หน้าเว็บที่เกี่ยวข้องส่วนใหญ่ที่เครื่องมือ AI ไม่อ้างอิง ไม่ได้ล้มเหลวเพราะเขียนไม่ดี แต่ล้มเหลวเพราะไม่ได้ตอบคำถามที่ถูกถามจริง ด้วยชื่อและข้อเท็จจริงที่คำถามนั้นต้องการ นี่คือผลหลักของงานวิจัยจาก Virginia Tech และมหาวิทยาลัยเจ้อเจียง ซึ่งนำกรณี 949 กรณีที่เครื่องมือ AI มีหน้าเว็บที่เกี่ยวข้องอยู่ในมือ แต่กลับอ้างอิงคู่แข่งแทน มาหาคำตอบว่าทำไม
ตัวอย่างหนึ่งคือคำถามให้ระบุกีฬาพื้นบ้านสามชนิดของรัฐกรณาฏกะในอินเดีย หน้าที่ไม่ถูกอ้างอิงพูดถึงกีฬาในกรณาฏกะจริง ครอบคลุมคริกเก็ต ฟุตบอล แบดมินตัน กาบัดดี และนักกีฬาชื่อดังของรัฐ ประโยคเดียวที่เอ่ยถึงกีฬาพื้นบ้าน คือการแข่งควาย Kambala ถูกฝังอยู่ลึกในหน้า หน้านั้นตรงหัวข้อ แต่ไม่ได้ตอบคำถาม
คำตอบของงานวิจัยต่อความล้มเหลวแบบนี้ไม่ใช่การเขียนหน้าใหม่ทั้งหมด แต่คือการหาว่าขั้นตอนไหนล้มเหลว แล้วแก้เฉพาะสิ่งที่ขั้นตอนนั้นต้องการ ในการทดสอบ วิธีนี้เพิ่มอัตราการถูกอ้างอิงได้มากกว่ากฎการเขียนใหม่แบบ GEO ทั่วไป โดยแตะเนื้อหาน้อยกว่ามาก
งานวิจัยนี้ทดสอบอะไร?
งานวิจัย arXiv:2603.09296 ถามว่าทำไมหน้าเว็บที่เกี่ยวข้องจึงไม่ถูกเครื่องมือ AI อ้างอิง และทดสอบระบบที่วินิจฉัยความล้มเหลวแต่ละครั้งก่อนซ่อม ผู้เขียนคือ Zhihua Tian, Yuhan Chen และ Ruoxi Jia จาก Virginia Tech ร่วมกับ Yao Tang และ Jian Liu จากมหาวิทยาลัยเจ้อเจียง เผยแพร่เมื่อ 10 มีนาคม 2026 ในรูปแบบ preprint ซึ่งหมายความว่ายังไม่ผ่านการพิจารณาของผู้ทรงคุณวุฒิ
ผู้เขียนเริ่มจากการเลือกเป้าหมาย งานวิจัย GEO ก่อนหน้าวัด contribution คือส่วนของคำตอบ AI ที่โยงกลับไปหาหน้าเว็บได้มากแค่ไหน งานวิจัยนี้วัดการอ้างอิง คือเหตุการณ์แบบใช่หรือไม่ใช่ว่าหน้าถูกระบุเป็นแหล่งข้อมูลหรือเปล่า เพราะหน้าที่ไม่ถูกอ้างอิงจะไม่ส่งผู้เข้าชมกลับมาเลย ในการทดสอบพื้นฐาน 43% ของหน้าที่ตรงหัวข้อไม่ได้รับการอ้างอิงเลย
งานนี้มีสามส่วน ส่วนแรกคือการจัดประเภทความล้มเหลวในการถูกอ้างอิง สร้างจาก 949 คู่ของหน้าที่ไม่ถูกอ้างอิงกับคู่แข่งที่ถูกอ้างอิง ซึ่งถูกดึงมาสำหรับคำถามเดียวกัน ส่วนที่สองคือระบบชื่อ AgentGEO ที่เปรียบเทียบหน้าที่ไม่ถูกอ้างอิงกับหน้าที่ชนะ ระบุสาเหตุที่น่าจะเป็น ใช้เครื่องมือซ่อมแบบเจาะจงหนึ่งในเก้าตัว ทดสอบใหม่ แล้วทำซ้ำ ส่วนที่สามคือชุดทดสอบชื่อ MIMIQ ประกอบด้วยหน้าเว็บจริง 204 หน้า แต่ละหน้ามีคำถามที่สร้างขึ้น 60 ข้อ ใช้ 20 ข้อในการปรับหน้า และเก็บ 40 ข้อไว้ทดสอบ คำถามที่เก็บไว้นี้ตรวจว่าการปรับปรุงใช้ได้กับคำถามที่ระบบไม่เคยเห็น ไม่ใช่แค่คำถามที่ใช้ปรับแต่ง
มีข้อหนึ่งที่ต้องรู้ก่อนดูตัวเลข เครื่องมือ AI ในการทดสอบนี้เป็นระบบจำลองที่ผู้เขียนสร้างขึ้น โดยใช้ gpt-4.1-mini และ claude-haiku-4-5 พร้อมคำสั่งให้อ้างอิงอย่างชัดเจน ไม่ใช่ ChatGPT, Perplexity หรือ Google ผู้เขียนเลือกแบบนี้เพื่อให้วินิจฉัยและทำการทดลองซ้ำได้ ซึ่งระบบเชิงพาณิชย์ไม่เปิดให้ทำ
ทำไมหน้าที่เกี่ยวข้องจึงไม่ถูกอ้างอิง?
หกในสิบกรณี เพราะหน้าไม่ตรงกับสิ่งที่คำถามต้องการ ในความล้มเหลว 949 กรณีของงานวิจัย 62.2% เป็นปัญหาความสอดคล้องด้านความหมาย 27.1% เป็นปัญหาคุณภาพเนื้อหา 10.1% เป็นปัญหาทางเทคนิค และ 0.6% เป็นการถูกกีดกันเชิงระบบ ผู้เขียนระบุตำแหน่งของความล้มเหลวแต่ละแบบตามขั้นตอนของเครื่องมือ AI ที่มันเกิดขึ้น คือการดึงหน้า การแยกวิเคราะห์ หรือการสร้างคำตอบ
| กลุ่มความล้มเหลว | สัดส่วน | สาเหตุหลัก |
|---|---|---|
| ความสอดคล้องด้านความหมาย | 62.2% | ขาดชื่อหรือคำเฉพาะที่คำถามต้องการ (32.3%) หน้าเขียนเพื่อเจตนาอื่น (29.1%) ข้อมูลล้าสมัยหรือผิดพื้นที่ (0.5%) |
| คุณภาพเนื้อหา | 27.1% | บางเกินกว่าจะอ้างอิงได้ (26.1%) ข้อความกระจัดกระจาย ยืดยาว หรือไม่มีโครงสร้าง (1.0%) |
| ความสมบูรณ์ทางเทคนิค | 10.1% | เนื้อหาจมอยู่ในส่วนประกอบของหน้า (5.2%) ถูกบล็อกการเข้าถึง (3.9%) ข้อความอ่านไม่ได้ (0.6%) เนื้อหาที่ต้องใช้ JavaScript (0.4%) |
| การถูกกีดกันเชิงระบบ | 0.6% | แหล่งที่น่าเชื่อถือกว่ามีข้อเท็จจริงเดียวกัน (0.5%) คำตอบอยู่ลึกเกินหน้าต่างบริบท (0.1%) |
สองสาเหตุที่ใหญ่ที่สุดใกล้เคียงกัน ช่องว่างด้านบริบทหมายถึงหน้าที่ตรงหัวข้อแต่ขาดชื่อ ตัวเลข หรือคำเฉพาะที่คำถามต้องการ เหมือนหน้ากรณาฏกะ ส่วนเจตนาที่ไม่ตรงกันหมายถึงหน้าที่ตอบคำถามอื่น เช่น หน้าเกี่ยวกับภาพยนตร์ปี 1974 ที่สร้างจาก The Turn of the Screw ถูกดึงมาสำหรับคำถามว่าเรื่องในนวนิยายเกิดขึ้นเมื่อไร สาเหตุใหญ่อันดับสามคือข้อมูลไม่เพียงพอ ได้แก่หน้าที่สั้นหรือคลุมเครือเกินกว่าจะอ้างอิงได้ เช่น หน้ารวมคำถามข้อสอบที่ไม่เคยให้คำตอบ
ความล้มเหลวในการถูกอ้างอิง (citation failure) คือกรณีที่เครื่องมือ AI ดึงหน้าที่เกี่ยวข้องมาแล้ว แต่อ้างอิงแหล่งอื่นในคำตอบ arXiv:2603.09296 จัดประเภทความล้มเหลวเหล่านี้ตามขั้นตอนที่เกิด คือการดึง การแยกวิเคราะห์ หรือการสร้างคำตอบ และตามสาเหตุ
การวินิจฉัยหน้าเว็บได้ผลกว่ากฎ GEO ทั่วไปหรือไม่?
ในระบบจำลองของผู้เขียน ใช่ การแก้ไขแบบเจาะจงจากการวินิจฉัยเพิ่มอัตราการถูกอ้างอิงจาก 56.6% เป็น 79.5% บนเครื่องมือ GPT เทียบกับ 68.8% สำหรับวิธีที่ใช้กฎได้ดีที่สุด นี่คือ "การปรับปรุงเชิงสัมพัทธ์มากกว่า 40%" ในบทคัดย่อ ส่วนการตั้งค่าอื่นได้ผลน้อยกว่า คือจาก 42.4% เป็น 54.8% บนเครื่องมือ Claude และจาก 60.2% เป็น 70.0% เมื่อเครื่องมือเลือกข้อความก่อนเขียนคำตอบ
วิธีที่นำมาเปรียบเทียบรวมถึงวิธีเขียนใหม่แปดแบบจากงานวิจัย GEO ต้นฉบับปี 2024 เช่น เพิ่มสถิติ เพิ่มคำพูดอ้างอิง อ้างแหล่งที่มา หรือใช้น้ำเสียงที่น่าเชื่อถือ และ AutoGEO วิธีปี 2025 ที่เรียนรู้กฎการเขียนใหม่จากหน้าเว็บจำนวนมาก ตารางแสดงบางส่วน
| วิธี | อัตราการอ้างอิง คำตอบที่อ้างอิงในเนื้อความ | อัตราการอ้างอิง เลือกข้อความก่อน | ข้อความที่คงไว้ |
|---|---|---|---|
| หน้าเดิม | 56.6% | 60.2% | — |
| เพิ่มศัพท์เทคนิค | 55.8% | 57.3% | 21% |
| เพิ่มสถิติ | 60.5% | 59.5% | 69% |
| ยัดคีย์เวิร์ด | 62.4% | 65.6% | 30% |
| เขียนใหม่ให้เข้าใจง่าย | 71.1% | 65.3% | 30% |
| AutoGEO (กฎที่เรียนรู้) | 68.8% | 66.0% | 18% |
| AgentGEO (วินิจฉัย) | 79.5% | 70.0% | 82% |
คอลัมน์สุดท้ายคืออีกครึ่งหนึ่งของผลลัพธ์ ผู้เขียนรายงานว่าการซ่อมแบบเจาะจงเปลี่ยนเนื้อหาของหน้าเฉลี่ยราว 5% เทียบกับ 25% สำหรับวิธีเปรียบเทียบ AutoGEO ตัดความยาวหน้าลงเฉลี่ย 43% และการเขียนใหม่ให้เข้าใจง่ายตัดลง 53% ขณะที่ AgentGEO คงหน้าไว้และแก้เฉพาะส่วนที่ล้มเหลว พูดง่าย ๆ คือหน้าที่ไม่ถูกอ้างอิงส่วนใหญ่ต้องการการแก้ที่แม่นยำ ไม่ใช่ข้อความใหม่
การซ่อมเหล่านี้เป็นงานบรรณาธิการธรรมดา ใส่ชื่อหรือข้อเท็จจริงที่ขาดไปในประโยคที่ควรอยู่ เปลี่ยนย่อหน้าที่เต็มไปด้วยตัวเลขให้เป็นตาราง เพิ่มหัวข้อและรายการให้ข้อความที่อัดแน่น เขียนย่อหน้าแรกใหม่ให้ตอบคำถามโดยตรง ใส่สรุปหนึ่งหรือสองประโยคไว้ด้านบน ย้ายคำตอบที่ถูกฝังขึ้นมา และแยกเมนูนำทางกับส่วนท้ายหน้าออกจากเนื้อหาหลัก
กฎ GEO ทั่วไปทำร้ายหน้าเว็บได้หรือไม่?
ได้ ในบางหัวข้อ งานวิจัยพบหมวดที่การเขียนใหม่ตามกฎทำให้อัตราการอ้างอิงลดลง โดยเฉพาะเมื่อหน้าถูกอ้างอิงดีอยู่แล้ว AutoGEO ทำได้แย่กว่าหน้าที่ไม่ได้แก้ไขในหลายหัวข้อ ผู้เขียนอธิบายว่ากฎที่เรียนรู้จากค่าเฉลี่ยเหมาะกับหน้าทั่วไป ส่วนหัวข้อเฉพาะทางหรือหัวข้อที่มีตัวแทนน้อยจะแตกต่างจากค่าเฉลี่ยนั้น
การวินิจฉัยก็ไม่ได้ปลอดภัยเสมอ ในหน้าด้านสุขภาพซึ่งถูกอ้างอิงราว 80% อยู่แล้ว AgentGEO เองก็ทำผลแย่ลง การแก้ไขบางส่วนลบข้อมูลเฉพาะทางออกจากหน้าที่เหลือ ทำให้ถูกอ้างอิงน้อยลง สำหรับเว็บไซต์เฉพาะทาง นี่คือคำเตือนที่มีประโยชน์ การปรับให้ง่ายจนเสียความแม่นยำทางเทคนิคอาจทำให้เสียการอ้างอิงที่ตั้งใจจะได้
มีวิธีเปรียบเทียบหนึ่งที่ควรดูอีกครั้ง การยัดคีย์เวิร์ดเพิ่มอัตราการอ้างอิงในระบบจำลองนี้ จาก 56.6% เป็น 62.4% สิ่งนี้บอกถึงข้อจำกัดของเครื่องมือจำลองมากกว่าสิ่งที่ควรทำบนเว็บไซต์จริง ซึ่งเครื่องมือค้นหาลงโทษวิธีนี้มานานแล้ว นี่จึงเป็นเหตุผลที่ควรอ่านชุดทดสอบ GEO ทุกชุดในฐานะชุดทดสอบ ไม่ใช่คู่มือปฏิบัติ
ความล้มเหลวแบบไหนที่เนื้อหาแก้ไม่ได้?
กรณีที่เครื่องมือเลือกโดเมนที่มีชื่อเสียงกว่า หลังการปรับ ยังมีคำถาม 163 ข้อในชุด 50 หน้าที่ไม่ถูกอ้างอิง และผู้เขียนพบกรณีที่ไม่มีการแก้ไขใดชนะได้ บนคำถามที่ใช้ฝึก อัตราการอ้างอิงเพิ่มจาก 57.0% เป็น 83.7% ส่วนที่เหลือยังต้านทานอยู่
ตัวอย่างคือหน้าหลักสูตร machine learning ของมหาวิทยาลัยแห่งหนึ่ง ซึ่งถูกดึงมาสำหรับคำถาม "หลักสูตร machine learning ออนไลน์ที่ดีที่สุด" การซ่อมได้ผลตามที่ตั้งใจ คำอธิบายชัดขึ้น รายละเอียดมากขึ้น ตรงกับคำถามมากขึ้น แต่เครื่องมือยังคงอ้างอิง Coursera และ edX ผู้เขียนสรุปว่าเครื่องมืออาจให้น้ำหนักกับปัจจัยระดับโดเมนที่อยู่นอกหน้าเว็บ และการปรับเนื้อหาเพียงอย่างเดียวมีเพดาน ในการจัดประเภท นี่คือความซ้ำซ้อนเชิงแข่งขัน คือแหล่งที่น่าเชื่อถือกว่ามีข้อเท็จจริงเดียวกันอยู่แล้ว
เพดานนั้นคือจุดเริ่มต้นของงานอีกแบบ หน้าเว็บไม่อาจแก้ตัวเองจนกลายเป็นแหล่งที่น่าเชื่อถือ การถูกกล่าวถึงโดยแหล่งที่เครื่องมือไว้ใจอยู่แล้ว และชื่อเสียงที่สร้างนอกเว็บไซต์ คือสิ่งที่พาแบรนด์ข้ามเพดานนี้ไปได้
หลักฐานแข็งแรงแค่ไหน?
กรอบการวินิจฉัยมีประโยชน์และผลที่ได้สม่ำเสมอในหลายการตั้งค่า แต่ผลทั้งหมดมาจากเครื่องมือจำลอง และตัวเลขหลักใช้ได้กับการตั้งค่าเดียว ผู้เขียนระบุว่าการทดสอบบนเครื่องมือเชิงพาณิชย์เป็นงานในอนาคต
ข้อจำกัดควรพูดให้ชัด เครื่องมือเป็นระบบจำลองที่ควบคุมได้ สร้างบนโมเดลขนาดเล็กสองตัว ไม่ใช่เครื่องมือตอบคำถามที่ใช้งานจริง คำถาม 60 ข้อต่อหน้าสร้างโดยโมเดลภาษา และการวินิจฉัยก็ทำโดยโมเดลภาษา สัดส่วนในการจัดประเภทมาจาก GEO-Bench ซึ่งเป็นคำถามเชิงข้อมูลเป็นหลักในสิบหมวด คำถามเชิงพาณิชย์เกี่ยวกับธุรกิจท้องถิ่นอาจทำให้สัดส่วนเปลี่ยน ตัวเลข "มากกว่า 40%" ใช้กับเครื่องมือ GPT ที่อ้างอิงในเนื้อความ การตั้งค่าอื่นได้ผล 16% ถึง 29% และงานนี้เป็น preprint ฉบับแรก
มีสองผลที่มั่นคงกว่าเพราะคงอยู่ในหลายการตั้งค่า การแก้แบบเจาะจงคงคำของหน้าไว้ 82% และยังชนะวิธีเขียนใหม่ทุกวิธี และบนคำถามที่เก็บไว้จากกลุ่มผู้ใช้ที่ไม่เคยเห็นระหว่างการปรับ หน้าที่ผ่านการวินิจฉัยยังนำอยู่ ที่ 70.6% เทียบกับ 64.2% ของ AutoGEO
รองรับ: ในเครื่องมือ AI จำลอง หน้าที่เกี่ยวข้องส่วนใหญ่ที่ไม่ถูกอ้างอิงล้มเหลวเพราะไม่สอดคล้องกับคำถามหรือเนื้อหาบางเกินไป และการซ่อมแบบเจาะจงที่เลือกจากการวินิจฉัยเพิ่มการอ้างอิงได้มากกว่าการเขียนใหม่แบบทั่วไป โดยเปลี่ยนข้อความน้อยกว่ามาก ยังไม่ได้พิสูจน์: ว่าสัดส่วนและผลแบบเดียวกันเกิดขึ้นบน ChatGPT, Perplexity หรือ Google ข้อมูลไม่ได้แนะนำ: การยัดคีย์เวิร์ด หรือกฎใดก็ตามที่ใช้กับทุกหน้าโดยไม่ดูว่าแต่ละหน้าล้มเหลวเพราะอะไร
ธุรกิจจะรู้ได้อย่างไรว่าทำไมหน้าของตัวเองไม่ถูกอ้างอิง?
ด้วยการเปรียบเทียบทีละคำถาม กับหน้าที่เครื่องมือ AI อ้างอิงแทน สิ่งที่ตามมาคือการตีความงานวิจัยของ KAIS ที่แปลงเป็นวิธีที่ธุรกิจนำไปใช้ได้ งานวิจัยทำการเปรียบเทียบนี้โดยอัตโนมัติ ส่วนคำถามด้านล่างคนทำเองได้บนเครื่องมือจริง
เริ่มจากคำถามที่ผู้ซื้อถาม ไม่ใช่จากหน้าเว็บ สำหรับแต่ละคำถามที่หน้าของคุณเกี่ยวข้องแต่ไม่ปรากฏ ให้จดว่าเครื่องมืออ้างอิงแหล่งไหน แล้ววางสองหน้าไว้เทียบกัน และถามสี่ข้อตามลำดับ
ข้อแรก เครื่องมืออ่านหน้าได้หรือไม่ เนื้อหาที่อยู่หลังการบล็อกบอต การบังคับล็อกอิน หรือ JavaScript ไม่เคยไปถึงคำตอบ กลุ่มนี้คิดเป็น 10% ของความล้มเหลวในงานวิจัย แต่บนเว็บไซต์ธุรกิจอาจมีน้ำหนักมากกว่า งานวิจัยที่เผยแพร่เมื่อต้นเดือนนี้พบว่าเอเจนต์ AI ถูกบล็อกในหนึ่งในสามของการทำงานบนเว็บไซต์ที่อ่านยาก ซึ่งอธิบายไว้ใน เอเจนต์ AI อ่านเว็บไซต์ของคุณก่อนแนะนำ
ข้อสอง หน้าตอบคำถามที่ถูกถามตามเจตนาเบื้องหลังหรือไม่ คำถามเรื่องราคาต้องการราคา คำถามเกี่ยวกับเมืองหนึ่งต้องการรายละเอียดของเมืองนั้น ข้อสาม หน้ามีชื่อ ตัวเลข และคำเฉพาะที่คำถามใช้ เขียนไว้ในจุดที่เครื่องมือจะพบหรือไม่ ข้อสี่ มีเนื้อหามากพอให้อ้างอิง และจัดวางให้ดึงคำตอบออกไปได้ง่ายหรือไม่ เช่น ประโยคแรกที่ตอบตรง ตารางสำหรับตัวเลข หนึ่งหัวเรื่องต่อหนึ่งส่วน ตามที่อธิบายไว้ใน โครงสร้างหน้าเว็บช่วยให้ AI ค้นเจอเนื้อหาได้
ถ้าคำตอบทั้งสี่ข้อคือใช่ แต่เครื่องมือยังอ้างอิงโดเมนที่มีชื่อเสียงกว่า ปัญหาก็ไม่ได้อยู่บนหน้าแล้ว นั่นคือสัญญาณให้ทำงานด้านความน่าเชื่อถือและการยืนยันจากแหล่งภายนอก
สี่ข้อตรวจสำหรับหน้าที่ไม่ถูกอ้างอิง ตามลำดับ
- การเข้าถึง: เครื่องมือดึงและอ่านเนื้อหาได้โดยไม่ต้องใช้ JavaScript ล็อกอิน หรือผ่านการบล็อกบอตหรือไม่
- เจตนา: หน้าตอบคำถามที่ถูกถาม ไม่ใช่คำถามใกล้เคียงหรือไม่
- ชื่อและข้อเท็จจริง: ชื่อ ตัวเลข และคำเฉพาะที่คำถามใช้อยู่บนหน้าหรือไม่
- เนื้อหา: มีคำตอบที่อ้างอิงได้ ระบุตรง ๆ และจัดโครงสร้างให้ดึงไปใช้ได้หรือไม่
เรื่องนี้อยู่ตรงไหนใน AI Visibility Chain ของ KAIS?
งานวิจัยนี้อยู่ระหว่าง Be Understood กับ Be Cited คืออธิบายว่าทำไมหน้าที่ถูกดึงมาแล้วจึงไม่กลายเป็นแหล่งอ้างอิง
Be Discovered → Be Retrieved → Be Understood → Be Trusted → Be Cited → Influence the Answer → Be Recommended
การจัดประเภทของงานวิจัยแทบจะตรงกับห่วงโซ่ทีละขั้น ความล้มเหลวทางเทคนิคทำให้ Be Retrieved ขาด ความล้มเหลวด้านความหมายและคุณภาพทำให้ Be Understood ขาด ความซ้ำซ้อนเชิงแข่งขัน ซึ่งเป็นความล้มเหลวที่ไม่มีการแก้ไขใดแก้ได้ คือปัญหาของ Be Trusted และการถูกอ้างอิงก็ยังไม่ใช่จุดสิ้นสุด แหล่งข้อมูลอาจถูกระบุโดยไม่ได้กำหนดคำตอบ ช่องว่างที่วัดไว้ใน ถูกอ้างอิงไม่ได้แปลว่าถูกนำไปใช้
หน้าที่ไม่ถูกอ้างอิงไม่ใช่หน้าที่ต้องเขียนใหม่ แต่เป็นหน้าที่ต้องวินิจฉัย
บทเรียนที่ใช้ได้จริงที่สุดของงานวิจัยคือการเปลี่ยนคำถาม ไม่ใช่ "อะไรทำให้เนื้อหาเหมาะกับ AI" แต่คือ "ทำไมเครื่องมือจึงเลือกหน้านั้นแทนหน้าของเรา สำหรับคำถามนี้" คำตอบมักเฉพาะเจาะจง มักเป็นเรื่องเล็ก และต่างกันไปในแต่ละหน้า
หน้ากรณาฏกะไม่ได้ต้องการข้อความใหม่ มันต้องการชื่อกีฬาพื้นบ้านสามชนิด เขียนไว้ในจุดที่คำถามจะมองหา
แหล่งที่มาและเอกสารอ้างอิง
- Tian, Chen, Tang, Liu และ Jia — Diagnosing and Repairing Citation Failures in Generative Engine Optimization, arXiv:2603.09296v1 [cs.IR], 10 มีนาคม 2026, Virginia Tech และมหาวิทยาลัยเจ้อเจียง preprint ที่ยังไม่ผ่านการพิจารณาของผู้ทรงคุณวุฒิ เป้าหมายที่เน้นการอ้างอิงและอัตราไม่ถูกอ้างอิง 43% (หัวข้อ 1) การจัดประเภท (หัวข้อ 3.2, ภาพที่ 2, ภาคผนวก C) AgentGEO และเครื่องมือซ่อม (หัวข้อ 4, ภาคผนวก D) ชุดทดสอบ MIMIQ (หัวข้อ 5, ภาคผนวก A) ผลหลัก (ตารางที่ 2 และ 3) หัวข้อและกรณีสุขภาพ (หัวข้อ 6.3, ภาพที่ 4) ความล้มเหลวที่แก้ไม่ได้ (หัวข้อ 6.4) ผลนอกการกระจายและ HTML (ตารางที่ 4) และการลดความยาว (ภาคผนวก B) สัดส่วนการแก้ 5% และ 25% เป็นตัวเลขสรุปของผู้เขียน ตัวเลขทั้งหมดมาจากงานวิจัย KAIS ไม่ได้ทำซ้ำเอง
- Aggarwal et al. — GEO: Generative Engine Optimization, KDD 2024 งานวิจัย GEO ต้นฉบับ ซึ่งวิธีเขียนใหม่ของงานนี้ใช้เป็นวิธีเปรียบเทียบในงานวิจัย