Informatie op Twitter tijdens crisissituaties: nieuw of nieuws?

“Informatie op Twitter tijdens crisissituaties: nieuw of nieuws?”

Informatiestromen op Twitter en in de meldkamer van de politie Groningen tijdens het schietincident in Baflo nader onderzocht.

Auteur: Arjen Hoek Arjenhoek AT Gmail.com

“Informatie op Twitter tijdens crisissituaties: nieuw of nieuws?”

Informatiestromen op Twitter en in de meldkamer van de politie Groningen tijdens het schietincident in Baflo nader onderzocht.

Vrije Universiteit Amsterdam Faculteit der Sociale Wetenschappen Masterthesis Bestuurskunde – Besturen van veiligheid Begeleider: Dr. F.P. Wagenaar Beoordelaar: Dr. ir. F.K. Boersma

Auteur: Arjen Hoek Master Bestuurskunde ‘Besturen van Veiligheid’

2

INHOUDSOPGAVE

1. Introductie 1.1 Aanleiding 1.2 Inleiding 1.3 Methodologie 2. Concepten 2.1 Social Media 2.2 Twitter 2.3 Crisis 2.4 Ushahidi 3. Theorie 3.1 Algemeen 3.2 Gedrag van burgers op social media 3.3 Type burgerinformatie op Twitter 3.4 Kwaliteit burgerinformatie op Twitter 3.5 Social Media gebruiken voor crowdsourcing 4. Onderzoeksmethoden 4.1 Onderzoeksobjecten 4.2 Operationalisatie Twitter analyse 4.3 Operationalisatie interviews 4.4 Representativiteit 4.5 Validiteit en betrouwbaarheid 5. Empirie 5.1 Analyse tweets 5.2 Vergelijking Twitter met GMS 5.3 Interviews 6. Conclusie en discussie Literatuurlijst

4 4 4 6 7 7 8 9 10 12 12 12 13 15 16 18 18 19 20 21 21 23 23 26 28 31 34

3

1. INTRODUCTIE

1.1 Aanleiding Opensourcesoftware Ushahidi helpt bij rampenbestrijding

In het afgelopen jaar kende Rusland een van de warmste zomers ooit. Door de extreme hitte ontstonden er duizenden branden, met als gevolg het verlies van veertig mensenlevens, vijftienhonderd huizen en meer dan 120.000 hectare bos. De schade had veel groter kunnen zijn als er geen gebruik was gemaakt van de gratis opensourcesoftware Ushahidi. Degenen die de brandhaarden bestreden, maakten met behulp hiervan een internetapplicatie, waarvoor ze informatie van burgers gebruikten om in kaart te brengen wat de beste routes waren om de branden te blussen. ‘Ushahidi zorgt ervoor dat mensen worden gehoord en informatiekanalen democratischer worden; het moedigt burgerparticipatie aan’, zegt medeoprichter Juliana Rotich. (Mapa, 2011)

1.2 Inleiding De opkomst van de netwerksamenleving heeft de afgelopen jaren een enorme vlucht genomen. De groeiende ICT mogelijkheden zorgen ervoor dat de hele wereld binnen een paar muisklikken met elkaar in contact staat. De verschillende social media zijn toepassingen of platforms die het mogelijk maken om met elkaar in contact te staan en informatie uit te wisselen. Tijdens de orkaan Katrina in 2005 werd op grote schaal informatie over het rampgebied gedeeld via social media zoals Twitter, Flickr, Facebook en weblogs (Gao e.a. 2011:197). Dit is vergelijkbaar met het principe van Ushahidi. Het uitwisselen van informatie is namelijk ook wat er in 2010 in Rusland gebeurde. Ushahidi gaf de inwoners van Rusland een online platform om informatie te delen.

Het principe van online informatiedelen in crisissituaties gebeurt niet alleen in het buitenland, maar ook in Nederland. Ten tijde van grote ongevallen of rampen wordt massaal naar de mobiele telefoon gegrepen om te Twitteren. Twitter is een social media - toepassing die het mogelijk maakt om een microblog bij te houden en hiermee tekst, foto’s en video’s op een eenvoudige wijze online te delen. De tweets over rampen en crises kunnen belangrijke 4

informatie voor hulpverleners over een ongeval bevatten. Die informatie kan gebruikt worden door hulpverleners om bijvoorbeeld meer inzicht te krijgen in de situatie. De Nederlandse overheid is zich bewust van de nieuwe kansen welke digitale media bieden. Het Nationaal Crisis Centrum (NCC) heeft het Instituut voor Veiligheids- en Crisismanagement (COT) daarom gevraagd een onderzoek uit te voeren naar het gebruik van Twitter als instrument voor crisiscommunicatie. Dit onderzoek van het COT is met name gericht op de communicatie van de overheid richting de burger met betrekking tot rampen en crises.

In deze scriptie worden andere mogelijkheden van Twitter onderzocht. Hierbij gaat het om de bruikbaarheid burgerinformatie op Twitter voor veiligheidsprofessionals tijdens een incident. Hierbij wordt het schietincident in Baflo op 13 april 2011 onderzocht. In de eerste uren het schietincident in Baflo zijn er enkele duizenden tweets verstuurd. Hierbij wordt gekeken naar de inhoud van de tweets, waar hebben burgers het over tijdens een incident en is dit bruikbaar voor veiligheidsprofessionals. Interessant is om te onderzoeken of de informatiestromen op Twitter afwijken van de informatiestromen in de meldkamer van de politie Groningen. In deze scriptie staat de volgende probleemstelling centraal: Wat voor informatie is er door burgers op Twitter verspreid over het schietinicident in Baflo en in hoeverre was dit nieuw en bruikbaar ten opzichte van de GMS uitdraai van de Politie Groningen?

De probleemstelling wordt aan de hand van deelvragen beantwoord. Eerst wordt de wetenschappelijke stand van zaken in kaart gebracht door middel van vragen over de theorie en vervolgens wordt de praktische kant in kaart gebracht met behulp van empirische vragen.

Theorie 1. Wat zijn social media en wat is het principe van Ushahidi? 2. Hoe gedragen burgers zich op social media tijdens crisissituaties? 3. Wat is er bekend uit over de bruikbaarheid van informatie op social media tijdens crisissituaties? 4. Wat zijn de uitkomsten van empirisch onderzoek naar het gebruik van informatie op social media tijdens crisissituaties? Empirie 5. Wat voor informatie wordt er door burgers op Twitter gezet tijdens de warme fase van het schietincident in Baflo? 5

6. Welke informatie van burgers over het schietincident in Baflo staat op Twitter en was op hetzelfde moment nog niet bekend in de meldkamer? 7. Welke informatie van burgers op Twitter over het schietincident in Baflo was nog niet bekend in de meldkamer en is ook bruikbaar voor veiligheidsprofessionals tijdens de warme fase van het incident?

1.3 Methodologie Het onderzoek wordt gebaseerd op een literatuurstudie en op een empirisch onderzoek. Eerst wordt gekeken wat de huidige wetenschappelijke stand van zaken is op dit onderwerp. In het eerste deel worden de concepten zoals social media, Twitter en Ushahidi uitgewerkt. Daarna wordt het gedrag van burgers op social media tijdens crisissituaties en verschillende theorieën die hier een relatie mee hebben in kaart gebracht.

Bij het empirische onderzoek worden de tweets over het schietincident in Baflo onderzocht. Hierbij worden de tweets over de situatie geanalyseerd en wordt in kaart gebracht welke informatie op welk tijdstip door burgers wordt aangeleverd. Dit wordt vergeleken met een GMS uitdraai van de meldkamer van de politie Groningen. Op deze wijze wordt getoetst of informatie eerder bekend was op Twitter dan in de meldkamer. Op basis hiervan wordt ook inzichtelijk welke tweets interessant zijn voor veiligheidsprofessionals tijdens de warme fase. Naast het onderzoek van de tweets worden er een aantal interviews gehouden met veiligheidsprofessionals. Hierbij wordt getoetst hoe interessant de burgerinformatie op Twitter is voor veiligheidsprofessionals.

6

2. CONCEPTEN

2.1 Social media Er zijn in de literatuur verschillende definities van social media bekend. De definitie die gehanteerd wordt in het rapport van het COT is als volgt: “een verzamelterm voor internetapplicaties en internetdiensten die interactief zijn, waarin gebruikers centraal staan en er door middel van gezamenlijke activiteiten (co-creatie) nieuwe informatie en kennis wordt opgebouwd” (COT, 2010: 5). In de definitie van het COT zijn drie elementen te onderscheiden. Allereerst dat het gaat om internetapplicaties en internetdiensten. Voorbeelden van deze internetapplicaties en diensten zijn sociale netwerksites Twitter, Facebook, Hyves en LinkedIn. Het zijn niet alleen netwerksites, maar ook videosite Youtube en online encyclopedie Wikipedia zijn social media. Ten tweede geeft het COT aan dat de gebruikers centraal staan en ten derde dat gezamenlijke activiteiten bouwen aan nieuwe informatie en kennis. Een concreet voorbeeld hiervan is het toevoegen en modereren van informatie op Wikipedia wat door de gebruikers zelf wordt georganiseerd.

De definitie van het COT heeft veel overeenkomsten met de definitie die wordt gegeven in het onderzoeksrapport van TNO en het Ministerie van BZK. In dit rapport worden social media gelijk gesteld aan de ontwikkeling “web 2.0”. Web 2.0 is een containerbegrip dat staat voor de nieuwe, tweede, fase van het internet. Dit is de periode waarin de gebruiker bijdragen levert aan de inhoud van websites en applicaties en website-eigenaren nieuwe verdienmodellen hebben (Frissen e.a. 2008: 10). Web 2.0 is een zeer gehypt begrip en kent veel verschillende definities en daarom wordt er in deze scriptie verder alleen gesproken over social media. Social media wordt door Frissen omschreven als: “Het ontstaan van platforms op het Internet waar gebruikers zich kunnen organiseren, samenwerken, vriendschappen onderhouden, delen, ruilen, handelen en/of creëren, die open toegankelijk zijn en decentraal georganiseerd, waardoor een actieve inbreng van gebruikers mogelijk is,en waar alles wat op die platforms gebeurt maximaal geëxploiteerd wordt.” (Frissen e.a. 2008: 9). De toevoeging die hieraan gedaan wordt door Frissen (2008) ten opzichte van het COT (2010) is dat social media openlijk toegankelijk zijn en decentraal georganiseerd worden. Iedereen die over een 7

internettoegang beschikt, kan gebruik maken van social media. De definitie die in deze scriptie gehanteerd wordt is een combinatie van Frissen en het COT: Social media is een verzamelterm voor internetapplicaties en internetdiensten die open toegankelijk, interactief en decentraal georganiseerd zijn, waarin gebruikers centraal staan en er door middel van gezamenlijke activiteiten (co-creatie) nieuwe informatie en kennis wordt opgebouwd.

2.2 Twitter Twitter is een microblogging service die behoort tot de social media. Microblogging is een vorm van webloggen dat gebruikers de mogelijkheid geeft om korte tekstberichten of media als foto’s of videoclips te delen (Sakaki e.a., 2010: 851). Er zijn op de internationale markt verschillende partijen die microblogging-diensten aanbieden. Twitter is hiervan de grootste en de enige met bekendheid onder het grote publiek in Nederland (Starbird e.a., 2010: 241-242). Twitter stelt gebruikers alleen de volgende vraag: “What are you doing?” (Twitter, 2011-1). De beantwoording van deze vraag heet een ‘tweet’ en moet gedaan worden in maximaal 140 karakters (Sakaki e.a., 2010: 851). Tweets kunnen worden verstuurd via verschillende mogelijkheden: de website Twitter.com, e-mail, sms en via applicaties op mobiele telefoons of computers met internetverbinding.

Een Twitter-account bevat een korte omschrijving van de gebruiker. Dit openbare profiel bevat de naam, locatie, website, een korte biografie en het aantal verstuurde tweets van een gebruiker (Kwak e.a., 2010: 591). Daarnaast bevat een Twitter-account de tweets die door de gebruiker verstuurd zijn. Een gebruiker die kennis wil nemen van de berichten van een gebruiker kan zich abonneren op zijn berichten door “follower” (volger) te worden. Op het moment dat een gebruiker een tweet plaatst dan ontvangen al zijn followers (volgers) dit bericht (COT, 2010: 6). Naast het eenzijdig plaatsen van tweets is het ook mogelijk om met Twitter de interactie aan te gaan. Hierbij wordt gebruik gemaakt van het “@” symbool gevolgd door een gebruikersnaam (bijvoorbeeld: @vnogregio) in een tweet om deze te richten aan een specifieke gebruiker (Starbird e.a., 2010: 242). Met deze methode is het mogelijk om op andere gebruikers, ook als deze geen volgers zijn, te reageren. De tweets die gezamenlijk verstuurd worden door de gebruikers vormen de “Twitstream”, dit is een continue reeks berichten die zonder vertraging gepubliceerd wordt (COT, 2010: 6). Een belangrijke eigenschap van microblogging services is dat het real-time gebeurt. De meeste weblogs geven iedere paar dagen een update op hun website, actieve Twitter 8

gebruikers versturen meerdere keren per dag een tweet. Gebruikers weten hoe het gaat met andere gebruikers en waar ze mee bezig zijn. Ze keren regelmatig terug naar de site om de updates van anderen te lezen (Sakaki e.a., 2010: 851). Iemand die kennis wil nemen van de berichten die op Twitter geplaatst worden, hoeft hiervoor niet per definitie een gebruiker of een volger te zijn. Het COT heeft een overzicht gemaakt van de verschillende methoden om kennis te nemen van berichten: -

Door een zoekopdracht te plaatsen naar sleutelwoorden in berichten van andere gebruikers.

-

Door te abonneren op een onderwerp. Onderwerpen worden aangegeven met een ‘hashtag’ (het # - symbool), zoals #koninginnedag en #apeldoorn. Alle berichten die deze onderwerpen bevatten worden dan naar de gebruiker gestuurd.

-

Door te abonneren op zoektermen die in het bericht voor kunnen komen.

-

Door te abonneren op berichten uit een bepaald geografisch gebied. Wanneer een bericht wordt toegevoegd door iemand uit dit gebied, krijgt de gebruiker deze toegestuurd.

-

Door aan te sluiten bij een groep, zodat alle berichten van de leden van de groep bij elkaar getoond worden. Hiervoor zijn in toenemende mate oplossingen van derden beschikbaar. (COT, 2010: 6)

Het bereik van Twitter is in de periode 2009 tot 2011 aan een enorme stijging onderhevig. Uit de meest recente onderzoeksresultaten van comScore blijkt dat 26,8% van de Nederlanders met een internetaansluiting gebruik maakt van Twitter (comScore, 2011-1). Het aantal unieke bezoekers per maand is in de periode 2010 – 2011 met bijna 70% gestegen van ruim 1,9 miljoen naar meer dan 3,2 miljoen unieke bezoekers per maand (comScore, 2011-1).

2.3 Crisis Een crisis is volgens Rosenthal (1984): “een ernstige bedreiging van de basisstructuren of van de fundamentele waarden en normen van een sociaal systeem, welke bij een geringe beslistijd en bij een hoge mate van onzekerheid dwingt tot het nemen van kritische beslissingen (Bron: Rosenthal 1984 in: Stol e.a. 2006: 346). In de definitie van Rosenthal zijn vier elementen te onderscheiden. Ten eerste wordt er gesproken over een ernstige bedreiging van de basisstructuren of fundamentele waarden en normen van een sociaal systeem. Daarnaast de factor tijd die beperkt is maar waarbinnen wel een beslissing moet worden genomen over een incident waar onzekerheid is. Die onzekerheid is een gebrek aan informatie over het incident. 9

In dit onderzoek wordt gekeken op welke wijze burgerinformatie op Twitter deze onzekerheid kan inperken waardoor betere beslissingen kunnen worden genomen.

Er zijn verschillende typen crises die onderling erg van karakter versschillen. Het COT maakt vermelding van een indeling van verschillende typen crisis op basis van de snelheid waarmee een crisis ontstaat en ook weer verdwijnt. Er wordt door Boin e.a. (2006) onderscheid gemaakt tussen de volgende vier typen crisis: -

Fast-Burning: Een bommelding op een station of een weeralarm.

-

Long-Shadow: De aardbeving op Haiti in 2010.

-

Cathartic: de dreiging van een aanslag op een persoon.

-

Slow-burning: De q-koorts of een grieppandemie. Flitscrisis

Creeping crisis

Abrupt einde

Fast-burning

Cathartic

Wegfadend

Long-shadow

Slow-burning

(Boin, Hart, And & Sundelius, 2006)

2.4 Ushahidi Ushahidi is een opensource platform dat het mogelijk maakt om informatie tijdens crisissituaties online aan een digitale kaart te koppelen (Keay, 2010: 116). Ushahidi is ontstaan als website met als doel crowdsourcing te faciliteren. Bij crowdsourcing wordt de informatie en kennis van een grote groep mensen gedeeld zodat iedereen die belangstelling heeft hiervan kan profiteren (Okolloh, 2009: 65). Hersman (2010) geeft als definitie: “by crowd sourcing this crisis information, we hope to bring more data, information, from ordinary people on the ground, rather than just the top-down hierarchy of how disaster management was handled in the past, and how early warning was handled in the past as well” (Hersman, 2010 in: Keay, 2010: 117).

Ushahidi is ontstaan naar aanleiding van het geweld na de verkiezingen in Kenia in de periode december 2007 tot en met januari 2008. In deze periode zorgde de overheid voor censuur en het verbannen van de media zodat inwoners van Kenia niet op de hoogte werden gehouden van de gewelddadige ontwikkelingen in het land (Okolloh, 2009: 65). Om te voorzien in juiste informatie is het platform Ushahidi ontwikkelt waarop burgers informatie kunnen delen. Het idee achter deze vorm van crowdsourcing is dat met genoeg volume aan deelnemers de waarheid altijd inzichtelijk is voor iedereen (Okolloh, 2009: 67). Na deze periode van geweld 10

in Kenia is geconstateerd dat de software van Ushahidi van waarde kan zijn voor lokale en internationale organisaties om te helpen tijdens crisissituaties. De opensource software van Ushahidi is ingezet bij de aardbeving in Haïti in januari 2010 en in maart 2011 bij de Tsunami in Japan.

11

3. THEORIE Er zijn een aantal onderzoeken gedaan naar het gebruik van Twitter tijdens crisissituaties. De meerderheid hiervan is uitgevoerd in de Verenigde Staten en in Japan. Dit is te verklaren doordat in de V.S. en Japan eerder en op grotere schaal gebruik gemaakt werd van Twitter. In deze paragraaf wordt eerst de algemene theorie over dit onderwerp samengevat en vervolgens de wetenschappelijke stand van zaken over dit onderwerp uiteengezet. 3.1 Algemeen De algemene theorie die in deze scriptie getoetst wordt is het onderzoek van Starbird e.a. (2010) naar de Red River Flooding en het onderzoek van Vieweg e.a. (2008) naar de Virginia Tech Shooting. Starbird e.a. (2010) stelt dat burgers op Twitter zelforganiserend optreden en informatie die waardevol is herdistribueren via retweets (Starbird 2010: 250). Burgers vertrouwen op officiële instanties voor informatie tijdens een crisis en de burgerinformatie van betrouwbare ooggetuigen op Twitter moet gezien worden als aanvulling hierop (Starbird 2010: 250). Vieweg e.a. (2008) stelt dat burgers tijdens crisissituaties uit zichzelf informatie aanleveren via social media. Burgers zijn zich bewust van het feit dat deze informatie betrouwbaar en juist moet zijn. Deze burgerinformatie op social media is bruikbaar voor een betere rampenbestrijding (Vieweg e.a. 2008: 53). 3.2 Gedrag burgers op social media Burgers vertonen tijdens een crisissituatie een gedragsverandering op social media. In een onderzoek van Hughes e.a. (2009) naar gedrag op Twitter tijdens crisissituaties, wordt het gedrag van burgers op Twitter tijdens twee orkanen vergeleken met een neutrale situatie. De aanwezigheid van verwijzingen naar externe webpagina’s op Twitter verdubbeld tijdens crisissituaties. Ruim de helft van de tweets met betrekking tot de orkanen bevatte een deeplink. Een deeplink is een verwijzing naar een externe pagina, beginnende met htt:// gevolgd oor de url. Slechts een kwart van de tweets van de neutrale controlegroep bevatte tijdens dezelfde periode een deeplink (Hughes e.a. 2009: 256). Door het plaatsen van verwijzingen, geven burgers aan welke informatie zij op dat moment belangrijk vinden en wat zij bij hun onder de aandacht willen brengen.

12

In Starbird e.a. (2010) komt vergelijkbaar gedrag van burgers op Twitter tijdens crisissituaties naar voren. Starbird e.a. heeft onderzoek gedaan naar het gedrag van burgers tijdens overstromingen in de Red River Valley. Het brongebruik van de burgers zijn officiële instanties en betrouwbare ooggetuigen . Doordat er geen beoordelingsysteem is van tweets, gebruiken burgers retweets en deeplinks om de belangrijkste en kwalitatief hoogwaardige informatie (opnieuw) onder de aandacht te brengen (Starbird e.a. 2010: 249). 3.3 Type burgerinformatie op Twitter Tijdens rampen en crises wordt door burgers informatie gedeeld via Twitter. In 2010 is er door Starbird e.a. (2010) een studie geweest naar het type informatie op Twitter tijdens een overstroming van de Red River Valley. De tweets met betrekking tot de Red River Valley zijn onderzocht en hieruit zijn alle tweets met informatie uitgefilterd. Deze tweets met informatie zijn onderzocht en er worden drie typen informatie onderscheiden. De tweets kunnen ingedeeld in de volgende drie typen informatie: generative information production, synthetic information production en derivative information production. Generative Information Production Generative information (broninformatie) is informatie rechtstreeks van de bron. Dit is bijvoorbeeld autobiografische informatie zoals eigen waarnemingen tijdens een incident(Starbird e.a. 2010: 246). Dit zijn ook foto’s die ter plekke gemaakt zijn en online worden gezet. Een andere vorm van broninformatie is afkomstig uit algemene kennis of door te citeren uit bestaande bronnen. Hierbij kan gedacht worden aan een citaat uit een gemeente website met informatie over de gemeente Winsum. In de casus van de overstroming van Red River Valley zijn minder dan 10% van de berichten broninformatie. Van deze berichten wordt 80% verstuurd door mensen vanuit het gebied waar de overstroming plaatsvond. (Starbird e.a. 2010: 246). Synthetic Information Production Synthetic information (samengestelde informatie) is informatie die samengesteld wordt door de zender uit verschillende bronnen. Om zoveel mogelijk informatie binnen de beschikbare 140 karakters van een tweet te kunnen versturen, worden nieuwsberichten gefilterd en aangepast (Starbird e.a. 2010: 247). Je kan hierbij denken aan een tweet die verstuurd wordt waarin een paar steekwoorden uit de persconferentie van de politie verwerkt zitten. In het onderzoek van Starbird e.a. (2010) bevat ruim 25% van de tweets over de overstroming 13

samengestelde informatie. Dit type berichten werd vooral verstuurd door landelijke en regionale media. Een groot deel van dit type berichten bevatte ook deels broninformatie, doordat ze als eerste online geplaatst werden en afkomstig waren van traditionele media welke andere nieuwsbronnen raadpleegden zoals de redactie van kranten (Starbird e.a. 2010: 247). Derivative Information Production Derivative information (ondersteunende informatie) zijn tweets die online informatiezoekers helpen belangrijke en relevante informatie te herkennen en te vinden. In het onderzoek van Starbird e.a. (2010) bevat ongeveer 75% van de tweets ondersteunende informatie (Starbird e.a. 2010: 247) Tweets met derivative information hebben deels overlap met tweets uit de categorie synthetic information, met name in het geval van re-sourcing. Door de vele tweets die tijdens een crisissituatie verstuurd worden over één onderwerp, is het lastig voor informatiezoekers om de juiste informatie te vinden. De meeste ondersteunende tweets worden verstuurd door gebruikers die zich niet in het gebied bevinden waar de overstroming zich voordoet. De gebruikers van Twitter zijn zelf organiserend en gebruiken daarom verschillende technieken om de belangrijkste informatie onder de aandacht te brengen. Bij ondersteunende tweets wordt naar informatie verwezen of wordt informatie opnieuw gepubliceerd. Dit wordt gedaan met Retweets (RT), Follow tweets (@), re-sourcing en deeplinking (urls) (Starbird e.a. 2010: 247-248). -

Door middel van een retweet wordt een tweet opnieuw gepubliceerd. Dit gebeurt vaak met een tweet die broninformatie bevat. Een voorbeeld: “RT: Om 14:00 uur geeft de korpschef een persconferentie met meer informatie die te volgens is via Journaal24”.

-

Met een follow tweet wordt een Twitter gebruiker aanbevolen. Hiermee wordt dan verwezen naar een autoriteit of hulpdienst ter plekke die broninformatie verspreid. Een voorbeeld: “Volg @Politie_grn voor actuele rampen informatie”.

-

Bij re-sourcing wordt er in tweets verwezen naar andere bronnen of wordt er informatie gekopieerd en in een tweet geplaatst. Dit wordt bijvoorbeeld gedaan om informatie over een incident samen te vatten. Voorbeeld: “Dagblad van het Noorden: De politie Groningen is actief op Twitter”.

-

Bij deeplinking wordt er een url geplaatst in een tweet om door te verwijzen naar een externe website. Een url is een opklikbare link die de informatiezoeker doorstuurt naar

14

een andere website. Als voorbeeld: “Via http://nos.nl/nieuws/live/journaal24/ kan de persconferentie van de korpschef gevolgd worden”. (Starbird e.a. 2010: 247-248; COT 2010: 10-11). 3.4 Kwaliteit burgerinformatie op Twitter De kwaliteit van de informatie die door burgers op Twitter wordt geplaatst, wordt regelmatig in twijfel getrokken. Op 12 april 2009 kopte de NRC (2009) nog: “Twitter is snel, anoniem en onbetrouwbaar” (NRC, 2009-1). Dit naar aanleiding van de oproer tegen de oppositieleider Vlad Filat in Moldavie. Het bedrijf Ponders Social Media heeft een kennisplatform over social media en zegt hierover: “Social media zijn niet altijd zo betrouwbaar als gezegd wordt. Veel berichten op Twitter betreffen bijvoorbeeld geruchten die door de massa worden versterkt en vervolgens niet waar blijken te zijn.” (Pondres Social Media, 2011-1). Tijdens een crisissituatie is er weinig tijd om te onderzoeken of informatie mogelijk onjuist is. Tijdens een crisissituatie zijn de veiligheidsprofessionals op management vaak bezorgd over de geruchten en de onjuiste informatie die via burgers verspreid worden (Vieweg e.a. 2008: 44). In tegenstelling tot de voorgaande berichten leren ervaringen uit het verleden dat mensen tijdens crisissituaties zich innovatiever en beter gedragen om anderen te helpen. De bijdrage van burgers beperkt de impact van een crisis en zorgt voor een sneller herstel (Vieweg e.a. 2008: 44). Er is onderzoek gedaan naar de kwaliteit en betrouwbaarheid van burgerinformatie op social media tijdens crisissituaties. Naar aanleiding van de Virginia Tech Shooting in 2007 is er onderzoek gedaan naar de kwaliteit en betrouwbaarheid van informatie die rond ging op Facebook. Doordat autoriteiten niet naar buiten kwamen met informatie over slachtoffers hebben studenten en professoren zelf een online inventarisatie gedaan op Facebook. Hierbij is de rolverdeling en de structuur van informatieverzameling door burgers, zonder verdere regie, spontaan ontstaan tijdens de crisissituatie (Vieweg e.a. 2008: 47). De betrouwbaarheid van de informatie in deze situatie was erg hoog. Op het moment dat mensen een bericht met informatie plaatste zonder verdere onderbouwing, werd er altijd door andere gebruikers om een bron gevraagd . De geplaatste informatie was niet altijd 100% te onderbouwen met bronnen, maar de burgers die de informatie plaatsten deden hun uiterste best om correcte informatie aan te bieden (Vieweg e.a. 2008: 50).

15

In deze crisissituatie werd gewerkt aan een gedecentraliseerde oplossing voor een informatievraagstuk door verschillende mensen die hierbij de beste en serieuze intenties hebben. Dit in tegenstelling tot de kritiek op het gebruik van burgerinformatie omdat deze onbetrouwbaar zou zijn. Vieweg e.a. (2008) zegt hierover: “The behavior we see exhibited is in striking contrast to the typical ways in which activity by the public is portrayed, which is one in need of policing and control. A long history of disaster sociological work has shown that that particular view of public behavior is misguided, and that, instead, people form altruistic communities (Fischer, 1998; Tierney et al, 2001), which include the sort we now see on-line.” (Vieweg e.a. 2008: 53). Het onderzoek van Vieweg e.a. (2008) vormt het eerste wetenschappelijke bewijs dat social media tijdens crisissituaties een betrouwbaar gedecentraliseerd platform kan zijn voor burgerparticipatie. 3.5 Social media gebruiken voor crowdsourcing Niet alle social media platforms worden gebruikt voor crowdsourcing Dit komt mede doordat het ene social media platform beter geschikt is dan het andere. Twitter heeft een goede zoekfunctie om gecentraliseerd per onderwerp (#baflo) alle tweets te doorzoeken. Ushahidi centraliseert informatie per onderwerp waardoor alle relevante informatie bij elkaar staat (Keay 2010: 122). Facebook daarentegen werkt met individuele datastromen welke grotendeels niet openbaar zijn. Daarnaast mist facebook een zoekfuncties om statusupdates te doorzoeken. Hierdoor is Facebook minder geschikt voor crowdsourcing tijdens crisissituaties dan Twitter of een Ushahidi platform (Keay 2010: 122). In Nederland is Twitter beter geschikt voor crowdsourcing dan Ushahidi. Ushahidi is in Nederland relatief onbekend en op dit moment worden er tijdens crisissituaties door Nederlandse burgers gerelateerde berichten op Twitter geplaatst. Het gebruik van social media voor crowdsourcing wordt nationaal en internationaal op verschillende manieren toegepast. In Japan wordt Twitter gebruikt als sensor om aardbevingen te detecteren. Iedere gebruiker van Twitter is in dit geval een sensor en iedere tweet wordt gezien als informatie van deze sensor. Doordat een tweet gekoppeld kan worden aan een locatie en altijd een tijdselement bevat, is het een geschikt instrument om trends te registreren. Op het moment dat binnen korte tijd, vanaf een bepaalde locatie een grote hoeveelheid tweets wordt verstuurd met keywords zoals “earthquake”of “now it’s shaking”, wordt er aan geregistreerde gebruikers een waarschuwing verstuurd vanwege een naderende aardschok (Sakaki e.a. 2010: 852). Deze methode registreert 96% van alle aardbevingen in 16

Japan op de schaal van Richter van 3 of hoger. De methode heeft een snellere alarmering dan de officiële meteorologische dienst van de Japan (Sakaki e.a. 2010: 853). Twitter gebruik voor crowdsourcing: ook in Nederland wordt social media als sensor gebruikt, bijvoorbeeld om een komende griepgolf te voorspellen. Mensen zoeken naar middelen voor verkoudheid of noemen dat ze verkouden zijn bijvoorbeeld. Dit wordt door onder andere door het Rijksinstituut voor Volksgezondheid en Milieu (RIVM) gebruikt om de voorlichting af te stemmen. Grote drogisterijketens gebruiken het juist om meer zelfgeneesmiddelen te verkopen (A. Vogel, 2010-1).

17

4. ONDERZOEKSMETHODE In de onderzoeksopzet wordt ingegaan op de manier waarop het empirische onderzoek is opgezet. Achtereenvolgens worden de verschillende keuzen die aan het onderzoeksdesign, de analysemethode en de operationalisatie van het onderzoek ten grondslag liggen besproken. 4.1 Onderzoeksobjecten Het onderzoeksdesign van deze scriptie is opgesteld op basis van “The practice of Social Research”, van Earl Babbie (2010). Dit onderzoek is een exploratief onderzoek naar mogelijke bijdrage van informatie op social media tijdens de warme fase van crisissituaties. Het empirische onderzoek bestaat uit twee delen empirische gegevens die verkregen worden via kwalitatief onderzoek. In eerste instantie wordt onderzoek gedaan naar typen tweets tijdens crisissituaties. Vervolgens worden de uitkomsten van dit eerste onderzoek voorgelegd in interviews aan geselecteerde respondenten. De gekozen casus voor dit onderzoek is het schietincident in Baflo. Er zijn een aantal redenen bepalend geweest voor de selectie van deze crisissituatie. In eerste instantie moest het een recente crisissituatie zijn. Doordat de ontwikkelingen in de netwerksamenleving en de verspreiding van social media in de samenleving snel gaat, moest de casus bij voorkeur niet ouder zijn dan een half jaar voor aanvang van het onderzoek. Ten tweede moest er een aanmerkelijke hoeveelheid aan tweets verstuurd zijn over de crisissituatie, welke als onderzoeksobject kon dienen. Ten slotte was het belangrijk dat de politie en de veiligheidsregio waar de crisissituatie plaats heeft gevonden welwillend tegenover een dergelijk onderzoek moesten. Om een vergelijking te kunnen maken met informatiestromen in onder andere de meldkamer van de politie is een meewerkende politiedienst een vereiste. Doordat de politie Groningen en het schietincident in Baflo aan deze voorwaarden voldeden en omdat de incidenten die voldoen aan deze kwalificaties niet vaak voorkomen, is er gekozen voor deze casus. Het eerste deel van het onderzoek richt zich op de communicatie van burgers via Twitter die plaatsvond rondom het schietincident in Baflo op 13 april 2011. Het onderzoeksobject van dit onderzoek is de sociale interactie, in de vorm van tweets, geplaatst door burgers op Twitter en de GMS uitdraai van de meldkamer politie Groningen op 13 april 2011 (Babbie 2010: 101). In het tweede deel van het onderzoek zijn de onderzoeksobjecten individuen, in de vorm van

18

veiligheidsprofessionals, die in een interview de resultaten van het eerste onderzoek op waarde voor de praktijk beoordelen (Babbie 2010: 100). 4.2 Operationalisatie Twitteranalyse Voor de operationalisatie van het onderzoek moet om te beginnen de data verzameld worden. De ruwe dataset van dit onderzoek bevat alle Twitterberichten in de periode van 13 april 2011, 19:30 uur tot en met 20 april 2011, om 20:00 uur. De dataset begint bij een kwartier voor de start van het schietincident. De tweets zijn verzameld tot na de officiële herdenkingen van de slachtoffers van het schietincident. Dit zijn in totaal 9.394 tweets. De selectie van de tweets heeft plaats gevonden op basis van de zoektermen in het onderstaande schema. Zoekterm (met en zonder #hashtag)

Eventuele toelichting

Baflo

Plaats incident

“Overleden agent” “Doodgeschoten agent” “Begrafenis agent” XXX

Naam overleden agent

XXX

Naam vrouwelijk slachtoffer

XXX

Naam verdachte

XXX

Naam verdachte

Figuur 1: Gebruikte zoektermen voor selectie tweets. De dataverzameling van de tweets is gedaan op 21 april 2011 met het programma Coosto. Coosto is een tool om social media te monitoren. Deze tool is gebruikt omdat deze als enige tool 6 keer per dag alle Nederlandstalige tweets binnenhaalt, welke vervolgens bewaard worden op eigen servers. De tweets die in de dagen na het schietincident door de gebruikers zijn verwijderd, zijn hierdoor behouden in de dataset van dit onderzoek. De tweets uit de dataverzameling die uiteindelijk geanalyseerd worden, zijn geplaatst in de periode tussen 13 april 2011, 19:30 uur en 14 april 2011 om 00:25 uur. In deze periode zijn 2385 tweets verstuurt over het schietincident. Op 14 april 2011 is om 00:25 uur de eerste 19

officiële persconferentie van de politie waarbij informatie verstrekt wordt over het schietincident. Dit tijdstip wordt in dit onderzoek gehanteerd als het eindpunt van de warme fase van het schietincident. Na dit moment is de informatie die op Twitter verspreid wordt vooral afkomstig is uit deze persconferentie. Daarnaast is het vanwege de redelijke uitvoerbaarheid niet mogelijk alle tweets naar aanleiding van het schietincident in Baflo te analyseren. Nadat de selectie van de tweets is gedaan, worden de tweets geanalyseerd en gecategoriseerd. Hierbij wordt gebruik gemaakt van het analysekader van Starbird e.a. (2010). In eerste instantie worden de tweets opgesplitst in de categorie tweets die informatie bevatten over het schietincident in Baflo en de categorie overige tweets. Voorbeelden van tweets uit de categorie overige, zijn tweets die medeleven tonen of afschuw uitspreken over het schietincident. Vervolgens worden alle informatieve tweets gecategoriseerd op basis van het analysekader van Starbird. Dit kader geeft een indeling voor informatieve tweets in drie categorieën: broninformatie, samengestelde informatie en ondersteunende informatie (Stabird e.a., 2010: 246-248). In het theoretisch kader zijn deze drie categorieën al verder uitgewerkt. Ter afsluiting van dit deel van het onderzoek worden alle tweets uit de categorie broninformatie en samengestelde informatie vergeleken met de GMS uitdraai van politie Groningen tijdens het schietincident in Baflo. Hierbij wordt gekeken of er informatie eerder bekend is op Twitter dan dat deze in de meldkamer bekend is. Dit onderzoek heeft overeenkomsten met de studie van Starbird e.a. (2010) naar de overstromingen in de Red River Valley. In het onderzoek van Starbird zijn de tweets gedurende 51 dagen van hoog water en overstromingen gecategoriseerd en geanalyseerd. Het belangrijkste verschil tussen het onderzoek van Starbird en dit onderzoek is het type crisissituatie dat onderzocht wordt. Het onderzoek van Starbird betreft een “slow burning crisis” en deze studie gaat over een “fast burning crisis”. 4.3 Operationalisatie interviews De onderzoeksobjecten bij het tweede deel van het empirische onderzoek zijn twee individuen die werkzaam zijn in een veiligheidsorganisatie. De data zijn verzameld door het afnemen van interviews. Op basis van de resultaten van het eerste onderzoek zijn de onderwerpen vastgesteld die besproken worden in de interviews. De tweets met broninformatie vormen het "substantive frame". Dit is het raamwerk wat de structuur van de interviews bepaald (Weiss, 1994:15). In de interviews worden de uitkomsten van het kwalitatieve onderzoek voorgelegd 20

aan veiligheidsprofessionals. De eerste respondent is een communicatieadviseur van een veiligheidsregio en tevens bevelvoerder van de Brandweer (kleine b). De tweede respondent is een procesmanager van een veiligheidsregio en tevens hoofd van de sectie GHOR. Alle tweets die broninformatie bevatten worden in deze interviews voorgelegd aan de respondenten, waarbij de hoofdvraag is: “In hoeverre is deze informatie is bruikbaar voor een betere crisisbeheersing?”. De analyse van de interviews is gedaan op basis van de "Issue focused analysis" methode. Hierbij wordt per specifiek onderwerp bekeken wat hiervan geleerd kan worden (Weiss, 1994: 153-154). De resultaten en bevindingen uit de interviews zijn vervolgens geïntegreerd in een lopend verhaal. 4.4 Representativiteit Representativiteit heeft betrekking op de kwaliteit van de onderzochte onderzoeksobjecten (Babbie, 2010: 198). De representativiteit van de onderzochte casus is klein. Iedere crisissituatie is uniek en heeft een bepaalde mate van onvoorspelbaarheid. Het type crisis en de locatie van een crisissituatie zijn belangrijke factoren die dat beïnvloeden. Een flitscrisis zoals in Baflo ontstaat onverwachts en is ook heel snel weer afgelopen. Dit heeft andere gevolgen dan bijvoorbeeld een dreigende overstroming van de Waal door overtollig regenwater uit de Alpen. Dit kan enkele dagen van tevoren al voorspeld worden en de duur van de crisissituatie kan tot enkele dagen zijn. Ook de locatie waar een crisissituatie zich voordoet heeft invloed op de mogelijkheden van informatie uit social media. Dit bepaalt bijvoorbeeld grotendeels of er getuigen van een crisissituatie zijn. Vanuit dat oogpunt is de casus in Baflo representatief voor een flitscrisis in een dunbevolkt gebied. Doordat in dit onderzoek één casus onderzocht wordt, heeft dit een negatief gevolg voor de representativiteit van het onderzoek. Vanwege de tijdrovende verzameltocht naar gevoelige onderzoeksgegevens zoals een GMS uitdraai is er in dit onderzoek toch voor gekozen om maar één casus te onderzoeken. Daarnaast gebeuren binnen eenzelfde politieregio niet op regelmatige basis crisissituaties. Hierdoor zouden namelijk dezelfde bronnen voor meerdere casussen gebruikt kunnen worden. 4.5 Validiteit en betrouwbaarheid De validiteit beschrijft de mate waarin een onderzoek daadwerkelijk meet wat het zou moeten meten (Babbie, 2010: 153). Het onderzoek naar het type tweets en de mogelijke verschillen tussen informatiestromen op Twitter en in de meldkamer is valide. De face validity (Babbie, 21

2010: 153) is in orde. Dit onderzoek meet namelijk wat het moet weten van de geselecteerde casus. De betrouwbaarheid geeft de kwaliteit van de meetmethode aan. Bij een onderzoeksmethode van een hoge betrouwbaarheid leveren verschillende observaties hetzelfde resultaat op. De betrouwbaarheid van de Twitter analyse is hoger dan de betrouwbaarheid van de interviews. De eerste empirische gegevens zijn gebaseerd op harde cijfers over type tweets en tijdstippen waarop tweets verstuurd zijn. De gegevens uit het tweede deel van het onderzoek zijn gebaseerd op de individuele interpretatie van twee veiligheidsprofessionals. Dit betekent niet dat deze onderzoeksgegevens onbetrouwbaar zijn, maar dat deze minder “hard” zijn dan de gegevens uit de Twitter analyse.

22

5. EMPIRIE

5.1 Analyse tweets Om de hoofdvraag van het onderzoek te kunnen beantwoorden zijn eerst alle geselecteerde tweets gecategoriseerd. Hierbij is de eerste vraag of een tweet informatie bevat. Indien een tweet informatie bevat is de vervolgvraag wat voor type informatie dit is. Hierbij zijn de volgende vier categorieën gehanteerd: -

Geen informatie

-

Broninformatie

-

Samengestelde informatie

-

Ondersteunende informatie

Figuur 2: Typen tweets over Baflo

Geen informatie De dataset met alle tweets die verstuurt zijn tussen 13 april 2011 - 19:30 uur en 14 april 2011 – 00:25 uur bevatten 2385 tweets. In de eerste categorie, geen informatie, vallen 1072 tweets. Dit zijn 44,95% van alle tweets die verstuurd zijn tijdens de warme fase van het incident en hier ook betrekking op hebben. Tijdens de eerste uren na het incident bevatten de tweets uit deze categorie vooral vragen om meer informatie. Burgers waren op zoek naar informatie of wilden geruchten verifiëren: “Kan politievoorlichting Groningen @voorlichter al wat melden over #baflo? Gerucht gaat: deuren op slot? #schietpartij?” (@Cwerkplaats, 21:09 uur). 23

Berichten van deze strekking werden veel geplaatst tot ongeveer 23:00 uur. Vanaf dit tijdstip begonnen diverse media te bevestigen dat er dodelijke slachtoffers gevallen zijn en dit zorgde voor tweets waarin burgers afschuw ten opzichte van de dader en medeleven met de slachtoffers uitspraken.

Broninformatie De kleinste van de vier categorieën tweets is de categorie broninformatie. Er zijn 82 tweets geplaatst die onder de categorie broninformatie vallen. Dit zijn 3,44% van alle tweets welke geplaatst zijn tijdens de warme fase van het schietincident. De allereerste tweet over het schietincident is met een mobiele telefoon verstuurd door een getuige van politie optreden: “Er is iemand doodgeslagen in baflo ofzo politie trekt kogelvrij vestjes aan kanker” (@Mikkesmit, 20:29uur). De tweets met broninformatie die in het half uur hierna volgen zijn geplaatst door burgers die getuige zijn van de inzet van hulpdiensten. Hierbij gaat het over de aanwezigheid van ambulances, politieauto’s en rondvliegende helikopters. Dit is ook de periode waarin verschillende geruchten op Twitter geplaatst worden zonder herleidbare bron: “~ 2 politie helicopters ~ 5 doden in baflo #gekkenhuis” (@E_liine_e, 21:20 uur).

Een half uur na de allereerste tweet over het schietincident wordt op Twitter melding gemaakt van de oproep die verstuurd is via burgernet : “Net #burgernet melding ontvangen aangaande overval in #baflo”(@Remcovos, 20:59 uur). In het uur hierop volgend wordt de burgernet melding tientallen keren ge-retweet. De tweets die de burgnet melding later op de avond opnieuw onder de aandacht brengen vallen in de categorie ondersteunende informatie. De eerste journalist die ter plaatse is na het schietincident verstuurt feitelijke informatie via Twitter: “De politie heeft #Burgernet ingezet. De dader van de schietpartij is voortvluchtig. Omwonenden wordt gevraagd uit te kijken naar hem. #Baflo”(@rjdolislager, 21:11 uur). Deze journalist is zelf geen getuige van het schietincident maar heeft deze informatie ter plekke verkregen en stuurt hier achtereenvolgens meerdere berichten over. Later op de avond versturen ook andere lokale journalisten meerdere informatieve tweets vanuit Baflo. De informatie over het schietincident die rechtstreeks afkomstig lijkt te zijn van de politie: “#Schietpartij #Baflo: politieman doodgeschoten. Politie bevestigt dode. Dader opgepakt.” (@mickvanwely, 22:13 uur).

24

Samengestelde informatie Er zijn 115 tweets verstuurd die samengestelde informatie bevatten. Dit is 4,82% van het totale tweets aantal dat verstuurd is tijdens de warme fase van het incident. Dit zijn tweets die bestaan uit de samenvoeging van informatie uit verschillende bronnen. Dit wordt onder andere gedaan om snel een korte samenvatting te kunnen geven over de situatie: “Schietpartij in #Baflo volgens BlikophetNieuws. Politie vraagt via #Burgernet om uit te kijken. http://bit.ly/g31tw9 http://bit.ly/h0s9iw” (@RiccardoNL, 21:32 uur). De eerste link in deze tweet verwijst naar een online nieuwsartikel over het schietincident, de tweede link in deze tweet verwijst naar een mp3-bestand waarin de oproep van burgernet is te beluisteren. Er zijn ook tweets die informatie uit nieuwsbronnen vergelijken met eigen bronnen in een tweet: “elke nieuws zender geeft aan 2 agenten en minimaal 1 onbevestigde dode, maar vanuit baflo zelf hoor ik ergere berichten” (@Jessedeboerr, 22:22 uur). De samengestelde tweets die verstuurd zijn in de laatste twee uur voor de persconferentie, hebben vooral betrekking op de persconferentie. De persconferentie is meerdere keren uitgesteld en burgers meldden op welke wijze die bekeken kon worden: “Even na 23.30 uur meer nieuws over de situatie in Baflo op RTL4. Rond middernacht persconferentie van de driehoek live op SBS6” (WOSDennis, 23:51 uur).

Ondersteunende informatie Naast broninformatie en samengestelde informatie is er nog een hele grote categorie tweets met ondersteunende informatie. In totaal bevatten 1115 tweets ondersteunende informatie. Dit is 46,75% van de tweets die verstuurd zijn tijdens de warme fase van het incident. Van de tweets met ondersteunende informatie zijn bijna 60% retweets. In totaal zijn er 665 retweets geplaatst met informatie waarbij in eerste instantie de oproep van burgernet veel geretweet is: “RT @chrisdemeer: Volgens Burgernet moeten we rond #Baflo zoeken naar een gewapende getinte meneer in blauwe kleding met opvallende dread ...” (@Jasminpentinga, 21:37 uur). Hiermee proberen burgers het signalement van de dader zoveel mogelijk te verspreiden om de pakkans te vergroten. Berichten van journalisten zijn ook veelvuldig geretweet gedurende de avond, zoals: “RT @politievolger: update #baflo 1 persoon overleden, 2 agenten neergeschoten niet levensbedreigend. dader is opgepakt. rust is wedergekeerd” (NiekvanOost, 22:01 uur). Door middel van deze retweets proberen burgers orde te scheppen in de enorme diffuse informatiestromen. Indien een tweet als betrouwbaar en informatie wordt gezien, wordt deze vaker geretweet.

25

De andere tweets die bestaan uit ondersteunende informatie bevatten @mentions om aan te geven welke accounts interessant zijn om te volgen: “Laatste nieuws over #Baflo: volg @evakropman.” (@__Tjeerd, 22:38 uur). Deze methode wordt hierbij gebruikt om aan te geven welke Twitteraccount betrouwbare of interessante informatie over het schietincident verstrekt. In tegenstelling tot de retweet ligt de focus hier op een Twitteraccount in plaats van een individuele tweet. Tenslotte bevat een groot deel van de informatieve tweets een verwijzing naar een andere website door middel van een url. Ruim 41% van de tweets met ondersteunende informatie hebben een url opgenomen in de tweet. Dit wordt gedaan om te verwijzen naar online artikelen die de gebruiker interessant vindt. De inhoud van het artikel is te lang om in 1 tweet te plaatsen. Ook wordt er naar foto-, video- en audiomateriaal verwezen: “Luister hier de burgernet melding terug #baflo #groningen http://bit.ly/fvVrHe” (@Hv_NL, 21:23 uur). De hoge aanwezigheid van urls in tweets wordt ook beïnvloed door de aanwezigheid van knoppen op nieuwswebsites om nieuwsberichten te delen. Hierdoor wordt een geautomatiseerd bericht verstuurd via Twitter met hierin een hyperlink naar de nieuwssite: 'Schietpartij in Baflo' http://t.co/yCD0yiS via @nunl” (Reine_Claude, 21:47 uur).

5.2 Vergelijking Twitter met GMS In dit tweede deel van de analyse worden informatiestromen in de meldkamer met informatiestromen op Twitter vergeleken. Om te toetsen of er informatie eerder bekend is op Twitter dan in de meldkamer van de politie zijn de tweets vergeleken met GMS uitdraai van de meldkamer van de politie Groningen. De digitale uitdraai van het GMS start op 13 april 2011 om 19:59 uur en loopt door tot 23:10 uur dezelfde dag. Gebeurtenis

GMS

Twitter

Start incident

Om 19:59 uur wordt in de GMS

Om 20:29 uur wordt op Twitter voor het

melding gemaakt van de

eerst melding gemaakt van het incident:

incidentlocatie en dat er vermoedelijk

“Er is iemand doodgeslagen in baflo

iemand zou zijn vermoord. Om 20:14

ofzo politie trekt kogelvrij vestjes aan

wordt door de politie ter plekke

kanker” (@Mikkesmit, 20:29uur).

bevestigd dat het slachtoffer is overleden.

Signalement

Om 20:16 uur wordt in de GMS het

De eerste tweet over het signalement van

26

dader

signalement van de dader geplaatst.

de dader wordt ruim een uur later

Hier staan onder andere gegevens in

geplaatst: “#BURGERNET :uitkijken

over de kleur kleding, huidskleur en

naar een man met een wapen, getinte

haardracht.

meneer in blauwe kleding met opvallende dreadlocks #schietpartij #baflo #groningen” (melarnoo, 21:21uur).

Burgernet

Om 20:26 uur wordt in de GMS

Op Twitter wordt de eerste melding

gemeld dat de burgernet actie

gemaakt over de burgernet actie om

opgestart is in de gemeente Winsum.

20:59 uur: “Net #burgernet melding ontvangen aangaande overval in #baflo.” (RemcoVos, 20:59 uur).

Aanhouding

Om 20:39 uur wordt in de GMS

Om 21:20 uur wordt op Twitter voor het

dader

melding gemaakt dat de verdachte is

eerst melding gemaakt van de

aangehouden. In een gesprek met de

(vermoedelijke) aanhouding van de

recherche Groningen is bevestigd dat

dader: “#Baflo dader schijnt al

de daadwerkelijke aanhouding om

neergeschoten te zijn door politie in de

20:30 uur heeft plaatsgevonden .

buurt van de marijkelaan (@Theo_Salomons, 21:20 uur).

Informatiedeling

Uit de GMS blijkt dat om 22:07 een

Op Twitter worden ook berichten

door burgers

burger naar de Politie belt met

geplaatst op Twitter over de achtergrond

over dader.

informatie over de mogelijke dader.

van de vermoedelijke dader: “Hoor net

Hij heeft een vermoeden wie de dader

dat het gaat om een kermis explotant!,

is en wil deze informatie graag met de

hoe en wat?! Laten we de Politie

politie delen.

afwachten! #schietpartij #Baflo” (@GertjanPolet, 21:56 uur) en iets later: “Mogelijk is een kermisexploitant betrokken bij #schietpartij #Baflo, onbekend of hij dan slachtoffer is, morgen start kermis in Baflo” (@noelvanhooft, 22:05 uur).

Identiteit dader

Om 22:52 wordt in de GMS voor het

In de tweets die verstuurd zijn tijdens de

eerst de naam van de dader gemeld.

warme fase van het incident wordt de naam van de dader niet genoemd.

27

Figuur 3: Vergelijking informatiestromen meldkamer en Twitter. Wat opvalt is dat de informatiestroom op Twitter langzamer op gang komt dan in de meldkamer van de politie. Alle onderwerpen die in de GMS van de meldkamer naar voren komen zijn op dat tijdstip nog niet bekend op Twitter. Een minuut voordat de dader wordt aangehouden (20:30 uur) wordt pas voor het eerst melding gemaakt op Twitter van het incident. Dit terwijl de eerste melding in de GMS van de politie om 19:59 uur wordt gemaakt. Wat opvalt is dat op Twitter om 21.20 uur melding wordt gemaakt van de vermoedelijke dader. Vlak hierna wordt er op Twitter een melding gemaakt met het signalement van de dader om 21:21 uur. Opvallend is hierbij dat het signalement pas later op Twitter geplaatst wordt. Vervolgens wordt het signalement van de dader vele keren geretweet, terwijl de tweet over de aanhouding juist weinig aandacht krijgt. Dit wordt versterkt door melding van burgernet met het signalement van de dader die vaak op Twitter geplaatst wordt. Dit gebeurt ruim drie kwartier na de feitelijke aanhouding van de dader om 20:30 uur. Wat tenslotte opvalt is dat op Twitter tijdens de warme fase van het incident nauwelijks informatie wordt geplaatst over de vermoedelijke dader. Er zijn twee tweets geplaatst die de relatie leggen met de Kermis die in dezelfde periode in Baflo plaats zou vinden. Uit de ruwe database van tweets (13 april t/m 20 april) blijkt dat pas 24 uur later de naam van de dader genoemd wordt op Twitter. Hierbij wordt verwezen naar Telegraaf.nl als bron van deze informatie. 5.3 Interviews Na de uitvoering van het onderzoek naar de tweets en de GMS van de politie Groningen zijn de resultaten voorgelegd aan veiligheidsprofessionals. Er zijn twee interviews gehouden waarbij alle 82 tweets met broninformatie die verstuurd zijn tijdens de warme fase van het incident voorgelegd. Tijdens deze interviews is gekeken naar de bruikbaarheid van deze tweets tijdens de warme fase van het incident. Vanuit de achtergrond van de respondenten is ingegaan op de bruikbaarheid van deze tweets. De tweets die chronologisch gezien als bruikbaar worden gemarkeerd door veiligheidsprofessionals nodigen met name uit tot communicatie. In het half uur na het incident wordt op Twitter melding gemaakt over grote hoeveelheden politie, ambulances en 28

overvliegende helicopters: “Wat is er in #baflo aan de hand? Ik overdrijf niet: 10x politie en ambu en #traumaheli? Vreemde boel!” (Vissercomm, 21:01 uur). Deze en andere tweets over helikopters en sirene geven aanleiding om te gaan communiceren over de inzet van materieel. Kort hierop is de eerste tweet geplaatst waar melding wordt gemaakt van een slachtoffer bij de politie: “dus, schietpartij in #baflo meerdere mensen betrokken, 1 dode, een politie agent geraakt, helicopter vliegt nu voor de dader rond!” (@Jessedeboerr, 21:05 uur). De respondent geeft aan dat dergelijke tweet is belangrijk vanuit het oogpunt van communicatie naar de buitenwereld over het eigen personeel: “Is er een agent geraakt? Op dit moment wil ik contact hebben met de politie. Klopt dat en wat willen we daarover naar buiten brengen?” (Respondent B). De inhoud van de burgernet melding wordt voor het eerst om 21:21 uur op Twitter gezet. Dit is 50 minuten na de aanhouding van de dader. Dit moet volgens de respondent aanleiding zijn om te communiceren dat de vermoedelijke dader is aangehouden. Doordat dit niet gebeurt gaan er onjuiste oproepen rond op Twitter die angstgevoelens vergroten: “advies deuren op slot in #baflo.”( @kees20vissers, 21:17 uur) en “Dader is nog voortvluchtig !! Let op je veiligheid meld politie #baflo”( @ timkuiper87 , 21:35uur). Dit wordt versterkt doordat op dat moment nog geen afmelding van Burgernet is gedaan. Deze tweets zijn een reminder om hier actie op te ondernemen. Een andere categorie bruikbare tweets bevatten volgens de respondenten aantoonbaar onjuiste informatie: “~ 2 politie helicopters ~ 5 doden in baflo #gekkenhuis” (@E_liine_e, 21:20 uur). Verder zijn er diverse speculaties over de slachtoffer, de leeftijden en de mogelijkheid van één of meerdere daders. Dergelijke berichten zorgen volgens de respondenten voor onrust en meer geruchten en het is goed om dit te weten zodat dit ontkracht kan worden. Daarnaast heb je als crisisorganisatie hierbij ook de mogelijkheid om opvoedend op te treden:“Ga niet speculeren over het aantal slachtoffers maar wacht op de officiële berichtgeving.” (Respondent A). Het onderzoek op de plaats van het incident zorgt voor verhindering van het spoorverkeer en afgezette straten: “#Baflo word net gebeld door m'n vrouw\

kan niet naar huis. Straat

afgezet met lint: politie, niet betreden.” (@ Theo_Salomons, 23:11 uur). Deze tweet geeft volgens de respondent aan dat er onduidelijkheid is over de afzetting van het gebied: “Ga actief communiceren over afzetting van het gebied en de opvang voor mensen die het gebied niet in kunnen” (Respondent B). 29

Uit de interviews blijkt dat de respondenten de tweets interessant vinden om een beeld te krijgen van wat er speelt. De respondenten zien de tweets zijn een thermometer van de samenleving, hieruit kan afgeleid worden of er angst bestaat onder de burgers en welke vragen er leven onder de burgers. De algemene conclusie uit de interviews is dat de tweets vanuit het oogpunt van opsporing geen toegevoegde waarde hebben. De tweets geven wel inzicht in wat er speelt in de samenleving en maken onwenselijke en aantoonbaar onjuiste informatie van burgers inzichtelijk. Op basis van deze informatie moet vervolgens actie worden ondernomen.

30

6. CONCLUSIE EN DISCUSSIE Tijdens rampen en crisissituaties wordt door burgers massaal online berichten gedeeld om informatie en emoties te delen. In de eerste uren na het schietincident in Baflo zijn er enkele duizenden tweets verstuurd. Wat was eigenlijk de inhoud van deze tweets? En was de informatie uit deze tweets van toegevoegde waarde voor veiligheidsprofessionals? De hoofdvraag van dit onderzoek was: “Wat voor informatie is er door burgers op Twitter verspreid over het schietinicident in Baflo en in hoeverre was dit nieuw en bruikbaar ten opzichte van de GMS uitdraai van de Politie Groningen?”. In deze conclusie wordt een samenvattend antwoord gegeven op de hoofdvraag en de deelvragen van dit onderzoek. In de warme fase na het schietincident in Baflo zijn er in totaal 2385 tweets verstuurd. De tweets over het schietincident bevatten vooral ondersteunende informatie. Uit de categorisering van de informatieve tweets blijkt dat slechts 82 tweets broninformatie bevatten. Dit komt doordat er weinig getuigen zijn van het schietincident. Weinig mensen hebben het incident gezien en daardoor zijn er ook maar weinig mensen in staat om hierover informatie te delen. De tweets met broninformatie over het incident werden tientallen keren geretweet. Dit zorgt ervoor dat bijna de helft van alle tweets in de categorie ondersteunende informatie valt. Door het gebrek aan informatie zijn er ook weinig samengestelde tweets gepubliceerd. Het is opvallend dat er zo weinig directe getuigen van het schietincident zijn geweest. De dader heeft door het dorp gerend en onderweg meerdere schoten afgevuurd waardoor er sprake is van een groot effectgebied. Daarnaast vond het incident plaats in de week na het schietincident in Alphen aan den Rijn. Dit incident had burgers extra alert had kunnen maken. In vergelijking met eerder onderzoek van Starbird e.a. (2010) is er over het schietincident in Baflo procentueel veel minder bron- en samengestelde informatie geplaatst. Dit komt doordat er bij het onderzoek van Starbird sprake was van een slow-burning crisis met een groot effectgebied. Baflo daarentegen was een typische flitscrisis met een beperkt effectgebied. Dit beïnvloed sterk het aantal getuigen dat informatie kan delen over de crisissituatie. De overeenkomsten zijn dat retweets worden gebruikt om belangrijke informatie en vragen vaker onder de aandacht te brengen. Dit zie je ook terugkomen in de tweets over Baflo. De tweets met burgerinformatie waren, op enkele uitzonderingen na, waren betrouwbaar en van hoge kwaliteit. De informatievoorziening op Twitter kwam langzaam op gang maar de geplaatste informatie was grotendeels correct. 31

De informatiestroom in de GMS van de politie Groningen ging veel sneller dan op Twitter. Alle punten die in de GMS genoemd worden verschijnen later, of zelfs helemaal niet, op Twitter. Alle informatie ten opzichte van de GMS en de feitelijke gebeurtenissen te laat. Kenmerkend hierbij is dat de eerste tweet over het schietincident wordt geplaatst 1 minuut voor de aanhouding van de dader. Vervolgens wordt het signalement van de dader op Twitter geplaatst op het moment dat de dader al 51 minuten daarvoor is aangehouden. Dit geeft aan dat de informatiestromen in de meldkamer van de Politie in deze crisissituatie sneller en effectiever werkten dan de informatiestromen op Twitter. De informatie op Twitter is bruikbaar voor veiligheidsprofessionals om een beeld te krijgen van wat er leeft onder de bevolking. Op basis van de tweets kan direct vastgesteld worden dat er geen getuigen zijn van het incident die informatie op Twitter zetten. Alle tweets zijn reacties op de inzet van hulpdiensten. Vanuit het oogpunt van opsporing kan de informatie over dit incident geen bijdrage leveren. De tweets kunnen gebruikt worden als input voor het eigen handelen en communicatie. Op basis van de tweets kon geconstateerd worden dat de melding van burgernet niet is afgemeld en kan er actie ondernomen worden. Daarnaast geven de vragen die gesteld worden over afzettingen aanleiding om te communiceren over opvang en hoe te handelen. De informatie was niet nieuw ten opzichte van de informatie die in de GMS uitdraai van de politie staat. Uit het onderzoek blijkt het tegenovergestelde: informatie was al lang bekend bij de politie, maar nog niet op Twitter. Dat geeft vanuit het oogpunt van crisiscommunicatie aanleiding om te starten met communiceren. Dit onderzoek heeft zich gericht op het schietincident in Baflo en deze casus uitgebreid onderzocht. Enerzijds is dit de kracht van het onderzoek, er is ruim aandacht geweest om alle 2385 tweets te analyseren die verstuurd zijn tijdens de warme fase van het incident. Anderzijds is dit de zwakte van het onderzoek want dit komt de generaliseerbaarheid niet ten goede. Crisissituaties zijn sterk verschillend en hierbij spelen de locatie, de gevolgen en de duur van een crisis een grote rol. Baflo is een flitscrisis in een landelijke gemeente en lastig te vergelijken met bijvoorbeeld een long-shadow crisis zoals de chemische brand op 5 januari 2011 in Moerdijk. Een brand is gedurende een lange periode op tientallen kilometers afstand waarneembaar en het geluid van pistoolschoten is misschien tot op 500 meter te herkennen. In een vervolgonderzoek zouden de informatieve tweets van verschillende typen crisissituaties met elkaar vergeleken kunnen worden. Daarnaast is er een openstaande vraag van informatiedeling binnen veiligheidsorganisaties. De politie heeft vaak andere informatie dan het ROT. Informatie verzamelen uit social media is alleen nuttig als het vervolgens ook op de 32

juiste plek in de crisisorganisatie terecht komt. Een praktische vraag voor vervolgonderzoek: welke informatie van social media moet op welk moment en waar in de crisisorganisatie ingebracht worden?

33

LITERATUURLIJST

-

Babbie, E. (2007). “The Practice of Social Research”. (11th Edition) Belmont: Thomson Wadsworth.

-

COT (2010). “Twitter in Crisiscommunicatie: Een onderzoek naar de mogelijkheden van het gebruik van Twitter tijdens crises”. Gedownload juni 2011 via: http://www.nationaalcrisiscentrum.nl/document/onderzoeksrapport-twittercrisiscommunicatie.

-

Frissen, V. et. Al. (2008). “Naar een ‘User Generated State’? De impact van nieuwe media voor overheid en openbaar bestuur”. TNO in opdracht van Ministerie BZK.

-

Gao, H. e.a (2011) “Promoting Coordination for Disaster Relief - From Crowdsoursing to Coordination”. In: Computer Science 2011, Vol. 6589/2011, p. 197-204.

-

Huges et. Al. (2009) “Twitter Adoption and Use in Mass Convergence and Emergency Events”. In Crisis Proceedings of the 6th International ISCRAM Conference – Gothenburg, Sweden, May 2009.

-

Keay, A (2010) “Ushaidi and Crowdmap: micro-streaming as time-binding media”. 3pm journal of digital research & publishing, p. 116 – 125.

-

Kwak, H., Lee, C., Park, H. (2010). “What is Twitter, a Social Network or a News Media?”. Department of Computer Science, Korea.

-

NRC Handelsblad (2009). “Twitter is snel, anoniem en onbetrouwbaar”. 12 April 2009, gedownload juni 2011 via: http://vorige.nrc.nl/article2210622.ece.

-

Okolloh, O (2009). “Ushahidi, or ‘testimony’: Web 2.0 tools for crowdsourcing crisis information”. Participatory Learning and Action, vol. 59, p. 59 - 70.

-

Rosenthal (1984) in: Stol e.a. (2006). Basisboek Integrale Veiligheid. Uitgeverij Coetinho, Bussum.

-

Sakaki, T. et. Al. (2010). “Earthquake Shakes Twitter Users: Real-time Event Detection by Social Sensors”. In: Proceedings of the 19th international conference on World wide web, April 2010, p. 851-860.

-

Starbird, K. et. Al. (2010). “Chatter on the Red: What hazards threat reveals about the Social Life of Microblogged information”. In Proceedings of CSCW. 2010, 241-250.

-

Vieweg, S. et. Al. (2008). “Collective Intelligence in Disaster: Examination of the Phenomenon in the Aftermath of the 2007 Virginia Tech Shooting”. Proceedings of the 2008 ISCRAM Conference, Washington, DC.

34

-

Weiss, R.S. (1994). “Learning from strangers: The art and method of qualitive interview Studies”. New York: The Free Press.

Overig -

A. Vogel (2011). “Nationale Online Griepmeting 2010 – 2011”. Geraadpleegd augustus 2011 via: http://www.avogel.nl/onlinegriepmeting/

-

Comscore (2011). Comscore Media Matrix: Het bereik van Social Media in Nederland. Via:

http://www.comscore.com/dut/Press_Events/Press_Releases/2011/4/The_Netherlands _Ranks_number_one_Worldwide_in_Penetration_for_Twitter_and_LinkedIn -

Mapa, W. (2011). “Opensourcesoftware Ushahidi helpt bij rampenbestrijding”. In Ode Magazine, Maart 2011. Ook te downloaden via:

http://nl.odemagazine.com/doc/0134/Opensourcesoftware_Ushahidi_helpt_bij%20best rijden_van_rampen/ -

Pondres (2011). “Pondres Social Media Marketing, de zwakke kanten van social media.” Geraadpleegd juli 2011 via: http://www.social-media.nl/.

-

Twitter (2011). “Follow your interests”: http://www.twitter.com.

35