Gemeenteraadsverkiezingen 2026: Deel I
TikTok Analyse
Tijdens de gemeenteraadsverkiezingen van maart 2026 is er ook data verzameld om bots op TikTok te detecteren en de toxische content die verspreid wordt. Zie hieronder een uitleg van de aanpak en in de volgende blogs de resultaten daarvan.
Data
De verzamelde data is specifiek gelinkt aan de gemeenteraadsverkiezingen. Dit gebeurt door middel van een lijst verkiezings-relevante trefwoorden en het volgen van publieke figuren op TikTok. Een controledataset van TikTok berichten over algemene onderwerpen en hun reacties is daarin meegenomen ter vergelijking.
Deze twee datasets gelden beide voor de periode 18/2/2026 - 1/4/2026, 4 weken voor de gemeenteraadsverkiezingen tot en met 2 weken erna.
TikTok Analyse: Hoe wordt de bot-score berekend?
De score loopt van 0 tot 1: hoe hoger de score, hoe meer botachtig het gedrag.
Drie signalen
Het systeem kijkt naar drie onafhankelijke timing-signalen en combineert die tot één score.
Herhaalde berichten — hoe regelmatig worden dezelfde teksten geplaatst?
Het systeem groepeert berichten die (bijna) identiek zijn. Als meerdere accounts nagenoeg dezelfde tekst posten, kijkt het systeem naar de tussenpozen: worden die berichten op vaste, voorspelbare momenten geplaatst?
Voorbeeld: Als 10 accounts allemaal exact hetzelfde bericht plaatsen, en dat steeds om de 5 minuten of om de 4 uur, is dat verdacht. Echte mensen herhalen zichzelf niet zo precies.
Regelmatige tussenpozen → hoge score (botachtig)
Willekeurige, wisselende tussenpozen → lage score (menselijk)
Dit signaal telt mee voor 40% van de eindscore.
Postgedrag per account — hoe regelmatig post deze persoon?
Voor elk afzonderlijk account kijkt het systeem naar het ritme van al zijn berichten over de hele periode: zijn de tussenpozen tussen posts telkens min of meer gelijk, of variëren ze sterk?
Voorbeeld: Iemand die elke dag om 08:03, 14:03 en 20:03 post heeft een bijna robotachtig ritme. Iemand die de ene dag drie keer post en daarna twee dagen niets, gedraagt zich menselijker.
Regelmatige tussenpozen → hoge score
Onregelmatig en gevarieerd → lage score
Dit signaal telt mee voor 35% van de eindscore.
Reactiesnelheid — hoe snel reageert dit account op anderen?
Het systeem meet hoe snel een reactie verschijnt nadat het originele bericht geplaatst is.
Voorbeeld: Als iemand binnen enkele seconden op elk bericht reageert, suggereert dat automatisering. Echte mensen lezen eerst, denken na, en reageren later.
De formule werkt zo:
Reactie binnen enkele seconden → score bijna 1,0 (botachtig)
Reactie na 1 uur → score ~0,37
Reactie na 3 uur → score ~0,05 (menselijk)
Dit signaal telt mee voor 25% van de eindscore.
Combinatie tot één score
De drie signalen worden samen gewogen tot één getal tussen 0 en 1. Daarbij geldt een slim principe: een signaal dat sterk botachtig is, weegt automatisch zwaarder mee. Als twee van de drie signalen duidelijk op een bot wijzen, absorbeert de combinatie het gewicht van het derde signaal dat misschien ontbreekt.
Samengevat: Een account dat regelmatig dezelfde tekst herhaalt, altijd op vaste tijden post, én razendsnel reageert, krijgt een score dicht bij 1,0. Een account dat maar op één van die drie punten opvalt, krijgt een lager cijfer tenzij dat ene signaal enorm sterk aanwezig is.
Zo komen we tot de volgende figuren tijdens de gemeenteraadsverkiezingen 2026:
Bot Score Posts TikTok GR26 2026/02/18 - 2026/04/01
412 posts waren dus van accounts die hoogstwaarschijnlijk van bots. Meer dan 3000 posts kwamen vermoedelijk van bot accounts.
Bot Score Comment TikTok GR26 2026/02/18 - 2026/04/01
8123 comments kwamen hoogstwaarschijnlijk van bot accounts en 29,323 kwamen vermoedelijk van bot accounts.
In deze twee bovenstaande pie charts waar de bot-scoreverdeling van TikTok posts wordt weergegeven, zien we een gelijkaardige verdeling van de bot-scores tussen de gemeenteraadsverkiezingen posts dataset en de controle dataset.
Bot Score Comment Controle TikTok GR26 2026/02/18 - 2026/04/01
In de figuren m.b.t. de comments op bovenstaande TikTok posts is er echter wel een groot verschil. In de data die specifiek verzameld is in de context van de gemeenteraadsverkiezingen 2026 heeft ongeveer 15 procent meer verdachte berichten dan in de controle dataset.
De drie visualisaties: Toxische botcontent tijdens de Nederlandse gemeenteraadsverkiezingen van 2026
Top 50 Keywords ( THREAT= bold)- 2026-05-18 © EOOH
De drie visualisaties laten duidelijk zien dat toxische botcontent tijdens de Nederlandse gemeenteraadsverkiezingen van 2026 sterk werd gedomineerd door politieke polarisatie, waarbij anti-immigratie-, anti-moslim- en gewelddadige narratieven nauw met elkaar verweven waren. De woordwolk van de vijftig meest voorkomende termen toont dat woorden als “politiek”, “geweld”, “dood”, “links” en “rechts” centraal stonden binnen het online discours. Tegelijkertijd verschijnen expliciet stigmatiserende termen zoals “islamitische”, “moslims”, “omvolking” en “eigen volk eerst”, wat wijst op de blijvende aanwezigheid van extreemrechtse en xenofobe narratieven in online verkiezingsdebatten. Opvallend is dat politieke tegenstellingen (“groenlinks”, “links”, “rechts”) voortdurend gecombineerd worden met vijandige of gewelddadige terminologie, waardoor politieke discussie sterk wordt geframed in termen van conflict, dreiging en maatschappelijke ontwrichting.
Number of Toxic Messages by Category- 2026-05-18 © EOOH
Tweede visualisatie
De tweede visualisatie bevestigt dat politieke inhoud veruit de grootste categorie vormt binnen de toxische berichtenstroom. Daarnaast vallen ook categorieën zoals “ridicule”, “contempt”, “racism” en “threat” sterk op. Vooral de aanwezigheid van bedreigende taal en racistische frames toont aan dat online verkiezingsdiscussies niet beperkt bleven tot scherpe politieke kritiek, maar regelmatig overgingen in vijandige en ontmenselijkende communicatie.
Derde visualisatie
De derde visualisatie geeft meer inzicht in de inhoudelijke aard van deze toxiciteit. De categorie “contempt” behaalt de hoogste toxiciteitsscore (0.35), met termen zoals “hond”, “boeren” en “honden”, wat duidt op ontmenselijking en vernedering van bepaalde groepen. Ook “racism” scoort hoog, waarbij termen als “islamitische”, “dikke” en “moslims” centraal staan. Dit laat zien dat anti-moslimretoriek en discriminerende verwijzingen een belangrijke rol speelden binnen toxische botcontent. De categorie “threat” bevat woorden zoals “dood”, “geweld” en “afmaken”, wat erop wijst dat gewelddadige retoriek structureel aanwezig bleef in het online debat. Daarnaast valt op dat desinformatie-gerelateerde termen zoals “wappies”, “de roverheid” en “Demmink” terugkomen binnen de categorie “untruth”, wat suggereert dat complottheorieën en wantrouwen tegenover instituties verweven waren met haatdragende discoursen.
Gezamenlijk illustreren de visualisaties hoe toxische botcontent tijdens de gemeenteraadsverkiezingen niet alleen draaide om traditionele politieke meningsverschillen, maar vooral om de versterking van polariserende narratieven waarin migratie, islam, nationale identiteit en maatschappelijke dreiging centraal stonden. De combinatie van politieke framing, racistische verwijzingen, complottheorieën en gewelddadige taal wijst op een online omgeving waarin bots bijdragen aan de normalisering en amplificatie van vijandige discoursen. Hierdoor ontstaat niet alleen een toxischer digitaal debat, maar ook een versterking van gevoelens van maatschappelijke onveiligheid, polarisatie en wantrouwen tegenover democratische instituties en minderheidsgroepen.