Algoritmi, mjehurići i polarizacija

Zadnja provjera: listopad 2026.

„Algoritmi nas zatvaraju u mjehuriće u kojima vidimo samo ono s čim se slažemo, pa smo zato sve podijeljeniji.” Ta je tvrdnja postala gotovo opće mjesto u raspravama o internetu. Zvuči uvjerljivo – ali je li točna? Ova lekcija predstavlja što su velika istraživanja, uključujući pokuse s desecima tisuća korisnika, otkrila o informacijskim mjehurićima, odjekujućim komorama i polarizaciji: koliko su naše informacijske prehrane zaista jednostrane, kakvu ulogu imaju algoritmi, a kakvu naši vlastiti izbori, i zašto izlaganje suprotnim stavovima ne djeluje uvijek onako kako bismo očekivali.

Kako algoritmi pojačavaju društveni dokaz, personaliziraju sadržaj i posreduju u društvenom učenju, općenito opisuje lekcija [Socijalni utjecaj u digitalnom okruženju](/lekcija/socijalni-utjecaj-u-digitalnom-okruzenju), a mehanizam grupne polarizacije lekcija [Grupna polarizacija](/lekcija/grupna-polarizacija). Ovdje je fokus na tome što pokazuju dokazi.

Mjehurići i komore

Dva se pojma često koriste kao sinonimi, ali označavaju različito:

• **Informacijski mjehurić** (engl. *filter bubble*), izraz Elija Parisera iz 2011., odnosi se na to da personalizirani algoritmi pretraživača i društvenih mreža svakom korisniku prikazuju drukčiji sadržaj prema njegovim prethodnim izborima, pa korisnik ne vidi ono što se ne uklapa u njegove interese i stavove.
• **Odjekujuća komora** (engl. *echo chamber*) odnosi se na zajednice u kojima se ljudi uglavnom okružuju istomišljenicima, pa se isti stavovi neprestano ponavljaju i pojačavaju.

Prvi pojam naglašava ulogu **algoritma**, a drugi ulogu **ljudskog izbora** i društvene strukture.

Koliko su naše informacije jednostrane

**Facebook 2015.** Eytan Bakshy, Solomon Messing i Lada Adamic analiziraju podatke o više od deset milijuna američkih korisnika Facebooka koji su naveli političku pripadnost. Pokazuju da algoritam rangiranja sadržaja doista smanjuje izloženost sadržajima suprotne strane, ali da je **vlastiti izbor** korisnika – na koje poveznice klikaju – i sastav njihove mreže prijatelja važniji čimbenik od algoritma (Bakshy, Messing i Adamic, 2015). Valja napomenuti da su istraživanje proveli istraživači zaposleni u samoj tvrtki.

**Facebook i Instagram 2020.** U suradnji akademskih istraživača i tvrtke Meta tijekom američkih izbora 2020. provedeno je nekoliko velikih pokusa. Brendan Nyhan i suradnici pokazuju da većina sadržaja koji korisnici vide potječe od istomišljenika, ali da smanjenje tog sadržaja za trećinu tijekom tri mjeseca **ne mijenja** mjere polarizacije i ideoloških stavova (Nyhan i sur., 2023). Andrew Guess i suradnici zamjenjuju algoritamski poredak objava običnim kronološkim. Korisnici tada manje vremena provode na platformi i vide više političkog i nepouzdanog sadržaja, ali se ni njihova polarizacija ni politički stavovi tijekom tri mjeseca ne mijenjaju značajno (Guess i sur., 2023).

Ti rezultati pokazuju da je slika složenija od jednostavne priče o „algoritmima koji nas zatvaraju”: jednostranost postoji, ali kratkoročne promjene algoritma ne mijenjaju bitno stavove. Ostaje otvoreno pitanje kakvi su učinci dugoročni i jesu li platforme pridonijele polarizaciji tijekom godina.

Zašto suprotni stavovi ne pomažu uvijek

Intuitivno rješenje za mjehuriće bilo bi izložiti ljude suprotnim stavovima. Christopher Bail i suradnici plaćaju američke korisnike Twittera da mjesec dana prate automatizirani račun koji prenosi poruke političara i komentatora suprotnog političkog usmjerenja. Umjesto da postanu umjereniji, sudionici postaju **polariziraniji**: republikanci izrazito konzervativniji, a demokrati nešto liberalniji (Bail i sur., 2018).

Autori objašnjavaju da izloženost porukama suprotne strane, osobito oštrim i suprotstavljenim, može aktivirati osjećaj ugroženosti identiteta i jačati vezanost uz vlastitu skupinu. To ne znači da je dijalog uzaludan, nego da je **oblik** izlaganja važan: susret s razumnim argumentima i ljudima iz druge skupine razlikuje se od izloženosti njezinim najglasnijim predstavnicima.

Ideološka i afektivna polarizacija

Istraživači razlikuju dvije vrste polarizacije:

• **ideološku** – udaljavanje stavova o konkretnim pitanjima;
• **afektivnu** – rast nesklonosti, nepovjerenja i neprijateljstva prema pripadnicima druge političke skupine.

Shanto Iyengar i suradnici pokazuju da je u SAD-u posljednjih desetljeća osobito porasla afektivna polarizacija: ljudi ne samo da se razilaze u stavovima, nego sve više ne vole i ne vjeruju onima s druge strane (Iyengar i sur., 2019). Taj porast počeo je prije društvenih mreža, a na njega utječu i drugi mediji, politička kultura i društvene promjene.

Što se širi na mrežama

Iako algoritmi možda ne mijenjaju stavove brzo, oni utječu na to **koji se sadržaji** šire.

William Brady i suradnici analiziraju stotine tisuća poruka o kontroverznim temama i pokazuju da svaka dodatna moralno-emocionalna riječ – poput „sramota”, „zlo”, „pohlepa” – povećava vjerojatnost da će poruka biti podijeljena za otprilike petinu, i to uglavnom unutar vlastite političke skupine (Brady i sur., 2017).

Steve Rathje, Jay Van Bavel i Sander van der Linden analiziraju gotovo tri milijuna objava na Facebooku i Twitteru i nalaze da je najjači pojedinačni prediktor dijeljenja i reakcija spominjanje **suprotne političke skupine** – objave koje kritiziraju „one druge” dobivaju znatno više pažnje od onih koje hvale vlastitu skupinu (Rathje, Van Bavel i van der Linden, 2021).

Kada platforme nagrađuju pažnju, a pažnju najviše privlači sadržaj koji izaziva bijes prema drugoj skupini, okruženje može postupno poticati upravo takav sadržaj (više u lekciji [Anonimnost i ponašanje na internetu](/lekcija/anonimnost-i-ponasanje-na-internetu)).

Zašto je priča o mjehurićima tako uvjerljiva

Priča o algoritmima koji nas zatvaraju privlačna je jer nudi jednostavnog krivca i jer svi primjećujemo personalizaciju. No istraživanja upućuju na to da ljudi:

• sami biraju izvore koji odgovaraju njihovim stavovima, kao što su to činili i prije interneta;
• na internetu često susreću i suprotne stavove, ali ih tumače kroz vlastite stavove;
• polarizaciju uče i iz televizije, političkih govora i osobnih mreža.

Algoritmi tako vjerojatno **pojačavaju** postojeće ljudske sklonosti, a ne stvaraju ih iz ničega.

Što može pomoći

• **Raznolika informacijska prehrana** – pratiti kvalitetne izvore s različitim stajalištima, uz svijest da je kvaliteta važnija od suprotnosti.
• **Oprez prema sadržaju koji izaziva bijes** prema drugoj skupini.
• **Razgovor uživo** s ljudima drukčijih stavova, u kojem se vidi osoba, a ne samo stav.
• **Razlikovati osobu od stava** – može se ne slagati, a ipak poštovati sugovornika.
• **Za platforme i društvo** – transparentnost algoritama i neovisan pristup podacima za istraživače.

Selektivna izloženost

Mnogo prije interneta istraživači su opisali **selektivnu izloženost** – sklonost ljudi da biraju informacije koje potvrđuju njihove stavove i izbjegavaju one koje ih dovode u pitanje. Ljudi su birali novine, radijske postaje i televizijske kanale koji odgovaraju njihovim uvjerenjima. Internet je tu sklonost olakšao jer nudi gotovo neograničen izbor izvora, a algoritmi je mogu dodatno pojačati učenjem iz onoga što biramo (više u lekciji [Efekt potvrđivanja](/lekcija/efekt-potvrdivanja)).

Važno je, međutim, da ljudi ne izbjegavaju suprotne informacije uvijek i potpuno. Mnogi namjerno prate i suprotnu stranu – ponekad iz znatiželje, a ponekad da bi je kritizirali. Problem zato nije samo u tome **što** vidimo, nego i u tome **kako** to tumačimo.

Razlike među zemljama

Većina istraživanja o polarizaciji provedena je u SAD-u, gdje su politički sustav s dvije stranke i snažna medijska podijeljenost osobito izraženi. U drugim zemljama slika može biti drukčija: u nekima je afektivna polarizacija rasla, u drugima nije, unatoč sličnom korištenju društvenih mreža. To upućuje na to da su politička kultura, medijski sustav i društvene okolnosti važni čimbenici, a da internet sam po sebi ne određuje razinu polarizacije. Zato zaključke iz američkih istraživanja treba oprezno prenositi na druga društva.

Kako razgovarati s neistomišljenikom

Istraživanja o smanjenju afektivne polarizacije upućuju na nekoliko korisnih načela:

• **Ispraviti pogrešne predodžbe o drugoj strani.** Ljudi često precjenjuju koliko su pripadnici druge skupine ekstremni i koliko ih mrze; ispravljanje tih predodžbi može smanjiti neprijateljstvo.
• **Slušati da bi se razumjelo**, a ne samo da bi se odgovorilo.
• **Tražiti zajedničke vrijednosti** – sigurnost obitelji, pravednost, zdravlje – iza različitih stavova.
• **Razgovarati uživo ili barem osobno**, a ne u javnim raspravama u komentarima, gdje publika potiče nadmetanje.

Što zapravo znamo, a što ne

Velik dio istraživanja proveden je u suradnji s tvrtkama koje posjeduju platforme ili uz njihove podatke. To omogućuje pokuse na milijunima korisnika, ali i otvara pitanje neovisnosti. Osim toga, algoritmi se stalno mijenjaju, pa nalazi iz jedne godine ne moraju vrijediti nekoliko godina kasnije. Zato znanstvenici traže neovisan pristup podacima platformi kako bi se učinci mogli dugoročno pratiti.

Algoritmi i preporuke videozapisa

Posebna rasprava vodi se o algoritmima za preporuku videozapisa: vode li korisnike prema sve ekstremnijem sadržaju, „niz zečju rupu”? Neka ranija istraživanja i novinski izvještaji upućivali su na to, ali sustavnija istraživanja ponašanja stvarnih korisnika daju složeniju sliku: velik dio ekstremnog sadržaja gledaju ljudi koji ga već traže i dolaze do njega izravno, a ne zbog preporuka. Algoritmi se također mijenjaju, dijelom upravo kao odgovor na kritike. Pitanje ostaje otvoreno, a odgovor vjerojatno ovisi o platformi, razdoblju i skupini korisnika.

Mladi i političke informacije

Za mnoge mlade društvene mreže glavni su izvor vijesti i političkih informacija. To donosi priliku – pristup raznolikim glasovima i brzim informacijama – ali i rizik, jer su sadržaji kratki, emocionalni i često bez provjere. Obrazovanje o medijskoj pismenosti, koje uči kako se informacije stvaraju, šire i provjeravaju, može pomoći mladima da se snalaze u takvom okruženju (više u lekciji [Dezinformacije na internetu i kako ih ispraviti](/lekcija/dezinformacije-na-internetu)).

Polarizacija i svakodnevni odnosi

Polarizacija nije samo politički problem, nego utječe i na obitelji, prijateljstva i radna mjesta. Istraživanja u SAD-u pokazuju da su ljudi sve manje voljni da se njihova djeca vjenčaju s pripadnicima druge političke strane i da izbjegavaju razgovore o politici s rodbinom (Iyengar i sur., 2019). Takvi obrasci mogu oslabiti društvene veze koje inače povezuju ljude različitih stavova. Održavanje odnosa s ljudima drukčijih uvjerenja jedan je od načina da se polarizacija ublaži na osobnoj razini.

Pogrešne predodžbe o drugoj strani

Istraživanja pokazuju da ljudi često pogrešno procjenjuju stavove pripadnika druge političke skupine: misle da su oni ekstremniji, neprijateljskiji i jednoličniji nego što stvarno jesu. Te pogrešne predodžbe djelomično potječu od medija i društvenih mreža, gdje se najglasniji i najekstremniji glasovi najviše vide. Kada se ljudima pruže točne informacije o tome što druga strana stvarno misli, neprijateljstvo se u nekim istraživanjima smanjuje. To upućuje na to da dio afektivne polarizacije počiva na nesporazumu, a ne samo na stvarnim razlikama (Iyengar i sur., 2019).

Algoritmi i transparentnost

Jedan od problema jest što korisnici rijetko znaju zašto vide upravo određeni sadržaj. Neke platforme omogućuju korisnicima da biraju kronološki prikaz ili da vide objašnjenje zašto im se nešto preporučuje. Takve mogućnosti mogu povećati osjećaj kontrole, iako ih mali broj korisnika aktivno koristi.

Što pojedinac može učiniti

Iako pojedinac ne može promijeniti algoritme, može utjecati na vlastitu informacijsku okolinu: svjesno pratiti raznolike i kvalitetne izvore, koristiti postavke koje omogućuju kronološki prikaz, izbjegavati dijeljenje sadržaja koji ismijava druge skupine i birati razgovore uživo umjesto rasprava u komentarima. Takvi mali koraci ne rješavaju društvenu polarizaciju, ali mogu promijeniti osobno iskustvo interneta.

Česte zablude

• **„Algoritmi su glavni uzrok polarizacije.”** Istraživanja pokazuju da vlastiti izbori i društvene mreže imaju veliku ulogu, a kratkoročne promjene algoritma ne mijenjaju bitno stavove.
• **„Izlaganje suprotnim stavovima uvijek smanjuje polarizaciju.”** Neselektivno izlaganje porukama druge strane može je i pojačati.
• **„Na internetu ljudi uopće ne vide suprotna mišljenja.”** Izloženost postoji, ali je često jednostrana i tumači se kroz vlastite stavove.

Primjer

Marko primjećuje da mu se u objavama stalno pojavljuju sadržaji koji ismijavaju ljude drukčijih političkih stavova i da se nakon čitanja osjeća ljutito. Odluči prestati pratiti nekoliko stranica koje objavljuju takve sadržaje i počne čitati dvije ozbiljne novine s različitim uredničkim usmjerenjem. Ne mijenja stavove, ali primjećuje da lakše razgovara sa susjedom koji razmišlja drukčije.

Sažetak

Informacijski mjehurići naglašavaju ulogu algoritma, a odjekujuće komore ulogu ljudskog izbora. Velika istraživanja pokazuju da je informacijska prehrana mnogih ljudi jednostrana, ali da su vlastiti izbori i sastav mreže važniji od algoritma te da tromjesečne promjene algoritma ne mijenjaju bitno polarizaciju. Izlaganje porukama suprotne strane može polarizaciju i pojačati. Afektivna polarizacija raste, a sadržaj koji izaziva bijes prema drugoj skupini širi se najbrže. Algoritmi vjerojatno pojačavaju postojeće ljudske sklonosti, a ne stvaraju ih.

Povezane lekcije

• [Socijalni utjecaj u digitalnom okruženju](/lekcija/socijalni-utjecaj-u-digitalnom-okruzenju)
• [Grupna polarizacija](/lekcija/grupna-polarizacija)
• [Dezinformacije na internetu i kako ih ispraviti](/lekcija/dezinformacije-na-internetu)
• [Efekt potvrđivanja](/lekcija/efekt-potvrdivanja)
• [Socijalni identitet](/lekcija/socijalni-identitet)
• [Anonimnost i ponašanje na internetu](/lekcija/anonimnost-i-ponasanje-na-internetu)

Izvori i literatura

• Bail, C. A., Argyle, L. P., Brown, T. W., Bumpus, J. P., Chen, H., Hunzaker, M. B. F., Lee, J., Mann, M., Merhout, F. i Volfovsky, A. (2018). Exposure to opposing views on social media can increase political polarization. *Proceedings of the National Academy of Sciences*, 115(37), 9216–9221. [doi.org/10.1073/pnas.1804840115](https://doi.org/10.1073/pnas.1804840115)
• Bakshy, E., Messing, S. i Adamic, L. A. (2015). Exposure to ideologically diverse news and opinion on Facebook. *Science*, 348(6239), 1130–1132. [doi.org/10.1126/science.aaa1160](https://doi.org/10.1126/science.aaa1160)
• Brady, W. J., Wills, J. A., Jost, J. T., Tucker, J. A. i Van Bavel, J. J. (2017). Emotion shapes the diffusion of moralized content in social networks. *Proceedings of the National Academy of Sciences*, 114(28), 7313–7318. [doi.org/10.1073/pnas.1618923114](https://doi.org/10.1073/pnas.1618923114)
• Guess, A. M., Malhotra, N., Pan, J., Barberá, P., Allcott, H., Brown, T., Crespo-Tenorio, A., Dimmery, D., Freelon, D., Gentzkow, M., González-Bailón, S., Kennedy, E., Kim, Y. M., Lazer, D., Moehler, D., Nyhan, B., Rivera, C. V., Settle, J., Thomas, D. R., … i Tucker, J. A. (2023). How do social media feed algorithms affect attitudes and behavior in an election campaign? *Science*, 381(6656), 398–404. [doi.org/10.1126/science.abp9364](https://doi.org/10.1126/science.abp9364)
• Iyengar, S., Lelkes, Y., Levendusky, M., Malhotra, N. i Westwood, S. J. (2019). The Origins and Consequences of Affective Polarization in the United States. *Annual Review of Political Science*, 22(1), 129–146. [doi.org/10.1146/annurev-polisci-051117-073034](https://doi.org/10.1146/annurev-polisci-051117-073034)
• Nyhan, B., Settle, J., Thorson, E., Wojcieszak, M., Barberá, P., Chen, A. Y., Allcott, H., Brown, T., Crespo-Tenorio, A., Dimmery, D., Freelon, D., Gentzkow, M., González-Bailón, S., Guess, A. M., Kennedy, E., Kim, Y. M., Lazer, D., Malhotra, N., Moehler, D., … i Tucker, J. A. (2023). Like-minded sources on Facebook are prevalent but not polarizing. *Nature*, 620(7972), 137–144. [doi.org/10.1038/s41586-023-06297-w](https://doi.org/10.1038/s41586-023-06297-w)
• Rathje, S., Van Bavel, J. J. i van der Linden, S. (2021). Out-group animosity drives engagement on social media. *Proceedings of the National Academy of Sciences*, 118(26), e2024292118. [doi.org/10.1073/pnas.2024292118](https://doi.org/10.1073/pnas.2024292118)