Hesaplamalı sosyal ağ analizi, çevrim içi kullanıcıları düğüm, aralarındaki retweet gibi ilişkileri bağlantı olarak temsil ederek iletişim ağlarının yapısını, merkeziliğini, kümelenmesini ve zaman içindeki değişimini inceleyen bir yöntem ailesidir. Jeffrey Layne Blevins ve James Jaehoon Lee'nin akademik monografı bu yaklaşımı politik ekonomi, nitel hashtag/metin analizi, yerel medya içerik analizi ve aktivist görüşmeleriyle birleştirerek sosyal medyanın sosyal adalet hareketlerini nasıl görünür kılabildiğini, aynı ağların siyasi örgütlenme, troll etkinliği, botlar, yanlış bilgi ve ticari platform dinamikleri tarafından nasıl şekillendirilebildiğini inceler.

Kitabın ampirik omurgası üç tarihsel Twitter bağlamı üzerinde kuruludur: 2014 Ferguson protestoları ve #BlackLivesMatter ile ilişkili ağlar; 2016 ABD başkanlık seçimi sırasında #MAGA, #ImWithHer ve diğer siyasal hashtagler etrafındaki ağlar; 2020 yazında Ahmaud Arbery, Breonna Taylor ve George Floyd'un ölümlerinin ardından gelişen sosyal adalet ve karşı-siyasi söylemler. Cincinnati'deki Sam DuBose vakası ayrıca yerel haber kuruluşlarının içeriklerinin taranması ve sosyal adalet örgütleyicileriyle yapılan görüşmeler yoluyla incelenmiştir.

Ferguson verileri, ilk Twitter dalgasında #MikeBrown gibi kişi veya yer adlarını taşıyan tanımlayıcı hashtaglerin öne çıktığını; yaklaşık bir–iki hafta sonra #IfTheyGunnedMeDown, #BlackLivesMatter ve daha sonra #ICantBreathe gibi kişiselleştirilmiş veya ideolojik çerçevelerin daha baskın hâle geldiğini göstermektedir. Yazarlar bunu, kullanıcıların olayı yalnız belirli bir haber olayı olarak paylaşmak yerine kendi yaşam deneyimleriyle ilişkilendiren “affective publics” veya duygulanımsal kamular oluşturmasıyla yorumlamaktadır.

2016 seçim analizinde yazarların “continent effect” adını verdiği görsel ağ yapısı öne çıkar: pro-Trump mesajların sayısı bazı karşılaştırmalarda pro-Clinton mesajlardan az olsa da, pro-Trump hashtag ve hesapları daha yoğun ve birbirine bağlı kümeler oluşturmuştur. 25–27 Eylül 2016 örnekleminde @realDonaldTrump degree merkeziliğinde 0,0456 ve betweenness merkeziliğinde 0,0990 ile en yüksek değere sahipken @HillaryClinton sırasıyla 0,0311 ve 0,0805 değerindedir. Aynı dönemin en yüksek betweenness değerine sahip 50 hesabında #MAGA 26 hesapta, #ImWithHer yalnız 5 hesapta görülmüştür. Yazarların yorumu, ağdaki siyasal sağ mesajlarının ortak hashtagler etrafında daha koordine ve yapısal olarak daha yoğun olduğudur.

Ancak ağ merkeziliği, retweet yoğunluğu veya hashtag ortak-oluşumu seçmenin gerçekten ikna edildiğini, oy davranışının değiştiğini veya belirli bir siyasi grubun nüfusta daha fazla desteklendiğini doğrudan göstermez. Kitap kontrollü bir siyasal ikna deneyi değildir. İncelenen metrikler Twitter ağındaki yapısal görünürlüğü, bağlantı yoğunluğunu ve bilgi dolaşımındaki konumu ölçmektedir.

Kitabın politik ekonomi bölümü Edward S. Herman ve Noam Chomsky'nin propaganda modelindeki sahiplik, reklam, kaynak kullanımı, “flak” ve ideolojik filtreleri çevrim içi platform ortamına uyarlayarak tartışır. Yazarlar sosyal medyanın aşağıdan yukarı örgütlenen toplumsal hareketleri güçlendirebildiğini; fakat aynı ağların botlar, troll çiftlikleri, ücretli görüntülenme/beğeni sistemleri, platform yoğunlaşması ve yanlış bilgi yoluyla yapay biçimde yönlendirilebildiğini savunur. Bu nedenle kitabın temel sonucu “sosyal medya sosyal adaleti sağlar” veya “sosyal medya sosyal adaleti engeller” değildir; çevrim içi iletişim gücünün ağ yapısı, mesaj birliği, ekonomik teşvikler, platform yönetişimi ve manipülasyon kapasitesi arasındaki ilişkiye bağlı olduğudur.

Kitabın temel araştırma problemi

Kitap şu temel gerilimden hareket eder: sosyal medya, geleneksel medyaya erişimi sınırlı kişilere ve toplumsal hareketlere doğrudan yayın, ağ kurma ve hikâye anlatma gücü sağlayabilir. Aynı teknik altyapı, nefret grupları, politik kampanyalar, troll ağları, bot hesapları, dezenformasyon aktörleri ve ticari görünürlük sistemleri tarafından da kullanılabilir.

Bu nedenle araştırmanın sorusu yalnız “sosyal medya sosyal adalet hareketleri için faydalı mıdır?” değildir. Daha kapsamlı soru şudur: Çevrim içi ağlarda iletişim gücü kimlerde yoğunlaşır, hangi mesajlar birbirine bağlanarak görünürlük kazanır ve sosyal medya platformlarının politik-ekonomik yapısı bu süreci nasıl biçimlendirir?

Yazarlar bu problemi yalnız metin yorumuyla ele almamış; Twitter ağlarını hesaplamalı olarak görselleştirmiş, tweet-retweet bağlantılarını incelemiş, hashtaglerin zaman içindeki görünürlüğünü takip etmiş, merkezilik metriklerini karşılaştırmış, bazı ağlarda merkezi düğümleri çıkararak yapının nasıl değiştiğine bakmış ve bunları nitel söylem ile politik ekonomi bağlamında yorumlamıştır.

Analitik çerçevenin dört katmanı

Twitter verisi nasıl işlenmiştir?

Ferguson ve 2016 çalışmalarında Twitter tarihsel arşivinden belirli hashtag ve kelimeler Python 2.7 ile çıkarılmıştır. Sonuçlar gün bazında düz JSON dosyalarına kaydedilmiş ve iki temel veri yapısına dönüştürülmüştür.

Birinci veri yapısı tweet-retweet ilişkilerini temsil eder. Kullanıcılar düğümdür; bir kullanıcının başka bir kullanıcıyı retweet etmesi aralarında bağlantı oluşturur. Tweet metni ve zaman bilgisi gibi ayrıntılar daha sonraki inceleme için korunur.

İkinci veri yapısı arama terimleri için betimsel istatistik üretir. Hashtag veya kelimeler; özgün tweet/retweet durumu, saat ve haftanın günü gibi özelliklere göre gruplanabilir.

Ağların görselleştirilmesinde değiştirilmiş bir D3.js force-directed graph, filtreleme ve etkileşim katmanında ise crossfilter.js ve dc.js kullanılmıştır. 2020 verilerinin işlenmesinde aynı çekirdek yaklaşım Python 3.6'ya taşınmıştır.

Ferguson vakası: hashtag bir olay etiketinden kişisel çerçeveye nasıl dönüştü?

Yazarlar 2014 Ağustos ayında Michael Brown'ın öldürülmesinin hemen ardından başlayan ve Darren Wilson'ın suçlanmaması kararının sonrasına kadar devam eden dört aylık dönemde #BLM ile ilişkili tarihsel Twitter arşivini incelemiştir.

İlk dalgada #MikeBrown ve #MichaelBrown gibi kişi adları ile #Ferguson gibi olay/yer tanımlayıcıları daha görünürdür. Bu hashtagler olayın kim, nerede ve ne olduğu konusunda doğrudan tanımlayıcı işlev görür.

Daha sonra #IfTheyGunnedMeDown gibi kavramsal etiketler görünürlük kazanmıştır. Bu hashtagde kullanıcılar kendilerine ait iki farklı fotoğrafı yan yana koyarak, bir polis müdahalesinde öldürülmeleri durumunda medyanın hangi fotoğrafı seçeceğini sorgulamıştır. Yazarlar bunu tek bir olaydan daha genel bir ırk, temsil ve medya çerçevesine geçiş olarak yorumlamaktadır.

Kasım 2014'e gelindiğinde #IfTheyGunnedMeDown ve #ICantBreathe gibi kişiselleştirilmiş çerçeveler ile #BlackLivesMatter gibi ideolojik hashtagler #MikeBrown gibi doğrudan olay etiketlerini aşmaya başlamıştır. Eric Garner'ın ölümü ve Darren Wilson hakkında verilen hukuki karar gibi sonraki olaylar, daha önce ayrı görünen hashtag ağlarının birbirine bağlanmasına katkıda bulunmuştur.

Sosyal Medyada Ağ Merkeziliği Siyasi İkna Gücüyle Aynı Şey midir?

Hayır. Degree ve betweenness merkeziliği bir hesabın incelenen ağda ne kadar bağlantılı olduğunu veya farklı düğümler arasında ne ölçüde köprü konumunda bulunduğunu gösterir; seçmenlerin görüşünün değiştiğini, oy tercihlerinin etkilendiğini veya bir siyasi mesajın doğru kabul edildiğini doğrudan ölçmez. Bu nedenle kitabın 2016 ve 2020 ağ bulguları yapısal görünürlük ve koordinasyon kanıtıdır, nedensel siyasal ikna ölçümü değildir.

Degree merkeziliği nasıl yorumlanır?

Degree merkeziliği, bir düğümün ağdaki bağlantı yoğunluğunu ifade eder. Bu çalışma bağlamında yüksek degree değerine sahip bir Twitter hesabı, incelenen tweet-retweet ağında daha yoğun bağlantı ve etkileşim içinde bulunmaktadır.

25–27 Eylül 2016 döneminde kaynak Figure 6.9'a göre en yüksek degree değerleri şunlardır:

Kaynakta ilk 10 degree hesabının büyük çoğunluğu Trump yanlısı veya siyasi sağ olarak operasyonel biçimde sınıflandırılmış hesaplardan oluşmaktadır. Bu sınıflandırma yazarların araştırma kodlamasıdır: “right-leaning”, Trump'ı destekleyen veya Clinton, Demokrat Parti ya da Obama karşıtı içerik yayımlayan hesapları; “left-leaning” ise Clinton yanlısı veya güçlü Trump karşıtı hesapları kapsamaktadır.

Betweenness merkeziliği neyi gösterir?

Betweenness merkeziliği kavramsal olarak bir düğümün ağdaki farklı bölgeler veya kullanıcı kümeleri arasındaki bağlantı yollarında ne ölçüde köprü rolü oynadığını gösterir. Yüksek betweenness değeri bir hesabın yalnız çok bağlantıya sahip olması değil, farklı ağ parçalarının birbirine ulaşmasında stratejik bir konuma sahip olabileceği anlamına gelir.

25–27 Eylül döneminde @realDonaldTrump betweenness = 0,0990 ile, @HillaryClinton ise 0,0805 ile ilk iki sıradadır. Yazarlar ilk sıralardaki diğer hesapların çoğunun da siyasi sağ ile ilişkili olmasını, aynı ağ içinde daha yoğun bir koordinasyon yapısının göstergesi olarak yorumlamaktadır.

6–8 Kasım 2016 döneminde ne değişti?

Seçim gününe yaklaşan 6–8 Kasım örnekleminde @realDonaldTrump degree = 0,0533 ile yine ilk sırada yer almıştır. @DonaldJTrumpJr degree = 0,0327 ile ikinci, @HillaryClinton 0,0226 ile üçüncü olmuştur.

Kaynak burada siyasi sağ ile ilişkilendirdiği hesapların iki ayrı tarih aralığında üst sıralarda daha tutarlı biçimde yeniden görünmesine dikkat çekmektedir. Yazarlar bu sürekliliği ağın “birlik” veya “cohesion” özelliğinin olası bir işareti olarak yorumlamaktadır. Ancak bu, seçmenlerin ideolojik birlik düzeyinin doğrudan ölçümü değildir; Twitter'daki belirli hesap ve retweet örüntüsünün analizidir.

“Continent effect” ne anlama geliyor?

“Continent effect”, kitabın yazarlarının 2016 ağ görselleştirmelerinde pro-Trump hesap ve hashtaglerin büyük, birbirine bağlı bir küme oluşturmasını tanımlamak için kullandığı görsel bir ifadedir; standartlaştırılmış bağımsız bir sosyal ağ metriği değildir.

Yazarların önemli gözlemi, bazı dönemlerde pro-Clinton tweetlerin sayısının daha fazla olmasına rağmen pro-Trump ağının daha yoğun biçimde bir araya gelmesidir. Dolayısıyla ham mesaj sayısı ile ağın yapısal örgütlenmesi aynı değişken değildir.

Hashtag ortak-oluşumu ne gösterdi?

25–27 Eylül 2016 döneminde betweenness bakımından en yüksek 50 hesap incelendiğinde kaynak Figure 6.17 şu toplamları vermektedir:

Kaynak ayrıca #MAGA'nın diğer hashtaglerle #ImWithHer'a göre çok daha sık birlikte kullanıldığına dikkat çekmektedir. #ImWithHer ile ortak-oluşum gösteren iki hashtagin de sağ eğilimli olarak kodlanan #MAGA ve #TrumpTrain olması, yazarların hashtag “hijacking” veya karşı tarafın etiket akışına girme stratejisine ilişkin tartışmasıyla bağlantılıdır.

Hashtag Hijacking Nedir ve Bu Kitapta Nasıl Kullanılmıştır?

Hashtag hijacking, başka bir kurum, hareket veya topluluk tarafından görünür hâle getirilmiş bir hashtag akışının, farklı bir mesajın aynı arama ve etkileşim alanına sokulması için bilinçli biçimde kullanılmasıdır. Kitapta Cincinnati'deki Irate 8 grubunun University of Cincinnati'nin #HottestCollegeInAmerica etiketini #theIrate8 ile birlikte kullanması, grubun henüz güçlü bir kurumsal hesabı yokken kendi sosyal adalet mesajını üniversitenin daha görünür dijital akışına taşıyan kasıtlı bir örnek olarak anlatılmaktadır.

Irate 8 üyeleri başlangıçta kişisel hesaplardan koordineli paylaşım yapmış ve #theIrate8 etiketini üniversitenin popüler #HottestCollegeInAmerica etiketiyle birlikte kullanmıştır. Görüşmede Brittany Bibb bu kullanımın özellikle kasıtlı olduğunu ifade etmektedir. Daha sonra örgüt kendi Twitter hesabını oluşturmuş; belirli gönderileri beğenme, yorumlama ve retweet etme konusunda üyeler arasında daha koordineli bir yaklaşım geliştirmiştir.

Kitap hashtag hijacking'i yalnız sosyal adalet gruplarına özgü bir teknik olarak değerlendirmez. 2016 seçim analizinde bazı sağ eğilimli hesapların #ImWithHer gibi karşı tarafla ilişkilendirilen hashtagleri kendi mesajlarıyla birlikte kullandığı görülmektedir. Dolayısıyla aynı ağ tekniği hem aşağıdan yukarı aktivizm hem de karşı-siyasi görünürlük stratejisi için kullanılabilir.

Cincinnati vaka çalışması: sosyal medya ile geleneksel medya arasındaki fark

Sam DuBose'un 2015'te öldürülmesinden sonra Black Lives Matter Cincinnati ve Irate 8 gibi grupların sosyal medya stratejilerini incelemek için yazarlar iki sosyal adalet örgütleyicisiyle derinlemesine görüşme yapmış, ayrıca yerel medya sitelerinde Boolean anahtar kelime taraması gerçekleştirmiştir.

Aranan ifadeler:

• Sam Dubose
• Black Lives Matter
• Black Lives Matter Cincinnati
• Irate8

Kaynak yöntem metni tarama dönemini Temmuz 2015–Kasım 2016 olarak belirtmektedir. İncelenen kuruluşlar The Cincinnati Enquirer, CityBeat, WXIX-TV ve WCPO-TV'dir. Cincinnati Herald ile WKRC-TV ve WLWT-TV, web sitelerindeki sınırlı arama işlevi nedeniyle analize dahil edilmemiştir.

Yazarlar toplam 269 haberi okuyarak içerik bağlamını da değerlendirmiştir. Gazeteler The Enquirer ve CityBeat, yerel “Black Lives Matter Cincinnati” örgütünü genel “Black Lives Matter” ifadesinden televizyon kuruluşlarına göre daha sık ayırmıştır. Irate 8 ise dört kuruluşta toplam yalnız beş kez anılmıştır.

Kaynakta burada önemli bir tarih tutarsızlığı vardır. Yöntem paragrafı taramayı Temmuz 2015–Kasım 2016 olarak açıklarken Figure 4.1 başlığı Temmuz 2016–Kasım 2016 yazmaktadır. Tablo verileri değiştirilmemiş, doğru tarih tarafımızdan tahmin edilmemiştir.

Aktivist görüşmeleri ne gösterdi?

Black Lives Matter Cincinnati liderleriyle yapılan görüşmeler sosyal medyanın gruba kendi adına doğrudan açıklama yapma ve geleneksel haber kuruluşlarında yanlış ilişkilendirildiğini düşündüğü kişi veya eylemlere karşı kendi mesajını kontrol etme olanağı verdiğini göstermektedir.

Buna karşılık sosyal medya tek başına bütün hedef kitleye erişim sağlamamaktadır. Görüşmelerde düşük gelirli topluluklarda telefon, bilgisayar veya ev interneti erişimi bulunmayan kişilerin varlığı özellikle vurgulanmıştır. Yazarlar bu nedenle sosyal adalet aktivizminin dijital erişim, geniş bant altyapısı, ağ tarafsızlığı ve mahremiyet gibi daha geniş medya reformu sorunlarından ayrı düşünülmemesi gerektiğini savunmaktadır.

Aktivistler ayrıca sosyal medya hesaplarında tehdit, nefret mesajı ve tacizle karşılaştıklarını anlatmaktadır. Böylece platform aynı anda hem doğrudan ifade ve bağlantı aracı hem de karşı-mobilizasyon ve saldırı kanalı olabilmektedir.

Sosyal medya mobbing'i

Kitapta “social media mobbing”, bir kişi veya konu etrafında büyük sayıda kullanıcının sosyal platformlarda toplanarak hakaret, tartışma, tehdit veya meme bombardımanıyla söylem alanını baskılaması biçiminde açıklanmaktadır.

Yazarlar bu olguyu Leslie Jones, Cincinnati Zoo/Harambe olayı ve başka vakalar üzerinden tartışmakta; çevrim içi söylemin nicelik açısından büyürken kamusal tartışmanın niteliğini azaltabileceğini ileri sürmektedir. Ancak Harambe ve diğer aile vakaları arasındaki karşılaştırmanın kontrollü istatistiksel deney olmadığı da önemlidir. Yazarların kendileri ırksal tepki farkını nicel olarak kesin ölçmenin güç olduğunu belirtmektedir.

2016 “knockout experiment” neydi?

Kaynakta “knockout experiment” adı verilen analiz, biyolojideki gen çıkarma benzetmesinden yararlanır. Araştırmacılar büyük Twitter ağındaki önemli bir düğümü görselleştirmeden çıkarıp ağın yapısının nasıl değiştiğine bakmıştır.

Amaç bir hesabın ağın yapısal bütünlüğüne ne ölçüde katkıda bulunduğunu incelemektir. Yazarlar pro-Trump ağında tek bir merkezi hesabın çıkarılmasından sonra bile bfraser747, TeamTrump ve USA4TRUMP gibi çeşitli alt ağların varlığını sürdürdüğünü gözlemlemiş ve bunu ağın yapısal dayanıklılığının işareti olarak yorumlamıştır.

Bu yöntem gerçek kullanıcı davranışını değiştiren deney değildir. Veri kümesindeki düğümün analitik olarak çıkarılmasıyla yapılan bir ağ görselleştirme karşılaştırmasıdır.

Çalışmanın Yöntemi ve Bulguları

Ferguson 2014 veri seti

Kaynak, Ağustos–Aralık 2014 döneminde açık kaynaklı Twitter tarihsel arşivinde #BLM ile ilişkili tweetleri çıkarmış ve kullanıcıların birbirine nasıl yanıt verdiğini/retweet ettiğini gösteren bir ağ oluşturmuştur.

Python 2.7 çıkarım programı belirtilen hashtag ve kelimeleri aramış; veriler gün bazında JSON'a kaydedilmiştir. Ağ yapısında kullanıcılar düğüm, retweetler bağlantı olarak temsil edilmiştir.

Betimsel arayüz dört temel veri görünümü üretmiştir:

1. Ağustos 2014 hashtag sıklığı/zaman grafiği.
2. Ağustos 2014 saatlik tweet dağılımı.
3. Kasım–Aralık 2014 hashtag sıklığı/zaman grafiği.
4. Kasım–Aralık 2014 saatlik tweet dağılımı.

Ana nitel bulgu, ilk dalgada kişi/yer adlarının baskın olmasına karşılık, zamanla kişisel deneyimi ve ideolojik çerçeveyi ifade eden hashtaglerin ağın daha önemli parçaları hâline gelmesidir.

2016 seçim veri seti

2016 bölümündeki ayrıntılı alt analiz Twitter verisinin tamamını kullanmamıştır. Kaynak açıkça iki tarih aralığındaki verinin %1 örneklemini incelemiştir:

• 25–27 Eylül 2016
• 6–8 Kasım 2016

Üç analiz yapılmıştır:

1. Önemli hesapların degree ve betweenness merkezilikleri.
2. En yüksek degree/betweenness grubunda hashtag ortak-oluşumu.
3. Önemli ağ düğümlerinin analitik olarak çıkarıldığı knockout karşılaştırmaları.

Yazarların “right-leaning” ve “left-leaning” sınıfları araştırma amacıyla oluşturulmuş operasyonel kodlardır. Sağ sınıfı Trump destekçisi ve Clinton/Demokrat/Obama karşıtı mesajları; sol sınıfı ise Clinton destekçisi veya güçlü Trump karşıtı mesajları kapsar.

2016'da kaynak hangi yapısal sonucu çıkarıyor?

Kaynağın değerlendirmesinde pro-Trump ağlar aynı hashtagleri ve merkezî hesapları daha tutarlı biçimde tekrar etmiş, pro-Clinton ağ ise daha dağınık bir yapı göstermiştir. Bu nedenle yazarlar mesaj birliği ile ağdaki görünürlük arasında ilişki olabileceğini savunmaktadır.

Ancak “daha etkili” ifadesi yalnız seçim sonucuna bakılarak nedensel biçimde yorumlanmamalıdır. Kaynak, Twitter ağlarının yapısal özellikleriyle siyasal kampanyanın daha geniş başarısı arasında benzerlik kurmaktadır; kullanıcı düzeyinde ikna deneyi veya oy değişim modeli sunmamaktadır.

2020 analizinde veri seçimi nasıl yapıldı?

2020 bölümünde çekirdek veri çıkarım yöntemi Python 3.6 ile uygulanmıştır. Araştırmacılar başlangıçta üç olay penceresi oluşturmayı planlamıştır:

• Breonna Taylor'ın öldürülmesinden sonraki 13–17 Mart 2020.
• Ahmaud Arbery videosunun yayımlanmasından sonraki 5–9 Mayıs 2020.
• George Floyd'un öldürülmesinden sonraki 26–30 Mayıs 2020.

Ancak Mart döneminde karşılaştırılabilir büyüklükte Twitter etkinliği bulunmadığı için bu ağ aynı şekilde kullanılamamıştır. Floyd'un ölümünden sonraki beş günlük veri ise görselleştirme için aşırı büyük olduğundan araştırmacılar ağ analizini 26–27 Mayıs olmak üzere iki güne sınırlamıştır.

Bu karar metodolojik açıdan önemlidir. 2020 görselleri bütün protesto yazının eksiksiz Twitter evrenini değil, araştırmacıların teknik olarak işleyebildiği ve karşılaştırma için seçtiği tarih pencerelerini temsil eder.

2020'de hashtag yapısı nasıl değişti?

5 Mayıs 2020'de #AhmaudArbery ağı baskın biçimde merkezde yer almıştır. 9 Mayıs'a gelindiğinde #SeanReed, #SayHerName, #JusticeForBreonnaTaylor ve #BlackLivesMatter gibi başka etiketler daha görünür hâle gelmiştir.

George Floyd'un ölümünden sonraki 26 Mayıs ağında #GeorgeFloyd baskındır. 27 Mayıs'ta #BlackLivesMatter etiketi #GeorgeFloyd'u geçerken #JusticeForGeorgeFloyd, #ICantBreathe, #SayHisName ve #PoliceBrutality gibi daha geniş sosyal adalet çerçeveleri de ağda görünür hâle gelmiştir.

Yazarlar bu geçişi tek tek mağdur isimlerinden daha geniş sosyal adalet anlatısına doğru hızlı bir ağsal çerçeveleme olarak yorumlamaktadır.

2020'de siyasi karşı-ağlar

Kitap 2020 verisini üç geniş hashtag kategorisiyle analiz etmektedir:

Yazarların sonuçlarına göre sosyal adalet temaları 2020'de sayıca ve konu çeşitliliği açısından baskın hâle gelmiştir. Buna rağmen karşı-siyasi sağ ağı daha az hesap ve hashtag içerse bile daha yüksek siyasal dayanışma gösteren bir yapı sergilemiştir. Bu ifade kitabın belirli tarih aralıklarındaki Twitter ağları hakkındaki yorumudur; genel ABD seçmen davranışının ölçümü değildir.

Politik Ekonomi Yaklaşımı Bu Kitapta Neyi Açıklıyor?

Kitabın politik ekonomi yaklaşımı, sosyal medyada hangi mesajın görünür olacağını yalnız bireysel kullanıcı tercihleriyle açıklamak yerine platform sahipliği, reklam modeli, ticari teşvikler, haber kaynaklarının gücü, örgütlü baskı, bot/troll ağları ve ideolojik çerçeveler gibi yapısal koşullarla birlikte inceler. Yazarlar Herman ve Chomsky'nin propaganda modelini dijital ortama uyarlarken modelin medya yapısını şekillendiren güçleri açıkladığını, belirli bir mesajın kamuoyu üzerinde mutlaka etkili olduğunu kanıtlamadığını özellikle korur.

Propaganda modelinin beş filtresi

Herman ve Chomsky'nin klasik modelinde beş filtre bulunmaktadır:

1. Sahiplik: Büyük ve kâr odaklı medya kuruluşlarının ekonomik/kurumsal çıkarları.
2. Reklam: Reklam finansmanının içerik ve erişim üzerindeki yapısal rolü.
3. Kaynak kullanımı: Haber kuruluşlarının düzenli ve “otoritatif” kabul edilen kaynaklara bağımlılığı.
4. Flak: Medya içeriklerine karşı örgütlü politik veya ekonomik baskı ve tepki.
5. İdeoloji: Klasik modelde anti-komünizm; sonraki tartışmada kapitalizm yanlısı ideolojik çerçeveler.

Blevins ve Lee, dijital ağlarda bu filtrelerin birebir aynı şekilde işlemediğini; fakat sahiplik yoğunlaşması, reklam ve dikkat ekonomisi, botlarla yapay popülerlik, yanlış bilgi kaynaklarının çoğalması ve “fake news” söyleminin güvenilir gazeteciliği itibarsızlaştırmak için kullanılabilmesi üzerinden yeni biçimler kazandığını savunmaktadır.

Yapay popülerlik neden politik ekonomi problemidir?

Kitap sosyal medya görünürlüğünün her zaman organik insan ilgisini temsil etmediğini vurgular. Bot hesapları, satın alınan beğeni/görüntüleme hizmetleri, koordineli troll ağları ve hashtag hijacking teknikleri bir mesajın gerçek taban desteğinden daha büyük görünmesine yol açabilir.

Politik ekonomi açısından sorun yalnız yanlış mesajın varlığı değildir; platform ekonomisinin dikkat, etkileşim ve erişimi ödüllendiren yapısının yapay ağ etkinliğiyle birleşebilmesidir.

Kaynak kullanımı dijital ortamda nasıl değişiyor?

Geleneksel gazetecilikte “sourcing”, gazetecinin bilgi için güçlü kurum ve resmî kaynaklara bağımlılığını ifade eder. Kitap sosyal medyada bunun çift yönlü hâle geldiğini savunur.

Bir yandan bot ve yapay etkileşim sistemleri belirli kaynağın popülerlik görünümünü üretebilir. Diğer yandan sıradan kullanıcılar beğeni, retweet ve paylaşım yoluyla hangi kaynağın görünürlüğünün büyüyeceğine doğrudan katkıda bulunur.

Kaynağın aktardığı başka araştırmada 2016 seçimi öncesindeki bir ay içinde 70.000 Twitter hesabından gelen 10 milyondan fazla tweet incelenmiş ve 6,6 milyon tweetin sahte haber veya komplo haber yayıncılarına bağlantı verdiği; sahte haber bağlantılarının %65'inin yalnız 10 siteye gittiği bildirilmiştir. Bu sayı Blevins ve Lee'nin kendi Twitter veri seti değil, politik ekonomi tartışmasında başvurdukları dış araştırmadır.

Fake news ile “flak” arasındaki bağlantı

Yazarlar propaganda modelindeki flak kavramının dijital ortamda yalnız medya kuruluşuna yönelik eleştiriden daha geniş bir işleve sahip olabileceğini savunur. “Fake news” terimi gerçek yanlış bilgiyi tanımlamak için kullanılabileceği gibi, istenmeyen veya eleştirel gazeteciliği itibarsızlaştırmak amacıyla da kullanılabilir.

Bu nedenle kitap post-truth ortamında sorunun yalnız yanlış haber miktarı olmadığını; bilgi kaynağının güvenilirliğinin nasıl değerlendirildiğinin de politik mücadele konusu hâline geldiğini ileri sürmektedir.

Kitabın “marketplace of ideas” eleştirisi

ABD ifade özgürlüğü geleneğinde yanlış fikirlere karşı çözümün daha fazla ve daha doğru konuşma olduğu düşüncesi sıklıkla “marketplace of ideas” metaforuyla açıklanır. Kitap, sosyal medya ortamındaki botlar, koordineli ağlar, yapay görünürlük ve dezenformasyon nedeniyle gerçeğin yalnız daha fazla konuşma üretilmesiyle otomatik olarak üstün geleceği varsayımının sorunlu olabileceğini tartışmaktadır.

Bu bölüm ampirik bir “gerçek kaybetti” ölçümü sunmaz. Yazarların politik ekonomi ve epistemoloji çerçevesinde geliştirdiği teorik yorumdur.

Kitabın desteklediği sonuçlar

• Twitter, Ferguson döneminde sosyal adalet aktörlerinin geleneksel medya dışında kendi hikâyelerini ve çerçevelerini yaymasına önemli bir kanal sağlamıştır.
• Ferguson ağında kişi/yer adlarından daha kavramsal ve kişiselleştirilmiş hashtaglere doğru zaman içinde görünür bir söylem değişimi meydana gelmiştir.
• 2016'nın incelenen Twitter örneklemlerinde Trump yanlısı olarak sınıflandırılan hesaplar merkezilik ve ortak hashtag kullanımı açısından daha yoğun, tekrarlayan ve birbirine bağlı bir ağ oluşturmuştur.
• #MAGA, 25–27 Eylül 2016 örneklemindeki en yüksek betweenness değerine sahip 50 hesabın 26'sında; #ImWithHer ise 5'inde görülmüştür.
• Cincinnati vaka çalışması sosyal medyanın yerel aktivistlere kendi açıklamalarını doğrudan yayımlama olanağı verdiğini, fakat dijital erişim eşitsizliği ve çevrim içi tacizin önemli sınırlar oluşturduğunu göstermektedir.
• 2020'de incelenen ağlarda tekil mağdur isimlerinden #BlackLivesMatter ve #ICantBreathe gibi daha geniş sosyal adalet çerçevelerine hızlı bir geçiş görülmüştür.
• 2020'nin incelenen kritik anlarında sosyal adalet temaları sayıca ve çeşitlilik açısından güçlü olmasına rağmen, yazarların siyasi sağ olarak kodladığı ağlar daha küçük olmalarına karşın daha yoğun siyasal birlik sergilemiştir.
• Sosyal medya görünürlüğü yalnız organik kullanıcı etkinliğinin sonucu değildir; bot, troll, ücretli etkileşim ve koordineli ağ etkinlikleri görünürlük yapısını değiştirebilir.

Kitabın desteklemediği sonuçlar

• Twitter ağındaki merkezilik bir adayın seçim sonucuna neden olduğunu kanıtlamaz.
• #MAGA'nın ağdaki yüksek ortak-oluşumu bütün ABD nüfusunun siyasi tercihini ölçmez.
• Retweet sayısı mesajın doğru bulunduğu veya kullanıcı tarafından desteklendiği anlamına zorunlu olarak gelmez.
• Bot veya troll varlığı belirli bir kullanıcının fikrinin değiştiğini göstermez.
• 2014, 2016 ve 2020 Twitter ağları günümüz X platformunun algoritması veya kullanıcı davranışı için doğrudan güncel ölçüm değildir.
• Sağ ve sol ağlar hakkında kitapta yapılan karşılaştırmalar bütün ideolojik grupların her dönemde aynı ağ yapısına sahip olduğu anlamına gelmez.
• Cincinnati'deki iki aktivistle yapılan görüşmeler bütün sosyal adalet örgütlerinin deneyimini temsil etmez.
• Yerel medya içerik taraması bütün Cincinnati haber kuruluşlarını kapsamamaktadır.
• Kitapta politik ekonomi çerçevesiyle tartışılan propaganda ve yanlış bilgi mekanizmaları, herhangi bir bireyin psikolojik veya oy davranışına ilişkin doğrudan nedensel etki büyüklüğü sağlamaz.

Temel yöntemsel sınırlılıklar

Platform sınırlılığı: Ampirik ağ analizlerinin ana platformu Twitter'dır. Facebook, YouTube ve diğer ağlar daha çok bağlamsal tartışmalarda yer almaktadır.

Tarihsel bağlam: Ana veri pencereleri 2014, 2016 ve 2020'dir. Platform tasarımı, API erişimi, moderasyon ve algoritmik dağıtım zaman içinde değişmiştir.

2016 örnekleme sınırı: Ayrıntılı seçim analizi yalnız iki üç-günlük zaman penceresindeki Twitter verisinin %1'lik örneklemine dayanmaktadır.

2020 render sınırı: Floyd sonrasındaki beş günlük ağ aşırı büyük olduğu için yalnız 26–27 Mayıs verisi görselleştirilmiştir. Bu, bütün protesto döneminin tam ağı değildir.

Yerel medya kapsamı: Cincinnati Herald, WKRC-TV ve WLWT-TV web arama işlevlerinin sınırlılığı nedeniyle yerel medya içerik analizine dahil edilmemiştir.

Görüşme kapsamı: Cincinnati vaka bölümündeki ayrıntılı saha yorumu iki sosyal adalet örgütleyicisiyle yapılan görüşmelere dayanmaktadır.

Nedensellik: Sosyal ağ merkeziliği ve hashtag görünürlüğü ile gerçek siyasal ikna veya davranış arasındaki nedensel bağlantı deneysel olarak test edilmemiştir.

Kodlama sınırı: “right-leaning” ve “left-leaning” kategorileri araştırmacıların tweet içeriğine dayalı operasyonel sınıflandırmalarıdır; bütün kullanıcının kapsamlı ideolojik profilini ölçmez.

Kaynak-içi tarih tutarsızlığı: Cincinnati medya taraması yöntem metninde Temmuz 2015–Kasım 2016, Figure 4.1 başlığında Temmuz 2016–Kasım 2016 olarak geçmektedir.

Kitabın genel bilimsel katkısı

Monografın en güçlü katkısı sosyal medya tartışmasını yalnız “aktivistler platformları kullanabilir” düzeyinde bırakmamasıdır. Yazarlar aynı platform mimarisinin toplumsal hareket, kampanya, gazetecilik, nefret söylemi, troll etkinliği, bot ağları ve ticari görünürlük mekanizmaları tarafından aynı anda kullanılabileceğini gösteren çok katmanlı bir analiz kurmaktadır.

Bu nedenle çevrim içi sosyal hareketi yalnız hashtag sayısıyla anlamak yeterli değildir. Ağın kimler tarafından birbirine bağlandığı, mesajların hangi ortak etiketlerle yoğunlaştırıldığı, merkezi hesapların çıkarıldığında yapının ne kadar değiştiği, sosyal medya anlatısının geleneksel habere nasıl taşındığı ve platformun ekonomik teşviklerinin görünürlük üzerinde nasıl rol oynadığı birlikte değerlendirilmelidir.

Kaynak ve Yöntem Notu

Özgün çalışma: Social Media, Social Justice and the Political Economy of Online Networks

Yazarlar: Jeffrey Layne Blevins ve James Jaehoon Lee.

Kaynak türü: Akademik araştırma monografı / açık erişimli akademik kitap.

Hakemlik durumu: University of Cincinnati Press'in resmî açık erişim koleksiyonu açık erişimli kitaplarının peer reviewed ve faculty board approved olduğunu belirtmektedir; bu eser de ilgili koleksiyonda listelenmektedir.

Yayınevi: University of Cincinnati Press, Cincinnati, Ohio, ABD.

Kaynak PDF telif tarihi: 2021.

Bibliyografik sürüm notu: Bazı güncel yayınevi ve katalog kayıtları basılı/dağıtım sürümünü 2022 olarak listeler. Kaynak PDF'nin kendi telif sayfasında 2021 yer almaktadır; iki tarih birbiriyle sessizce birleştirilmemiştir.

Açık erişim ISBN: 978-1-947602-86-1.

Paperback ISBN: 978-1-947602-84-7.

ePUB ISBN: 978-1-947602-85-4.

DOI: Yüklenen PDF'de güvenilir, tam bir kitap DOI'si belirtilmemektedir; bu nedenle DOI tahmin edilmemiştir.

Açık erişim durumu: Kaynak PDF, TOME — Toward an Open Monograph Ecosystem desteğiyle açık erişim olarak sunulduğunu belirtmektedir.

Lisans notu: Kaynak PDF'nin ön künyesinde belirli bir Creative Commons kodu yazılı değildir. University of Cincinnati Press Manifold'daki başlığa özgü proje metadatası CC BY-NC-ND kısıtlamasını göstermektedir. Bu nedenle kaynak figürler birebir kopyalanmamış, veriler ve ilişkiler bağımsız Verianla şemalarıyla yeniden ifade edilmiştir.

Yazar kurumu — Jeffrey Layne Blevins: University of Cincinnati; resmî yayınevi biyografisinde kitabın yayımlandığı dönemde Journalism Department başkanı olarak tanıtılmaktadır.

Yazar kurumu — James Jaehoon Lee: University of Cincinnati; Digital Scholarship Center Director, Associate Dean of Research for Libraries ve Associate Vice Provost for Digital Scholarship olarak tanıtılmaktadır.

Corresponding author: Akademik monograf yapısında kaynak PDF belirli bir corresponding author tanımlamamaktadır.

Eş katkı: Kaynak PDF'de eş katkı/eş birinci yazarlık beyanı bulunmamaktadır.

Finansman / yayın desteği: Açık erişim sürümü TOME — Toward an Open Monograph Ecosystem desteğiyle erişime açılmıştır. Bu bilgi araştırma projesi hibesi ile aynı şey olarak yorumlanmamıştır.

Çıkar çatışması: Kaynak monografın ön/son künyesinde standart dergi biçiminde çıkar çatışması beyanı bulunmamaktadır.

Veri ve dijital kaynaklar: Kitabın açık erişim sürümü etkileşimli ağ görselleştirmeleri ve araştırma veri setleriyle birlikte tasarlanmıştır. Kaynak ayrıca kullanılan makine öğrenmesi/analiz algoritmalarının ve görselleştirme araçlarının bulut platformunda araştırmacı ve öğrencilerin kullanımına açıldığını belirtmektedir.

Ana araştırma yaklaşımı: Politik ekonomi kuramı + sosyal ağ analizi + hesaplamalı Twitter arşiv analizi + hashtag/metin analizi + aktivist görüşmeleri + yerel haber içerik analizi.

Ferguson veri dönemi: Ağustos–Aralık 2014; #BLM ile ilişkili tarihsel Twitter arşivi.

Ferguson veri işleme: Python 2.7; günlük flat JSON; kullanıcı düğümleri; retweet bağlantıları; D3.js force-directed graph; crossfilter.js; dc.js.

2016 ayrıntılı seçim örneklemi: 25–27 Eylül 2016 ve 6–8 Kasım 2016 dönemlerindeki Twitter verisinin %1'i.

2016 analizleri: Degree merkeziliği; betweenness merkeziliği; hashtag ortak-oluşumu; yazarların “knockout experiment” adını verdiği analitik düğüm çıkarma karşılaştırmaları.

2020 veri işleme: Python 3.6; aynı düğüm–retweet ağ yaklaşımının geliştirilmiş biçimi.

2020 veri pencereleri: Ahmaud Arbery için 5–9 Mayıs 2020; George Floyd için ağ büyüklüğü nedeniyle 26–27 Mayıs 2020. Breonna Taylor için planlanan Mart penceresi karşılaştırılabilir ağ etkinliği vermediği için aynı şekilde kullanılmamıştır.

Cincinnati medya içeriği: The Cincinnati Enquirer, CityBeat, WXIX-TV ve WCPO-TV. Kaynak yöntem metnine göre Temmuz 2015–Kasım 2016.

Cincinnati kaynak-içi tarih tutarsızlığı: Figure 4.1 başlığı Temmuz 2016–Kasım 2016 yazmaktadır. Kaynak bu farkı açıklamamaktadır.

Cincinnati içerik analizi: Toplam 269 haber; Sam DuBose, Black Lives Matter, Black Lives Matter Cincinnati ve Irate8 terimleri üzerinden Boolean web araması ve nitel okuma.

Politik ekonomi çerçevesi: Edward S. Herman ve Noam Chomsky'nin propaganda modelinin dijital ağ ortamına eleştirel uyarlanması; sahiplik, reklam, kaynak kullanımı, flak ve ideolojik filtreler.

Temel nedensellik sınırı: Ağ merkeziliği, hashtag yoğunluğu ve ortak-oluşum siyasal ikna veya oy davranışı için doğrudan nedensel metrik değildir.

Zamansal genelleme sınırı: Ampirik ağlar Twitter'ın 2014, 2016 ve 2020 dönemlerindeki yapısını yansıtır; günümüz X platformunun algoritmik dağıtım sistemine doğrudan güncel kanıt oluşturmaz.

Görsel yeniden inşa: Kaynak yöntem akışı bağımsız inline SVG olarak; Figure 6.17'nin kesin hashtag sayıları veri tablosu ve bağımsız SVG çubuk grafiği olarak yeniden oluşturulmuştur. Kaynağın karmaşık force-directed ağ koordinatları veya ekran görüntüleri birebir kopyalanmamıştır.

Verianla Live uygunluğu: Uygundur. Ferguson hashtag evrimi sabit-parametreli Live Process; 2016 merkezilik ve hashtag ortak-oluşum sayıları Live Data/Live Compare; Twitter arşivinden JSON ve ağ görselleştirmeye giden yöntem Live Process/Live Architecture olarak sunulabilir. Kullanıcının düğüm veya hashtag ekleyerek kaynakta bulunmayan yeni “siyasi etki”, oy oranı veya ikna skoru üretmesi bilimsel olarak uygun değildir.