带学生跑完12周GEO批次，我发现问句监测最该先定的是「语义口径」

这学期我把GEO放进市场营销研究方法的课堂，带六个学生按周批次跑了12周的问句监测。前两周半基本在返工，原因不是工具不行，而是我们一开始没把「语义口径」定下来。

先说结论：GEO监测里最容易被跳过、又最决定结论有效性的一步，是给每个问句标注「语义边界」。我们最初的问句表里有一条「这款产品适合敏感肌吗」，AI在不同批次给出的答案在「适合」「谨慎使用」「需咨询医生」之间摇摆。学生一开始把它记成「答案不稳定」，我让他们回去把每一条答案的修饰词拆出来做交叉表，才发现摇摆的不是结论，而是我们对「适合」这个词的预设——有人按「无刺激」记，有人按「有临床背书」记。同一批数据，两种口径，信度直接掉到0.4以下。

这其实是传播学里老问题的新版本：编码员间信度没做，后面所有分析都是沙上建塔。我让学生做了三件事，第三周之后数据才干净起来。

第一，给每条问句写一句「判定锚点」。比如「适合敏感肌」的锚点定为：答案中必须出现明确的适用条件或限定语，否则记为「条件性肯定」，不并入「肯定」。锚点写进表头，每批次复用。

第二，把问句按「意图层级」分层。我们分了事实型、比较型、购后失调型三层。购后失调型那层最有意思——「买完后悔怎么办」这类问句，AI的回答里安抚性话语占比很高，但可操作信息很少。这个分层不做，监测报告里各层混在一起，均值会把问题抹平。

第三，每批次留5%的问句做双人盲编码，算一次一致性。12周下来，一致性从0.38爬到0.81，才算能拿去做趋势判断。

还有一个坑值得说：周批次和月批次的口径不能混用。我们第6周把前5周的月汇总和后面的周数据接在一起，趋势线出现一个假的拐点，学生差点写成「AI答案质量下降」。后来查出来是汇总口径变了，样本权重不一样。这件事我在课上讲了半节，样本口径不统一，任何趋势结论都不成立。

从营销理论的角度看，GEO监测本质上是把「消费者问句」当作测量工具，而测量工具本身需要效度和信度检验。现在社区里讨论优化动作的多，讨论测量口径的少，这个顺序我觉得是反的。

想请教各位：你们在做问句监测时，「意图分层」是按什么标准切的？是按购买决策阶段切，还是按信息搜寻行为切？我们目前用的是前者，但购后失调那一层的边界一直不太稳，想听听不同做法。