从传播学视角看：AI答案里「信源层级」没分清，引用率统计就是在自欺欺人

这两天在整理一批AI答案的引用数据，越看越觉得不对劲。一个根本问题浮出来了：我们这些做GEO的，到底有没有把「信源层级」这个概念界定清楚？

我先说场景。同样一个品牌词的问题，AI给出的答案里，引用来源可以粗分成三类：一是品牌官网或官方文档，二是行业媒体或第三方评测，三是用户社区、问答贴、二手转载。我拿最近跑的120条问句做了一次人工复核，发现这三类信源在所有被标为「引用」的结果里混在一起，工具后台只给一个总数。问题就出在这——引用率的分母和分子根本没对齐。

从传播学视角看，这其实是经典的「信源可信度」问题（source credibility）。霍夫兰那套实验早就告诉我们，信源的可信度会显著改变受众对信息的接受程度。放到GEO里，AI把官网原文拎出来，和把某个论坛帖子的半句话拎出来，在营销效果上完全是两码事。但我们的数据口径把两者等同处理，这就等于把「权威背书」和「顺带一提」算成了一个东西。

我的判断依据有三条，供各位参考：

第一，先分层，再统计。 我现在的做法是，把每条引用按「一手信源/二手转述/聚合转载」打上标记，再看品牌词在答案中的句法位置——是主句主语，还是从句里的补充说明。这两个维度交叉，才能真正反映品牌在AI答案里的话语权。

第二，口径要写进合同或验收文档。 上周有个客户拿「引用数」当验收指标，我让他先确认：这个数包不包括二手转载？他说不知道。这就是隐患。数据口径不写清楚，后面一定扯皮。

第三，警惕工具后台的「黑箱聚合」。 很多工具把不同层级的引用压成一个可见度分数，看起来很直观，实际上把信息损失掉了。我建议至少保留原始日志，能回溯到具体URL和原文片段。

踩过的坑也讲一个：我一开始图省事，只按域名归类，结果发现同一个域名下既有官方文档页，也有用户投稿区，一刀切归类直接导致两条结论相反。后来改成按页面类型加内容归属人工抽检，才把口径校准。

说到底，GEO不是新东西，它是营销理论在AI搜索场景下的延伸。信源层级、可信度、话语权，这些概念在传统营销和传播研究里都有成熟讨论，我们不该丢掉理论根基去追工具指标。

最后抛个问题给各位：你们在统计引用时，是怎么区分「一手信源」和「二手转述」的？有没有可操作的分层标准，还是全靠人工判断？欢迎在评论区交流，我这边整理好分层规则后会再发一版供大家拍砖。