Data School

Nieuws

Antisemitisme in de Nederlandse online-sfeer in 2020

Download rapport

Aanleiding

Het CIDI registreert jaarlijks antisemitische incidenten in haar Monitor Antisemitische Incidenten. In deze monitor worden echter uitsluitend meldingen van antisemitisme behandeld die zich afspelen in de fysieke sfeer. In het coronajaar 2020 waren fysieke ontmoetingen en interacties behoorlijk beperkt. Terwijl de samenleving noodgedwongen overwegend online communiceerde, bleven uitingen van antisemitisme in de online-sfeer in CIDI’s monitor grotendeels buiten beschouwing. En dat terwijl er tekenen zijn dat juist online het antisemitisme welig teert, bijvoorbeeld in complotsferen.

De Data School heeft daarom een methode ontwikkeld om op automatische wijze antisemitische uitingen te herkennen, om zo op grote schaal online antisemitisme in kaart te kunnen brengen. In het rapport Online antisemitisme in 2020 zetten de onderzoekers hun methode uiteen en lichten zij hun belangrijkste bevindingen toe. De hoofdstuknummers in deze aanbiedingsbrief verwijzen naar de hoofdstukken in het rapport, waar verder wordt uitgeweid.

Hoofdbevindingen

Data School onderzocht in totaal 1.874.877 Nederlandstalige berichten die in 2020 werden geplaatst op een selectie sociale media en op blogs en websites. Al deze berichten noemen één of meerdere termen die gerelateerd zijn aan het Jodendom (H2). Van deze berichten werden er 200.395 als antisemitisch herkend door een hiervoor getraind computermodel, waarbij onderscheid wordt gemaakt tussen impliciet of expliciet antisemitisme (H5).

Op Telegram troffen de onderzoekers verhoudingsgewijs de meeste antisemitische berichten aan: 36,6% van de onderzochte berichten van dat platform werd als antisemitisch herkend. Ook in reacties op YouTube-video’s zijn veel antisemitische uitingen te vinden (24,5%). Andere platforms, zoals Twitter (12,6%), Facebook (4,1%) en Reddit (6,8%), bevatten beduidend minder antisemitische content.

Het computermodel herkende ook de aard van het antisemitisme. Het frame van politieke macht en invloed van Joodse personen, vaak gerelateerd aan complottheorieën, komt het meeste voor op bijna alle platformen (H4).

Methode

De onderzoekers trainden een computermodel om automatisch antisemitische uitingen te herkennen op basis van patronen in taal. Hiervoor codeerden zij handmatig 9.000 berichten die als trainingsdataset dienden voor het model, om deze aan te kunnen leren of een bericht antisemitisch is, en zo ja, welke vorm van antisemitisme het betreft (H3).

Voor het classificeren van antisemitisme werd de IHRA-werkdefinitie gehanteerd. Deze definitie is niet zonder kritiek; er zijn critici die stellen dat de IHRA-werkdefinitie kritiek op de staat Israël als antisemitisme kan beschouwen. Voor dit onderzoek hebben de onderzoekers er uitdrukkelijk voor gekozen om enkel berichten over Israël als antisemitisch te classificeren wanneer de tekst haatdragend is richting de Joodse gemeenschap in het algemeen, en dus niet wanneer deze enkel tegen de Israëlische staat is gericht (H3.1).

Beperkingen en overwegingen

De onderzochte berichten vertegenwoordigen niet alle online berichten uit 2020. Sommige platforms bieden meer toegang tot hun data dan andere. De Twitter-dataset is compleet, terwijl bijvoorbeeld Facebook slechts beperkt data vrijgeeft. In totaal bestudeerden de onderzoekers in dit onderzoek meer dan tweehonderdduizend impliciete en expliciete uitingen van antisemitisme. Hoewel er in een Nederlandse context nog nooit op zulke schaal onderzoek is gegaan naar antisemitisme, zijn deze tweehonderdduizend uitingen dus waarschijnlijk maar een deel van het “daadwerkelijke” geheel.

Hoewel het computermodel goed in staat is om antisemitische teksten te herkennen, is het niet foutloos. Met name stijlvormen als ironie of sarcasme blijken lastig te herkennen. Verdere ontwikkeling van het model zal ervoor zorgen dat de tekstclassificatie accurater zal zijn in de toekomst.

Download rapport

Do you have any questions or feedback? Please let us know! Contact EN
Feedback

Feedback form

Feedback