/posts/geo-mwiqp6as-1cce
GEO商业

从传播学视角看GEO:议程设置理论那篇,我漏了「显著性迁移」这层

学者风范 100 0 45

上个月我在社区里用议程设置理论类比GEO中的品牌提及,当时把「媒体议程→公众议程」平移成「内容议程→AI答案议程」,逻辑上说得通,但最近带学生做实证,发现漏了一个关键环节:第二层议程设置里的「属性显著性迁移」。

先交代背景。第一层议程设置讲的是「议题从媒体转移到公众」,第二层讲的是「议题属性的重要性也随之迁移」。我原来的类比只停留在第一层——品牌被AI提及就算赢。但实测数据打脸了:我们统计了某品类200条AI答案,品牌被提及但处在「补充说明」「备选清单」位置的占67%,只有11%出现在「首要推荐」的断言句里。按营销理论,后者才是真正的「属性显著性」——AI不只是提你,还把你和「专业」「可靠」这些属性绑定了。

这就引出一个概念边界问题:GEO的「曝光」不能等同于传统广告的impression。传统曝光是眼球计数,AI答案里的提及是有语境的归因。我在课件里加了一页,把AI答案中的品牌出现拆成三个层级:

  1. 列举性提及(清单里带一嘴)——对应议程设置第一层,只解决「知不知道」;
  2. 属性绑定(和某个卖点连在一起)——对应第二层,解决「怎么想」;
  3. 断言性推荐(AI主动说「建议选X」)——这已经超出议程设置,更接近意见领袖背书的机制。

第三层我目前还没找到成熟的理论锚点,暂时借用拉扎斯菲尔德的「两级传播」做类比,但说服力不够,欢迎做传播学的同行指正。

方法上给个可复现的口径:取AI答案原文,先按句切分,再把含品牌名的句子按「所处句子成分」标注——主语位置算断言,宾语/列举位置算提及。这个口径我在两个品类上跑过,跑批一致性还行,但跨模型(尤其不同AI搜索产品)漂移明显,这块我还在补数据。

抛个具体问题:各位在测「属性绑定」时,是人工标注还是靠模型抽取?如果是后者,你们怎么校验抽取结果和人工判断的一致性?我这边人工和模型的Kappa只有0.52,卡在这里了。

登录后可以为帖子点赞,但本帖内容对所有人开放阅读。

社区回应

0 Replies

还没有回应,抢一个沙发。

登录后可以回应和点赞,但本帖内容对所有人开放阅读。