Onder invloed van anti-transactivisten daalt de acceptatie van LHBTIQA+-personen al jarenlang. Pointer verzamelde ruim 230.000 berichten van X, Bluesky en comments onder YouTube-video’s sinds 2021 over deze gemeenschap. Hoe herken je daar haatberichten in?
Het is niet de eerste keer dat online haatberichten worden onderzocht. De Europese Unie stelde in 2019 richtlijnen samen om online haat te monitoren. Hetzelfde geldt voor de Verenigde Naties. Ook Amnesty International (2025), GLAAD (sinds 2021) en De Groene Amsterdammer (2023) hebben eerder definities opgesteld om online haat tegen LHBTIQA+ te herkennen.
We hebben deze richtlijnen als volgt vertaald naar een definitie die voor ons onderzoek bruikbaar is. Daarbij zijn we erg voorzichtig te werk gegaan. Zodra we twijfelden, hebben we het bericht niet als haat gelabeld. Een bericht moet daarnaast een expliciet en voornamelijk gaan over LHBTIQA+ en een negatief/hatelijk element bevatten.
Wel labelen als haat
- Scheldwoorden of slurs gericht op LHBTIQA+-personen, zowel als groep of individu;
- Oproepen tot geweld of uitsluiting, bijvoorbeeld ‘ze moeten dood’ of ‘we vegen ze van de aardbodem’;
- Vergelijkingen met ziekten of afwijkingen (geestelijk of lichamelijk);
- Dehumaniseren, bijvoorbeeld vergelijkingen met dieren, voorwerpen, etc.;
- Doodsbedreigingen of doxxing;
- Aantoonbaar onjuiste feitelijke beweringen die LHBTIQA+-personen kwetsen of in gevaar brengen, bijvoorbeeld claims met verzonnen of eerder weerlegde statistieken over genderbevestigende zorg of transitiespijt;
- Claims die LHBTIQA+ zonder bewijsvoering koppelen aan geweld, kindermisbruik of andere vormen van criminaliteit;
- Deadnamen of misgenderen als vaststaand feit, bijvoorbeeld ‘het is wél een vrouw’, 'transvrouw = man’, etc.;
- De transitie met beledigende termen omschrijven, bijvoorbeeld ‘ombouwen’, ‘vrouw met pik’, etc.
Niet labelen als haat
Hieronder staan voorbeelden die we niet als haat hebben gelabeld, tenzij het is aangevuld met een van de elementen die hierboven staan.
- Kritiek op het beleid zonder een aanval op iemands identiteit, bijvoorbeeld ‘ik ben tegen adoptie door homostellen’ of ‘ik maak me zorgen over genderbevestigende zorg voor kinderen’;
- Ironie en satire;
- Verslaggeving over haat;
- Emoji;
- Belangen van de gemeenschap ondergeschikt maken of wegzetten als onbelangrijk, bijvoorbeeld ‘vrouwenrechten zijn ook belangrijk’ of ‘waarom strijden we wel voor trans personen maar niet voor…’;
- Ondersteunende reactie op hatelijke content, bijvoorbeeld ‘goede video’ onder een hatelijke YouTube-video. De reactie moet zelf ook een hatelijk element bevatten;
- Zodra onduidelijk is wie het doelwit van de haat is, bijvoorbeeld onder een YouTube-video waarin meerdere onderwerpen wordt besproken;
- Enkel stellen dat LHBTIQA+ een ideologie is of dat het wordt opgedrongen.
We hebben 2.300 berichten handmatig gelabeld met bovenstaande definities om ons taalmodel te trainen. Vervolgens hebben we een taalmodel (IMSyPP/hate_speech_nl, gebaseerd op het Nederlandse taalmodel BERTje) getraind om haatberichten te herkennen. Het taalmodel heeft een nauwkeurigheid van 89 procent. In de praktijk is het onmogelijk om een 100 procent-score te halen, omdat veel berichten ironisch zijn bedoeld.
