論文の概要: How Large Language Models Source Brand Reputation Across Languages and Markets
- arxiv url: http://arxiv.org/abs/2606.25787v1
- Date: Wed, 24 Jun 2026 13:04:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 17:05:30.345225
- Title: How Large Language Models Source Brand Reputation Across Languages and Markets
- Title（参考訳）: 大規模言語モデルが言語と市場をまたいだブランド評価をいかに引き起こすか
- Abstract要約: 我々は167,551URL接地引用(合計帰属列)を分析する(9,974行)
85.7%の引用は、ブランドが所有していない場所を指し、14.3%が所有している。
ウィキペディアは12言語のうち11言語で最も暗黙のドメインである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: When a large language model (LLM) answers a question about a company, it grounds the answer in retrieved web sources, and those sources decide what the model says. Most analysis of AI brand visibility looks at the answer text. This study looks one step earlier, at the citations. We merge three Rankfor.AI datasets covering 128 brands across 12 home markets and 13 languages, and analyse 167,551 URL-grounded citations (189,974 total attribution rows). We classify each citation by domain and source type and measure where AI gets its brand information, by language and by market. Four patterns hold. First, AI grounds brand answers overwhelmingly in third-party sources: 85.7% of citations point to sites the brand does not own, against 14.3% owned. Second, the source base is concentrated and long-tailed: 80% of citations come from about 18% of domains, fitting a Zipf law (alpha = 0.86, R^2 = 0.983). Third, one reference site dominates almost everywhere: Wikipedia is the most-cited domain in 11 of 12 languages, the exception being Lithuanian, where the business daily vz.lt edges it (4.38%). Fourth, the source mix is market-specific at the margin: for 46 Polish national brands the most-cited domain is YouTube, and four HR and careers portals supply 637 citations against 297 for Polish Wikipedia, about twice as many.
- Abstract（参考訳）: 大きな言語モデル(LLM)が企業に関する質問に答えると、その答えは検索したWebソースに根拠を置き、それらのソースがモデルが何を言っているかを決定する。
AIブランドの可視性に関するほとんどの分析は、回答テキストを見ている。
この研究は引用において一歩早く見える。
Rankfor.AIのデータセットは12のホームマーケットと13の言語で128のブランドをカバーし、167,551のURLによる引用(合計属性行数189,974)を分析します。
それぞれの引用をドメインタイプとソースタイプで分類し、AIがブランド情報、言語、市場によってどこで取得するかを測定します。
4つのパターンが保持されます。
85.7%の引用は、ブランドが所有していない場所を指し、14.3%が所有している。
80%の引用は、約18%のドメインから得られ、Zipf法則(alpha = 0.86, R^2 = 0.983)に適合する。
ウィキペディアは12言語のうち11言語の中で最も暗黙のドメインであり、例外はリトアニア語であり、ビジネスの日々のvz.ltがそれを上回っている(4.38%)。
そして、4つの人事・職業ポータルがポーランド語版ウィキペディアの297に対して637の引用を提供している。
関連論文リスト
- Sources of Truth: A Multi-Platform, Multilingual Audit of Citations in AI Mental Health Information Queries [0.93058777168429]
1,140の応答と1,713のユニークなドメインで15,942の励起を記録しました。
最も暗唱された10のドメインは43.6%のイングランドの引用であった。
プラットフォームは典型的な引用量ではほとんど異なりませんでしたが、一貫性と、彼らが好んだソースタイプは著しく異なりました。
論文 参考訳（メタデータ） (2026-08-31T20:09:28Z) - OenoBench: A Wine-Domain Benchmark for Knowledge-Grounded Evaluation of Large Language Models [0.0]
OenoBenchは、6つの柱(地域、ブドウ品種、ブドウ栽培、ワイン製造、生産者、事業)にまたがる3,266の複数選択質問のワインドメイン知識ベンチマークである。
コーパスは、政府登録簿(INAO、TB、OIV)、査読されたジャーナル、ウィキペディア/ウィキデータから35の証明済みのスクレーカーによって抽出された38,104の原子的、情報源による事実から作られている。
すべてのクレームはURLに遡り、すべての質問は5つのジェネレータファミリーの5つの戦略のうちの1つによって生成される。
論文 参考訳（メタデータ） (2026-08-20T14:37:22Z) - IndicQE-APE: A Benchmark for Quality Estimation and Automatic Post-Editing for Indic Languages [77.88427845181154]
我々はWMT 2020-2024の共有タスクの系統を、英語のリソースを拡張してインディクシーに集約する:9つの方向対に対して126,754ドルのインスタンス。
セグメントレベルのQEでは,LSMが6つ,COMETが3つ,APEでは3つのシステムをベンチマークした。
論文 参考訳（メタデータ） (2026-08-17T09:50:52Z) - The Language Blind Spot: How Query Language and Brand Recognition Tier Shape AI-Constructed Brand Reputation Across Twelve European Languages [0.0]
大規模言語モデル(LLM)は、人々が印象を形成する方法をますます仲介する。
ほとんどの監視は英語で行われ、英語のクエリが代表画像を返すと仮定する。
11の北、バルト、中央ヨーロッパ市場から約66のブランドを問い合わせました。
論文 参考訳（メタデータ） (2026-06-22T11:05:43Z) - Generative Engine Optimization at Scale: Measuring Brand Visibility Across AI Search Engines [10.84927926654762]
我々は、Ranqoで追跡された100以上のブランドで100K以上のプロンプト応答を分析した。
最初の可視性は、透明な3層ブランドのはしごを形成する。
最上位ページは「ベスト・オブ・リスト」ランキングである。
論文 参考訳（メタデータ） (2026-06-18T10:36:13Z) - Authority, Truth, and Citation Bias: A Large-Scale Multi-Domain Benchmark for Studying Epistemic Susceptibility in Large Language Models [1.3986052226424095]
AuthorityBenchは、220,564 プロンプトのベンチマークで、引用ベースの権威が LLM の振る舞いにどのように影響するかを分離する。
我々は,非引用ベースラインに対して,非引用ベースラインに対する幻覚率を常に増加させることを発見した。
生成した引用が真理クレームを伴い、幻覚率が3～22ポイント上昇し、一般知識領域で35～77%に達すると最も効果が高い。
論文 参考訳（メタデータ） (2026-06-11T09:33:03Z) - Evaluating Commercial AI Chatbots as News Intermediaries [85.32040752972836]
ベストシステムは、数時間前に報告されたイベントに関する質問に対して、90%以上の多重選択精度を達成する。
すべてのモデルはヒンディー語で最小の精度を達成する。
原因ではなく検索は エラーの70%以上を 引き起こします
論文 参考訳（メタデータ） (2026-05-21T17:42:07Z) - SourceBench: Can AI Answers Reference Quality Web Sources? [14.668125843739423]
SourceBenchは、100の現実世界のクエリで引用されたWebソースの品質を測定するためのベンチマークである。
我々は8つの大言語モデル(LLM)、Google検索、および3つのAI検索ツールを、SourceBenchを用いて3996以上の引用ソースで評価した。
論文 参考訳（メタデータ） (2026-02-18T23:15:32Z) - 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) - Is Human-Like Text Liked by Humans? Multilingual Human Detection and Preference Against AI [95.81924314159943]
人文と機械文の大きなギャップは、具体性、文化的ニュアンス、多様性にある。
また,人間は必ずしも人書きのテキストを好んではいないこと,特にその情報源を明確に特定できない場合などを見いだす。
論文 参考訳（メタデータ） (2025-02-17T09:56:46Z) - MegaWika: Millions of reports and their sources across 50 diverse
languages [74.3909725023673]
MegaWikaは、50の言語で1300万のWikipedia記事と、7100万の参考資料で構成されている。
我々は、このデータセットを無数のアプリケーションに処理し、非英語の記事を言語間アプリケーションに翻訳する。
MegaWikaは、文レベルのレポート生成のための最大のリソースであり、マルチランガルである唯一のレポート生成データセットである。
論文 参考訳（メタデータ） (2023-07-13T20:04:02Z) - Making a MIRACL: Multilingual Information Retrieval Across a Continuum
of Languages [62.730361829175415]
MIRACLは、WSDM 2023 Cupチャレンジのために構築した多言語データセットです。
18の言語にまたがるアドホック検索に焦点を当てている。
我々の目標は、言語連続体における検索を改善する研究を加速させることです。
論文 参考訳（メタデータ） (2022-10-18T16:47:18Z) - Design Challenges in Low-resource Cross-lingual Entity Linking [56.18957576362098]
言語間エンティティリンク (XEL) は、外国語テキスト中のエンティティの言及をウィキペディアのような英語の知識ベースに根拠付ける問題である。
本稿は、英語のウィキペディアの候補タイトルを、特定の外国語の言及に対応付けて識別する重要なステップに焦点を当てる。
本稿では,検索エンジンのクエリログを利用した簡易で効果的なゼロショットXELシステムQuELを提案する。
論文 参考訳（メタデータ） (2020-05-02T04:00:26Z) - Learning to Learn Morphological Inflection for Resource-Poor Languages [105.11499402984482]
本稿では,メタラーニング問題として資源不足言語に対する形態的インフレクション(補題を表象形にマッピングする)の課題を提案する。
それぞれの言語を個別のタスクとして扱うことで、高速ソース言語からのデータを使ってモデルパラメータの集合を学習する。
3つのファミリーから29のターゲット言語を対象とする2つのモデルアーキテクチャの実験により、提案手法がすべてのベースラインを上回ります。
論文 参考訳（メタデータ） (2020-04-28T05:13:17Z)
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。