論文の概要: Disentangling Answer Engine Optimization from Platform Growth: A Log-Based Natural Experiment on ChatGPT Referral Traffic

• arxiv url: http://arxiv.org/abs/2606.04362v1
• Date: Wed, 03 Jun 2026 02:23:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.478998
• Title: Disentangling Answer Engine Optimization from Platform Growth: A Log-Based Natural Experiment on ChatGPT Referral Traffic
• Title（参考訳）: プラットフォーム成長からの解答エンジン最適化:ChatGPT参照トラフィックのログベース自然実験
• Authors: Keisuke Watanabe, Kazuki Nakayashiki,
• Abstract要約: ChatGPTのような大規模言語モデル"アンサーエンジン"は、現在、測定可能な参照トラフィックをオープンWebに送信している。 AEOの成功談は、通常、生の成長倍数を引用するが、生の参照成長は、応答エンジン自体の急速なプラットフォームレベルの成長によって構築される。
• 参考スコア（独自算出の注目度）: 1.8620637029128544
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language model (LLM) "answer engines" such as ChatGPT now send measurable referral traffic to the open web, and a practice analogous to search engine optimization, here called Answer Engine Optimization (AEO), has emerged. Public AEO success stories typically quote large raw growth multiples, but raw referral growth is confounded by the rapid platform-level growth of the answer engines themselves. We report a longitudinal field study on a single high-traffic domain (glasp.co) whose corpus of hundreds of thousands of YouTube question-and-answer pages received a defined bundle of AEO interventions in January 2026 (detailed in Section 4). Because the interventions were concentrated on one subset of the site, the untreated remainder of the same domain acts as a contemporaneous control that absorbs the platform tailwind. Using first-party analytics and server logs rather than probabilistic third-party estimators, we find: (1) raw growth is dominated by the platform tailwind: on monthly aggregates total ChatGPT referrals grew 5.7x while untreated pages on the same domain grew 3.5x over the same window; (2) an interrupted time-series model on the weekly treated/control ratio estimates a discrete, intervention-aligned level increase of 1.82x (95% CI 1.31-2.54, HAC p=0.001), robust across engagement-filtered traffic (2.27x) and alternative specifications; (3) however, a conservative placebo-in-time permutation test yields p=0.16, so the effect is suggestive, not conclusive, given a short and noisy pre-period; and (4) Google organic clicks to treated pages did not fall beyond the ambient site-wide trend and indexation was preserved, consistent with the SEO-protection rule. The methodological message, separating treatment from platform tailwind with an on-domain control, matters more than any single multiple, and implies that headline AEO multiples substantially overstate causal effect.
• Abstract（参考訳）: ChatGPTのような大規模言語モデル(LLM)の"アンサーエンジン"がオープンウェブに計測可能な参照トラフィックを送り、ここではAnswer Engine Optimization (AEO)と呼ばれる検索エンジン最適化に類似したプラクティスが出現した。 公的なAEOの成功談は、典型的には大きな生の生育倍数を引用するが、生の参照成長は、応答エンジン自体の急速なプラットフォームレベルの成長によって構築される。 2026年1月, 数十万件のYouTubeQ&Aページが, AEO介入が定義された1つの高トラフィックドメイン(glasp.co)について, 縦断調査を行った(第4節で詳述)。 介入はサイトの1つのサブセットに集中するため、同じドメインの未処理の残りは、プラットフォーム尾風を吸収する同時制御として機能する。 1) 生の生長はプラットフォーム風によって支配される: 毎月の集計ではChatGPT参照は5.7倍に増加し、同じドメイン上の未処理ページは同じウィンドウ上で3.5倍に成長した; 2) 週毎の処理/制御比率の中断された時系列モデルは、離散的、介入対応レベルの増加を推定する 1.82x (95% CI 1.31-2.54, HAC p=0.001), エンゲージメントフィルタリングトラフィック (2.27x) と他の仕様で堅牢である; しかし、保守的なプラセボインタイム置換テストではp=0.16が生成される。 本手法は, ホームテールウインドからの処理をオンドメイン制御で分離する手法であり, ヘッドラインAEO多重が実質的にオーバーステート因果効果をもたらすことを示唆している。

関連論文リスト

• Agent Explorative Policy Optimization for Multimodal Agentic Reasoning [97.64835302176056]
  エージェント推論は2つの行動と構造的非対称性(思考と道具の使用)をインターリーブする。 GRPOのような標準的なRLレシピでは、ギャップはトレーニング中に2つの診断症状として現れる。 AXPO (Agent eXplorative Policy Optimization) を提案する。
  論文  参考訳（メタデータ） (2026-05-27T17:36:39Z)
• Agentic Forecasting using Sequential Bayesian Updating of Linguistic Beliefs [1.7470133607730627]
  BLF (Bayesian Linguistic Forecaster) は二進予測のためのエージェントシステムである。 ForecastBenchのリーダーボードからの400のバックテスト質問に対して、BLFはすべての主要な公開メソッドを上回ります。
  論文  参考訳（メタデータ） (2026-04-20T17:57:51Z)
• Let the Agent Steer: Closed-Loop Ranking Optimization via Influence Exchange [9.300614085821612]
  大規模レコメンデーションシステムに展開された、最初の完全自律型LCMによるランキング最適化エージェントであるSortifyを提案する。 エージェントは、評価最適化を継続的影響交換として再設定し、診断からパラメータ展開までの完全なループを人間の介入なしに閉じる。
  論文  参考訳（メタデータ） (2026-03-29T16:58:29Z)
• Global Prior Meets Local Consistency: Dual-Memory Augmented Vision-Language-Action Model for Efficient Robotic Manipulation [95.89924101984566]
  GPM(Global Prior Memory)とLCM(Local Consistency Memory)を備えたデュアルメモリVLAフレームワークOptimusVLAを紹介する。 GPMはガウスノイズを意味論的に類似した軌道から取得したタスクレベルの先行値に置き換える。 LCMは、時間的コヒーレンスと軌道の滑らかさを強制する学習された一貫性制約を注入する。
  論文  参考訳（メタデータ） (2026-02-22T15:39:34Z)
• WebAnchor: Anchoring Agent Planning to Stabilize Long-Horizon Web Reasoning [82.12501258760814]
  大規模言語モデル(LLM)ベースのエージェントは、Web情報検索において強力な能力を示している。 Plan anchorは、長期にわたるWeb推論タスクにおいて、最初の推論ステップが下流の動作に不均等に影響を与えている場所です。 計画と実行を分離する2段階のRLフレームワークであるAnchor-GRPOを提案する。
  論文  参考訳（メタデータ） (2026-01-06T16:36:40Z)
• AI Answer Engine Citation Behavior An Empirical Analysis of the GEO16 Framework [0.0]
  GEO-16はページ品質の信号をバンド化されたピラースコアに変換するフレームワークであり、正規化されたGEOスコアGは0から1の範囲である。 3つのエンジンで1,702の引用を収集し、1,100のURLを監査しました。 我々のコーパスでは、エンジンは、それらが引用したページのGEO品質に違いがあり、MetadataとFreshness、Semantic HTML、Structured Dataに関連する柱は、引用と最も強い関連性を示した。
  論文  参考訳（メタデータ） (2025-09-13T00:29:32Z)
• DIR-AS: Decoupling Individual Identification and Temporal Reasoning for Action Segmentation [84.78383981697377]
  完全な教師付きアクションセグメンテーションは、高密度アノテーションによるフレームワイドアクション認識に作用し、しばしば過剰なセグメンテーションの問題に悩まされる。 本研究では, 時間的ピラミッド拡張と時間的ピラミッドプールを併用して, 効率的なマルチスケールアテンションを実現するため, 新たなローカル・グローバルアテンション機構を開発した。 GTEAでは82.8%(+2.6%)、Breakfastでは74.7%(+1.2%)の精度を実現し,本手法の有効性を示した。
  論文  参考訳（メタデータ） (2023-04-04T20:27:18Z)
• Bandit Linear Optimization for Sequential Decision Making and Extensive-Form Games [102.23975166536326]
  tree-form sequential decision making (tfsdm) は、エージェントと潜在的に敵対的な環境の間のツリー形式の相互作用をモデル化することで、古典的なワンショット意思決定を拡張する。 これは、各プレイヤーが幅広い形式のゲームで直面するオンライン意思決定問題、およびマルコフ決定プロセス、およびエージェントが観測された履歴を条件とする部分観察可能なマルコフ決定プロセスをキャプチャする。 本稿では, (i) 線形時間損失と (ii) $o(sqrtt)$ cumulative regret の両方を提供する拡張dmのバンディット線形最適化問題に対する最初のアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-08T05:00:13Z)
• Listen Attentively, and Spell Once: Whole Sentence Generation via a Non-Autoregressive Architecture for Low-Latency Speech Recognition [66.47000813920619]
  我々はLASOと呼ばれる非自己回帰型エンドツーエンド音声認識システムを提案する。 非自己回帰性のため、LASOは他のトークンに依存することなくシーケンス内のテキストトークンを予測する。 我々は,中国における公開データセットAISHELL-1の実験を行った。
  論文  参考訳（メタデータ） (2020-05-11T04:45:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。