โครงสร้างของเอกสารช่วยให้ระบบ AI ค้นหาข้อความที่ถูกต้องได้ แต่ช่วยเพียงเล็กน้อย และส่วนใหญ่มาจากเหตุผลเดียว คือจุดที่ตัดแบ่งข้อความ นี่คือผลของงานวิจัยที่เผยแพร่เมื่อ 7 ตุลาคม 2026 โดยนักวิจัยสามคนจาก University of Notre Dame การทดสอบที่บอกอะไรได้มากที่สุดยืมเครื่องมือมาจากวงการแพทย์ พวกเขาให้ "ยาหลอก" กับระบบค้นหา
ยาหลอกในที่นี้คือหัวข้อที่ดูเหมือนของจริง แต่มาจากเอกสารอื่น รูปแบบเหมือนกัน ความลึกเหมือนกัน ความยาวเหมือนกัน แต่เนื้อหาผิด ถ้าหัวข้อช่วยได้เพียงเพราะเพิ่มคำเข้าไปในข้อความ หัวข้อปลอมก็ต้องช่วยได้เช่นกัน แต่มันไม่ช่วยเลย และในคอลเลกชันหนึ่งจากสองชุด มันยังทำให้การค้นหาแย่ลงด้วย
เรื่องนี้สำคัญกับทุกคนที่เผยแพร่เนื้อหาซึ่ง AI อ่าน Answer engines และระบบ Retrieval-Augmented Generation (RAG) ไม่ได้อ่านหน้าเว็บทั้งหน้าในครั้งเดียว แต่ตัดหน้าออกเป็นข้อความย่อยที่เรียกว่า chunk แปลงแต่ละส่วนเป็นเวกเตอร์ แล้วดึงส่วนที่ใกล้กับคำถามมากที่สุด วิธีตัดและติดป้ายหน้าเว็บจึงเปลี่ยนสิ่งที่ระบบค้นเจอได้
งานวิจัยจาก Notre Dame ทดสอบอะไร?
งานวิจัย arXiv:2610.10170 เปรียบเทียบเทคนิคการจัดโครงสร้างเอกสารสี่แบบที่ใช้ในระบบ RAG ภายใต้วิธีทดสอบเดียวกัน บนคอลเลกชันสองชุดที่ต่างกันมาก ผู้เขียนคือ Andrey Kuehlkamp, Priscila Correa Saboia Moreira และ Samuel Rund จาก Center for Research Computing มหาวิทยาลัย Notre Dame หน้า arXiv ระบุว่าเป็นฉบับร่างแรก ยังไม่ผ่านการประเมินโดยผู้ทรงคุณวุฒิ
เทคนิคทั้งสี่คือเรื่องที่ผู้ให้บริการและนักพัฒนาถกเถียงกันมากที่สุด แบบแรกตัดเอกสารตามขอบเขตของแต่ละหัวข้อ แทนการตัดเป็นช่วงขนาดคงที่ แบบที่สองให้โมเดลภาษาเขียนบริบทสั้น ๆ ให้แต่ละ chunk ซึ่งคือวิธี Contextual Retrieval ที่ Anthropic เผยแพร่ในปี 2024 แบบที่สามใส่ลำดับหัวข้อไว้หน้าแต่ละ chunk คือชื่อเอกสาร ตามด้วยหัวข้อ และหัวข้อย่อย แบบที่สี่ค้นหาสองขั้น โดยเลือกหัวข้อก่อน แล้วจึงเลือกข้อความ
คอลเลกชันถูกเลือกให้ต่างกันมากที่สุด ชุดแรกคือบทความคุณภาพของ Wikipedia จำนวน 200 บทความ พร้อมคำถามที่สร้างขึ้น 951 ข้อ ซึ่งกรองแล้วไม่ให้ลอกถ้อยคำของคำตอบ ชุดที่สองคือบทความวิทยาศาสตร์จากชุดข้อมูล QASPER จำนวน 1,585 บทความ พร้อมคำถาม 4,303 ข้อที่เขียนโดยผู้อ่านจริงเกี่ยวกับบทความ 1,508 ชิ้น ทั้งสองชุดทดสอบ 11 เงื่อนไข และกำหนดการเปรียบเทียบหลักสี่คู่ไว้ก่อนเห็นผล
มีการควบคุมสองอย่างที่ทำให้งานนี้แตกต่าง ช่วงข้อความขนาดคงที่ถูกปรับให้ยาวเท่ากับความยาวเฉลี่ยของ chunk ตามโครงสร้างในแต่ละเอกสาร คลาดเคลื่อนไม่เกินสี่โทเค็น เพื่อไม่ให้ความต่างของการตัดซ่อนความต่างของขนาดไว้ และกลุ่มยาหลอกใส่ลำดับหัวข้อจริงที่นำมาจากเอกสารอื่นไว้หน้าแต่ละ chunk เพื่อแยกผลของเนื้อหาในหัวข้อออกจากผลของการเพิ่มคำเพียงอย่างเดียว
การตัดเอกสารตามหัวข้อช่วยการค้นหาหรือไม่?
ช่วย และเป็นผลที่ใหญ่ที่สุดในงานวิจัยนี้ การตัดข้อความเดิมใหม่ตามขอบเขตของหัวข้อ โดยไม่เพิ่มอะไรเลย ทำให้คะแนนการค้นหาเพิ่มจาก 0.362 เป็น 0.403 บน Wikipedia และจาก 0.098 เป็น 0.117 บนบทความวิทยาศาสตร์ คะแนนนี้คือ coverage-nDCG@10 ซึ่งวัดว่าหลักฐานสำหรับคำถามหนึ่งปรากฏอยู่ในสิบข้อความแรกมากเพียงใด โดยให้น้ำหนักกับข้อความที่อยู่อันดับต้นมากกว่า
การเพิ่มลำดับหัวข้อจริงลงไปบน chunk ตามโครงสร้างเพิ่มคะแนนได้น้อยกว่ามาก คือ 0.011 บน Wikipedia และ 0.009 บนบทความวิทยาศาสตร์ ในทั้งสองคอลเลกชัน การเปลี่ยนวิธีตัดมีค่ามากกว่าการใส่หัวข้อสองถึงสี่เท่า ลำดับเดียวกันนี้ยังคงอยู่เมื่อใช้โมเดล embedding ขนาดเล็กกว่า จึงไม่ใช่ผลเฉพาะของโมเดลตัวใดตัวหนึ่ง
การตัดตามโครงสร้างยังค้นเจอหลักฐานได้มากขึ้น ไม่ใช่แค่เรียงลำดับดีขึ้น บนบทความวิทยาศาสตร์ สัดส่วนหลักฐานที่อยู่ใน 50 ผลลัพธ์แรกเพิ่มจาก 0.248 เมื่อใช้ช่วงขนาดคงที่ เป็น 0.302 เมื่อใช้ chunk ตามโครงสร้างพร้อมหัวข้อจริง
หัวข้อช่วยเพราะจำนวนคำ หรือเพราะสิ่งที่มันบอก?
เพราะสิ่งที่มันบอก ลำดับหัวข้อจริงชนะยาหลอกในทั้งสองคอลเลกชัน 0.010 บน Wikipedia และ 0.016 บนบทความวิทยาศาสตร์ หัวข้อยาหลอกเหมือนหัวข้อจริงทั้งรูปแบบ ความลึก และความยาว มีเพียงเนื้อหาที่ผิด
การเปรียบเทียบกับ chunk ตามโครงสร้างที่ไม่มีหัวข้อเลยยิ่งชัดเจน บน Wikipedia ยาหลอกไม่ได้เพิ่มอะไรเลย ทั้งสองได้ 0.403 เท่ากัน บนบทความวิทยาศาสตร์ ยาหลอกทำให้แย่ลง จาก 0.117 เหลือ 0.109 หัวข้อที่ไม่ได้อธิบายเนื้อหาของตัวเองจึงอย่างดีก็ไม่มีผล อย่างแย่ก็เป็นสัญญาณรบกวน ผู้เขียนระบุว่าคุณค่าของหัวข้อขึ้นอยู่กับว่ามันตรงกับเนื้อหาของ chunk นั้นจริงหรือไม่
หัวข้อที่ตรงกับเนื้อหา คือหัวข้อที่อธิบายเนื้อหาของส่วนที่อยู่ข้างใต้ได้อย่างถูกต้อง ในงานวิจัย arXiv:2610.10170 ลำดับหัวข้อจริงช่วยให้ค้นหาได้ดีขึ้น ขณะที่ลำดับหัวข้อรูปแบบเดียวกันซึ่งนำมาจากเอกสารอื่นไม่ช่วยอะไร หรือทำให้แย่ลง
บทสรุปที่ AI เขียนให้แต่ละข้อความช่วยหรือไม่?
ช่วยน้อยกว่าการตัดตามโครงสร้าง และยังกินพื้นที่ ช่วงขนาดคงที่ที่มีบริบทซึ่งโมเดลเขียนให้ได้ 0.391 บน Wikipedia และ 0.114 บนบทความวิทยาศาสตร์ ส่วน chunk ตามโครงสร้างที่ไม่มีข้อความเพิ่มเลยได้ 0.403 และ 0.117 บริบทที่สร้างขึ้นไม่ได้ชดเชยสิ่งที่เสียไปจากการตัดผิดจุด
ต้นทุนจะเห็นชัดเมื่อทุกโทเค็นมีค่า เมื่อจำกัดบริบทไว้ที่ 512 โทเค็น ซึ่งประโยคที่เพิ่มเข้าไปจะกินพื้นที่ของหลักฐาน ช่วงข้อความที่มีบริบทได้คะแนนต่ำกว่าช่วงขนาดคงที่ธรรมดาในทั้งสองคอลเลกชัน คือ 0.167 ต่อ 0.187 บน Wikipedia และ 0.046 ต่อ 0.052 บนบทความวิทยาศาสตร์ บริบทที่สร้างขึ้นถูกจำกัดไว้ไม่เกิน 80 โทเค็น ผู้เขียนยังชี้ว่าผลดีที่ Anthropic รายงานสำหรับวิธีนี้มาจากการทดสอบภายในที่ไม่ได้ผ่านการประเมินโดยผู้ทรงคุณวุฒิ
การค้นหาทีละหัวข้อดีกว่าหรือไม่?
ไม่ การเลือกหัวข้อก่อนแล้วจึงเลือกข้อความแพ้การค้นหาครั้งเดียวบนข้อความชุดเดียวกัน 0.033 บน Wikipedia และ 0.015 บนบทความวิทยาศาสตร์ ทั้งสองระบบใช้เวกเตอร์ชุดเดียวกันทุกประการ ความสูญเสียจึงมาจากขั้นตอนการเลือกหัวข้อทั้งหมด
ผู้เขียนพบว่าปัญหาอยู่ที่ขั้นแรก หัวข้อที่ขั้นแรกเลือกไว้มีหลักฐานที่ถูกต้องเพียง 60% ถึง 68% ของกรณีบน Wikipedia และเพียง 17% ถึง 20% บนบทความวิทยาศาสตร์ ซึ่งต้องเลือกจากหัวข้อราว 22,000 หัวข้อ สิ่งที่ขั้นแรกตัดทิ้งไป ขั้นที่สองไม่มีทางกู้คืนได้ โมเดลจัดอันดับซ้ำ (reranker) ช่วยลดช่องว่างบนบทความวิทยาศาสตร์จาก 0.0147 เหลือ 0.0038 ผู้เขียนจำกัดข้อสรุปไว้ที่สถาปัตยกรรมแบบที่ใช้กันทั่วไปนี้ ไม่ใช่การค้นหาแบบลำดับชั้นทั้งหมด
โครงสร้างของผู้เขียนดีกว่าโครงสร้างที่ AI สร้างใหม่หรือไม่?
บน Wikipedia ใช่ บนบทความวิทยาศาสตร์ไม่ใช่ นักวิจัยยังลบหัวข้อทั้งหมดออก แล้วให้โมเดลโอเพนขนาด 26 พันล้านพารามิเตอร์ Gemma-4-26B สร้างโครงสร้างขึ้นใหม่ บน Wikipedia หัวข้อเดิมของผู้เขียนชนะหัวข้อที่สร้างใหม่ 0.0129 ซึ่งมีนัยสำคัญ บนบทความวิทยาศาสตร์ ความต่างคือ 0.0011 ซึ่งในทางสถิติไม่ต่างกันเลย
โมเดลไม่ได้ลอกหัวข้อเดิมมาตรง ๆ มีเพียง 78.9% ของ chunk บน Wikipedia และ 75.8% บนบทความวิทยาศาสตร์ ที่ตรงกับ chunk เดิมทุกตัวอักษร ผู้เขียนเสนอสมมติฐานที่ยังไม่ได้ทดสอบ คือเรื่องความลึก 61% ของบทความวิทยาศาสตร์มีหัวข้อเพียงระดับเดียว ขณะที่บทความ Wikipedia ทุกชิ้นในชุดมีอย่างน้อยสามระดับ โครงสร้างที่แบนจึงเหลือพื้นที่ให้ฉบับของผู้เขียนเพิ่มคุณค่าได้น้อย
ผลลัพธ์หนักแน่นแค่ไหน?
ผลมีขนาดเล็กแต่สม่ำเสมอ การเปรียบเทียบสามในสี่คู่ให้ทิศทางเดียวกันและมีนัยสำคัญทางสถิติในทั้งสองคอลเลกชัน ตารางด้านล่างแสดงตัวเลขตามที่เผยแพร่
| การเปรียบเทียบ | Wikipedia | บทความวิทยาศาสตร์ | ยืนยันได้ทั้งสองชุด? |
|---|---|---|---|
| chunk ตามโครงสร้าง + หัวข้อจริง เทียบกับบริบทที่ AI เขียน | +0.0218 | +0.0115 | ใช่ |
| หัวข้อจริง เทียบกับหัวข้อยาหลอก | +0.0099 | +0.0161 | ใช่ |
| โครงสร้างของผู้เขียน เทียบกับโครงสร้างที่ AI สร้างใหม่ | +0.0129 | +0.0011 (ไม่มีนัยสำคัญ) | ไม่ |
| ค้นหาตามหัวข้อก่อน เทียบกับค้นหาครั้งเดียว | −0.0326 | −0.0147 | ใช่ |
ในแง่ขนาดผลมาตรฐาน ผลที่ได้อยู่ระหว่าง 0.06 ถึง 0.11 ซึ่งนักสถิติถือว่าเล็ก ผู้เขียนพูดตรง ๆ ว่าพวกเขายืนยันความน่าเชื่อถือ ไม่ใช่ขนาดของผล และระบุข้อจำกัดไว้ด้วย ทั้งสองคอลเลกชันเป็นภาษาอังกฤษ มีโมเดลเพียงตัวเดียวที่สร้างโครงสร้างใหม่ คำถามของ Wikipedia สร้างโดยโมเดล และวัดเฉพาะการค้นหาเท่านั้น ผลนี้จะเปลี่ยนคุณภาพของคำตอบสุดท้ายหรือไม่ อยู่นอกขอบเขตของงานวิจัย
รองรับ: ในระบบ RAG การตัดตามขอบเขตหัวข้อจริงและติดป้ายข้อความด้วยหัวข้อที่ตรงกับเนื้อหา ช่วยให้ค้นหาได้ดีขึ้นเล็กน้อยแต่สม่ำเสมอ ไม่รองรับ: "ChatGPT, Perplexity หรือ Google ตัดหน้าเว็บตามหัวข้อของคุณ" ไม่มีแหล่งข้อมูลสาธารณะใดอธิบายว่าเครื่องมือเหล่านี้ตัดหน้าเว็บอย่างไร ไม่ได้ทดสอบ: หัวข้อที่เขียนเป็นคำถาม หรือบล็อก FAQ ถูกค้นเจอได้ดีกว่าหัวข้อแบบอื่นหรือไม่
สิ่งนี้เปลี่ยนหน้าเว็บของแบรนด์อย่างไร?
งานวิจัยนี้สนับสนุนหน้าเว็บที่แบ่งเป็นส่วนจริง ๆ พร้อมหัวข้อที่อธิบายส่วนนั้น ไม่ใช่การเพิ่มจำนวนหัวข้อ สิ่งที่ตามมาคือการตีความของ KAIS ซึ่งขยายผลที่ได้จากระบบ RAG มาสู่หน้าเว็บโดยการเทียบเคียง และระบุไว้ทุกครั้งที่ทำเช่นนั้น
หนึ่งส่วนควรพูดเรื่องเดียว ผลที่ใหญ่ที่สุดในงานวิจัยมาจากจุดที่ตัดข้อความ ถ้าระบบตัดหน้าเว็บตามหัวข้อ ส่วนที่ปนทั้งค่าบริการ วิธีการ และทีมงานไว้ด้วยกัน จะกลายเป็นข้อความก้อนเดียวที่สับสน และไม่ใกล้กับคำถามใดเลย หัวข้อควรบอกการเปลี่ยนเรื่องจริง ๆ ไม่ใช่แค่ตกแต่งข้อความยาว ๆ
หัวข้อควรบอกความจริงเกี่ยวกับส่วนของตัวเอง ผลของยาหลอกคือบทเรียนที่ชัดที่สุด หัวข้ออย่าง "แนวทางของเรา" "ทำไมต้องเลือกเรา" หรือ "ความเป็นเลิศ" แทบไม่ได้บอกอะไรเกี่ยวกับข้อความข้างใต้ ถ้าอนุมานจากผลวิจัย หัวข้อแบบนี้ใกล้ยาหลอกมากกว่าหัวข้อจริง ส่วน "ค่าบริการจดทะเบียนบริษัทในประเทศไทย" หรือ "ขอใบอนุญาตทำงานใช้เวลานานแค่ไหน" อธิบายสิ่งที่ตามมาได้จริง หัวข้อแบบคำถามดีกว่าหัวข้อแบบบรรยายหรือไม่ เป็นอีกคำถามหนึ่งที่งานวิจัยนี้ไม่ได้ทดสอบ
โครงสร้างควรชัดเจนในโค้ด บนบทความ Wikipedia ที่มีหลายระดับ หัวข้อเดิมของผู้เขียนชนะโครงสร้างที่โมเดลสร้างใหม่ แท็กหัวข้อจริง (h2, h3) ช่วยให้ระบบไม่ต้องเดา และหน้าเว็บยาวที่มีหลายระดับจะได้ประโยชน์มากที่สุด การซ้อนหัวข้อให้ลึกขึ้นไม่ใช่เป้าหมาย ในการวิเคราะห์เชิงสำรวจของผู้เขียน ประโยชน์ส่วนใหญ่มาจากหัวข้อระดับแรก แล้วจึงคงที่
ความคาดหวังควรอยู่ในระดับที่เหมาะสม ผลที่ได้คือคะแนนการค้นหาที่เพิ่มขึ้นราวหนึ่งถึงสองในร้อย โครงสร้างช่วยให้ข้อความถูกค้นเจอ แต่ไม่ได้ทำให้แหล่งข้อมูลน่าเชื่อถือ และไม่รับประกันว่าแหล่งที่ถูกอ้างอิงจะมีผลต่อคำตอบ ช่องว่างนี้วัดไว้ในถูกอ้างอิงไม่ได้แปลว่าถูกนำไปใช้
กฎสี่ข้อที่งานวิจัยรองรับ เมื่อนำมาใช้กับหน้าเว็บ
- หนึ่งส่วน หนึ่งเรื่อง: หัวข้อบอกการเปลี่ยนเรื่องจริง
- หัวข้อที่ตรงกับเนื้อหา: อธิบายส่วนที่อยู่ข้างใต้ ไม่ใช่อธิบายแบรนด์
- โครงสร้างอยู่ในโค้ด: ใช้แท็ก
h2และh3จริง ไม่ใช่ย่อหน้าตัวหนา - ไม่ต้องเพิ่มเกินจำเป็น: หัวข้อระดับแรกให้คุณค่ามากที่สุด
ถ้าคุณสร้างผู้ช่วย AI ของตัวเอง?
สำหรับบริษัทที่ใช้ผู้ช่วย RAG ของตัวเองกับเอกสารภายใน ผู้เขียนให้ลำดับความสำคัญไว้ชัดเจน ตัดตรงที่ผู้เขียนเอกสารตัด ใส่ลำดับหัวข้อจริงหนึ่งระดับไว้หน้าแต่ละ chunk ใช้งบประมาณของโมเดลภาษาไปกับการสร้างโครงสร้างในเอกสารที่ไม่มี แทนการเขียนบริบทให้ทุก chunk และอย่าส่งคำถามไปเลือกหัวข้อก่อน เว้นแต่มีโมเดลจัดอันดับซ้ำตรวจผลลัพธ์อยู่ด้านหลัง
ลำดับนี้ใช้ได้กับสถานการณ์ที่งานวิจัยวัด คือเอกสารยาวที่มีโครงสร้าง และโมเดล embedding แบบโอเพนที่มีประสิทธิภาพ บริษัทที่ตอบคำถามลูกค้าจากคู่มือ สัญญา หรือขั้นตอนของตัวเอง อยู่ใกล้กับสถานการณ์นี้
เรื่องนี้อยู่ตรงไหนใน AI Visibility Chain ของ KAIS?
งานวิจัยนี้อยู่ในขั้นที่สองและสามของ AI Visibility Chain ของ KAIS คือ Be Retrieved และ Be Understood โดยวัดว่าข้อความที่ถูกต้องถูกค้นเจอได้หรือไม่ และป้ายของมันอธิบายเนื้อหาได้ถูกต้องหรือไม่
Be Discovered → Be Retrieved → Be Understood → Be Trusted → Be Cited → Influence the Answer → Be Recommended
งานวิจัยไม่ได้บอกอะไรเกี่ยวกับขั้นถัดไป ข้อความที่ค้นเจอง่ายอาจมาจากแหล่งที่เครื่องมือ AI ไม่เชื่อถือ ถูกอ้างอิงแต่ไม่มีผลต่อคำตอบ หรือไม่เคยนำไปสู่การแนะนำเลย ขั้นสุดท้ายนี้ และจังหวะที่มันเกิดขึ้นในบทสนทนา คือหัวข้อของAI รอก่อน แล้วค่อยแนะนำแบรนด์ของคุณ
หัวข้อคือคำสัญญาต่อข้อความข้างใต้
งานวิจัยไม่ได้แสดงว่าโครงสร้างเป็นทางลัดสู่การมองเห็นบน AI แต่แสดงสิ่งที่แคบกว่าและมีประโยชน์กว่า การค้นหาจะดีขึ้นเมื่อเอกสารถูกตัดตรงที่เรื่องเปลี่ยน และเมื่อแต่ละส่วนมีป้ายที่บอกความจริง
หัวข้อยาหลอกมีรูปแบบถูก ความลึกถูก และความยาวถูก แต่ล้มเหลวด้วยเหตุผลเดียวที่สำคัญ คือมันไม่ได้บอกความจริงเกี่ยวกับข้อความที่อยู่ข้างใต้
แหล่งอ้างอิง
- Kuehlkamp, Moreira และ Rund — Does Document Structure Help Dense Retrieval? A Placebo-Controlled Ablation of Four Mechanisms Across Two Corpora, arXiv:2610.10170 [cs.IR], 7 ตุลาคม 2026, Center for Research Computing มหาวิทยาลัย Notre Dame ฉบับร่างแรก ยังไม่ผ่านการประเมินโดยผู้ทรงคุณวุฒิ การเปรียบเทียบที่กำหนดไว้ล่วงหน้า (ตารางที่ 1) คะแนนรายเงื่อนไข (ตารางที่ 2) ผลภายใต้งบโทเค็น (หัวข้อ 6.2) การวิเคราะห์ยาหลอก (หัวข้อ 6.3) การวินิจฉัยการเลือกหัวข้อ (หัวข้อ 6.4) โครงสร้างเดิมเทียบกับที่สร้างใหม่ (หัวข้อ 6.5) การวิเคราะห์ความลึกเชิงสำรวจ (หัวข้อ 6.6) ข้อแนะนำเชิงปฏิบัติ (หัวข้อ 7) และข้อจำกัด (หัวข้อ 8) ตัวเลขทั้งหมดในบทความนี้มาจากงานวิจัย KAIS ไม่ได้ทดลองซ้ำหรือวัดใหม่
- Anthropic — Introducing Contextual Retrieval, 2024 วิธีการเพิ่มบริบทให้ chunk ที่ถูกทดสอบเป็นหนึ่งในกลุ่มของงานวิจัย และผู้เขียนอ้างถึง