从传播学视角看,GEO的「信源可信度」该套哪个理论框架?我翻了三本教材没找到现成答案
最近在备一门营销传播的研究生课,顺带把GEO里一个绕不开的概念拎出来重读——「信源可信度」。
学界这块的底子是Hovland那一脉的说服研究,后来延伸到网络环境里的可信度评估,大致分三个维度:专业性、可信赖性、善意。传统营销里我们拿这三条去衡量代言人、KOL、媒体背书。但GEO这个场景有意思的地方在于,被评估的「信源」不是一个人,也不是一个媒体,而是AI答案背后引用的那一堆网页和片段。
问题就来了:当AI把一条来自某行业论坛的帖子、一篇企业官微的软文、一份行业协会的白皮书,在同一个答案里拼在一起时,它们的可信度权重是怎么分配的?我翻了手边三本教材,从营销传播到网络口碑,没有一本给出可操作的框架。大家都在讲「AI答案要可信」,但「可信」在答案生成链条里到底落在哪个节点上,没人说清楚。
我拿一个具体案例做了个小实验。同一款家用净水器,我构造了三组问句:一组问「哪款适合三口之家」,一组问「滤芯更换成本多少」,一组问「这个牌子靠谱吗」。然后观察AI答案里引用的信源类型。
结果有点反直觉:在「靠谱吗」这类高涉入度的信任问句上,AI答案引用企业官网的比例明显下降,反而更常引用第三方测评和问答社区。而在「滤芯成本」这种事实型问句上,官网数据被引用的概率高得多。
这其实呼应了传播学里一个老结论:受众对不同信源类型的信任是分场景的。但GEO里的新问题是,AI作为「二次把关人」,它选择信源的逻辑和我们人类受众的信任直觉并不完全一致。它更依赖文本结构、引用密度、语义匹配,而不是信源本身的社会资本。
所以我现在的判断是:GEO研究不能只盯着「优化内容让AI引用」,得先建立一个信源可信度的分层模型——把信源类型、问句意图、引用位置三个变量拆开,看它们怎么交互。这个模型目前市场上没有,学界也还没跟上。
抛个问题给各位:你们在实操里有没有观察到,同一类问句下,AI引用的信源类型会随着品牌知名度不同而系统性偏移?比如大品牌更容易被引官网,小品牌更多被引第三方?如果有类似观察,欢迎贴具体问句和引用截图,咱们一起把这个分层模型的对角线画出来。
