· door Rédaction
Hoeveel vrouwen zitten er op chatroulettes? Wat de data écht zeggen (en wat niet)
Een derde? Een tiende? De cijfers over het aandeel vrouwen in willekeurige videochat circuleren zonder bron. Dit is wat je werkelijk kunt meten, waarom de schattingen elkaar tegenspreken, en wat dit onevenwicht concreet betekent voor vrouwelijke gebruikers.

« Er zijn maar 10 % vrouwen op chatroulettes. » Je bent die zin zeker al tegengekomen: in een reactie, in een artikel, uit de mond van een gebruiker die je uitlegt waarom je gevleid zou moeten zijn dat je er bent. Soms is het 10 %, soms 20 %, soms « één vrouw op negen mannen ». Nooit een bron. Nooit een datum. Nooit een methode.
Die vaagheid is niet onschuldig. Wanneer een vrouwelijke gebruiker zich afvraagt of ze op fatsoenlijke gesprekspartners zal stuiten, is de enige informatie die ze krijgt een verzonnen cijfer. En wanneer een platform een genderfilter verkoopt, baseert het zich op diezelfde veronderstelde zeldzaamheid om de prijs te bepalen.
Dit artikel doet het omgekeerde van die kortsluiting: het bekijkt wat er werkelijk meetbaar is in het verkeer van een willekeurige videochatdienst, wat de publieke metingen zeggen en niet zeggen, en waarom de vier vertekeningen die ze ondermijnen de interpretatie radicaal veranderen. Aan het eind heb je een eerlijk beeld van het onevenwicht — en vooral van wat het in de praktijk betekent.
Waar de Cijfers Die Je Leest Vandaan Komen
Drie bronnen, drie heel verschillende soorten
Wanneer een artikel een aandeel vrouwen op een videochatdienst noemt, tapt het bijna altijd uit een van deze drie reservoirs:
- Webpanels voor publieksmeting. Meetbedrijven zoals Similarweb of Comscore publiceren man-vrouwverdelingen per site. Die verdelingen zijn gemodelleerde schattingen, opgebouwd uit panels van vrijwilligers en data van internetproviders, en daarna geëxtrapoleerd. Similarweb geeft in haar eigen documentatie aan dat de demografische gegevens schattingen zijn en dat hun nauwkeurigheid daalt bij sites met weinig verkeer of een atypisch publiek.
- De cijfers die platforms zelf communiceren. Die bestaan, maar ze worden gepubliceerd wanneer ze van pas komen: een dienst die vrouwen wil overtuigen, zal een stijgend vrouwelijk aandeel aankondigen; een dienst die een betaalde filter verkoopt, heeft er geen enkel belang bij om de schaarste te ontkennen.
- Academisch werk. Dat is zeldzaam, oud, en gaat over steekproeven van sessies, niet over populaties. Het meest geciteerde blijft de studie van Xianhua Xu, Yao Liu en Bo Han uit 2011 (« Analyzing user behavior on Chatroulette »), die een massaal onevenwicht in het voordeel van mannen vaststelde op duizenden gesteekproefde verbindingen. Vijftien jaar later wordt ze nog regelmatig aangehaald alsof ze de huidige stand van de markt beschrijft. Dat doet ze niet.
Het rondgaande cijfer is een fossiel
Dat is het kernpunt: de meeste percentages die in 2026 circuleren stammen af van observaties tussen 2010 en 2013, op één enkel platform, in een tijd waarin willekeurige videochat vrijwel uitsluitend vanaf een desktopcomputer gebeurde. Intussen is mobiel in de meerderheid, is geautomatiseerde moderatie standaard geworden, en is het publiek versnipperd over tientallen diensten. Een cijfer uit 2011 overschrijven om 2026 te beschrijven, is als de huidige sociale media beschrijven met statistieken uit het Hyves-tijdperk.
Een percentage zonder datum of methode is geen statistiek: het is een gerucht met een cijfer erin.
De Vier Vertekeningen Die Elke Telling Fragiel Maken
Vertekening 1: je telt geen personen, je telt sessies
Een videochatdienst heeft bijna nooit een verplicht gebruikersaccount. Wat hij ziet, zijn verbindingen. En een gebruiker die in een uur 200 keer op « next » klikt, genereert veel meer gebeurtenissen dan een gebruikster die drie gesprekken van twintig minuten voert.
Gevolg: meet je het aandeel vrouwen onder de geziene sessies, dan onderschat je hun aandeel onder de aanwezige personen. En meet je het aandeel vrouwen onder de accounts of de unieke bezoekers, dan krijg je een hoger cijfer — zonder dat de geleefde werkelijkheid ook maar een millimeter veranderd is. Beide cijfers zijn « waar », ze beantwoorden alleen niet dezelfde vraag.
Dit mechanisme is hetzelfde als dat beschreven in ons artikel over het compulsieve « next »-syndroom: zapgedrag is zeer ongelijk verdeeld tussen de genders, dus elke metriek op basis van het aantal acties is structureel vervormd.
Vertekening 2: gender wordt geraden, niet opgegeven
Op een dienst zonder registratie vult niemand een formulier in. Het weergegeven of veronderstelde gender komt dus van:
- een vrijwillige opgave bij het kiezen van een filter of een kamer;
- een automatische gevolgtrekking op basis van het beeld (algoritmische classificatie);
- een gevolgtrekking op basis van gedrag (nickname, taal, tijdstip).
Elk daarvan zit ernaast, en niet willekeurig. Beeldclassificatie toegepast op gender is gedocumenteerd als duidelijk minder betrouwbaar afhankelijk van huidtint, lichtval en camerahoek — dat is het centrale resultaat van het werk van Joy Buolamwini en Timnit Gebru (Gender Shades, MIT Media Lab, 2018), later bevestigd door de evaluatiecampagnes van het NIST rond gezichtsherkenning. Een slecht uitgelichte webcam is al genoeg om een classificatie te doen kantelen.
Nog een perverse bijwerking, welbekend bij vrouwelijke gebruikers: een deel van de vrouwen verbergt actief haar gender — camera op een huisdier gericht, hoge beeldafsnede, microfoon uit, neutrale nickname. Ze bestaan, ze zijn er, en geen enkele teller ziet hen als vrouw. De enquêtes van Women in Games France onder gamers documenteren precies dezelfde camouflagereflex in voicechats bij games.
Vertekening 3: nepprofielen blazen de kolom « vrouwen » kunstmatig op
Dit is de meest onderschatte vertekening. Loopvideo's, hergebruikte opnames en bots die naar betaalde links doorsturen presenteren zich bijna allemaal als vrouwelijke profielen. Elke automatische telling telt ze op bij de echte vrouwelijke gebruikers.
Met andere woorden: hoe meer een dienst wordt overspoeld door valse vrouwelijke profielen, hoe gezonder zijn gemeten aandeel « vrouwen » lijkt. Het cijfer stijgt terwijl de ervaring verslechtert. Wil je weten hoe je ze in enkele seconden onderscheidt, dan hebben we de methode uitgewerkt in loopvideo's en betaalde links herkennen.
Vertekening 4: het gemiddelde wist de verschillen uit die tellen
Zelfs bij een perfecte meting beschrijft een globaal gemiddelde niemand. De samenstelling van een dienst varieert sterk naargelang:
| Variabele | Vastgesteld effect op de samenstelling van het publiek | | --- | --- | | Tijdstip van verbinding | Gemengder publiek 's avonds begin van de week, mannelijker en agressiever na 1 uur 's nachts | | Tijdzone en taal | Regionale verkeerspieken verschuiven het profiel van de gesprekspartners volledig | | Toestel | Mobiel verbreedt het publiek, vooral tijdens de dag en buitenshuis | | Aanwezigheid van een betaalde filter | Concentreert de betalende mannen aan één kant, wat verandert wat niet-gefilterde vrouwen te zien krijgen | | Moderatieniveau | Een dienst die snel bant, houdt vrouwelijke gebruikers langer vast |
Het effect van de eerste rij van deze tabel hadden we al gemeten in het uur bepaalt het publiek: dezelfde dienst biedt twee uur later simpelweg niet dezelfde mensen aan.

Wat Je Eerlijk Kunt Zeggen
Drie solide uitspraken
Door te combineren wat gedocumenteerd is met wat methodologisch verdedigbaar is, kun je drie dingen zeggen zonder te liegen:
- Het onevenwicht bestaat en het is groot. Alle beschikbare bronnen — panels, oud academisch werk, getuigenissen, en het simpele bestaan van een markt voor betaalde genderfilters — wijzen in dezelfde richting. Niemand verkoopt duur toegang tot een overvloedige populatie.
- De precieze omvang is publiek onbekend. Er bestaat geen onafhankelijke, recente, platformoverschrijdende en methodologisch transparante meting. Wie je een percentage tot op de eenheid geeft, improviseert.
- Het geleefde onevenwicht is scherper dan het demografische onevenwicht. Omdat mannelijke gebruikers meer sessies per persoon consumeren, komt een vrouw proportioneel nog meer mannen tegen dan de verdeling van personen zou laten verwachten.
Die derde regel is de nuttigste, en net die formuleert geen enkel overschrijfartikel ooit.
De beste beschikbare indicator: je eigen notitieboekje
Bij gebrek aan betrouwbare statistiek is de eerlijkste meting lokaal. Noteer van tien sessies hoeveel er tot een correct gesprek leidden, hoeveel kantelden in een ongepast verzoek, hoeveel loopvideo's waren — en je hebt na één avond een veel bruikbaarder beeld dan welk globaal percentage ook. Een eenvoudig ringbandnotitieboekje naast het toetsenbord is genoeg; het punt is juist dat je het niet in een bestand doet dat je straks vergeet.
Drie kolommen volstaan: tijdstip, uitkomst van het gesprek, reden van vertrek. Na een week verschijnen de patronen — en die zijn vaak heel anders dan verwacht. Veel gebruiksters ontdekken zo dat hun aandeel correcte gesprekken in de eerste plaats van het uur afhangt, vervolgens van de kwaliteit van hun beeld, en slechts marginaal van de gebruikte dienst.
Waarom Dit Cijfer Politiek Geladen Is
Schaarste als commercieel argument
Het onevenwicht is niet alleen een gegeven: het is een verdienmodel. Een dienst die prioritaire toegang tot vrouwelijke profielen factureert, verzilvert de schaarste rechtstreeks. Hij heeft er dus een structureel belang bij dat die schaarste als groot wordt ervaren — en geen enkel belang bij het publiceren van transparante metingen. We hebben dat mechanisme en wat je werkelijk koopt ontleed in betaalde genderfilters.
Schaarste als excuus
Het andere gebruik van het cijfer is retorisch. « Er zijn hier zo weinig vrouwen, logisch dat iedereen zich op je stort »: die zin verandert een vage statistiek in een rechtvaardiging van gedrag dat juridisch juist perfect omschreven is. Ongevraagde exhibitie voor een camera blijft een strafbaar feit, wat de samenstelling van het publiek ook is — dat is het onderwerp van ons dossier over wat de wet zegt en hoe je melding maakt.
De redenering « minderheid, dus begeerd, dus tolerant » is precies wat onderzoek naar cybergeweld tegen vrouwen, onder meer geïnventariseerd door EIGE (Europees Instituut voor gendergelijkheid), identificeert als een banaliseringsmechanisme. Een verhouding heeft nooit een toestemming gevormd.

Wat Het Onevenwicht Concreet Voor Jou Verandert
Je wordt gefilterd voordat je spreekt
Wanneer een handvol vrouwelijke profielen verdeeld wordt over een heel groot aantal mannen, is de aandacht die bij je terechtkomt niet proportioneel aan wat je doet: ze is vooraf al verzadigd. Twee praktische gevolgen.
Ten eerste weegt je visuele signaal enorm, omdat het in de eerste twee seconden het enige beschikbare sorteerelement is. Een scherp en goed belicht beeld maakt je niet begeerlijker: het maakt je leesbaar, wat het aandeel gesprekspartners verkleint dat afhaakt uit onbegrip. Een klein dimbaar ledlampje achter het scherm lost in één keer het grootste deel van de tegenlichtproblemen binnenshuis op. De rest werken we uit in werk aan je decor en je licht.
Ten tweede weegt je audio zwaarder dan je denkt. In een omgeving waarin de ander een voorwendsel zoekt om te zappen, is rommelig geluid een uitstekend excuus. Een draadloze headset met ruisonderdrukking op kabel lost dat op voor een bescheiden budget, en voorkomt de geluidsterugkoppeling die mensen doet wegvluchten.
Je hebt een ongebruikelijke selectiemacht — gebruik ze
De mechanische keerzijde van het onevenwicht: je hebt geen enkele verplichting om een gesprek rendabel te maken. Waar een mannelijke gebruiker moet doorklikken om op een gesprek te hopen, kun jij je veroorloven om vanaf de eerste zin kritisch te zijn. Zappen is niet onhoffelijk in een omgeving die er precies voor gemaakt is; het is het selectie-instrument dat het format je geeft.
Praktisch betekent dat:
- Één criterium vastleggen en je eraan houden: bijvoorbeeld, wie binnen vijf seconden geen woord zegt, gaat weg. Vooraf beslissen bespaart beslissingsmoeheid.
- De sessieduur doseren. Voorbij een bepaalde duur laat de vermoeidheid je gesprekken aanvaarden die je aan het begin van de avond zou hebben afgewezen. Dat is het mechanisme beschreven in de vermoeidheid van het zappen.
- Van uur veranderen in plaats van van platform wanneer een sessie slecht loopt. Die knop is veel effectiever.
Wat je van een eerste gesprek mag verwachten
Omdat het aanbod aan aandacht overvloedig is, mag de lat hoog liggen: iemand die zich voorstelt, die een vraag stelt over iets anders dan je uiterlijk, en die een « nee » aanvaardt zonder aan te dringen. Dat is weinig, en toch is het de filter die de meeste sessies elimineert. Wil je de spiegelversie van die eis kennen — wat vrouwen doet zappen — dan vullen onze twee artikelen over de terugkerende intimidatie van vrouwen in livestreams en de eerste vijf seconden elkaar goed aan.
Hoe Je de Volgende Keer een Cijfer Leest
Voor je geloof hecht aan een percentage over de samenstelling van een videochat, volstaan vier vragen:
| Vraag | Als het antwoord ontbreekt… | | --- | --- | | Wat is de datum van de dataverzameling? | Het cijfer kan een verdwenen internet beschrijven | | Wie heeft gemeten, en met welk belang? | Een dienst die een filter verkoopt, is geen neutrale bron | | Tellen we personen of sessies? | Beide geven heel verschillende resultaten | | Is gender opgegeven of afgeleid? | Automatische gevolgtrekking zit ernaast, en niet willekeurig |
Alle vier ontbreken in bijna alle content die over dit onderwerp circuleert. Dat is op zich al informatie: als niemand kan antwoorden, heeft niemand gemeten.
Voor wat verifieerbaar en gedateerd is aan de gebruikskant van videochat bundelt onze pagina sectorstatistieken wat we kunnen onderbouwen, en op de pagina videochat uitproberen kun je de theorie tegen een echte avond afzetten. Lees je liever nog verder voor je verbinding maakt, dan dekken de blogartikelen het gros van de situaties die je zult tegenkomen.
Nog een laatste woord over methode: twee of drie pagina's uit een toegankelijk boek over statistiek lezen — van het type praktische gids voor statistisch inzicht — verandert duurzaam je verhouding tot dit soort cijfers. Je leert er vooral onderscheiden wat gemeten is van wat verteld wordt. In een domein waarin bijna alles verteld wordt, is dat het nuttigste instrument.
Om Te Onthouden
- Het cijfer « 10 % vrouwen » heeft geen gedateerde bron: het stamt af van observaties uit het begin van de jaren 2010 op één enkel platform.
- Vier vertekeningen maken elke telling fragiel: sessie ≠ persoon, gender afgeleid in plaats van opgegeven, valse vrouwelijke profielen meegeteld als vrouwen, en gemiddelden die de verschillen in uur, taal en toestel uitwissen.
- Het onevenwicht is reëel en groot, maar de precieze omvang is publiek onbekend — en het geleefde onevenwicht overtreft het demografische, omdat mannen meer sessies per persoon consumeren.
- Schaarste dient als commercieel argument (betaalde filters) en als retorisch excuus. Ze geeft geen enkel recht: een verhouding is geen toestemming.
- De enige nuttige meting is lokaal: tien genoteerde sessies, drie kolommen, één week. Dat zegt je meer dan welk percentage ook dat zonder bron wordt overgenomen.


