論文の概要: Measuring GEO Visibility: Prompt Corpora Define the Answer Market

• arxiv url: http://arxiv.org/abs/2609.06811v1
• Date: Sun, 06 Sep 2026 20:07:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-12 04:27:46.255917
• Title: Measuring GEO Visibility: Prompt Corpora Define the Answer Market
• Title（参考訳）: GEOの可視性測定 - Prompt Corporaが回答市場を定義
• Abstract要約: GEO(生成エンジン最適化)の可視性は、生成された回答のソースの外観、引用、ブランドの言及を集約する。 このフレームワークは、状況アノテーション、迅速な定式化、実行条件、重み付け、スコアリングルールを指定する。 この記事は、制御されたドキュメントコンテキストにおけるソースと非ソースで生成された回答の比較を定義する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: GEO (generative engine optimization) visibility scores aggregate source appearances, citations, or brand mentions in generated answers. The prompt corpus selects the situations evaluated, while weights determine their relative importance. Together they define an "answer market" that need not represent actual user demand. Prompt wording can alter retrieval, competing sources, and generated answers. Scoring then requires identifying the appearances, citations, or mentions of interest. If a language model performs this task, its instruction can change the score assigned to an unchanged answer. Our critical survey examines how these choices help define what a GEO score measures. It draws on research into whether indicators measure the intended phenomenon, total survey error, and information retrieval evaluation. The framework specifies situation annotation, prompt formulations, execution conditions, weights, and scoring rules. When weights are unknown or remain to be chosen, the framework reports sets of admissible scores. It distinguishes values compatible with data and assumptions about a target population (partial identification) from variation across weighting conventions (normative sensitivity). A citation alone does not establish a source's contribution. The article defines a comparison of answers generated with and without a source in a controlled documentary context, distinct from an intervention on the full engine with competing sources. The framework is supported by reproducible calculations. No new experiments are reported; its general empirical validity remains to be assessed.
• Abstract（参考訳）: GEO(生成エンジン最適化)の可視性は、生成された回答のソースの外観、引用、ブランドの言及を集約する。 プロンプトコーパスは評価された状況を選択し、ウェイトは相対的な重要性を決定する。 彼らは共に、実際のユーザ需要を表す必要のない"回答市場"を定義します。 プロンプトワードは、検索、競合するソース、および生成された回答を変更することができる。 次に、スコーリングは、出現、引用、興味の言及を識別する必要がある。 言語モデルがこのタスクを実行すると、その命令は変化しない回答に割り当てられたスコアを変更することができる。 批判的な調査では、これらの選択がどのようにGEOスコアの測度を定義するのに役立ちます。 インジケータが意図した現象、全調査誤差、情報検索評価を計測するかどうかを調査する。 このフレームワークは、状況アノテーション、迅速な定式化、実行条件、重み付け、スコアリングルールを指定する。 ウェイトが未知であったり、選択される場合、フレームワークは許容できるスコアのセットを報告します。 対象の集団(部分的識別)に関するデータや仮定と互換性のある値と重み付け規則(ノルム感度)のバリエーションを区別する。 引用だけでは、ソースのコントリビューションを確立しません。 この記事は、ソースが制御されたドキュメントコンテキストで生成された回答の比較を定義し、競合するソースとのフルエンジンへの介入とは異なる。 このフレームワークは再現可能な計算によって支えられている。 新しい実験は報告されていないが、その一般的な実証的妥当性は評価されていない。

関連論文リスト

• Noēsis: Deterministic-First Retrieval with Two-Tier Context Hydration for Factuality-Critical Queries on Small Local Models [0.0]
  我々は、Noesisアーキテクチャの決定論的第一のクエリプレーンであるNoesisを提示する。 ノイズは生成前にすべての決定論的判断を下す。 報告されたすべての値は、その正確なソースと構築による位置にトレース可能である。
  論文  参考訳（メタデータ） (2026-09-07T15:49:16Z)
• HiEviDR-Bench: A Benchmark for Hierarchical Evidence Aggregation in Deep Research [52.87128503345243]
  我々は,Deep Researchにおける階層的エビデンス・アグリゲーションを評価するためのベンチマークであるHiEviDR-Benchを紹介する。 HiEviDR-Benchは、エビデンスの選択、クロスソースリンク、アグリゲーションをキャプチャする明示的なエビデンスグラフを持つ各インスタンスを表す。 報告品質,エビデンストレーサビリティ,引用精度,クレーム検証,回答正当性という5次元のトレーサビリティ指向評価フレームワークを開発した。
  論文  参考訳（メタデータ） (2026-07-27T23:50:46Z)
• What Gets Cited: Competitive GEO in AI Answer Engines [0.866627581195388]
  検索された2人の候補者が競うと、最初に引用される可能性が高くなるのはなぜか。 モデルコンテキストに正確に2つの候補ソースを注入する2文書検索拡張生成テストベッドを構築した。 各試験において、2つの情報源は、正確に1つの要因で異なる。我々は、位置バイアスからコンテンツ効果を分離するためにブランド匿名化と逆平衡ソースオーダーを使用する。
  論文  参考訳（メタデータ） (2026-05-25T07:20:08Z)
• Controllable Evidence Selection in Retrieval-Augmented Question Answering via Deterministic Utility Gating [0.0]
  本稿では,検索強化質問応答のための決定論的エビデンス選択フレームワークを提案する。 このアプローチでは,意味-ユーティリティ推定(MUE)と多様性-ユーティリティ推定(DUE)を導入している。 プロトタイプでは、タスクが必要とする事実、ルール、条件を明確に記述している場合にのみ、ユニットが受け入れられる。
  論文  参考訳（メタデータ） (2026-02-23T18:20:15Z)
• The Judge Who Never Admits: Hidden Shortcuts in LLM-based Evaluation [17.386684382460242]
  大規模言語モデル(LLM)は、推論、質問応答、創造的記述といったタスクにおけるシステムの出力を評価するために、ますます使われてきている。 6つの判定モデルに対する評価プロンプトに挿入された制御キュー摂動合成メタデータラベルを用いて,この理想を検証した。 情報源,時間,年齢,性別,民族,教育的地位の6つのキュー族を調査する。
  論文  参考訳（メタデータ） (2026-02-08T14:45:23Z)
• Contextualized Evaluations: Judging Language Model Responses to Underspecified Queries [85.81295563405433]
  本稿では,不特定クエリを取り巻くコンテキストを合成的に構築し,評価中にそれを提供するプロトコルを提案する。 その結果,1) 評価から得られた結論の変更,2) モデルペア間のベンチマークランキングの反転,2) スタイルのような表面レベルの基準に基づいて判断を下すナッジ評価,3) 多様なコンテキスト間でのモデル行動に関する新たな洞察の提供,などが確認できた。
  論文  参考訳（メタデータ） (2024-11-11T18:58:38Z)
• Cobra Effect in Reference-Free Image Captioning Metrics [58.438648377314436]
  視覚言語事前学習モデル(VLM)を活用した参照フリー手法の普及が出現している。 本稿では,基準自由度に欠陥があるかどうかを考察する。 GPT-4Vは生成した文を評価するための評価ツールであり,提案手法がSOTA(State-of-the-art)の性能を達成することを示す。
  論文  参考訳（メタデータ） (2024-02-18T12:36:23Z)
• Using Natural Language Explanations to Rescale Human Judgments [81.66697572357477]
  大規模言語モデル(LLM)を用いて順序付けアノテーションと説明を再スケールする手法を提案する。 我々は、アノテータのLikert評価とそれに対応する説明をLLMに入力し、スコア付けルーリックに固定された数値スコアを生成する。 提案手法は,合意に影響を及ぼさずに生の判断を再スケールし,そのスコアを同一のスコア付けルーリックに接する人間の判断に近づける。
  論文  参考訳（メタデータ） (2023-05-24T06:19:14Z)
• MQAG: Multiple-choice Question Answering and Generation for Assessing Information Consistency in Summarization [55.60306377044225]
  最先端の要約システムは高度に流動的な要約を生成することができる。 しかし、これらの要約には、情報源に存在しない事実上の矛盾や情報が含まれている可能性がある。 本稿では,ソース情報と要約情報を直接比較する,標準的な情報理論に基づく代替手法を提案する。
  論文  参考訳（メタデータ） (2023-01-28T23:08:25Z)
• KPQA: A Metric for Generative Question Answering Using Keyphrase Weights [64.54593491919248]
  KPQA-metricは生成的質問応答システムの正当性を評価するための新しい指標である。 我々の新しい計量は、キーフレーズ予測を通じて各トークンに異なる重みを割り当てる。 提案手法は,既存の指標よりも人的判断との相関が有意に高いことを示す。
  論文  参考訳（メタデータ） (2020-05-01T03:24:36Z)
• Extending Text Informativeness Measures to Passage Interestingness Evaluation (Language Model vs. Word Embedding) [1.2998637003026272]
  本稿では、インフォマティヴネスの概念をインフォマティヴネスの一般化として定義する。 次に、この一般化に対応するために、アートインフォーマティヴネス対策の状態を調査する。 CLEF-INEX Tweet Contextualization 2012 Logarithm similarity measure が最適であることを示す。
  論文  参考訳（メタデータ） (2020-04-14T18:22:48Z)
• Asking and Answering Questions to Evaluate the Factual Consistency of Summaries [80.65186293015135]
  本稿では,QAGS (kags) と呼ばれる自動評価プロトコルを提案する。 QAGSは、要約とそのソースについて質問すると、要約が実際にソースと一致している場合、同様の回答が得られます。 QAGSは、使いやすく、現実的に一貫性のあるテキストを自動的に生成するための有望なツールであると考えています。
  論文  参考訳（メタデータ） (2020-04-08T20:01:09Z)

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。