Laat me deze post beginnen met iets te bekennen: de voorbije corona-tijd heb ik steeds vaker de negeer-knop op twitter gebruikt en zelfs een enkele keer de blokkeer-knop. Die laatste knop enkel omwille van bedreigingen en/of betrekken van mijn gezin in discussies. Soms lijkt het alsof mensen steeds meer kwaad en verontwaardigd zijn op sociale media platformen, ook als het niet over Corona gaat. Nieuw onderzoek van Brady en collega’s doet vermoeden dat sociale media hier ook een rol in kunnen spelen.

En nee, dan gaat het deze keer niet over de algoritmes die je in een konijnenpijp kunnen trekken, maar over mechanismes in feite bijna ouderwets behaviorisme. Ze bekeken meer dan 12 miljoen tweets van 7331 gebruikers en deden enkele experimenten met een kleinere steekproef en leerden zo dat als mensen meer likes kregen voor berichten met een verontwaardigde toon, dergelijke tweets vaker gepost werden in de daaropvolgende tijd.

Klinkt niet onlogisch, maar het is toch nog een stuk complexer. Dit was tot u toe namelijk een voorbeeld van operante conditionering (beloningen doen gedrag toenemen) maar er is ook sprake van sociale leren (een van de grondleggers Bandura overleed trouwens deze zomer). Als men in een netwerk zit waarbij verontwaardigde boodschappen de norm is, dan heb je cru gesteld die beloning niet meer nodig, maar gaan mensen zich gaan richten op die norm.

En op het einde van de rit komen toch die eerder vermelde algoritmes terug in het spel in de paper omdat de onderzoekers wel degelijk een interactie-effect vermoeden:

Social media newsfeed algorithms can directly affect how much social feedback a given post receives by determining how many other users are exposed to that post. Because we show here that social feedback affects users’ outrage expressions over time, this suggests that newsfeed algorithms can influence users’ moral behaviors by exploiting their natural tendencies for reinforcement learning. In this way, reinforcement learning on social media differs from reinforcement learning in other environments because crucial inputs to the learning process are shaped by corporate interests (26, 52). Even if platform designers do not intend to amplify moral outrage, design choices aimed at satisfying other goals such as profit maximization via user engagement can indirectly affect moral behavior because outrage-provoking content draws high engagement (29–31). Given that moral outrage plays a critical role in collective action and social change (40, 53), our data suggest that platform designers have the ability to influence the success or failure of social and political movements, as well as informational campaigns designed to influence users’ moral and political attitudes (34, 51). Future research is required to understand whether users are aware of this and whether making such knowledge salient can affect their online behavior.

Abstract van het onderzoek:

Moral outrage shapes fundamental aspects of social life and is now widespread in online social networks. Here, we show how social learning processes amplify online moral outrage expressions over time. In two preregistered observational studies on Twitter (7331 users and 12.7 million total tweets) and two preregistered behavioral experiments (N = 240), we find that positive social feedback for outrage expressions increases the likelihood of future outrage expressions, consistent with principles of reinforcement learning. In addition, users conform their outrage expressions to the expressive norms of their social networks, suggesting norm learning also guides online outrage expressions. Norm learning overshadows reinforcement learning when normative information is readily observable: in ideologically extreme networks, where outrage expression is more common, users are less sensitive to social feedback when deciding whether to express outrage. Our findings highlight how platform design interacts with human learning mechanisms to affect moral discourse in digital public spaces.