Cosa vorrei vi portaste a casa?

• Guerra alla crittografia cosa si è imparato dal braccio di ferro istituzionale (speciale intro) (slides Hack In Socs)
• Shadow Banning, cercasi eletta che trovi una sintesi (dalla prossima slide)
• il Sindacato Universale Digitale, cercasi attiviste per nuovo esperimento (sito) (slides)

Liberate i

Shadowbanning

Piattaforme, percezioni utenti e tentativi di individuazione

censorshipdownrankingsearch banhashtag suppressionrecommendation exclusionnotification suppression

Quadro generale

attenuazione (demozione?) non dichiarata della visibilità di contenuti o account, spesso senza rimozione esplicita.

Stack di controllo della diffusione:

1. Indicizzazione → esistenza del contenuto in ricerca/hashtag.
2. Ranking → posizione nel feed o nei commenti.
3. Raccomandazione → accesso a nuove audience.
4. Cattura dell’attenzione → notifiche e posizionamento.

In pratica: l’utente continua a pubblicare, ma la cascata di diffusione si interrompe senza una prova semplice e immediata.

Extra

5. Percezione → immaginari algoritmici e “algorithmic gossip”.

Shadowbanning o censura?

• Non sono sinonimi perfetti. “Censura” evoca blocco, divieto o rimozione; “shadowbanning” indica più spesso una restrizione opaca e graduata della visibilità.
• Sovrapposizione reale: entrambi incidono sulla possibilità di esprimersi e di essere trovati.
• Differenza tecnica cruciale:
  • la censura può essere esplicita e visibile;
  • lo shadowbanning è spesso probabilistico, superficiale-specifico, parziale e non notificato.
• Differenza forense: un post con poche views non basta per parlare di shadowban; serve un pattern persistente, specifico e riproducibile.
• Differenza politica/giuridica: chiamarlo “censura” semplifica il dibattito; chiamarlo “attenuazione opaca della visibilità” permette un’analisi più precisa di ranking, raccomandazione, indicizzazione e notice.
  • Ma anche un totale fallimento nella comunicabilità
• Formula utile in presentazione: lo shadowbanning è una forma di visibility engineering che può produrre effetti simili alla censura pur senza coincidere con essa.

Il nodo non è solo “il contenuto esiste?” ma “con quale probabilità viene incontrato, da chi, e con quali spiegazioni all’utente?”.

Qualche esempio?

• Campagna “StopSilencingPalestine” (2021 e 2023) — https://stopsilencingpalestine.com/ Lista di richieste e ampia raccolta di risorse che documentano il problema; mostra come le criticità emerse nel 2021 non siano state realmente risolte nel 2023.
• Human Rights Due Diligence of Meta’s Impacts in Israel and Palestine in May 2021 (2022) — https://www.bsr.org/reports/BSR_Meta_Human_Rights_Israel_Palestine_English.pdf
  Report di 10 pagine, dettagliato e tra le fonti più accurate sul tema; evidenzia come hate speech e incitamento alla violenza siano stati strumentalizzati producendo over-censorship.
• Human Rights Watch – public call for support — https://www.instagram.com/p/CzCHWmjLhSd
  Appello pubblico a raccogliere screenshot e prove utili a documentare shadowban e altre forme di censura percepita.

...

• Human Rights Watch – report “Meta’s Broken Promises” — https://www.hrw.org/report/2023/12/21/metas-broken-promises/systemic-censorship-palestine-content-instagram-and
  Report basato su 1.050 casi ricevuti, di cui solo 1 relativo a contenuti pro-Israele censurati; documenta soprattutto casi di sostegno pacifico alla Palestina colpiti da restrizioni.
• NewsGuard – “Pay to Play” — https://www.newsguardtech.com/misinformation-monitor/october-2023/
  Analisi sulla disinformazione su X dopo il 7 ottobre, secondo cui oltre il 70% della disinformazione proveniva da account con spunta blu.
• Digitalization of armed conflict brings new threats for civilians — https://www.icrc.org/en/arria-formula-statement-ai-mdh Intervento istituzionale sul fatto che la digitalizzazione dei conflitti armati introduce nuove minacce per i civili, anche attraverso la diffusione di informazioni dannose o manipolative.

Reddit

• Il posto nel quale è nato il concetto (shadowban classico?): contenuto o commento visibile all’autore ma non agli altri; (qualcuno lo chiama anche “ghosting” ma penso porti a confusione).
• Punto forte analitico: qui lo shadowbanning è comprensibile come dissociazione fra auto-visibilità e visibilità pubblica.
• Segnali tipici:
  • il post sembra pubblicato normalmente dal profilo autore;
  • da account secondari o da sessioni esterne non compare;
• Metodo di verifica più intuitivo: controllo da account secondario / navigazione logged-out / confronto diretto sul thread.

Facebook

• In teoria sul "feed" dovresti vedere i contenuti dei tuoi amici (+ 20% di adv +X% di raccomandati per te, e comunque quanto pubblicano i tuoi amici/pagine?)
• Meccanismo dominante: feed suppression / downranking nella distribuzione del contenuto; il problema non è sempre la rimozione, ma il collasso della visibilità.
• Variante rilevante: su Facebook Marketplace è documentato che un prodotto possa essere Non mostrato (e c'è pure un brevetto)
  • Meta ammette di poter ridurre la distribuzione di contenuti problematici o borderline
• Segnali sospetti:
  • caduta improvvisa e persistente di impressions e reach;
  • contenuto formalmente online ma con scarsa o nulla scoperta extra-followers;
  • discrepanza tra engagement storico atteso e performance osservata.
• Limite interpretativo: calo di reach, concorrenza di topic e variazioni dell’algoritmo possono simulare lo stesso pattern.

Instagram

• La natura della piattaforma può portare a seguire un feed/algoritmo personalizzato che prende il posto di ciò che si segue, e questo rende il downranking più impattante.
• Piattaforma con maggiore varietà di segnali deboli:
  • downranking nel feed;
  • hashtag suppression;
  • notification suppression;
  • restrizioni soft su condivisione, tagging o funzioni;
  • contenuti rimossi o nascosti senza percezione chiara dell’evento.
• Perché qui il sospetto prolifera: l’utente vede ancora il proprio post sul profilo, ma perde visibilità su Explore, hashtag, follower alerts e interazioni secondarie.
• Indicatori ricorrenti:
  • post assente nella pagina hashtag;
  • follower che dichiarano di non ricevere notifiche;
  • pulsanti mancanti, errori di condivisione o tagging;
  • reach ai non-follower quasi azzerata.

TikTok

• Meccanismi chiave:
  • downranking nel feed “For You”;
  • recommendation exclusion (contenuto “non per il feed” / non raccomandabile);
  • hashtag suppression;
  • distribuzione iniziale a pubblici-test che può amplificare o stroncare la diffusione.
• Effetto tipico: il contenuto resta accessibile, ma non viene servito.
• Segnali osservabili: <- hai una pagina dedicata per ogni video!
  • traffico da FYP o discovery vicino allo zero;
  • sopravvivenza solo nella base follower o in audience residuali;
  • post che non compaiono nelle superfici attese a parità di formato/tema;
  • incapacità di innescare nuove visualizzazioni dopo il test iniziale (fermo a 120 view circa)
• Extra: TikTok è un po' più trasparente nel mostrarti statistiche su come gli utenti ti hanno raggiunto, e il fatto che tu possa essere esclusa dalla raccomandazione è noto. (Comunque rimane sempre il dubbio).

X / Twitter

• Punto distintivo: storicamente legato a search ban e suggestion/autocomplete ban
• Cosa cambia per l’utente: il profilo o il contenuto esistono, ma diventano difficili da trovare; l’account non emerge nella ricerca se non digitando quasi tutto l’handle.
• Ora, con L'algoritmo pubblico non cambia che ci sono segnali/pesi interni.
• Segnali tipici:
  • l’handle non compare nelle suggestions;
  • la ricerca esatta restituisce risultati incompleti o nulli;
  • la discoverability diminuisce prima ancora dell’engagement.
• Rilevanza concettuale: X/Twitter mostra che la visibilità può essere compressa a monte della timeline, cioè sulla soglia dell’accesso informativo.
• Metodo principe di controllo: test ripetuti con account freschi, account follower/non-follower e browser logged-out.

YouTube

• Forma dominante: recommendation exclusion nelle superfici di raccomandazione (I 10+ video nella colonna di destra).
• Intersezione critica: la logica della visibilità si intreccia con metriche di watch time, retention, click-through e monetizzazione/ad suitability.
• Segnali sospetti:
  • collasso del traffico da raccomandazione a fronte di contenuto ancora disponibile;
  • ricerca e accesso diretto relativamente stabili, ma discovery quasi nulla;
  • crescita bloccata nonostante performance passate comparabili.
• Punto teorico problematico: Anche su YouTube la moderazione opaca può confondersi con la normale ottimizzazione delle raccomandazioni; perciò serve distinguere sempre ranking ordinario e attenuazione non dichiarata.

Tecnica 1 — Search test

Come si esegue

• Cercare handle, titolo post o frase esatta da browser logged-out, account fresh, follower e non-follower.
• Registrare posizione nei risultati, assenza/presenza, tempi e differenze tra device.

Segnale utile

• Il contenuto o il profilo dovrebbero essere trovabili ma non compaiono, oppure compaiono solo con query iper-specifiche.

Limite

• Personalizzazione, caching, localizzazione e cambiamenti generali del motore interno possono creare falsi positivi.

Tecnica 2 — Autocomplete / suggestion test

Come si esegue

• Digitare progressivamente l’handle e confrontare il comportamento con account simili per dimensione e notorietà.
• Ripetere con account nuovi, device diversi e sessioni logged-out.

Segnale utile

• L’account target non compare nelle suggestions dove peer comparabili emergono già dopo poche lettere.

Limite

• Le suggestions sono estremamente dinamiche e dipendono da cronologia, popolarità e contesto dell’utente.

Tecnica 3 — Hashtag visibility test

Come si esegue

• Pubblicare post controllati con hashtag selezionati e verificare la presenza nelle pagine hashtag a intervalli prefissati.
• Usare almeno un account di controllo che posti contenuti comparabili.

Segnale utile

• Il post è visibile sul profilo ma assente in hashtag page da account esterni, in modo ripetuto.

Limite

• Moderazione dell’hashtag, ritardi di indicizzazione o volatilità della pagina possono alterare l’esito.
• Demoted Deleted and Denied.

Tecnica 4 — Recommendation / feed source comparison

Come si esegue

• Confrontare analytics: follower vs non-follower, For You/Explore/Browse/Suggested vs traffico diretto o da iscritti.
• Valutare serie di post (per account o per argomento), non singoli casi isolati.

Segnale utile

• Traffico da raccomandazione quasi azzerato mentre la base follower mantiene performance meno anomale.
  • C'è da fidarsi delle statistiche della piattaforma stessa

Limite

• Un crollo può dipendere anche da format stanco, timing, topic penalizzato dal pubblico o update generalizzati dell’algoritmo.

Tecnica 5 — Comment visibility / ghost reply test

Come si esegue

• Pubblicare commenti o reply in thread neutrali e controllarne la visibilità da almeno due osservatori indipendenti.
• Annotare se il commento è visibile a sé ma non agli altri, o se viene sepolto dietro espansioni secondarie.

Segnale utile

• Visibile solo a se stessi?
• Sepoltura sistematica della risposta?

Limite

• Filtri anti-spam, ranking dei commenti o bug temporanei possono produrre esiti simili.

Tecnica 6 — Notification suppression test

Come si esegue

• Usare follower consenzienti con notifiche attive e registrare la ricezione o meno degli alert su una serie di pubblicazioni.
• Separare mancata notifica da mancata esposizione in feed.

Segnale utile

• Utenti opt-in non ricevono alert in modo persistente mentre non risultano outage generali della piattaforma.

Limite

• Le notifiche sono soggette a filtri di sistema operativo, batteria, preferenze utente e roll-out di prodotto - andrebbe prima fatto un test senza sospetti di discriminazione.

Tecnica 7 — Baseline storica + matched peers

Come si esegue

• Costruire una baseline pre-anomalia: reach mediana, share di discovery, tasso hashtag, performance per formato.
• Aggiungere un set di peer comparabili per nicchia, lingua, formato, frequenza e audience size.
• Comparare social network diversi (solo se si può assumere comunità equivalente)

Segnale utile

• Il target devia in modo persistente dalla propria storia e dai peer nello stesso arco temporale.

Limite

• Senza peer e senza storico, il sospetto resta narrativo; con peer e baseline diventa inferenza comparativa.

Tecnica 8 — Controlled challenge posts

Come si esegue

• Pubblicare una batteria ridotta di post variando un fattore per volta: topic, hashtag, link esterni, formato, keyword sensibili.
• Replicare lo stesso schema con account di controllo.

Segnale utile

• Solo alcune classi di contenuto underperformano → sospetto di content-class penalty; tutto underperforma → sospetto account-level.

Limite

• Richiede disciplina sperimentale e può essere costoso in termini di calendario editoriale.

Tecnica 9 — Replicazione multi-account, logged-out e multi-device

Come si esegue

• Ripetere tutti i controlli principali da account follower, non-follower, freschi, browser esterni e dispositivi diversi.
• Documentare divergenze sistematiche e non casi singoli.

Segnale utile

• L’anomalia compare in modo coerente al cambiare dell’osservatore e sopravvive alla personalizzazione più ovvia.

Limite

• Le piattaforme personalizzano quasi tutto; l’obiettivo non è eliminare la personalizzazione, ma mostrare un pattern robusto oltre essa.

Tecnica 10 — Log forense ed esclusione delle ipotesi alternative

Che cosa registrare

• Screenshot, timestamp, device, sistema operativo, query usata, hashtag usato, rete sociale? (), riproducibilità.

Perché è decisivo

• Lo shadowbanning non si inferisce da reach bassa in sé, ma da anomalie ripetute, surface-specific e indipendentemente riproducibili.

Ipotesi "da escludersi" (a seconda del vostro obiettivo?)

• cambiamento generale dell’algoritmo;
• stanchezza del contenuto o del pubblico;
• topic saturo o meno interessante;
• bug tecnici, caching, rollout di prodotto, indicizzazione lenta.

Regola conclusiva di accertamento

• Non inferire shadowbanning dalla sola bassa performance.
• Inferirlo soltanto quando compaiono:
  1. pattern persistenti;
  2. anomalie specifiche di superficie (search, hashtag, recommendation, comments, notifications);
  3. repliche indipendenti;
  4. baseline e peer comparabili;
  5. ipotesi alternative ragionevolmente escluse.
• La conclusione più solida non è quasi mai “prova assoluta”, ma: quadro fortemente compatibile con attenuazione opaca della visibilità.
• In questo senso, il vero oggetto dell’analisi non è “se il post esiste”, ma come la piattaforma modula la probabilità che venga incontrato, amplificato o ignorato.

Lo shadowbanning rischia di essere un effetto collaterale, sempre presente e latente, nei sistemi basati su algoritmi centralizzati.

Fonti teoriche e metodologiche della presentazione

• CDT – “Shadowbanning: What It Is, How It Works, and Why It Matters”
  https://cdt.org/wp-content/uploads/2022/04/remediated-final-shadowbanning-final-050322-upd-ref.pdf
  Fonte centrale per la tassonomia dei meccanismi di shadowbanning e per distinguere feed suppression, search ban, recommendation exclusion, invisibilità nei thread e altre forme di riduzione della visibilità. Offre una base chiara, concreta e orientata anche al profilo regolatorio.

• Sophie Bishop – “Algorithmic Gossip”
  https://sophiebishop.co.uk/wp-content/uploads/2019/09/bishop-algorithmic-gossip.pdf
  Importante per capire come creator e utenti interpretano i cambiamenti di visibilità quando i sistemi di raccomandazione sono opachi. Spiega il ruolo delle credenze collettive, delle strategie adattive e delle narrazioni informali sull’algoritmo.

• Taina Bucher – “The Algorithmic Imaginary”
  https://concetticontrastivi.org/wp-content/uploads/2023/01/1369118x.2016.1154086.pdf
  Riferimento teorico essenziale per comprendere la percezione soggettiva dell’algoritmo e il modo in cui gli utenti costruiscono spiegazioni sul funzionamento delle piattaforme. Aiuta a qualificare il sospetto di shadowbanning come fenomeno anche cognitivo e sociale, non solo tecnico.

Queste fonti permettono di leggere lo shadowbanning come problema tecnico, sociale e interpretativo: non solo moderazione invisibile, ma anche opacità sistemica e incertezza percettiva.

Ed ora si salta a:

• il Sindacato Universale Digitale, cercasi attiviste per nuovo esperimento (sito) (slides)