Beide accounts kregen samen in 83 dagen 7.710 directe replies op eigen posts. Lexigon classificeerde 257 hiervan als haat. Klinkt weinig — maar dat is het niet. Elke haatreply is een bewuste keuze van een persoon om een specifiek individu aan te vallen. En haat concentreert zich in pieken die iemand in minuten kunnen overspoelen.
Dit rapport analyseert uitsluitend directe replies op de eigen posts van de twee personen — niet discussies tussen andere gebruikers, niet reply-op-reply. Zo meten we precies: een persoon plaatst iets, hoeveel haat stroomt er rechtstreeks op hem af? Tevens nieuw: we beschikken nu over de eigen post-teksten, waardoor we kunnen analyseren of LHBT-onderwerpen significant meer haat aantrekken dan andere posts.
Dit is de meest relevante vraag: leidt het bespreken van LHBT-onderwerpen tot structureel meer haat dan andere posts van hetzelfde account? Het antwoord is ondubbelzinnig ja — en het verschil is groter dan verwacht.
Voor Ruben geldt: een LHBT-gerelateerde post trekt gemiddeld 30× meer haat-replies dan een post over een ander onderwerp (8,8 vs. 0,29 per post). Bij Tom is dit 3,5× (0,91 vs. 0,26). Dit is geen toeval of ruis — dit is een structureel patroon over 83 dagen en honderden posts. De seksuele identiteit van de schrijver is de trigger, niet de schrijver zelf.
Haat stroomt niet gelijkmatig. Ze accumuleert in weken met specifieke posts die viraal gaan of een gevoelig onderwerp raken. Week 11 (9–15 mrt) is Rubens absolute piek met 118 haat-replies in één week. Week 20 is Toms piek: 49. De rustige weken zijn even veelzeggend — haat wacht op een aanleiding.
In de week van 9–15 maart 2026 plaatste Ruben van Haften een post over homohaat in zijn buurt. Die post trok 417 directe replies — waarvan 31 haat-replies (7,4%). Dat zijn niet 31 losse mensen: ze kwamen deels in golven, elk uur nieuwe aanvallen, zichtbaar voor Ruben in zijn notifications. Juridische signalen: 3. Ernst-score 4 (zwaarst): meerdere keren.
Nu we de eigen posts hebben, kunnen we de originele tekst tonen naast de haatreacties die volgden. Klik het 𝕏-icoon naast elke post om de originele tweet op X te bekijken. Posts gemarkeerd met 🏳️🌈 bevatten LHBT-gerelateerde inhoud.
Onderstaande grafieken tonen uitsluitend de haat-geclassificeerde replies. Eerst: hoeveel totale haat vs. de rest. Dan: welk type haat domineert. Daarna: de ernst-verdeling (schaal 1–4, neutraal weggelaten) met uitleg over wat elk niveau juridisch inhoudt.
Ernst 1 — Licht oneerbiedig
Kleinerende of provocerende opmerkingen zonder expliciete slurs. Onbeleefd richting een LHBT+-persoon, maar doorgaans buiten het strafrecht. Valt wél ongemakkelijk en werkt dehumaniserend bij herhaling.
Voorbeeld: "Ga toch weg met die agenda van je."
Ernst 2 — Denigrerend
Kwetsend en kleinerend taalgebruik, gericht op persoon of identiteit. Mogelijk strijdig met platformregels maar normaal niet strafbaar. Draagt bij aan vijandige sfeer en cumulatieve schade.
Voorbeeld: "Jij bent gewoon ziek in je hoofd."
Ernst 3 — Expliciete haat / slurs art. 137c Sr-signaal
Homofobe scheldwoorden, dehumaniserende taal gericht op seksuele identiteit. Potentieel strafbaar: art. 137c Sr (opzettelijke belediging van een groep wegens seksuele gerichtheid).
Voorbeeld: "Kanker flikker."
Ernst 4 — Haat + bedreiging strafrecht-signaal
Expliciete slurs gecombineerd met bedreigende formuleringen. Hoogste juridisch risico: art. 137c/d Sr én mogelijk art. 285 Sr (bedreiging met misdrijf). Komt uitsluitend voor bij Ruben van Haften (12×).
Voorbeeld: "Of je dood wilt? Kanker flikkertje."
Ruben ontvangt 35 expliciet homofobe replies — bijna vier keer zoveel als Tom (10). Ernst-score 4 (de zwaarste categorie: expliciete slur gecombineerd met bedreigende toon) komt uitsluitend bij Ruben voor (12 keer). Dit type reply — juridisch potentieel strafbaar op basis van art. 137c Sr — is volledig afwezig in Tom's dataset. De publieke journalistieke rol triggert zwaarder en explicieter geweld.
Hieronder vier sets woordwolken. Eerst gecombineerd (beide accounts, alleen haat). Dan per account (haat-replies). Dan beide accounts zonder haat-filter — de haatwoorden verschijnen ook in het brede corpus, bewijs voor structurele doordringing van haattaal in het algemene debat.
De onderste twee wolken tonen alle 7.710 replies — zonder haat-filter. Woorden als homo, leugenaar, flikker en pedo komen ook buiten de haat-gecategoriseerde tweets voor. Dit bewijst dat haattaal niet beperkt is tot expliciete haattweets — ze sijpelt door in het bredere debat. De grens tussen "discussie" en "haat" is op X dunner dan de categorieën suggereren. Dit maakt het probleem structureler en ernstiger dan de 3,9% haat-score alleen aangeeft.
| Metriek | @RubenvanHaften | @stomjong | Verhouding |
|---|---|---|---|
| Directe replies geanalyseerd | 4.179 | 3.531 | +18% bij Ruben |
| Totaal haat-replies | 161 | 96 | 1,7× meer bij Ruben |
| Haat-percentage overall | 3,9% | 2,7% | 1,4× hoger bij Ruben |
| LHBT-posts gem. haat-% | 5,93% | 3,19% | Ruben 1,9× hoger |
| LHBT vs. overig (haat-%) | 2,9× hoger | 2,1× hoger | Patroon bij beiden |
| HOMOHAAT_EXPLICIET | 35 | 10 | 3,5× meer bij Ruben |
| Juridische signalen | 35 | 10 | 3,5× meer bij Ruben |
| Ernst-score 3 of hoger | 51 | 34 | +50% bij Ruben |
| Ernst-score 4 (zwaarste) | 12 | 0 | Alleen bij Ruben |
| Gem. views LHBT-post | 16.068 | 5.935 | Ruben 2,7× meer bereik |
| Steun-replies (LIEFDEVOL) | 95 | 138 | Tom krijgt meer steun |
Directe reply = een tweet waarbij inReplyToUserId gelijk is aan de doelpersoon, én de auteur niet de doelpersoon zelf is. Reply-op-reply valt buiten deze definitie.
Haat-% = (tweets met label_1 ∈ HATE_LABELS) ÷ (totaal directe replies) × 100.
Ernst-score = Lexigon-schaal 0–5: 0=neutraal, 1=lichte negativiteit, 2=denigrerende toon, 3=expliciete haat/slurs, 4=haat + bedreigende toon, 5=directe bedreiging.
Juridisch signaal = indicatieve vlag voor mogelijke schending art. 137c/d Sr (groepsbelediging op grond van seksuele gerichtheid) of art. 261 Sr (smaad). Geen juridisch oordeel.
Reply-data: geëxporteerd via Apify Twitter-scraper als conversation-threads. 3 JSON-bestanden per account, gededupliceerd op tweet_id (7.399 + 7.989 unieke records).
Eigen posts: user-timeline export via Twitter API v2, 25-05-2026. Ruben: 2.099 tweets totaal, 307 top-level posts. Tom: 1.686 tweets, 387 top-level posts.
LHBT-detectie: regex op eigen post-tekst (homo, gay, lesbi, trans, lhbt, queer, pride, flikker, nicht, etc.).
Lexigon werkt op basis van expliciete lexicale markers — woorden die letterlijk in de tekst staan. Dat maakt de resultaten reproduceerbaar en juridisch aantoonbaar, maar het zijn ondergrenzen. De werkelijke haat is vermoedelijk structureel hoger.
Alternatieven voor lexicon-classificatie — zoals handmatige annotatie — zijn subjectiever, tijdrovender en leiden tot inter-annotator-variantie. Machine learning-modellen kunnen meer nuance mee, maar zijn minder transparant en moeilijker juridisch te verantwoorden. Lexigon biedt wat dit onderzoek nodig heeft: objectieve, reproduceerbare en juridisch aantoonbare minimumcijfers. De 257 haat-signalen zijn het bewezen minimum — geen schatting, geen interpretatie.
83 dagen data, twee personen, duizenden tweets. De patronen zijn consistent.
1. Openlijk homoseksueel zijn maakt je doelwit. Beide accounts ontvangen meer haat op LHBT-posts, factor 2,1 tot 2,9, over 83 dagen aantoonbaar.
2. Publieke rol maakt het erger. Ruben ontvangt 3,5x meer expliciete homohaat dan Tom. Ernst-score 4 komt uitsluitend bij Ruben voor (12x).
3. Haat explosioneert in pieken. Week 11: 118 haat-replies in 7 dagen. Een aanval die iemand actief ervaart in real-time.
4. Haat-taal is structureel. Dezelfde woorden — pedo, flikker, leugenaar, kanker — keer op keer, ook in het algemene corpus zonder haat-filter.