann, dass ein breites Publikum organisch ähnliche Meinungen äußert, kann der zweite das Ergebnis einer koordinierten Aktion sein.

Daher darf die Analyse nicht nur die Gesamtzahl der Inhalte betrachten, sondern muss auch Verhaltensähnlichkeiten, Timing, Interaktionsbeziehungen, Wiederholungsmuster und die Verbreitungsstruktur der Bewegung berücksichtigen.

Das Ziel ist nicht, einzelnen Accounts willkürlich das Etikett „Bot“ aufzudrücken.

Das Ziel ist, nicht-natürliche Strukturen innerhalb der Daten erkennen zu können.

Wie führt Fake-Engagement die Analyse in die Irre?

Ungefilterte künstliche Aktivität kann viele Bereiche der Analyse beeinflussen.

• Ein Thema kann populärer erscheinen, als es tatsächlich ist.
• Eine Meinung kann stärker wahrgenommen werden, als sie tatsächlich ist.
• Die Sentiment-Verteilung kann sich verändern.
• Die Trendrangfolge kann verzerrt werden.
• Ein bestimmter Inhalt kann scheinbar organisch viral gegangen sein.
• Unterstützung oder Ablehnung gegenüber einem politischen Akteur kann anders eingeschätzt werden, als sie tatsächlich ist.
• Die Kampagnenleistung einer Marke kann künstlich hoch erscheinen.

Im Ergebnis ist das Problem nicht allein das Problem der „Fake-Follower“.

Echte öffentliche Meinung und digitales Rauschen sind nicht dasselbe

Die auf digitalen Plattformen sichtbarste Meinung ist nicht immer die in der Gesellschaft am weitesten verbreitete Meinung.

• Manche Nutzer produzieren wesentlich mehr Inhalte.
• Manche Gemeinschaften agieren organisierter.
• Manche Themen gewinnen algorithmisch mehr Sichtbarkeit.

Kommen Bots und Fake-Engagement hinzu, wird es noch riskanter, digitales Volumen direkt als öffentliche Meinung zu interpretieren.

Deshalb muss besonders bei politischen und gesellschaftlichen Analysen folgende Unterscheidung gewahrt bleiben:

Ist koordiniertes Handeln immer gleich Bot?

Nein.

Auch diese Unterscheidung ist wichtig.

Auch echte Menschen können sich organisiert an derselben Kampagne beteiligen, denselben Hashtag verwenden oder ähnliche Botschaften teilen.

Das Vorliegen von Koordination bedeutet also nicht automatisch gefälschte Aktivität.

Ziel der Analyse sollte nicht sein, ein vorab festgelegtes Ergebnis zu erreichen, sondern verdächtiges Verhalten anhand unterschiedlicher Indikatoren zu bewerten.

Genau hier gewinnt ein evidenzbasierter Ansatz an Bedeutung.

Es muss erklärbar sein, warum ein Account oder eine Aktion als verdächtig eingestuft wird.

Ändert sich das Bild, wenn Bots herausgerechnet werden?

Das ist einer der wertvollsten Vergleiche.

In den Rohdaten kann ein Thema sehr stark erscheinen.

Werden verdächtige Accounts, Spam und sich wiederholende Strukturen herausgefiltert, kann sich das tatsächliche Gewicht des Gesprächs verändern.

Manchmal ist der Unterschied gering.

Manchmal ergibt sich ein völlig anderes Bild.

Deshalb sollte nicht nur die erste Frage gestellt werden, sondern auch die zweite:

Künstliche Aktivität kann Krisen erzeugen ebenso wie Erfolge vortäuschen

Künstliches Engagement tritt nicht nur bei negativen Kampagnen auf.

• Es kann auch künstliche Unterstützung für eine Marke geben.
• Der Erfolg eines Inhalts kann größer dargestellt werden, als er tatsächlich ist.
• Die sichtbare Unterstützung eines politischen Akteurs kann künstlich erhöht werden.
• Negativität gegenüber einem Konkurrenten kann aufgebauscht werden.

Fake-Engagement-Analyse ist daher nicht nur ein Verteidigungsmechanismus.

Sie ist eine Analyseebene, die die Verlässlichkeit der Daten schützt.

Echte Analyse hinterfragt zuerst die Echtheit der Daten

Die Analyse von Millionen Datenpunkten mag beeindruckend erscheinen.

Enthalten diese Daten jedoch künstliche Aktivität, bedeuten mehr Daten nicht automatisch ein genaueres Ergebnis.

Deshalb darf sich ein starkes Analysesystem nicht allein auf das Sammeln von Daten beschränken.

Es muss auch die Qualität der Daten hinterfragen.

• Wer spricht?
• Ist das Verhalten natürlich?
• Gibt es sich wiederholende Strukturen?
• Wo treten ungewöhnliche Aktivitäten auf?
• Ändert sich das Ergebnis, wenn verdächtige Accounts entfernt werden?
• Und auf welchen Daten beruht das entstehende Ergebnis?

Denn für Entscheidungsträger ist nicht entscheidend, wie laut die digitale Welt ist.

Entscheidend ist, das echte Signal hinter dem Rauschen erkennen zu können.