从传播学视角看，AI答案里的「引用」其实分三种，很多人混着算

这几天在整理教材里的编码/解码模型，顺手拿来对照现在AI答案的引用结构，发现一个被普遍忽略的问题：我们说的「AI引用了我们」，其实至少混着三种完全不同的东西，口径不分开，监测报告基本没法看。

第一种是直接引用。AI答案里明确出现了你的页面链接或原文表述，这是最硬的，相当于传统媒体里的「署名转载」。第二种是间接采纳。AI没有给出链接，但答案里的核心论断、数据、定义，能在你的页面里找到原型，这是霍尔的「协商式解码」——它吸收了你的编码，但重新组织了。第三种是训练记忆。模型参数里带了你品牌的某些表述，既无链接也无明确来源，你根本没法证明它来自你。

问题在于，市面上不少GEO监测工具把后两种也算进「引用量」。我上周拿同一批问句做了个小实验：用工具A统计，某客户品牌被「引用」了27次；我人工逐条回溯，真正带链接的直接引用只有6次，另外14次属于间接采纳（论断对得上但没链接），剩下7次连原文都找不到，多半是训练记忆掺进去的。三个数差了一个量级，客户看了直接问「那到底算不算」。

我的判断是：这三种必须分开记账，不能加总。理由很实在，它们的可控性完全不同。直接引用你能通过结构化数据、页面权威度、内容新鲜度去主动影响；间接采纳只能靠内容被反复交叉验证来慢慢沉淀；训练记忆你连归因都做不到，谈优化没有意义。把三者混成一个「AI可见度」指标，等于把广告刊例价和自然口碑混在一张表里算，从营销测量的角度讲，这是效度和信度双输。

具体做法上，我现在的记录模板是三列：直接引用（带链接、带原句）、间接采纳（论断匹配但无链接，需标注匹配依据）、疑似记忆（无源可溯，单列不计数）。周报里只拿第一列做趋势，后两列做定性备注。

有个细节值得提一句：间接采纳的判定最容易主观。我的约束是，必须能在自己页面上定位到至少两句连续表述语义对应，才登记；只有关键词撞上的，一律不算。这条线不放严，数据就废了。

从传播学的视角看，这本质上是把「受众接收」拆解成「注意—理解—记忆」三个层级，而引用链接只对应第一层。

想请教各位：你们在做AI可见度统计时，间接采纳这一层是怎么设判定阈值的？有没有人试过用双人独立标注算一致性，那个Kappa值大概落在什么区间？