Warum Algospeak echte Gespräche vor dem Keyword-Monitoring verbirgt

Was ist Algospeak?

Ein Codewort anstelle eines Begriffs zu setzen, von dem Sie erwarten, dass eine Plattform ihn entfernt oder unsichtbar macht, ist Algospeak, und deshalb kann ein Thema in großem Umfang diskutiert werden, während Ihre Liste exakter Keywords Stille meldet. Der Mechanismus ist Vorwegnahme: Wer postet, rät, was ein automatisches Moderationssystem markieren wird, und schreibt um diese Vermutung herum, ohne die Bedeutung für das gewünschte Publikum zu verlieren. Damit ist Algospeak ein Abdeckungsproblem für das Monitoring und keine sprachliche Kuriosität, denn das ersetzte Wort trägt das Gespräch und das getrackte Wort taucht nie auf.

Woher stammt der Begriff Algospeak?

Weite Verbreitung fand das Wort durch die Berichterstattung von Taylor Lorenz in der Washington Post, erschienen am 8. April 2022 unter der Überschrift Internet 'algospeak' is changing our language in real time, from 'nip nops' to 'le dollar bean'. Der Ausdruck "le dollar bean" in dieser Überschrift ist selbst eine solche Ersetzung und steht für lesbian, also lesbisch. Der Artikel definiert Algospeak als "code words or turns of phrase users have adopted in an effort to create a brand-safe lexicon that will avoid getting their posts removed or down-ranked by content moderation systems", also als Codewörter oder Wendungen, die Nutzer sich angeeignet haben, um ein markensicheres Vokabular zu schaffen, mit dem ihre Beiträge nicht von Moderationssystemen entfernt oder herabgestuft werden. Der Artikel ist nach dem Einstiegsabschnitt kostenpflichtig, deshalb stammen die Definition und die hier zitierten ersten Beispiele aus dem öffentlich lesbaren Teil der Seite der Post, und die Zuschreibung folgt dieser Darstellung statt dem vollständigen Text. Keine mir zugängliche Quelle nennt ein Datum der Wortschöpfung oder einen einzelnen Urheber, behandeln Sie April 2022 also als den Zeitpunkt der Verbreitung, nicht der Erfindung.

Die erste peer-reviewte Studie zu dieser Praxis ist You Can (Not) Say What You Want: Using Algospeak to Contest and Evade Algorithmic Content Moderation on TikTok von Ella Steen, Kathryn Yurechko und Daniel Klug, am 31. August 2023 open access in Social Media + Society erschienen. Die Autoren haben 19 TikTok-Creator interviewt und geben an, dass ihr Artikel Algospeak als erster als eigenständiges Social-Media-Phänomen analysiert. Ihr Befund zählt für das Monitoring: Die Teilnehmenden nahmen vorweg, wie der Algorithmus ein Video lesen würde, und wählten Ersetzungen, die der Moderation entgingen und ihr Zielpublikum den Beitrag trotzdem finden ließen.

Wie sieht Algospeak in der Praxis aus?

Die folgenden Beispiele sind dokumentierte Ersetzungen aus Quellen von 2022 und 2023, kein aktuelles Wörterbuch. Steen und Kollegen beschreiben Algospeak als Abkürzen, absichtliches Falschschreiben oder Ersetzen von Wörtern, und die Formen wandern zwischen Plattformen und Communities.

Dokumentierte Form	Berichtete Bedeutung	Dokumentiert in	Datum
unalive	tot, Tod	Washington Post	April 2022
SA	sexualisierte Gewalt, für sexual assault	Washington Post	April 2022
spicy eggplant	Vibrator, wörtlich scharfe Aubergine	Washington Post	April 2022
le$bean	lesbisch, für lesbian	Steen, Yurechko und Klug	August 2023
seggs	Sex	Steen, Yurechko und Klug	August 2023
clock app	TikTok, wörtlich Uhr-App	Steen, Yurechko und Klug	August 2023

Lesen Sie diese Tabelle als Illustration, nicht als Nachschlagewerk zum Einfügen in einen Query Builder. Ein großer Teil dieses Vokabulars existiert, weil Menschen über Selbstverletzung, sexualisierte Gewalt, Sexualität, Sexarbeit und Krankheit unter Moderationssystemen sprechen, die diese Themen unterdrücken, ganz gleich ob der Beitrag gegen eine Regel verstößt. Steen und Kollegen benennen fehlenden Kontext, Zufälligkeit, Ungenauigkeit und Voreingenommenheit gegen marginalisierte Communities als die Moderationsfehler, die diese Praxis antreiben.

Warum bricht Algospeak das Keyword-Monitoring?

Monitoring mit exakter Übereinstimmung misst das Vorhandensein einer Zeichenfolge, und Algospeak entfernt die Zeichenfolge und lässt das Gespräch bestehen. Der Fehler liegt beim Recall, dem Anteil der relevanten Beiträge, den Sie tatsächlich erfassen, nicht bei der Präzision: Die gefundenen Beiträge handeln weiterhin von Ihrem Thema, im Feed wirkt also nichts kaputt, und die fehlenden Beiträge hinterlassen nirgendwo im System eine Spur. Messen Sie den Recall direkt, statt ihn vorauszusetzen.

Recall = Treffer des getrackten Begriffs / alle Beiträge zum Thema

Angenommen, Sie lesen die Beiträge einer Community und beurteilen 200 davon als themenrelevant, und Ihr getrackter Begriff taucht in 140 auf. Der Recall beträgt 140 / 200 = 0.70, 30 Prozent dieses Gesprächs erreichen Ihr Dashboard also nie. Das sind illustrative Werte, kein veröffentlichter Benchmark, und Ihre eigene Zahl fällt je nach Plattform, Community und Thema anders aus.

Rückrufquote einer Community (Beispiel)

Erfasste Treffer140 von 200

Von der Keyword-Liste verpasst60 von 200 (30%)

Wie verzerrt Algospeak Volumen und Sentiment?

Fehlende Beiträge verzerren sowohl die Zahlen als auch die Tonalität, weil Algospeak sich nicht gleichmäßig über das Gespräch verteilt. Ersetzungen häufen sich dort, wo der Moderationsdruck am stärksten ist, und damit trifft es Krisen-Threads, Gesundheitsbeschwerden und Beiträge über schlechte Erfahrungen am härtesten, während neutrales Produktgeplauder bei den einfachen Wörtern bleibt. Eine Sentiment-Analyse auf dieser schiefen Stichprobe liest sich positiver als das echte Gespräch, und ein Volumendiagramm untertreibt jeden Ausschlag, der mit einem moderierten Thema zusammenfällt.

Das ist ein anderer Fehler als die beiden häufigsten Monitoring-Beschwerden. Negative Keywords beheben falsch positive Treffer, und die Erkennung von Near-Duplicates behebt wiederholte Kopien einer Geschichte. Keines von beiden holt einen Beitrag zurück, den Ihre Query nie getroffen hat.

Was kann ein Monitoring-Team konkret dagegen tun?

Nichts stellt die vollständige Abdeckung wieder her, und jeder Anbieter, der ein vollständiges Algospeak-Wörterbuch verspricht, verkauft Ihnen eine Liste, die verfällt. Ein Preprint von Jan Fillies, Ronald E. Robertson und Jeffrey Hancock, Algospeak, Hiding in the Open, modelliert die Praxis als Koevolution zwischen Ausweichenden und Erkennungssystemen, und genau deshalb altert eine statische Liste: Das Vokabular bewegt sich als Reaktion darauf, entdeckt zu werden. Dasselbe Paper benennt die Grenze dieser Bewegung: Eine Ersetzung, die obskur genug ist, um jeden Detektor zu schlagen, wird von den Menschen nicht mehr verstanden, für die sie geschrieben wurde.

Fünf Dinge helfen, in absteigender Reihenfolge des Ertrags:

Beobachten Sie Communities und nicht nur Zeichenfolgen. Wer den gesamten Feed eines Subreddits verfolgt, findet Beiträge, in denen der getrackte Begriff nie vorkommt, und genau dafür sind der Subreddit Finder und das Keyword-Monitoring auf Reddit von RedReplier im Zusammenspiel gedacht.

Lesen Sie Stichproben nach Plan. Ziehen Sie eine zufällige Stichprobe von Beiträgen aus den Communities, die Ihnen wichtig sind, beurteilen Sie die Relevanz von Hand und berechnen Sie den Recall-Wert von oben. So erfahren Sie, welche Ersetzungen gerade aktiv sind, und es dient zugleich als Qualitätskontrolle für Ihr Brand Monitoring.

Bewerten Sie Bedeutung, nicht Schreibweise. KI-Relevanzbewertung prüft, ob ein Beitrag von Ihrem Thema handelt, statt ob er Ihre Zeichenfolge enthält, und RedReplier erklärt zu jeder Erwähnung, warum sie markiert wurde, damit Sie das Urteil prüfen können.

Datieren Sie Ihre Keyword-Liste. Setzen Sie ein Überprüfungsdatum darauf, ergänzen Sie die Ersetzungen, die Ihre Stichproben gefunden haben, und entfernen Sie Begriffe, die kalt geworden sind. Ihre booleschen Suchoperatoren lohnen die Feinabstimmung, und diese Abstimmung ist nie fertig.

Berichten Sie die Lücke ehrlich. Wenn Sie einem Stakeholder Volumen oder Sentiment vorlegen, sagen Sie dazu, welche Themen Sie nachweislich untererfassen. Das ist ein besseres Ergebnis als ein selbstbewusstes Diagramm auf Basis einer Query, die Sie nie geprüft haben.

Wie unterscheidet sich Algospeak von anderem Internet-Slang?

Algospeak ist eine Reaktion auf ein Moderationssystem, anderer Netzjargon ist eine Reaktion auf eine Community. Steen und Kollegen ziehen diese Linie ausdrücklich: Leetspeak, LOLspeak, Textspeak und ähnliche Varianten existieren, um Identität oder Gruppenzugehörigkeit zu signalisieren, während Algospeak als Reaktion darauf eingesetzt wird, Content-Moderation auf einer Plattform zu erleben. Für alle, die Social Listening betreiben, folgt daraus, dass Algospeak im Takt der Plattformrichtlinien läuft und nicht im Takt der Kultur, ein Begriff, der im letzten Quartal codiert war, kann in diesem Quartal Klartext sein.

Wer glaubt, dass sein Account unterdrückt wird, ändert zuerst die Art zu schreiben und erst danach das Gesagte, und dahinter steckt derselbe Instinkt wie hinter den Alltagstheorien im Eintrag zum Reddit-Shadowban.

Häufig gestellte Fragen

Wer hat den Begriff Algospeak geprägt?

Keine überprüfbare Quelle nennt einen einzelnen Urheber. Die Berichterstattung von Taylor Lorenz in der Washington Post vom 8. April 2022 gilt als der Text, der das Wort bekannt gemacht hat, und Steen, Yurechko und Klug zitieren diesen Artikel, wenn sie das Phänomen mit TikTok verbinden. Die belastbare Aussage lautet, dass sich der Begriff 2022 verbreitet hat, nicht dass eine einzelne Person ihn erfunden hat.

Gibt es Algospeak nur auf TikTok?

Nein. Steen und Kollegen schreiben, dass Algospeak auf vielen Social-Media-Plattformen vorkommt und dabei stark mit TikTok verbunden ist, wegen des audiovisuellen Formats von TikTok und seiner algorithmischen Moderation. Ein Preprint von 2026 zur Erkennung codierter Sprache hat Beiträge aus TikTok und Bluesky annotiert, ein Beleg dafür, dass die Praxis nicht auf eine App beschränkt ist.

Betrifft Algospeak das Brand Monitoring oder nur das Themen-Monitoring?

Das Themen-Monitoring trifft es härter. Moderationssysteme kontrollieren Themen, keine Markennamen, Ihre Marke überlebt also im Klartext, während das Thema um sie herum ersetzt wird. Die Ausnahme ist ein Beitrag, der Ihre Marke mit einem unterdrückten Thema verbindet, und genau diesen Beitrag wollen Sie am dringendsten sehen.

Kann ich Algospeak-Begriffe einfach zu meiner Keyword-Liste hinzufügen?

Die Begriffe, die Ihre eigenen Stichproben finden, können und sollten Sie aufnehmen. Was Sie nicht schaffen, ist aktuell zu bleiben, denn das Vokabular verschiebt sich als Reaktion auf Erkennung und unterscheidet sich je nach Community. Behandeln Sie jede Liste, die Sie aufbauen, als Untergrenze, die verfällt und ein Überprüfungsdatum braucht.

Ist Schreiben über Algospeak dasselbe wie Menschen beim Umgehen der Moderation zu helfen?

Nein. Zu beschreiben, dass Ersetzung stattfindet, und zu messen, wie viel eines Gesprächs sie verbirgt, ist eine Forschungs- und Messfrage. Eine gepflegte Nachschlagetabelle aktueller Ersetzungen zu veröffentlichen, ist eine andere Handlung mit anderen Folgen, und deshalb sind die Beispiele oben datierte Zitate und keine Arbeitsliste.

Woran erkenne ich, ob Algospeak für meine Keywords ein echtes Problem ist?

Machen Sie den Recall-Test. Nehmen Sie eine zufällige Stichprobe von Beiträgen aus einer Community, die Ihr Thema diskutiert, beurteilen Sie jeden Beitrag von Hand auf Relevanz und teilen Sie die Zahl der von Ihren getrackten Begriffen erfassten Beiträge durch die Zahl der tatsächlich themenrelevanten. Liegt das Verhältnis nahe bei 1, ist Algospeak nicht Ihr Engpass. Liegt es nicht nahe bei 1, kennen Sie jetzt die Größe der Lücke, statt sie zu schätzen.

Warum beheben negative Keywords oder die Near-Duplicate-Erkennung die Algospeak-Lücke nicht?

Negative Keywords entfernen Falschtreffer aus deinen bestehenden Treffern, und die Near-Duplicate-Erkennung fasst Kopien einer einzelnen Geschichte zusammen. Keines der beiden Werkzeuge liefert einen Beitrag nach, der deinen Suchstring nie getroffen hat, und genau das ist die Lücke, die Algospeak öffnet.

Warum veraltet eine Algospeak-Wortliste so schnell?

Ein Preprint von Fillies, Robertson und Hancock modelliert Algospeak als Koevolution zwischen denen, die Moderation umgehen, und denen, die sie erkennen, sodass sich der Wortschatz als Reaktion auf Entdeckung verschiebt. Dieselbe Studie nennt die Grenze dieser Entwicklung: Ein Ersatzwort, das jeden Detektor täuscht, wird für das eigentliche Zielpublikum unverständlich. Jede Liste, die du pflegst, ist ein Boden, der zerfällt und ein Überprüfungsdatum braucht.

Welche Themen trifft die Algospeak-Substitution am härtesten?

Steen, Yurechko und Klug verbinden die Praxis mit Themen, die Moderationssysteme unabhängig von einem tatsächlichen Regelverstoß unterdrücken, etwa Selbstverletzung, sexuelle Übergriffe, Sexualität, Sexarbeit und Krankheit. Die Substitution konzentriert sich dort, wo der Moderationsdruck am größten ist, sodass Krisen-Threads, Gesundheitsbeschwerden und Beiträge über negative Erfahrungen am stärksten betroffen sind, während neutrales Produkt-Gerede bei klaren Wörtern bleibt.

Hat Algospeak etwas mit Shadowban-Theorien zu tun?

Beide entstehen aus demselben Instinkt: Wer glaubt, eine Plattform arbeite gegen ihn, ändert sein Verhalten, um das zu umgehen. Der Beitrag zum Reddit-Shadowban beschreibt denselben Instinkt in den Volkstheorien, die Menschen um vermutete Unterdrückung herum aufbauen. Algospeak wendet diesen Instinkt auf die Wortwahl an statt auf Postfrequenz oder Kontoverhalten.