Как ChatGPT формирует свои ответы: анализ стабильного ядра под-запросов

Недавние исследования в области SEO и нейросетей привлекли внимание к интересной цифре: ChatGPT в режиме поиска повторяет около 34% своих запросов. Это означает, что при формировании ответов на различные вопросы, модель использует под-запросы, которые повторяются от одного запроса к другому. Важно отметить, что существует устойчивое ядро этих под-запросов, которое постоянно используется. Это наблюдение наводит на мысль о том, что и цитируемость источников в ответах ChatGPT не является случайной. Она должна демонстрировать определенные закономерности, где выделяется стабильное ядро сайтов, которые часто упоминаются, и длинный хвост менее популярных источников.

Стабильное ядро под-запросов

Когда мы говорим о 34% повторяющихся под-запросов, это говорит о том, что модель имеет определенный набор запросов, которые она считает наиболее релевантными для широкого круга вопросов. Это устойчивое ядро может включать в себя как популярные, так и авторитетные источники информации, которые часто используются для формирования ответов.

Цитируемость источников

Если под-запросы имеют стабильное ядро, то и цитируемость источников должна следовать аналогичной логике. Это означает, что некоторые сайты будут упоминаться значительно чаще, чем другие. Важно понимать, что это не просто случайный шум, а четкая структура, где одни источники занимают лидирующие позиции, а другие — менее заметные.

Проверка гипотезы

Для проверки этой гипотезы я решил провести собственное исследование. Я составил замкнутый список из 16 брендов и протестировал шесть различных нейросетей, собрав 591 обезличенный ответ. Для анализа данных я использовал Python, что позволило мне эффективно обработать и визуализировать результаты.

Методология

1. Список брендов: Я выбрал 16 брендов, которые представляют разные отрасли и имеют различную степень популярности. 2. Выбор нейросетей: Я протестировал шесть различных нейросетей, чтобы получить разнообразные ответы на одни и те же запросы. 3. Сбор данных: В процессе тестирования я собрал 591 ответ, который был обезличен для обеспечения конфиденциальности. 4. Анализ: С помощью Python я проанализировал полученные данные, чтобы выявить закономерности в цитируемости источников.

Результаты анализа

Результаты показали, что действительно существует стабильное ядро источников, которые часто упоминаются в ответах нейросетей. Эти источники составляют основную часть ответов, в то время как остальные сайты упоминаются значительно реже. Это подтверждает гипотезу о том, что цитируемость источников в нейросетях не является равномерным шумом, а имеет четкую структуру.

Заключение

Таким образом, исследование показало, что ChatGPT и другие нейросети формируют свои ответы на основе устойчивого ядра под-запросов и источников. Это открывает новые горизонты для понимания того, как работают нейросети и как они могут быть использованы для повышения видимости брендов в цифровом пространстве. Важно продолжать исследовать эти закономерности, чтобы лучше понимать, как оптимизировать контент и улучшить его видимость в ответах нейросетей.