Jede Social-Media-Plattform entscheidet, was Sie sehen. Der Algorithmus optimiert auf Engagement, und Engagement korreliert am zuverlässigsten mit Empörung und emotionaler Reaktion. Das Ergebnis ist ein Feed, der widerspiegelt, was Sie am Scrollen hält, nicht was die Gemeinschaft wertschätzt.
Lotusia verfolgt einen anderen Ansatz. Inhalte werden durch burn-gewichtete Stimmung kuratiert – Sie verbrennen Lotus, um abzustimmen, und die aggregierten Burns bestimmen, was steigt und was fällt. Die On-Chain-Ranking-Formel ist transparent: positive Burns minus negative Burns. Jeder kann sie prüfen. Niemand besitzt sie.
Aber Transparenz allein reicht nicht aus. Ein wohlhabender Akteur kann das organische Signal überwältigen. Eine koordinierte Kampagne kann den Feed kapern. In einem erlaubnisfreien System, in dem jeder unbegrenzt Wallets erstellen kann, versagen die meisten konventionellen Anti-Manipulationstechniken. Also haben wir eine Feed-Ranking-Schicht zwischen den On-Chain-Daten und dem, was Sie sehen, gebaut – fünf komplementäre Algorithmen, die ehrliche Kuratierung bewahren und gleichzeitig Manipulation progressiv teurer machen.
Die grundlegende Einschränkung
Lotusia arbeitet in einer erlaubnisfreien Umgebung. Jeder kann ein Wallet erstellen. Es gibt keine Identitätsprüfung, keinen Menschlichkeitsnachweis, keinen vertrauenswürdigen Sozialgraphen. Dies zwingt dem Ranking-Algorithmus eine nicht verhandelbare Einschränkung auf:
Der Ranking-Algorithmus darf NUR aggregierte Burn-Beträge berücksichtigen. Die Anzahl der Wallets darf das Inhaltsranking nicht direkt beeinflussen.
Dies eliminiert ganze Familien von Anti-Wal-Mechanismen. Sublineare Transformationen pro Wähler wie quadratisches Abstimmen schaffen Anreize zur Wallet-Aufteilung – ein Wal, der 100.000 Sats über 100 Wallets verbrennt, erhält zehnmal mehr Einfluss als beim Verbrennen aus einem einzigen Wallet. Diversitätsboni für Wähler belohnen direkt die Sybil-Erstellung. Konzentrationsstrafen pro Inhalt werden trivial durch Wallet-Aufteilung umgangen.
Die Lösung ist Zurückhaltung. Jede Ranking-Funktion arbeitet ausschließlich mit aggregierten Burn-Gesamtwerten: dem gesamten positiv verbrannten Lotus und dem gesamten negativ verbrannten. Die Aufteilung desselben Gesamt-Burns auf eine beliebige Anzahl von Wallets erzeugt denselben Score. Dies ist das Sybil-Neutralitätsprinzip. Der Kompromiss ist ehrlich – der Algorithmus kann nicht zwischen tausend echten Wählern und einem Wal mit tausend Wallets unterscheiden – aber er kann auch nicht durch Wallet-Erstellung manipuliert werden. In einem für Sybil offenen System ist dies der richtige Kompromiss.
Die On-Chain-Basislinie
Die On-Chain-Ranking-Formel ist bewusst einfach:
ranking = satsPositive - satsNegative
Sie ist linear, transparent und demonstriert das Kernwertversprechen. Aber sie ist auch wal-dominiert, bootstrap-fragil, zeitlich flach und agenda-anfällig. Die Feed-Ranking-Schicht adressiert diese Einschränkungen, ohne die On-Chain-Formel zu modifizieren. Alle fünf Algorithmen arbeiten off-chain, auf aggregierten Daten und sind konstruktionsbedingt Sybil-neutral.
R62: Aggregierte logarithmische Dämpfung
Die offensichtlichste Schwachstelle des linearen Rankings ist, dass Ausgaben und Einfluss perfekt proportional sind. Ein Wal, der 100.000 Sats verbrennt, hat genau 100-mal den Einfluss von jemandem, der 1.000 Sats verbrennt.
R62 wendet logarithmische Dämpfung auf positive und negative aggregierte Burns unabhängig voneinander an:
feedScore = log₂(1 + B_pos / BASE) - log₂(1 + B_neg / BASE)
Dabei sind B_pos und B_neg die gesamten positiven und negativen Burns eines Inhaltselements, und BASE ist eine einstellbare Konstante, die auf 1.000 Sats gesetzt ist. Der Logarithmus erzeugt abnehmende Erträge bei den Ausgaben:
| Total Burn | Linear Score | Dampened Score | Marginal Gain per 1K |
|---|---|---|---|
| 1,000 sats | 1,000 | 1.00 | 1.00 |
| 10,000 sats | 10,000 | 3.46 | 0.27 |
| 100,000 sats | 100,000 | 6.66 | 0.036 |
| 1,000,000 sats | 1,000,000 | 10.0 | 0.0037 |
Ein Wal, der 100.000 Sats verbrennt, erhält einen Feed-Score von 6,66 – bedeutsam, aber nicht 100-mal so viel Einfluss wie ein 1.000-Sats-Burn. Um seinen Einfluss von 6,66 auf 13,32 zu verdoppeln, müsste er über 10 Millionen Sats verbrennen. Der Logarithmus verhindert nicht den Einfluss von Walen; er macht jede zusätzliche Einheit von Einfluss exponentiell teurer.
Die unabhängige Anwendung der Dämpfung auf positive und negative Burns verhindert, dass ein großer positiver Burn auf Logarithmus-Ebene vollständig durch einen proportional kleineren negativen Burn aufgehoben wird. Der Nettoscore spiegelt die echte Gemeinschaftsstimmung wider, nicht nur wer mehr ausgegeben hat.
Dies ist die erste und grundlegendste Dämpfungsschicht. Alle nachfolgenden Algorithmen bauen auf diesem komprimierten Score auf.
R63: Inhaltsübergreifende Z-Score-Begrenzung
Selbst mit logarithmischer Dämpfung kann ein ausreichend entschlossener Wal einen Ausreißer-Score produzieren, der den Feed dominiert. R63 adressiert dies, indem Scores relativ zur Verteilung aller Inhalte normalisiert werden.
Der Algorithmus berechnet den Mittelwert und die Standardabweichung aller Feed-Scores und wandelt dann jeden Score in einen Z-Score um:
μ = mean(scores)
σ = sqrt(variance(scores))
zScore = (score - μ) / σ
cappedScore = min(zScore, Z_MAX)
Die Z-Score-Begrenzung ist standardmäßig auf Z_MAX = 3.0 gesetzt. Das bedeutet, kein Inhaltselement kann mehr als drei Standardabweichungen über dem Mittelwert liegen, unabhängig vom absoluten Burn-Betrag.
Betrachten Sie einen Feed von 100 Elementen mit Scores zwischen 1,0 und 5,0 (Mittelwert 3,0, Standardabweichung 1,0). Ein wal-dominiertes Element erzielt 15,0. Ohne Begrenzung dominiert es den Feed mit dem 5-fachen des Mittelwerts. Mit Z-Score-Begrenzung:
zScore = (15.0 - 3.0) / 1.0 = 12.0 → capped at 3.0
Das Wal-Element rankt weiterhin am höchsten, aber sein Vorteil gegenüber dem besten organischen Element (Z-Score 2,0) wird von 3× auf 1,5× komprimiert. Kein einzelner Inhalt kann den Feed monopolisieren.
Die Normalisierung wird erst aktiviert, wenn mindestens zehn bewertete Inhaltselemente vorhanden sind, um sicherzustellen, dass sie während der Bootstrap-Phase bei spärlichem Feed keine Artefakte erzeugt.
R64: Zeitliche Überzeugungsakkumulation
Die On-Chain-Ranking-Formel behandelt einen dreißig Tage alten Burn identisch wie einen dreißig Sekunden alten Burn. R64 führt exponentiellen Zerfall basierend auf dem Alter der Abstimmungsaktivität ein, angelehnt an Conviction Voting, entwickelt vom Commons Stack und eingesetzt von 1Hive Gardens.
Burns werden in stündliche Perioden gruppiert. Der Netto-gedämpfte Score jeder Periode (aus R62) wird mit einem Zerfallsfaktor basierend auf dem Alter gewichtet:
decay = (1/2)^(ageHours / halfLife)
convictionScore = Σ [periodScore_t × decay(age_t)]
Die Standard-Halbwertszeit beträgt 72 Stunden, was dem natürlichen Lebenszyklus der Relevanz von Social-Media-Inhalten entspricht:
| Age | Decay Factor | Contribution |
|---|---|---|
| Today | 1.00 | 100% |
| 3 days ago | 0.50 | 50% |
| 6 days ago | 0.25 | 25% |
| 9 days ago | 0.125 | 12.5% |
Dies bietet bedeutsamen Widerstand gegen Flash-Angriffe. Ein Wal, der 100.000 Sats in einem einzigen Block verbrennt, erhält einen sofortigen Score-Boost, aber dieser Boost halbiert sich alle drei Tage. Währenddessen akkumulieren organische Burns, die stündlich kleinere Beträge hinzufügen, Überzeugung, die bestehen bleibt.
In einem ausgearbeiteten Beispiel: Ein Wal verbrennt 100.000 Sats bei t=0, während organische Burns stündlich 1.000 Sats hinzufügen. Mit einer 72-Stunden-Halbwertszeit und BASE=1.000:
| Time | Whale (decayed) | Organic (accumulated) | Whale % |
|---|---|---|---|
| t=0 | 6.66 | 0 | 100% |
| t=24h | 5.30 | 3.28 | 62% |
| t=48h | 4.22 | 5.37 | 44% |
| t=72h | 3.36 | 6.72 | 33% |
| t=96h | 2.67 | 7.59 | 26% |
Das organische Signal überholt den Wal innerhalb von 48 Stunden. Am fünften Tag ist der Einfluss des Wals auf 21 Prozent des Gesamtwerts reduziert.
Der Zerfallsanker wird vom Aufrufer bestimmt. Für den kuratierten Feed wird der Zeitstempel der ersten Abstimmung verwendet – dies verhindert, dass triviale Nachbrennungen alte Inhalte wiederbeleben. Für Trending- und neueste Feeds wird der Zeitstempel der letzten Abstimmung verwendet, sodass wiederkehrende Inhalte mit echter neuer Aktivität korrekt auftauchen.
R65: Bidirektionale Signalintegration
RANK unterstützt sowohl positive als auch negative Burns. Die Beziehung zwischen diesen beiden aggregierten Signalen liefert Informationen über die Inhaltsqualität, die die reine Größenordnung nicht erfassen kann. R65 extrahiert drei Metriken aus diesen bidirektionalen Daten.
Stimmungsverhältnis misst, welcher Anteil der gesamten Burns positiv ist:
sentimentRatio = B_pos / (B_pos + B_neg)
Ein Verhältnis von 1,0 bedeutet einstimmig positiv. Ein Verhältnis von 0,5 bedeutet gleichmäßig umstritten. Ein Verhältnis von 0,0 bedeutet einstimmig negativ.
Kontroversen-Score misst, wie gleichmäßig umstritten die Burns sind:
controversyScore = min(B_pos, B_neg) / max(B_pos, B_neg)
Ein Score nahe 1,0 bedeutet nahezu gleiche positive und negative Burns. Ein Score nahe 0,0 bedeutet, dass eine Richtung dominiert. Wenn der Kontroversen-Score den konfigurierbaren Schwellenwert von 0,4 überschreitet, wird der Inhalt für die UI-Behandlung als kontrovers markiert.
Gesamtengagement wendet logarithmische Dämpfung auf die Summe aller Burns an:
totalEngagement = log₂(1 + (B_pos + B_neg) / BASE)
Dies dient als Tiebreaker: Unter Elementen mit ähnlichen primären Scores rankt dasjenige höher, das insgesamt mehr Aufmerksamkeit der Gemeinschaft auf sich gezogen hat.
Diese drei Metriken schaffen ein zweidimensionales Verständnis von Inhalten. Hohes Engagement mit positiver Stimmung zeigt genuinen populären Inhalt an. Hohes Engagement mit umstrittener Stimmung zeigt kontroversen Inhalt an, der es wert ist, untersucht zu werden. Niedriges Engagement mit positiver Stimmung zeigt nischenhaften, aber geschätzten Inhalt an. Niedriges Engagement mit negativer Stimmung zeigt Inhalt an, den die Gemeinschaft als nicht beachtenswert eingestuft hat.
Der Kontroversen-Score treibt auch den kontroversen Sortier-Feed an, der eine zusammengesetzte Formel verwendet, inspiriert von Reddits Größe-mal-Balance-Ansatz:
controversySortScore = controversyScore × totalEngagement
Dies belohnt Beiträge, die bedeutsames kostspieliges Signal auf beiden Seiten angezogen haben, proportional dazu, wie gleichmäßig umstritten die Burns sind. Beiträge unterhalb des Mindestengagement-Schwellenwerts werden als trivial ausgeschlossen.
R66: Burn-Geschwindigkeits-Spitzen-Dämpfung
Der letzte Algorithmus zielt speziell auf Flash-Angriffe ab. Er analysiert die Rate, mit der Burns auf einem Inhaltselement akkumulieren, nicht nur die Gesamtmenge. Ein Wal, der 100.000 Sats in einem einzigen Block verbrennt, erzeugt eine scharfe Geschwindigkeitsspitze. Organisches Engagement erzeugt eine graduelle, anhaltende Geschwindigkeit.
R66 berechnet die Burn-Geschwindigkeit über ein gleitendes Erkennungsfenster und vergleicht sie mit der rollenden Median-Geschwindigkeit über alle Inhalte. Wenn das Geschwindigkeitsverhältnis einen konfigurierbaren Schwellenwert überschreitet, setzt eine Sigmoid-Dämpfungsfunktion ein:
velocityRatio = currentWindowBurns / rollingMedianBurns
dampening = 1 / (1 + e^(k × (velocityRatio - threshold)))
Die Standardparameter sind ein Geschwindigkeitsschwellenwert von 10× der Median-Geschwindigkeit und eine Sigmoid-Steilheit von 0,5. Inhalt, der Burns mit normaler Rate erhält, wird nicht beeinflusst (Dämpfung ≈ 1,0). Inhalt, der Burns mit 100× der Median-Rate erhält, bekommt einen Strafaktor von ungefähr 0,011 – nahezu vollständig gedämpft.
Die Sigmoid-Kurve ist entscheidend. Sie vermeidet harte Schwellenwerte, die durch knapp unterhalb des Schwellenwerts bleiben manipuliert werden könnten. Stattdessen bietet sie einen sanften Übergang von keiner Dämpfung zu starker Dämpfung.
Dies ist konstruktionsbedingt Sybil-neutral. Die Geschwindigkeit wird aus aggregierten Burns pro Zeitfenster berechnet, nicht pro Wallet. Die Aufteilung eines 100.000-Sats-Burns auf 100 Wallets im selben Zeitfenster erzeugt dieselbe Geschwindigkeitsspitze und dieselbe Dämpfung.
Der zusammengesetzte Score
Diese fünf Algorithmen kombinieren sich zu einem einzigen zusammengesetzten Feed-Score. Der Prozess verläuft in Sequenz:
- R62 berechnet den logarithmisch gedämpften Basis-Score aus aggregierten Burns
- R64 wendet zeitlichen Zerfall basierend auf dem Alter der Abstimmungsaktivität an
- R66 wendet Geschwindigkeitsdämpfung an, wenn die Burn-Akkumulation verdächtig schnell ist
- R65 berechnet bidirektionale Signale für sekundäre Sortierung und Kontroversen-Markierungen
- R63 wendet Z-Score-Begrenzung auf der Feed-Anzeigeebene an
Das Ergebnis:
feedScore = [log₂(1 + B_pos/BASE) - log₂(1 + B_neg/BASE)]
× decay(ageHours / 72h)
× velocityDampening(velocityRatio)
Mit Z-Score-Begrenzung auf die Endverteilung angewandt. Ein Wal muss für jede marginale Einheit an Ranking-Einfluss exponentiell mehr verbrennen, diese Ausgaben über die Zeit aufrechterhalten, gegen die gesamte Verteilung der Inhalte konkurrieren und Geschwindigkeitsspitzen vermeiden. Die Ökonomie verschiebt sich von „zehnmal mehr verbrennen für zehnmal den Einfluss" zu etwas, das eher „hundertmal mehr verbrennen für dreimal den Einfluss, der in drei Tagen verfällt" entspricht.
Warum das notwendig war
Die Probleme, die diese Algorithmen lösen, sind dokumentierte Fehlermodi jeder großen Inhaltsplattform.
Echokammern entstehen durch soziale Konformität und Informationskaskaden. Die Konformitätsexperimente von Asch haben gezeigt, dass etwa 37 Prozent der Menschen einer offensichtlich falschen Mehrheitsantwort folgen. Sichtbare Abstimmungsergebnisse erzeugen denselben Druck in sozialen Medien. Lotusia begegnet dem mit Vote-to-Reveal: Abstimmungsergebnisse werden jedem Nutzer verborgen, der noch nicht selbst abgestimmt hat. Sie müssen Ihre eigene Stimme abgeben, bevor Sie sehen, wie andere abgestimmt haben. Dies ist permanent und nutzerspezifisch, kein zeitbasierter Blindzeitraum, der abläuft. Die Forschung von Muchnik et al. hat einen 25-prozentigen positiven Herdeneffekt durch ein einziges sichtbares Upvote gemessen. Vote-to-Reveal eliminiert diesen Vektor vollständig.
Koordinierte Manipulation ist das Problem des agenda-getriebenen Angreifers. Politische Akteure, Unternehmens-PR-Teams und ideologische Gruppen sind bereit, Geld auszugeben, um die Stimmung zu lenken – der Burn ist die Waffe, und das 10:1-Verlustverhältnis, das wirtschaftliches Farming zunichtemacht, ist für sie irrelevant. Die Feed-Ranking-Algorithmen machen dies teuer, und sie werden durch eine Erkennung koordinierter Manipulation ergänzt, die zeitliche Abstimmungscluster, Verhaltensähnlichkeitsnetzwerke und demografische Anomalien der Wähler überwacht. Wenn Koordination erkannt wird, wird die algorithmische Feed-Promotion betroffener Inhalte reduziert. Die On-Chain-Daten bleiben permanent und zugänglich. Nur die Verstärkung wird beeinflusst.
Wal-Dominanz ist das Bootstrap-Phase-Problem. Während des frühen Netzwerkwachstums kann ein einziger großer Burn den gesamten Feed diktieren. Die logarithmische Dämpfung und der zeitliche Zerfall adressieren dies, indem sie Einflussverhältnisse komprimieren und sicherstellen, dass Flash-Angriffe verfallen, während sich nachhaltiges organisches Signal akkumuliert.
Der Steemit-Fehlermodus ist das, was passiert, wenn man Teilnahmevolumen mit Qualitätsbeurteilung verwechselt. Steemit verwendete eine einzige Metrik – Steem Power – für Abstimmungseinfluss, Inhaltsbelohnungen und Governance-Macht. Das Ergebnis waren Stimmtauschhandel, Wal-Dominanz, Qualitätsverfall und ein 90-prozentiger Rückgang der aktiven Nutzer. Lotusia trennt Engagement-Punkte von RANK-Reputation. Ein Nutzer kann hochaktiv, aber von niedriger Qualität sein, oder selektiv aktiv, aber von hoher Qualität. Beide Dimensionen sind sichtbar. Keine wird mit der anderen verwechselt.
Die philosophische Grundlage
Diese Algorithmen sind Ausdruck des Lotus-Ethos. Das Gründungsprinzip von Lotus ist generalisierte Reziprozität – gib Lotus als Zeichen der Wertschätzung, vertraue darauf, dass Reziprozität folgen wird, und lass den Token fließen statt ihn anzuhäufen. Das ursprüngliche givelotus.org beschrieb Lotus als „unbezahlbar – ein Zeichen der Wertschätzung – von sentimentalem Wert."
Die Feed-Ranking-Algorithmen schützen diesen Fluss davor, gekapert zu werden. Sie stellen sicher, dass das kollektive Urteil der Gemeinschaft, ausgedrückt durch nachhaltige burn-gewichtete Stimmung, das dominante Signal bleibt. Sie müssen keine Angreifer identifizieren oder Identitäten verifizieren. Sie machen einfach die Ökonomie der Manipulation ungünstig.
Das ist die ehrliche Antwort auf das Sybil-Problem: Man kann den Einfluss von Walen in einem erlaubnisfreien System nicht eliminieren. Ein ausreichend wohlhabender Akteur kann immer dominieren. Aber man kann es progressiv teurer machen, bis das Kosten-Nutzen-Verhältnis ungünstig wird. Und selbst dann stellt der zeitliche Zerfall sicher, dass ihr Einfluss verfällt.
Was als Nächstes kommt
Die Feed-Ranking-Algorithmen sind im rank-backend-ts-Service implementiert und operativ. Sie berechnen zusammengesetzte Scores für jeden Beitrag im einheitlichen Feed und integrieren sich mit Vote-to-Reveal, der Kontroversen-Markierung und der Erkennung koordinierter Manipulation.
Ergänzende Systeme entwickeln sich weiter. Das Empfehlungssystem bietet Sybil-resistentes Onboarding durch soziales Vertrauen statt Proof-of-Work. Das Engagement-Punkte-System belohnt nachhaltige Teilnahme über mehrere Dimensionen hinweg – Abstimmungen, Empfehlungen, Kommentare, Burns, Serien und Kontoalter. Die Überwachung der Wählerkonzentration verfolgt den Herfindahl-Hirschman-Index, um zu erkennen, wenn Abstimmungsmacht gefährlich konzentriert wird.
Die Lotusianische Schildkröte bewegt sich langsam, aber zielstrebig. Wir haben Feed-Ranking-Algorithmen gebaut, die Manipulation teuer und ehrliche Kuratierung lohnend machen. Nicht weil wir jede Form der Manipulation eliminieren können, sondern weil wir es progressiv nicht mehr lohnenswert machen können. Die Mathematik erledigt die schwere Arbeit. Die Gemeinschaft liefert das Signal. Und der Feed spiegelt wider, was Menschen wirklich wertschätzen, nicht was sich jemand leisten kann zu bewerben.
Erkunden Sie gerankte Profile auf den sozialen Profilen von Lotusia. Erfahren Sie mehr darüber, wer Lotusia aufgebaut hat.