TL;DR
7 min leestijdAlgospeak is het vervangen van termen waarvan een gebruiker denkt dat het moderatiesysteem van een platform ze verwijdert of lager rangschikt door codewoorden, zodat de post blijft staan en het bedoelde publiek hem nog steeds vindt. De reportage van The Washington Post die de term populair maakte, verscheen in april 2022, en de eerste wetenschappelijke studie naar het verschijnsel interviewde in 2023 19 TikTok-makers. Voor iedereen die zoekwoorden monitort, is algospeak een stil recallprobleem: het gesprek vindt plaats, je lijst met exacte zoekwoorden ziet het nooit, en je cijfers over volume en sentiment zitten ernaast in een richting die je niet kunt zien.
Wat is algospeak?
Een term waarvan je verwacht dat een platform hem verwijdert of wegstopt vervangen door een codewoord, dat is algospeak. Het is de reden dat een onderwerp volop besproken kan worden terwijl je lijst met exacte zoekwoorden stilte meldt. Het mechanisme is anticipatie: iemand die post, raadt wat een geautomatiseerd moderatiesysteem zal markeren en schrijft er dan omheen, terwijl de betekenis leesbaar blijft voor het publiek dat hij wil bereiken. Daardoor is algospeak voor monitoring een dekkingsprobleem en geen taalkundige curiositeit: het vervangende woord draagt het gesprek, en het gevolgde woord komt nooit voor.
Waar komt de term algospeak vandaan?
Het woord raakte breed in gebruik via een reportage van Taylor Lorenz in The Washington Post, gepubliceerd op 8 april 2022 onder de kop Internet 'algospeak' is changing our language in real time, from 'nip nops' to 'le dollar bean'. Dat stuk definieert algospeak als "codewoorden of wendingen die gebruikers hebben overgenomen om een merkveilig lexicon te creëren dat voorkomt dat hun posts door moderatiesystemen verwijderd of lager gerangschikt worden." Na het openingsgedeelte zit het artikel achter een betaalmuur, dus de definitie en de eerste voorbeelden die hier geciteerd worden, zijn wat openbaar leesbaar is op de pagina van de Post, en de toeschrijving is zoals daar gemeld, niet uit de volledige tekst. Geen enkele bron die ik kan raadplegen noemt een datum of één bedenker, dus zie april 2022 als het moment waarop de term zich verspreidde, niet waarop hij bedacht werd.
De eerste peer-reviewed studie naar het verschijnsel is You Can (Not) Say What You Want: Using Algospeak to Contest and Evade Algorithmic Content Moderation on TikTok van Ella Steen, Kathryn Yurechko en Daniel Klug, open access gepubliceerd in Social Media + Society op 31 augustus 2023. De auteurs interviewden 19 TikTok-makers en stellen dat hun artikel het eerste is dat algospeak analyseert als apart verschijnsel op social media. Hun bevinding telt voor monitoring: deelnemers anticipeerden op hoe het algoritme een video zou lezen en kozen vervangingen die moderatie ontweken, terwijl hun doelgroep de post nog steeds kon vinden.

Hoe ziet algospeak er in de praktijk uit?
De voorbeelden hieronder zijn gedocumenteerde vervangingen uit bronnen van 2022 en 2023, geen actueel woordenboek. Steen en collega's beschrijven algospeak als het afkorten, verkeerd spellen of vervangen van woorden, en de vormen verschuiven tussen platforms en communities.
| Gedocumenteerde vorm | Gemelde betekenis | Gedocumenteerd in | Datum |
|---|---|---|---|
| unalive | dood, overlijden | Washington Post | april 2022 |
| SA | aanranding | Washington Post | april 2022 |
| spicy eggplant | vibrator | Washington Post | april 2022 |
| le$bean | lesbisch | Steen, Yurechko en Klug | augustus 2023 |
| seggs | seks | Steen, Yurechko en Klug | augustus 2023 |
| clock app | TikTok | Steen, Yurechko en Klug | augustus 2023 |
Lees die tabel als illustratie, niet als opzoeklijst om in een querybuilder te plakken. Veel van deze woordenschat bestaat omdat mensen zelfbeschadiging, seksueel geweld, seksualiteit, sekswerk en ziekte bespreken onder moderatiesystemen die die onderwerpen onderdrukken, of een post nu een regel overtreedt of niet. Steen en collega's noemen gebrek aan context, willekeur, onnauwkeurigheid en vooringenomenheid tegenover gemarginaliseerde gemeenschappen als de fouten in moderatie die het verschijnsel aandrijven.
Waarom breekt algospeak zoekwoordmonitoring?
Monitoring op exacte zoekwoorden meet of een tekenreeks aanwezig is, en algospeak haalt de tekenreeks weg terwijl het gesprek intact blijft. Het probleem is recall, niet precisie: de posts die wel matchten, gaan nog steeds over je onderwerp, dus in de feed lijkt niets kapot, en de ontbrekende posts laten nergens in het systeem een spoor na. Meet recall direct in plaats van het aan te nemen.
Recall = treffers op gevolgde term / alle posts over het onderwerp
Stel dat je de posts van één community leest en er 200 beoordeelt als over je onderwerp, en dat je gevolgde term in 140 daarvan voorkomt. De recall is 140 / 200 = 0,70, dus 30 procent van dat gesprek bereikt je dashboard nooit. Dat zijn illustratieve getallen, geen gepubliceerde benchmark, en je eigen cijfer verschilt per platform, community en onderwerp.
Hoe vertekent algospeak volume en sentiment?
Ontbrekende posts vertekenen zowel aantallen als toon, omdat algospeak niet gelijkmatig over het gesprek verdeeld is. Vervanging concentreert zich waar de moderatiedruk het sterkst is, dus crisisthreads, gezondheidsklachten en posts over nare ervaringen worden het hardst geraakt, terwijl neutraal gepraat over producten gewone woorden blijft gebruiken. Een sentimentanalyse op die scheve steekproef leest positiever dan het echte gesprek, en een volumegrafiek onderschat elke piek die samenvalt met een gemodereerd onderwerp.
Dit is een andere fout dan de twee meest gehoorde klachten over monitoring. Negatieve zoekwoorden lossen vals-positieven op, en detectie van bijna-duplicaten lost herhaalde kopieën van één verhaal op. Geen van beide haalt een post terug die je query nooit matchte.

Wat kan een monitoringteam er echt aan doen?
Niets herstelt de volledige dekking, en een leverancier die een compleet algospeakwoordenboek belooft, verkoopt je een lijst die veroudert. Een preprint van Jan Fillies, Ronald E. Robertson en Jeffrey Hancock, Algospeak, Hiding in the Open, modelleert het verschijnsel als co-evolutie tussen ontwijkers en detectoren, en daarom veroudert een statische lijst: de woordenschat verschuift als reactie op detectie. Hetzelfde paper noemt het plafond van die beweging: een vervanging die obscuur genoeg is om elke detector te verslaan, wordt niet meer begrepen door de mensen voor wie hij geschreven is.
Vijf dingen helpen wel, van grootste naar kleinste opbrengst:
Monitor communities naast tekenreeksen. Als je de hele feed van een subreddit volgt, vang je posts op waarin je gevolgde term nooit voorkomt. Daar zijn de subredditfinder en de zoekwoordmonitoring op Reddit van RedReplier voor, als je ze combineert.
RedReplier
Aan de slag
Reddit, X, Bluesky en HN
Realtime meldingen op intentie
Onbeperkt AI-antwoorden
Gerangschikt op koopintentie
Lees volgens schema steekproeven. Haal een willekeurige steekproef van posts uit de communities die je belangrijk vindt, beoordeel de relevantie met de hand en bereken het recallcijfer hierboven. Zo leer je welke vervangingen nu in omloop zijn, en het is meteen een kwaliteitscheck op je opzet voor merkmonitoring.
Beoordeel betekenis, geen spelling. Relevantiebeoordeling met AI scoort of een post over je onderwerp gaat, in plaats van of die je tekenreeks bevat, en RedReplier legt uit waarom elke vermelding is gemarkeerd, zodat je het oordeel kunt controleren.
Zet een datum op je zoekwoordenlijst. Plan een reviewdatum, voeg de vervangingen toe die je steekproeven vonden en haal termen weg die afgekoeld zijn. Je booleaanse zoekoperatoren zijn het afstemmen waard, en dat afstemmen is nooit klaar.
Rapporteer het gat eerlijk. Als je volume of sentiment presenteert aan een belanghebbende, zeg dan van welke onderwerpen je weet dat ze ondergeteld zijn. Dat is een betere uitkomst dan een zelfverzekerde grafiek op een query die je nooit hebt getest.
Hoe verschilt algospeak van andere internetslang?
Algospeak is een reactie op een moderatiesysteem, andere internettaal is een reactie op een community. Steen en collega's trekken die grens expliciet: leetspeak, LOLspeak, sms-taal en vergelijkbare varianten bestaan om identiteit of groepslidmaatschap te tonen, terwijl algospeak gebruikt wordt als reactie op de ervaring van contentmoderatie op een platform. Het gevolg voor iedereen die aan social listening doet: algospeak beweegt op de klok van platformbeleid, niet op een culturele klok, dus een term die vorig kwartaal gecodeerd was, kan dit kwartaal gewone tekst zijn.
Wie gelooft dat zijn account onderdrukt wordt, verandert eerst hoe hij schrijft en pas daarna wat hij zegt. Dat is hetzelfde instinct als achter de volkstheorieën in het artikel over de Reddit-shadowban.
Veelgestelde vragen
Wie bedacht de term algospeak?
Geen enkele bron die ik kan controleren noemt één bedenker. De reportage van Taylor Lorenz in The Washington Post van 8 april 2022 wordt gezien als het stuk dat het woord populair maakte, en Steen, Yurechko en Klug citeren dat artikel als ze het verschijnsel aan TikTok koppelen. De veilige bewering is dat de term zich in 2022 verspreidde, niet dat één persoon hem bedacht.
Is algospeak alleen iets van TikTok?
Nee. Steen en collega's schrijven dat algospeak op veel socialmediaplatforms bestaat, al is het vooral met TikTok verbonden vanwege het audiovisuele formaat en de algoritmische moderatie van TikTok. Een preprint uit 2026 over het detecteren van gecodeerde taal annoteerde posts van zowel TikTok als Bluesky, wat erop wijst dat het verschijnsel niet tot één app beperkt is.
Raakt algospeak merkmonitoring of alleen monitoring van onderwerpen?
Monitoring van onderwerpen krijgt de grootste klap. Moderatiesystemen controleren onderwerpen, geen merknamen, dus je merk blijft in gewone tekst staan terwijl het onderwerp ernaast vervangen wordt. De uitzondering is een post die je merk combineert met een onderdrukt onderwerp, en dat is precies de post die je het liefst wilt zien.
Kan ik algospeaktermen gewoon aan mijn zoekwoordenlijst toevoegen?
Je kunt de termen toevoegen die je eigen steekproeven vinden, en dat moet je ook doen. Wat je niet kunt, is bijblijven, want de woordenschat verschuift als reactie op detectie en verschilt per community. Zie elke lijst die je bouwt als een ondergrens die veroudert en een reviewdatum nodig heeft.
Is schrijven over algospeak hetzelfde als mensen helpen moderatie te ontwijken?
Nee. Beschrijven dat vervanging gebeurt, en meten hoeveel van een gesprek erdoor verborgen blijft, is een vraag van onderzoek en meting. Een bijgehouden opzoektabel met actuele vervangingen publiceren is een andere daad met andere gevolgen. Daarom zijn de voorbeelden hierboven gedateerde citaten en geen werkende lijst.
Hoe weet ik of algospeak echt een probleem is voor mijn zoekwoorden?
Doe de recallcheck. Neem een willekeurige steekproef van posts uit één community die je onderwerp bespreekt, beoordeel elke post met de hand op relevantie en deel het aantal dat je gevolgde termen vingen door het aantal dat echt over het onderwerp ging. Ligt die verhouding dicht bij 1, dan is algospeak niet je knelpunt. Is dat niet zo, dan ken je nu de grootte van het gat in plaats van ernaar te raden.
Waarom kunnen negatieve zoekwoorden of detectie van bijna-duplicaten het algospeakgat niet dichten?
Negatieve zoekwoorden halen vals-positieven weg uit treffers die je al hebt, en detectie van bijna-duplicaten voegt kopieën van één verhaal samen. Geen van beide voegt een post toe die je tekenreeks om te beginnen nooit matchte, en dat is precies het gat dat algospeak opent.
Waarom veroudert een algospeakwoordenboek zo snel?
Een preprint van Fillies, Robertson en Hancock modelleert algospeak als co-evolutie tussen mensen die moderatie ontwijken en de systemen die dat detecteren, dus de woordenschat verschuift als reactie op betrapt worden. Hetzelfde paper noemt het plafond van die beweging: een vervanging die obscuur genoeg is om elke detector te verslaan, wordt niet meer begrepen door het publiek voor wie hij geschreven is. Elke lijst die je bouwt, is een ondergrens die veroudert en een reviewdatum nodig heeft.
Welke onderwerpen worden het hardst geraakt door vervanging via algospeak?
Steen, Yurechko en Klug koppelen het verschijnsel aan onderwerpen die moderatiesystemen onderdrukken, of een post nu een regel overtreedt of niet, waaronder zelfbeschadiging, seksueel geweld, seksualiteit, sekswerk en ziekte. Vervanging concentreert zich waar die moderatiedruk het sterkst is, dus crisisthreads, gezondheidsklachten en posts over nare ervaringen worden het hardst geraakt, terwijl neutraal gepraat over producten in gewone woorden blijft.
RedReplier
Aan de slag
Reddit, X, Bluesky en HN
Realtime meldingen op intentie
Onbeperkt AI-antwoorden
Gerangschikt op koopintentie
Heeft algospeak iets te maken met theorieën over shadowbans?
Beide komen uit hetzelfde instinct: wie gelooft dat een platform tegen hem werkt, past zijn gedrag aan om eromheen te gaan. Het artikel over de Reddit-shadowban documenteert datzelfde instinct in de volkstheorieën die mensen opbouwen over vermoedelijke onderdrukking. Algospeak past dat instinct toe op woordkeus in plaats van op postfrequentie of accountgedrag.
Zie ons vaker in Google
Met één klik markeer je RedReplier als voorkeursbron, zodat onze artikelen hoger staan in je Topverhalen, AI-modus en AI-overzichten.
Voordat je gaat...
RedReplier
Vang elke koper die vraagt om wat jij verkoopt
RedReplier houdt Reddit, X, Bluesky en Hacker News in realtime in de gaten, rangschikt elke thread op koopintentie en schrijft een concept voor je antwoord, zodat jij er als eerste bij bent.
Reddit, X, Bluesky en HN
Realtime meldingen op intentie
Onbeperkt AI-antwoorden
Gerangschikt op koopintentie
Gerelateerde artikelen


Hoe uitsluitingszoekwoorden valse positieven terugdringen in advertenties en merkmonitoring
Hoe uitsluitingszoekwoorden werken in Google Ads, waarom negatief breed zoeken nauwe varianten negeert, en hoe een uitsluitingslijst valse positieven in merkmonitoring terugdringt.


Geratiood worden: wat betekent ratio op Twitter en Reddit
Geratiood, oftewel wat betekent ratio op Twitter en Reddit: de post kreeg meer reacties dan likes, of meer downvotes dan upvotes. Zo telt elke site het.


Jakob Nielsen publiceerde de 90-9-1-regel in 2006, en het bewijs sindsdien is mager
Jakob Nielsen publiceerde de 90-9-1-regel in 2006: 90% van een online community leest alleen mee, 9% draagt soms bij, 1% schrijft bijna alles. Hoe goed klopt dat nog?

