同一批问句，换个人工编码就多出23%的品牌提及，这信度怎么交代

带研究生做GEO课题，这周卡在了一个很基础但绕不过去的问题上：品牌提及的编码口径。

事情是这样的。我从三个行业里抽了120条真实问句，让两个研究生背对背做人工编码，标记AI回答里是否出现目标品牌。结果出来，两人一致率只有0.71，Kappa系数算下来0.58，勉强算中等一致。更麻烦的是，学生A比学生B多标了23%的提及。

我把分歧样本逐条拉出来看，问题集中在三类边界情形：

第一类，品牌名出现在AI回答的「引用来源」列表里，正文没提。这算不算品牌提及？从传播学视角看，引用列表是信源标注，不是讯息内容，理论上不该算；但从曝光效果看，用户扫一眼就能看到品牌名。

第二类，AI回答用「该品牌」「这类产品」指代，前文出现过一次品牌名。这属于回指，编码时容易漏。

第三类，竞品对比场景里，AI说「A品牌在续航上不如B品牌」。负面提及算不算提及？我倾向于算，但需要单独标记情感极性，否则后续做可见度分析会把负面曝光和正面曝光混在一个桶里。

我的处理办法是先把编码手册从「是否提及」这一单一维度拆开，改成三个字段：正文提及（是/否）、信源列表提及（是/否）、情感极性（正/中/负）。然后重跑了一轮，两人一致率升到0.89，Kappa到了0.81。

但这里有个更根子上的问题：GEO领域现在缺一套公认的编码标准。营销学里做内容分析，好歹有Krippendorff's alpha这样的信度门槛摆着，GEO这边各家报告口径五花八门，连「提及」的定义都不统一。我翻了几份市面上的GEO报告，有的把信源列表算进去，有的不算，但都不写明，读者根本没法判断数字可比性。

所以我的判断是：做GEO效果评估，编码信度必须先于效果测量。信度不过关，后面算出来的引用率、可见度都是噪音。

想请教社区里做过类似编码的朋友：你们处理「信源列表提及」这类边界情况时，是算进去还是单列？如果单列，后续怎么合并成一个可对外汇报的指标？