把AI答案里的品牌提及按「信源层级」扒了一遍，发现三层来源的可信度差得不是一星半点

最近在带研究生做一个GEO相关的小课题，卡在一个很具体的问题上：AI答案里提到一个品牌，究竟是从哪种信源“学”来的？我们把某品类下120条AI生成答案（涉及8个品牌）逐条做了编码，把品牌提及的信源分成三层：

• L1 一手信源：品牌官网、官方产品页、企业公开的财报或白皮书；
• L2 二手专业信源：行业媒体、评测机构、垂直社区里带署名的长文；
• L3 聚合/转载信源：内容农场、百科聚合页、无署名搬运帖。

编码信度上我们做了双人独立编码，Kappa系数0.81，勉强可接受，分歧主要集中在L2和L3的边界——有些垂直媒体其实是半搬运性质，这个后面再说。

初步结论有点反直觉：L3信源在AI答案中的“出镜率”最高，占了品牌提及的47%，但一旦追问具体参数、价格、适用场景，AI会明显回撤到L1和L2。换句话说，L3负责“让品牌被看见”，L1/L2负责“让品牌被采信”。这和传播学里“知晓—态度—行为”的层级模型能对上，但在GEO场景下，这个漏斗的每一层对应的是不同的信源结构，而不是不同的媒介渠道。

一个踩坑细节：我们最初把“品牌被提及”和“品牌被推荐”混在一个编码表里，跑出来的数据完全没法解释。后来拆成两个变量——提及（mention）和引荐（endorsement），才发现L3信源贡献了大量提及，但几乎不贡献引荐。这个区分如果不做，GEO效果评估就会虚高。

方法论上的判断：GEO不该只盯“曝光量”或“引用率”这种单一指标，至少要把信源层级作为调节变量放进来。不同层级的信源，对AI答案的“权重”显然不一样，但这个权重目前没人给出可操作的估计方法。我们试过用答案文本里的引述结构（直接引用、转述、隐含提及）做代理变量，效果一般，还在摸索。

想请教社区里做实操的朋友：你们在评估AI答案的品牌露出时，有没有把信源类型作为一个维度拆开看？如果有，是用什么口径来界定“一手”和“二手”的？我这边卡在编码标准上，很需要一线经验来校准。