Политические клипы в соцсетях радикализуют дебаты в нидерландском парламенте

De Data School (Universiteit Utrecht) onderzocht samen met De Groene Amsterdammer het fenomeen van ‘politieke snippets’: geknipte debatfragmenten die door partijen en politici worden verspreid op sociale media. Die snippets zijn al even in opmars. Eind 2017 klaagde Kamervoorzitter Arib al over de wildgroei van knip- en plakwerk in de Tweede Kamer. Zeker sinds de coronapandemie passeren er duizenden geknipte debatfragmenten per jaar op sociale media. Inmiddels zijn politieke snippets volledig ingebed in het normale Kamerwerk. Uit een rondgang in Den Haag blijkt hoezeer Kamerleden rekening houden met politieke snippets. Ze arceren passages in hun toespraken die geschikt zijn voor een filmpje, weten vrij precies hoe lang zo’n video volgens de logica van sociale media moet duren en doen soms zelfs een spreekbeurt opnieuw zodat die beter uitkomt op video. Voor dit onderzoek wilden we daarom niet alleen reconstrueren hoe politieke snippets steeds meer voet aan de grond kregen in het parlement en wie ermee begonnen, maar ook onderzoeken wat die ontwikkeling met het debat zelf doet. Verandert met de opkomst van politieke snippets ook de manier waarop in de Tweede Kamer wordt gedebatteerd? Om dat te onderzoeken, legden we eerst een lijst aan van de X-, Instagram- en TikTok-accounts van alle fractievoorzitters en partijen die sinds 2013 in de Tweede Kamer vertegenwoordigd waren, inclusief de periode dat zij actief waren. Daarnaast verzamelden we de accounts van alle ministers en staatssecretarissen sinds Rutte II. Daarbij namen we zowel persoonlijke accounts (@RobJetten) als officiële bewindspersonenaccounts (@MinPres) mee. In totaal kwamen we zo uit op 208 fractievoorzitters, bewindspersonen en partijen. Voor onze dataset van X maakten we gebruik van Twi-XL, een nationale infrastructuur die verschillende Nederlandstalige Twitterarchieven voor onderzoekers beschikbaar maakt. Via ict-coöperatie SURF ontvingen we alle tweets met video van de accounts op onze lijst. Het grootste deel (85 procent) kwam uit het archief van het Documentatiecentrum Nederlandse Politieke Partijen (DNPP), dat tweets van Nederlandse politici en partijen van 2014 tot en met 2023 archiveerde. Ontbrekende berichten werden binnen TwiXL aangevuld uit andere Nederlandse Twitterarchieven. Omdat TwiXL geen tweets van na 2024 bevat, verzamelden we zelf de resterende tweets tot 1 mei 2026. Voor Instagram en TikTok verzamelden we de video’s rechtstreeks via de openbare profielen van de geselecteerde accounts. Video’s die op het moment van verzamelen waren verwijderd, konden daardoor niet worden meegenomen. Voor alle drie de platforms geldt dat we data verzamelden van 1 januari 2013 tot 1 mei 2026. Hoewel de meeste politici en partijen oudere video’s niet structureel verwijderen, is dat wel het geval bij de overheidsaccounts van ministers en staatssecretarissen. Bij het aantreden van een nieuw kabinet worden alle berichten van de voorgaande bewindspersoon verwijderd, zodat berichten van een voorganger niet onder de naam van de nieuwe bewindspersoon blijven staan. Sinds Rutte III archiveert de Rijksvoorlichtingsdienst (RVD) deze berichten structureel. Om ook de ontwikkeling van politieke video’s onder bewindspersonen te kunnen volgen, vroegen we die data op bij de RVD. Dat leverde ruim 100 gigabyte aan materiaal op. Daaruit selecteerden we opnieuw alleen de berichten op Instagram en X (de Rijksoverheid is niet actief op TikTok) die een video bevatten. De volgende stap was om uit deze dataset de politieke snippets – filmpjes afkomstig uit Tweede Kamerdebatten – te onderscheiden van andere video’s die politici en partijen plaatsen, zoals de kookvideo’s van Jesse Klaver, de vlogs van Dilan Yeşilgöz of de AI-filmpjes van Geert Wilders. Voor dit onderzoek waren wij bovendien expliciet op zoek naar situaties waarbij Kamerdebatten werden verknipt en niet naar filmpjes opgenomen in of rond de Tweede Kamer. Daarvoor trainden we, op basis van duizend handmatig gelabelde afbeeldingen, een classificatiemodel (EfficientNet-B0). Op basis van het eerste frame classificeerde het model elke video als 1) een debatfragment uit de plenaire zaal, 2) een debatfragment uit een commissiezaal of 3) een video uit een andere context. Omdat die drie categorieën visueel sterk van elkaar verschillen, kon het model ze vrijwel foutloos onderscheiden. Vervolgens filterden we alle video’s uit de dataset die niet in de plenaire zaal of een commissiezaal waren opgenomen. Ook namen we alleen video’s mee die waren geplaatst in de periode dat het betreffende account actief was als partij in de Tweede Kamer, als lijsttrekker of als bewindspersoon. Voor Instagram geldt bovendien dat het platform sinds eind 2021 de mogelijkheid biedt voor zogeheten ‘collabs’, waarbij één post door meerdere accounts wordt geplaatst. Hoewel die collabs daardoor aanvankelijk meerdere keren in onze dataset stonden, telden we ze maar één keer mee. Daarmee kwamen we in totaal uit op 13.806 politieke snippets: 6.824 op X, 5.330 op Instagram en 1.652 op TikTok. Omdat onze dataset zich beperkt tot deze drie platforms en we bijvoorbeeld geen snippets meenemen die op accounts van andere Kamerleden zijn geplaatst, moet dit aantal niet gelezen worden als het totale aantal politieke snippets – dat ligt vermoedelijk nog een heel stuk hoger. Naast de politieke snippets zelf wilden we ook weten hoe de opkomst van zulke video’s zich verhoudt tot het bredere parlementaire debat. Hoe verschillen spreekbeurten die in online video’s terechtkomen van spreekbeurten die niet worden uitgeknipt? En kunnen we met de opkomst van politieke snippets ook veranderingen in het debat zelf zien? Onderzoekscentrum Cepremap liet in 2025 zien dat het Franse parlement de afgelopen vijftien jaar steeds meer emotionele retoriek is gaan gebruiken. Geïnspireerd door hun methode verzamelden wij, naast onze dataset van ruim dertienduizend snippets, 686.903 spreekbeurten uit de Tweede Kamer sinds 1 januari 2013 en pasten we zowel op de transcripten van de snippets als op de spreekbeurten eenzelfde emotie-analyse toe. Belangrijk om daarbij te benadrukken is dat een dergelijke analyse niet bedoeld is als een (in)directe meting van de emoties van de spreker: we analyseren primair het voorkomen van emotioneel geladen taal in spreekbeurten, en niet hoe de spreker zich op dat moment voelde of de toon waarop iets werd uitgesproken. Voor onze analyse volgden we in grote lijnen de methodiek van het onderzoek naar het Franse parlement. We filterden eerst alle spreekbeurten korter dan vijftig woorden, om niet-substantiële bijdragen buiten beschouwing te laten. Vervolgens classificeerden we de overgebleven teksten met een taalmodel – in ons geval: het open-sourcemodel Qwen3.5 – als ‘emotioneel’ of ‘niet-emotioneel’. In een tweede stap maakten we binnen de emotionele spreekbeurten onderscheid tussen vier basisemoties: boosheid, verdriet, angst en blijdschap. In onze analyse richtten we ons daarbij vooral op boosheid, verreweg de meest voorkomende emotie in spreekbeurten. De Franse onderzoekers maakten onderscheid tussen ‘emotioneel’ en ‘rationeel’, maar die tegenstelling vonden wij wat te rechtlijnig. Dat een tekst emotionele uitingen bevat, maakt die nog niet irrationeel; in de praktijk lopen rationele en emotionele argumenten vaak door elkaar. Voor onze analyse labelden we een spreekbeurt als emotioneel wanneer gevoelens expliciet werden geuit of de spreker emotioneel geladen taal gebruikte. Alleen het benoemen van een emotie was daarbij niet voldoende. Anders dan bij sentimentanalyse gaat het bovendien niet om de vraag of taal negatief of kritisch is: kritiek hoeft immers niet emotioneel te zijn. Emotioneel taalgebruik kon direct zijn (‘Ik ben hier gewoon echt heel erg boos over’), maar ook indirect, bijvoorbeeld wanneer emoties van anderen retorisch werden ingezet om een punt kracht bij te zetten (‘De mensen zijn boos. Ze zijn ook zeer terecht boos. Ze voelen zich belazerd, want ze zijn belazerd’). Een spreekbeurt werd gelabeld als niet-emotioneel wanneer die vooral een beroep deed op feiten, argumenten of procedures. Hoewel deze methode zich in een andere onderzoekscontext al heeft bewezen, wilden we ook toetsen hoe goed die zich naar de spreekbeurten in de Tweede Kamer vertaalt. Daarom labelden we met drie codeurs vijftig spreekbeurten handmatig. Een tekst gold daarbij als ‘emotioneel’ wanneer minstens twee van de drie codeurs dat oordeel deelden. Vergeleken met deze handmatige codering behaalde het model een nauwkeurigheid van 84 procent. Als we kijken naar hoe het parlement zich de afgelopen jaren heeft ontwikkeld, zien we net als in Frankrijk een duidelijke trend: sinds 2013 is het aandeel spreekbeurten dat als ‘emotioneel’ wordt gelabeld gestaag toegenomen. Ging het in 2013 nog om ongeveer één op de zes spreekbeurten, inmiddels is dat ruim een kwart. Opvallend is dat vooral de middenpartijen emotioneler zijn gaan debatteren; partijen aan de flanken zaten van oudsher al hoger. Daarmee is het taalgebruik van de Kamer steeds meer gaan lijken op dat van politieke snippets, die zelf een stuk vaker emotionele retoriek bevatten. Van de spreekbeurten die uiteindelijk in zo’n video terechtkomen, is meer dan de helft emotioneel, en ook dat percentage neemt toe. Ook in aanvullende analyses zien we het verband tussen emotionele debatten en snippets terug: hoe hoger het percentage emotionele uitingen in een debat, hoe meer snippets er van dat debat verschijnen. En ook op partijniveau geldt: hoe emotioneler een partij debatteert, hoe meer politieke snippets die partij plaatst. Hoewel het belangrijk is te benadrukken dat het hier om correlaties gaat en niet om causaliteit, lijken emotionalisering en algoritmisering wel hand in hand te gaan. Ook in het engagement zien we namelijk een duidelijke beloning voor snippets met emotioneel taalgebruik. Met zogeheten mixed-effects regressiemodellen schatten we het verband tussen de emotionaliteit van een video en het aantal views, likes en comments op Instagram, waarbij we corrigeerden voor datum en account. Daaruit blijkt dat video’s met emotioneel taalgebruik over de gehele linie beter presteren: ze krijgen 26 procent meer views, 36 procent meer likes en 50 procent meer comments. Ten slotte analyseerden we hoe de snippets binnen de context van een debat passen. Eerder, in 2021, deed Data School al onderzoek hiernaar, samen met studenten van de master Applied Data Science (Universiteit Utrecht). Zo ontwikkelde Coen Goedhart een computermodel dat op basis van geluidskenmerken een fragment kon traceren naar de oorspronkelijke context. Dat resulteerde in De Politieke VAR – een Twitterbot die bij elk fragment dat een partij plaatste een link naar het volledige debat toevoegde. Voor dit onderzoek traceerden we de snippets terug naar het oorspronkelijke debat op basis van de transcripten van de Instagram-video’s, die we verkregen via Whisper large-v3-turbo. Dat deden we vervolgens in twee stappen. Eerst zochten we op basis van het transcript met het klassieke zoekalgoritme BM25 naar de vijf debatten met de grootste tekstuele overlap. Vervolgens zochten we binnen die debatten naar het meest waarschijnlijke fragment door snippet en debat woord voor woord op elkaar uit te lijnen. Omdat de transcripties niet altijd exact overeenkwamen met de tekst in de Handelingen, zochten we daarbij niet naar een perfecte overeenkomst, maar naar de langste zo goed mogelijke match. Zo konden we vaststellen welke spreekbeurten uiteindelijk in een snippet terechtkwamen. Vervolgens berekenden we voor iedere spreekbeurt twee maten: lokale coherentie en globale coherentie. Lokale coherentie meet hoe goed een spreekbeurt aansluit op wat vlak ervoor en erna wordt gezegd, waarbij we voor elke spreekbeurt steeds de vijf omliggende spreekbeurten meenamen (exclusief de teksten van de voorzitter). Globale coherentie meet hoe goed diezelfde spreekbeurt past binnen het thema van het hele debat. Beide maten baseerden we op zogeheten tekstuele embeddings – numerieke, semantische representaties van tekst – waarvoor we het model paraphrase-multilingual-mpnet-base-v2 gebruikten. Wanneer we de spreekbeurten die uiteindelijk in een video terechtkomen vergelijken met andere spreekbeurten, zien we dat zowel de lokale als de globale coherentie significant lager liggen. Zulke spreekbeurten sluiten dus minder goed aan op wat direct ervoor en erna wordt gezegd, én minder goed op het algemene onderwerp van het debat. Doordat we de snippets aan de handelingen koppelden, konden we ook nauwkeurig traceren welke politici en partijen elkaar in hun video’s lieten zien. Hoewel partijen ook in gewone Kamerdebatten hun tegenstanders al zorgvuldig uitkiezen – zeker wanneer het aantal interrupties beperkt is – is dat selectiemechanisme in politieke snippets nog veel sterker. Linkse en middenpartijen richten hun pijlen in video’s veel vaker dan in het Kamerdebat op radicaal-rechtse partijen, terwijl radicaal-rechtse partijen zich in snippets juist vooral tegen middenpartijen keren. Samen laten onze analyses zien hoe een fenomeen dat begon bij experimenterende middenpartijen uiteindelijk vooral een belangrijk wapen werd voor populistische flankenpartijen, die veruit de meeste video’s deelden. Maar het is allerminst een fenomeen van alleen de flanken: juist ook middenpartijen zijn steeds emotioneler gaan debatteren, terwijl zelfs ministers en staatssecretarissen steeds vaker meedoen met het verknippen en verspreiden van debatfragmenten. En ook de doorgaans rustigere commissiezalen zijn steeds vaker het decor van politieke filmpjes. Wie het politieke debat uitsluitend via sociale media volgt, ziet daardoor niet alleen een bewust geselecteerde, contextloze uitsnede uit het debat, maar ook een veel emotionelere, bozere en meer gepolariseerde Kamer dan ze in werkelijkheid is. Tegelijkertijd is de Kamer geen willoos slachtoffer van die algoritmisering van de politiek, maar voegt zich steeds meer naar de logica van het algoritme. Zo begint het debat steeds meer de politieke snippets te weerspiegelen, in plaats van andersom.