De Netflix-serie Adolescence bracht de ‘manosfeer’ – de online wereld waarin jonge jongens radicaliseren in hun ideeën over mannelijkheid en vrouwen – opnieuw onder de aandacht. Waar de manosfeer vaak geassocieerd wordt met radicale figuren zoals Andrew Tate, zagen wij op onze eigen tijdlijnen steeds vaker Nederlandstalige influencers opduiken die traditionele opvattingen over man en vrouw verkondigen. Voor Argos, De Groene Amsterdammer en de Data School (Universiteit Utrecht) aanleiding om onderzoek te doen naar de vraag: hoe ziet de Nederlandstalige manosfeer eruit?

Waar de manosfeer zich vroeger vooral manifesteerde op afgebakende plekken als internetfora of red-pillsubreddits, is het inmiddels een veel breder en diffuser online fenomeen. De huidige manosfeer laat zich minder gemakkelijk afbakenen met vaste hashtags of zoektermen. Veel van de content is ingebed in bredere thema’s als zelfverbetering, succes en relaties – en wordt daardoor niet altijd als zodanig herkend. Tegelijk speelt het algoritme van platforms als TikTok en Instagram een actieve rol in het koppelen van die inhoud aan jonge gebruikers.

Dat maakt het uitdagender om het verschijnsel te ondervangen, zeker in een data-onderzoek, maar niet onmogelijk. In dit onderzoek combineerden we verschillende methoden – kwantitatief én kwalitatief – om zicht te krijgen op hoe traditionele ideeën over mannelijkheid zich verspreiden. We richtten ons op twee platforms – Instagram en TikTok – en gebruikten per platform een andere benadering. Hieronder lichten we per platform toe hoe we te werk zijn gegaan.

Instagram

Voor Instagram maakten we – vergelijkbaar met ons eerdere onderzoek naar de ‘superspreaders’ van coronacomplotten – gebruik van een sneeuwbalmethode, waarbij het onderzoek zich via verbonden accounts als een sneeuwbal uitbreidt.
We startten ons onderzoek met een algemene lijst van de meest gevolgde Nederlandse Instagram-accounts. Bij elk account op die lijst bekeken we wie door Instagram werd aanbevolen: de profielen die verschijnen als je op ‘volgen’ klikt. Als een aanbevolen profiel in de meest recente posts minimaal tien procent Nederlandstalige inhoud bevatte, voegden we dat account toe aan de lijst en herhaalden we de stap: ook van dat profiel verzamelden we de aanbevelingen. Op die manier bouwden we een netwerk op van ruim 17 duizend accounts.

Op deze data voerden we een netwerkanalyse uit met de visualisatiesoftware Gephi. We deelden deze 17 duizend accounts op in verschillende groepen. Dat deden we aan de hand van het Louvain-algoritme, dat automatisch zoekt naar een indeling waarbij de onderlinge verbondenheid binnen groepen zo groot mogelijk is. In dit geval werd die verbondenheid bepaald door Instagram’s aanbevelingssysteem: accounts die vaak samen worden aanbevolen, komen zo in dezelfde groep terecht. Die analyse leverde een reeks herkenbare groepen (of: clusters) op, zoals groepen rond momfluencers, horecazaken, wijkagenten, sporters en beauty-vloggers. Vervolgens keken we: waar zitten in dit netwerk de bekendere ‘manfluencers’?
In tegenstelling tot de suggestie van een afgesloten sfeer die een term als ‘manosfeer’ wellicht doet vermoeden, zaten die niet in één overkoepelend cluster. Ze waren verspreid over drie hoofdgroepen:
1) een algemeen cluster gericht op mannen
2) een cluster rondom spiritualiteit en persoonlijke groei
3) een overwegend islamitisch georiënteerd cluster.

Van alle accounts in deze clusters verzamelden we de honderd meest recente Instagram-reels, het korte videoformaat van het platform. Om niet volledig afhankelijk te zijn van het aanbevelingsalgoritme, verzamelden we ook reels van accounts die werden genoemd in posts van profielen uit ons vooronderzoek. Deze twee routes leverden samen 78.439 reels op, afkomstig van 2.685 unieke accounts. Die video’s transcribeerden we met behulp van de transcriptiesoftware ‘Whisper’ (specifiek: ‘large-v3-turbo’ in het Python-pakket ‘faster-whisper’).

De volgende stap was om die brede selectie weer terug te brengen tot een selectie van prominente ‘manfluencers’ met een groot bereik. Waar het eerste deel van het Instagram-onderzoek draaide om het netwerk uit te breiden, passen we nu juist weer een trechtermethode toe, waarbij we de selectie steeds nauwer maken. Om de selectie te trechteren, stelden we criteria voor wie opnemen in ons data-onderzoek. We kwamen uit op vier voorwaarden:
1) Inhoud: de video’s bevatten motiverende boodschappen, maar bevatten ook meerdere gendernormatieve uitspraken – uitspraken die duidelijke, vaak stereotiepe ideeën over mannelijkheid of vrouwelijkheid uitdragen.
2) Vorm: de spreker richt zich direct tot de kijker, via de camera of in podcastvorm. De toon is stellig, met veel absolute beweringen.
3) Bereik: het account telt minstens vijfduizend volgers.
4) Publiek: het gaat om mannelijke makers met een boodschap die primair gericht is op mannen en/of jongens.

Om die selectie daadwerkelijk te maken, maakten we gebruik van een combinatie van automatische en handmatige methodes.

Allereerst codeerden we ‘gendernormatieve’ uitspraken. We begonnen met een lijst van zoektermen als ‘man’, ‘vrouw’, ‘mannen’ en ‘vrouwen’ – woorden die vaak voorkomen in dit soort uitspraken. Maar uiteraard is niet elke zin met zulke termen ook daadwerkelijk normatief. Daarom gebruikten we, geïnspireerd door de methode van ons onderzoek naar online haat tegen vrouwelijke politici, een computermodel om te bepalen of een uitspraak iets zegt over hoe een man of vrouw hoort te zijn, of zich hoort te gedragen. We gebruikten hiervoor GPT-4o-mini, met een definitie van gendernormatief als: “verwachtingen, rollen of gedragingen die worden toegeschreven aan iemand op basis van hun (veronderstelde) gender.” Het model kreeg expliciet de opdracht mee om uitspraken alleen als gendernormatief te labelen wanneer die norm “helder en ondubbelzinnig” werd benoemd. Om de nauwkeurigheid van het model te testen, labelden we driehonderd uitspraken handmatig. Het model bleek in 96 procent van de gevallen hetzelfde oordeel te geven.

Daarna filterden we alle accounts met minder dan tien gendernormatieve uitspraken of minder dan vijfduizend volgers eruit. De overgebleven accounts namen we handmatig door: is het account mannelijk, richt het zich ook primair op mannen, en richt het zich daadwerkelijk op motiverende adviezen? Zo kwamen we tot een selectie van vijftien prominente accounts waarvan we de video’s inhoudelijk onder de loep namen.

Daarvoor verzamelden we de honderd meest recente video’s per account. In totaal leverde dat 1.392 reels (korte filmpjes) op – sommige accounts publiceerden minder dan honderd reels. Om te weten waar de accounts het over hebben, bestuurden we de transcripties van die accounts. Dat deden we met verschillende tekstanalysemethodes.

Allereerst keken we algemeen thematisch: welke onderwerpen snijden de accounts aan? Hiervoor gebruikten we een techniek genaamd topic modeling (specifiek: Latent Dirichlet Allocation), waarbij we dezelfde methode hanteerden als ons onderzoek naar de betekenis van ‘links’ in het publieke debat. Met een model dat woordpatronen analyseert, konden we automatisch thema’s uit de teksten extraheren. Omdat zulke modellen soms overlappende topics opleveren, gebruikten we een iteratieve methode: eerst draaiden we het model op de volledige data, selecteerden de meest coherente thema’s, en voedden die terug als input voor een tweede model. Zo reconstrueerden we zes onderwerpen die bij de verschillende soorten ‘manfluencers’ aan bod komen.

Ook namen we de gendernormatieve uitspraken nader onder de loep. We berekenden het percentage video’s met ten minste één zo’n uitspraak en keken hoe dat verschilde tussen accounts. Omdat sommige video’s gendernormatieve ideeën bevatten die alleen zichtbaar zijn in captions of tekst op het scherm – en dus niet in de transcriptie – berekenden we de percentages op twee manieren: met video’s waarin minder dan tien woorden werd gesproken, en zonder. Zo voorkwamen we verkleuring in onze resultaten. Ongeveer 42% van de video’s waarin werd gesproken ging in brede zin over gender. 12% bevatte een expliciet normatieve uitspraak.

Uit een analyse van engagement blijkt dat gendernormatieve video’s bij sommige accounts aantoonbaar beter presteren: ze leveren meer views, likes en comments op. Bij vier van de vijftien accounts worden video’s met traditionele genderopvattingen structureel beter bekeken – soms bijna twee keer zo veel. Dat blijkt uit een Mann-Whitneytoets, waarbij we het aantal views vergeleken van video’s met en zonder gendernormatieve uitspraken. Een vergelijkbaar patroon zagen we bij likes, maar vooral bij comments was het verschil groot – mede doordat zulke uitspraken vaak tot controverse leiden. Bij geen enkel account, en op geen enkele metric, scoorden zulke video’s aantoonbaar minder goed.

TikTok

Waar het Instagram-deel van het onderzoek zich concentreerde op het discours van de manosfeer, keken we voor TikTok naar de vraag: hoe kom je bij zulke video’s terecht? Welke routes leiden naar de manosfeer? Daarvoor maakten we – net als ons onderzoek naar eetstoornisvideo’s op TikTok – gebruik van geautomatiseerde accounts.

We maakten twaalf nieuwe accounts aan op een schone, net geïnstalleerde versie van de app. Elk account kreeg een jongensnaam en werd meestal ingesteld op een leeftijd van vijftien jaar – een leeftijd waarop veel jongens in aanraking komen met dit soort content. Twee accounts kregen een ouder profiel, zoals veel tieners zelf doen om toegang te krijgen tot volwassen content.

Vervolgens lieten we die accounts door de app scrollen en video’s kijken zoals een “gewone” gebruiker dat ook zou doen. Daarbij kregen ze expliciet de instructie om langer te blijven hangen bij video’s over mannelijkheid, dating, discipline en doorzettingsvermogen, maar verder niet te interacteren met de app. In ons eerdere onderzoek bepaalden we op basis van visuele analyse met CLIP hoe lang een account bij een video bleef hangen. Inmiddels zijn de mogelijkheden van AI flink toegenomen. In dit onderzoek maakten we daarom gebruik van de visuele analysecapaciteiten van GPT-4, specifiek GPT-4o-mini en GPT-4.1-mini.
Dat werkt als volgt: voor elke video die onze accounts tegenkwamen, maakten we automatisch een screenshot. Die stuurden we naar het model, samen met een ‘prompt’ die een korte profielschets bevatte. Bijvoorbeeld: “Je bent een Nederlandse jongen van 15 jaar en je zit veel op TikTok. Je zoekt naar video’s die je laten zien hoe je een sterke, succesvolle man wordt. Je wil leren over mannelijkheid, discipline, doorzettingsvermogen, geld verdienen, fysieke kracht en mentale weerbaarheid.”

Vervolgens lieten we het model op basis van dat screenshot ‘raten’ hoe belangrijk de video voor het desbetreffende profiel was: “Beoordeel op basis van wat je ziet hoe relevant of aantrekkelijk deze video voor jou is, op een schaal van 1 tot 10.” Het antwoord dat we terugkregen bepaalde hoe lang we bij een video bleven hangen. Bij een score onder de 3 swipten we direct door. Scoorde een video hoger, dan bleef het account langer kijken – tot ruim dertig seconden bij de meest relevante video’s.

Een beperking van deze methode is dat het model alleen afgaat op wat er visueel in beeld is, en daardoor het geluid niet meeneemt. Omdat een groot deel van de video’s hun boodschap als tekst in beeld zetten of automatisch ondertitelen, kon het model echter die informatie alsnog meenemen in de beoordeling.

Om de diversiteit tussen de accounts te vergroten, varieerden we in de instellingen van de accounts: we gebruikten verschillende prompts, wisselden tussen GPT-4o en GPT-4.1-mini, en tussen het al dan niet aanzetten van geluid. In totaal lieten we elk account vijfhonderd video’s kijken. De routes die de accounts aflegden, analyseerden we vervolgens handmatig. Per account hielden we handmatig bij: 1) of het met content over mannelijkheid en traditionele rolpatronen in aanraking kwam, 2) wanneer dat voor het eerst gebeurde, en 3) via welke route dat gebeurde. Ook onderzochten we welke accounts het vaakst opkwamen in de tijdlijnen van onze accounts.

Negen van de twaalf accounts eindigden in een feed vol zelfverbeteringsadvies, motivatiegoeroes en filmpjes over ‘echte mannelijkheid’ – content die zich aan de randen van de manosfeer bevindt. Eén bot bleef vooral hangen in algemene motivatievideo’s, één kwam vooral bij fitnesscontent terecht, en één belandde – opvallend genoeg – in de vrouwelijke variant: een wereld van ‘female alphas’.

Grofweg zagen we twee routes: de ene begon bij melancholische quotes en motiverende teksten, de andere bij fitness- en succesvideo’s. Beide leidden uiteindelijk naar content met uitgesproken ideeën over mannelijkheid. Hoewel we de accounts richtten op Nederlandstalige content, verschenen er ook Engelstalige motivatievideo’s – vaak met figuren als Jordan Peterson, Cristiano Ronaldo of de Joker. Andrew Tate zelf, die in 2022 werd verbannen van het platform, kwam opvallend weinig voor.
De routes die de accounts aflegden, zien we niet als representatief voor het exacte pad dat een gemiddelde vijftienjarige zou volgen, maar geven – net als in ons eerdere onderzoek naar eetstoornisvideo’s – wel inzicht in hoe TikTok’s algoritme associeert en koppelt. Ze laten zien hoe ogenschijnlijk neutrale motivatievideo’s kunnen overlopen in traditionele opvattingen over gender, en hoe die bijvoorbeeld op hun beurt weer verbonden zijn met religieuze content.

Zowel onze analyses van TikTok als Instagram laten zien dat de Nederlandstalige manosfeer geen obscuur uithoekje van het internet is – en ook niet één gesloten wereld. Het is een wijdvertakt netwerk dat dwars door de mainstream loopt, verdeeld over verschillende sferen. Vanuit allerlei richtingen – spiritueel, ondernemend, gespierd, religieus – worden conservatieve ideeën over mannelijkheid verkondigd. Daarbij gaat het niet om anonieme gebruikers op obscure fora, maar om zichtbare influencers met tienduizenden, soms wel honderdduizenden volgers. Hun stijl varieert, maar de kern van hun boodschap is opvallend eensluidend: de man hoort te leiden, te beschermen en te zorgen; de vrouw is emotioneel, heeft steun nodig en moet zich voegen. En juist zulke video’s scoren.

Het onderzoek laat zien wat er op Instagram en TikTok gebeurt, maar niet wat zich afspeelt in de schaduw van het algoritme. Wat jongeren elkaar sturen op Snapchat, in gesloten groepen of via privéberichten blijft buiten beeld. Net als de hypergepersonaliseerde feeds van jongeren die zich dieper de app in laten trekken, ver voorbij de eerste vijfhonderd video’s. Maar wat wél publiek zichtbaar is, laat weinig aan de verbeelding over: traditionele opvattingen over man en vrouw – de man als dominante leider, de vrouw als onderdanige partner – zijn geen randverschijnselen, maar klinken luid en duidelijk door in tientallen populaire reels. Soms vermomd als grap, soms verpakt als persoonlijke voorkeur, maar net zo vaak gepresenteerd als het hoogste ideaal.