تا اینجا دیدیم که مدل های زبانی می توانند اطلاعات خود را از منابع متعددی مانند داده های آموزشی، جستجوی وب، Knowledge Graph، APIها، ابزارهای خارجی و حافظه مکالمه به دست آورند. همچنین بررسی کردیم که این مدل ها چگونه پرسش کاربر را درک می کنند، هدف او را تشخیص می دهند و مرتبط ترین اطلاعات را بازیابی می کنند. اما هنوز یک سؤال اساسی بی پاسخ مانده است:
اگر چندین منبع، پاسخ های متفاوت یا حتی متناقضی ارائه دهند، مدل زبانی کدام یک را انتخاب می کند؟
این مرحله، یکی از مهم ترین بخش های فرآیند تصمیم گیری مدل های زبانی است. برخلاف موتورهای جستجو که معمولاً فهرستی از نتایج را در اختیار کاربر قرار می دهند، مدل های زبانی باید خودشان تصمیم بگیرند که کدام اطلاعات قابل اعتمادتر، مرتبط تر و شایسته استفاده در پاسخ نهایی هستند.
البته باید به یک نکته مهم توجه داشت؛ مدل های زبانی معمولاً یک فرمول ثابت و یکسان برای انتخاب منابع ندارند. هر شرکت توسعه دهنده، معماری، روش های ارزیابی و سیستم های رتبه بندی مخصوص به خود را طراحی می کند. علاوه بر این، نوع سؤال، منابع در دسترس، ابزارهای متصل و حتی نسخه مدل نیز می توانند بر این تصمیم تأثیر بگذارند.
با این حال، بررسی معماری مدل های مدرن، مقالات پژوهشی و رفتار عملی آن ها نشان می دهد که بیشتر مدل های زبانی در زمان انتخاب منابع، مجموعه ای از معیارهای مشترک را به صورت هم زمان ارزیابی می کنند. آن ها تنها به دنبال نزدیک ترین پاسخ نیستند، بلکه سعی می کنند پاسخی را انتخاب کنند که از نظر اعتبار، ارتباط، جامعیت، سازگاری و قابلیت استناد بیشترین ارزش را داشته باشد.
به همین دلیل، ممکن است دو صفحه که هر دو درباره یک موضوع نوشته شده اند، شانس کاملاً متفاوتی برای ورود به پاسخ هوش مصنوعی داشته باشند. گاهی یک مقاله کوتاه اما مستند و دقیق، بر مقاله ای طولانی اما پراکنده ترجیح داده می شود. در موارد دیگر، مدلی که به اطلاعات زنده دسترسی دارد ممکن است یک منبع جدید را بر دانش قدیمی خود ترجیح دهد یا برای کاهش احتمال خطا، اطلاعات چند منبع مختلف را با یکدیگر مقایسه و تلفیق کند.
نکته مهم دیگر این است که انتخاب منبع، یک تصمیم چندعاملی است، نه تک عاملی. یعنی هیچ عامل واحدی مانند رتبه گوگل، اعتبار دامنه، تعداد بک لینک یا حتی شهرت برند به تنهایی تعیین کننده نیست. مدل های زبانی معمولاً مجموعه ای از سیگنال ها را کنار هم قرار می دهند تا به یک سطح از اطمینان برسند که بتوانند بر اساس آن پاسخ خود را تولید کنند.
اعتبار منبع (Source Authority)
یکی از مهم ترین معیارهایی که مدل های زبانی در انتخاب اطلاعات ارزیابی می کنند، اعتبار منبع (Source Authority) است. زمانی که چندین منبع درباره یک موضوع اطلاعات مشابه یا حتی متفاوتی ارائه می دهند، مدل باید تشخیص دهد که کدام منبع احتمال بیشتری دارد اطلاعات صحیح، دقیق و قابل اعتماد منتشر کرده باشد.
البته در اینجا باید یک تصور اشتباه را کنار بگذاریم. اعتبار منبع به معنای معروف بودن یک وب سایت یا بالا بودن رتبه آن در گوگل نیست. ممکن است یک وب سایت بازدید بسیار زیادی داشته باشد، اما در یک حوزه تخصصی، مرجع اصلی محسوب نشود. در مقابل، یک وب سایت کوچک اما تخصصی، به دلیل کیفیت دانش و اعتبار علمی خود، برای همان موضوع ارزش بیشتری داشته باشد.
مدل های زبانی معمولاً اعتبار یک منبع را از روی یک عامل واحد ارزیابی نمی کنند، بلکه مجموعه ای از نشانه ها را در کنار یکدیگر بررسی می کنند. برای مثال:
- آیا این منبع به طور مستمر درباره این موضوع محتوا منتشر می کند؟
- آیا سایر منابع معتبر به آن استناد کرده اند؟
- آیا اطلاعات آن با منابع قابل اعتماد دیگر سازگار است؟
- آیا نویسندگان یا سازمان منتشرکننده در آن حوزه شناخته شده هستند؟
- آیا سابقه انتشار اطلاعات نادرست یا متناقض دارد؟
- آیا محتوا مستند، دقیق و دارای شواهد کافی است؟
در واقع، مدل های زبانی بیش از آنکه به شهرت عمومی یک وب سایت توجه کنند، به اعتبار تخصصی آن در موضوع مورد بحث اهمیت می دهند.
برای مثال، اگر پرسش کاربر درباره یک بیماری خاص باشد، احتمال دارد مدل به اطلاعات منتشرشده توسط یک دانشگاه علوم پزشکی، مجله علمی یا سازمان سلامت، اعتماد بیشتری نسبت به یک وبلاگ عمومی داشته باشد. یا اگر سؤال درباره یک فناوری نرم افزاری باشد، مستندات رسمی آن فناوری معمولاً نسبت به مقاله های بازنویسی شده از اعتبار بیشتری برخوردار هستند.
نکته مهم دیگر این است که اعتبار منبع ایستا نیست. یک وب سایت ممکن است در یک حوزه مرجع باشد، اما در موضوعی دیگر هیچ اعتباری نداشته باشد. بنابراین، اعتبار همیشه وابسته به موضوع (Topical Authority) است، نه صرفاً وابسته به نام دامنه یا برند.
همچنین، مدل های زبانی معمولاً تلاش می کنند از منابعی استفاده کنند که سابقه انتشار اطلاعات پایدار، دقیق و بدون تناقض داشته باشند. اگر یک منبع بارها اطلاعات نادرست یا متناقض منتشر کند، احتمال اینکه در آینده نیز به عنوان یک مرجع انتخاب شود کاهش پیدا می کند.
ارتباط با سؤال (Relevance)
پس از آنکه مدل زبانی اعتبار منابع را ارزیابی کرد، به معیار مهم دیگری توجه می کند که گاهی حتی از اعتبار نیز تأثیرگذارتر است؛ ارتباط با سؤال (Relevance). در واقع، معتبرترین منبع نیز اگر پاسخ مستقیمی به پرسش کاربر ندهد، ممکن است هرگز در پاسخ نهایی مورد استفاده قرار نگیرد.
این نکته یکی از تفاوت های اساسی میان شیوه تفکر انسان و مدل های زبانی است. انسان ها معمولاً تصور می کنند اگر یک منبع بسیار معتبر باشد، هوش مصنوعی همیشه آن را انتخاب خواهد کرد. اما مدل های زبانی ابتدا از خود می پرسند:
کدام منبع بهترین پاسخ را برای این سؤال خاص ارائه می دهد؟
به همین دلیل، ارتباط با سؤال همیشه وابسته به زمینه (Context) است. ممکن است یک مقاله از یک دانشگاه معتبر درباره هوش مصنوعی منتشر شده باشد، اما اگر کاربر درباره AI Citation سؤال کرده باشد و آن مقاله تنها به تاریخچه هوش مصنوعی پرداخته باشد، احتمال دارد مدل منبع دیگری را انتخاب کند که اگرچه اعتبار عمومی کمتری دارد، اما پاسخ دقیق تری به همان سؤال ارائه کرده است.
مدل های زبانی برای سنجش ارتباط، عوامل مختلفی را بررسی می کنند، از جمله:
- آیا این منبع مستقیماً به سؤال کاربر پاسخ می دهد؟
- آیا موضوع اصلی محتوا با نیاز کاربر همخوانی دارد؟
- آیا پاسخ ارائه شده کامل است یا تنها بخشی از سؤال را پوشش می دهد؟
- آیا اطلاعات موجود در این منبع با زمینه مکالمه سازگار است؟
- آیا برای پاسخ دادن، نیاز به استنتاج زیاد وجود دارد یا پاسخ به صورت شفاف بیان شده است؟
هرچه پاسخ یک منبع مستقیم تر، شفاف تر و متمرکزتر باشد، احتمال انتخاب آن نیز افزایش پیدا می کند.
یکی از نکات مهم در این مرحله آن است که مدل های زبانی معمولاً به دنبال کمترین فاصله معنایی میان سؤال و پاسخ هستند. اگر کاربر درباره «عوامل مؤثر بر AI Citation» سؤال کند، مقاله ای که دقیقاً همین موضوع را تحلیل کرده است، معمولاً شانس بیشتری برای انتخاب شدن دارد تا مقاله ای که تنها به صورت کلی درباره GEO یا SEO صحبت کرده باشد؛ حتی اگر آن مقاله از اعتبار بیشتری برخوردار باشد.
به همین دلیل است که در بسیاری از پاسخ های هوش مصنوعی، بخش کوچکی از یک مقاله انتخاب می شود، نه کل آن. ممکن است تنها یک پاراگراف دقیق، ارزشمندتر از چندین صفحه توضیح عمومی باشد، زیرا همان پاراگراف بیشترین ارتباط را با سؤال کاربر دارد.
نکته دیگری که نباید فراموش کرد این است که ارتباط با سؤال یک مفهوم پویا است. اگر همان کاربر سؤال خود را کمی تغییر دهد یا اطلاعات بیشتری ارائه کند، ممکن است مدل مجموعه کاملاً متفاوتی از منابع را انتخاب کند. بنابراین، ارتباط یک منبع مطلق نیست، بلکه همواره نسبت به سؤال و زمینه مکالمه سنجیده می شود.
تازگی اطلاعات (Freshness)
یکی دیگر از معیارهای مهم در تصمیم گیری مدل های زبانی، تازگی اطلاعات (Freshness) است. البته تازگی همیشه به معنای بهتر بودن نیست؛ بلکه به این معناست که مدل تشخیص دهد برای پاسخ به سؤال کاربر، جدیدترین اطلاعات ارزش بیشتری نسبت به اطلاعات قدیمی دارند یا خیر.
در بسیاری از موضوعات، دانش به سرعت تغییر می کند. اخبار، قوانین، قیمت ها، مستندات نرم افزاری، فناوری های نوظهور، الگوریتم های موتورهای جستجو و حتی قابلیت های مدل های زبانی، همگی نمونه هایی هستند که ممکن است ظرف چند هفته یا چند ماه دچار تغییر شوند. در چنین شرایطی، مدل های زبانی تلاش می کنند در صورت دسترسی به اطلاعات زنده، از جدیدترین منابع معتبر استفاده کنند.
اما همه موضوعات به تازگی وابسته نیستند. برای مثال، اگر سؤال درباره قوانین فیزیک، مفاهیم پایه ریاضی یا یک رویداد تاریخی باشد، قدیمی بودن یک منبع لزوماً به معنای کم اعتبار بودن آن نیست. حتی در بسیاری از موارد، منابع کلاسیک و مقالات مرجع همچنان بهترین گزینه برای پاسخگویی هستند.
بنابراین، Freshness یک معیار وابسته به موضوع (Topic-Dependent) است. مدل های زبانی ابتدا تشخیص می دهند که آیا زمان در پاسخ این سؤال اهمیت دارد یا خیر، سپس میزان تأثیر تازگی اطلاعات را ارزیابی می کنند.
فرض کنید کاربری دو سؤال زیر را مطرح کند:
- «آخرین قابلیت های ChatGPT چیست؟»
- «Knowledge Graph چیست؟»
در سؤال اول، اطلاعات جدید اهمیت زیادی دارند، زیرا قابلیت های مدل ها دائماً در حال تغییر هستند. اما در سؤال دوم، اگرچه ممکن است مثال ها یا ابزارها تغییر کرده باشند، اصل مفهوم Knowledge Graph طی سال ها تقریباً ثابت مانده است. در نتیجه، مدل برای هر دو سؤال از معیار یکسانی استفاده نخواهد کرد.
نکته مهم دیگر این است که تازگی اطلاعات نباید با به روزرسانی ظاهری محتوا اشتباه گرفته شود. تغییر تاریخ انتشار یک مقاله یا اضافه کردن چند جمله جدید، لزوماً باعث نمی شود که مدل آن را به عنوان یک منبع به روز و ارزشمند تشخیص دهد. آنچه اهمیت دارد، به روز شدن دانش است، نه صرفاً به روز شدن صفحه.
مدل های زبانی همچنین تلاش می کنند میان تازگی و اعتبار تعادل برقرار کنند. اگر یک منبع بسیار جدید باشد اما اطلاعات آن هنوز توسط منابع دیگر تأیید نشده باشد، ممکن است مدل با احتیاط بیشتری از آن استفاده کند. در مقابل، اگر اطلاعات جدید توسط چندین منبع معتبر و مستقل منتشر شده باشد، احتمال انتخاب آن افزایش پیدا می کند.
به همین دلیل، در بسیاری از موضوعات، بهترین منبع نه قدیمی ترین است و نه جدیدترین؛ بلکه معتبرترین منبعی است که اطلاعات آن با آخرین وضعیت دانش همخوانی دارد.
سازگاری با سایر منابع (Cross-source Consistency)
یکی دیگر از معیارهای مهمی که مدل های زبانی در انتخاب اطلاعات ارزیابی می کنند، سازگاری با سایر منابع (Cross-source Consistency) است. به بیان ساده، مدل تنها به این موضوع توجه نمی کند که یک منبع چه چیزی گفته است، بلکه بررسی می کند آیا منابع معتبر دیگر نیز همان اطلاعات را تأیید می کنند یا خیر.
این موضوع یکی از مهم ترین تفاوت های مدل های زبانی با موتورهای جستجوی سنتی است. موتور جستجو معمولاً صفحات مرتبط را نمایش می دهد و تصمیم گیری را به کاربر واگذار می کند، اما مدل زبانی باید خودش تشخیص دهد کدام اطلاعات قابل اعتمادتر هستند. یکی از راه های رسیدن به این اطمینان، مقایسه اطلاعات میان چندین منبع مستقل است.
فرض کنید سه وب سایت معتبر درباره یک موضوع فنی توضیح داده اند. اگر هر سه تقریباً یک نتیجه را بیان کنند، مدل با اطمینان بیشتری آن اطلاعات را در پاسخ خود به کار می گیرد. اما اگر یکی از این منابع ادعایی کاملاً متفاوت مطرح کند که توسط سایر منابع تأیید نشده باشد، مدل معمولاً با احتیاط بیشتری با آن برخورد می کند یا حتی ممکن است آن را نادیده بگیرد.
این فرآیند را می توان به تحقیقات علمی تشبیه کرد. در علم، یک ادعا زمانی اعتبار بیشتری پیدا می کند که نتایج آن توسط پژوهش های مستقل نیز تکرار و تأیید شوند. مدل های زبانی نیز تا حد زیادی از همین منطق پیروی می کنند؛ هرچه اطلاعات در منابع معتبر بیشتری به شکل سازگار تکرار شده باشند، احتمال اعتماد به آن ها افزایش می یابد.
البته سازگاری به معنای یکسان بودن متن یا کپی شدن محتوا نیست. آنچه اهمیت دارد، همخوانی در حقایق، مفاهیم و روابط است. ممکن است چندین مقاله با نگارش، مثال ها و ساختار کاملاً متفاوت نوشته شده باشند، اما همگی یک مفهوم علمی را به شکل صحیح بیان کنند. چنین وضعیتی، یک سیگنال مثبت برای مدل های زبانی محسوب می شود.
از سوی دیگر، اگر یک برند در وب سایت رسمی خود یک اطلاعات ارائه دهد، در شبکه های اجتماعی مطلب دیگری منتشر کند، در ویکی ها اطلاعات متفاوتی ثبت شده باشد و رسانه های دیگر نیز روایت های متناقضی ارائه دهند، مدل زبانی با سیگنال های ناسازگار مواجه می شود. در چنین شرایطی، میزان اطمینان مدل کاهش پیدا می کند و ممکن است به جای استناد به آن برند، از منبع دیگری استفاده کند که اطلاعات منسجم تری دارد.
به همین دلیل، ثبات اطلاعات به اندازه کیفیت اطلاعات اهمیت دارد. مدل های زبانی معمولاً به برندهایی اعتماد بیشتری می کنند که هویت، خدمات، محصولات، داده های ساختاریافته و پیام های تخصصی آن ها در کانال های مختلف، تصویری هماهنگ و بدون تناقض ایجاد کرده باشد.
جامعیت پوشش موضوع (Topical Coverage)
یکی از مهم ترین معیارهایی که مدل های زبانی برای انتخاب منابع در نظر می گیرند، جامعیت پوشش موضوع (Topical Coverage) است. مدل های زبانی تنها به دنبال محتوایی نیستند که به یک سؤال پاسخ داده باشد، بلکه ترجیح می دهند از منابعی استفاده کنند که موضوع را به صورت کامل، منظم و چندبعدی پوشش داده باشند.
فرض کنید دو مقاله درباره «AI Citation» وجود دارد.
مقاله اول تنها به تعریف AI Citation پرداخته و در حدود ۸۰۰ کلمه نوشته شده است.
اما مقاله دوم علاوه بر تعریف، به موضوعاتی مانند نحوه تصمیم گیری مدل های زبانی، معیارهای اعتبار، نقش Knowledge Graph، مفهوم Entity Trust، ارتباط با GEO، عوامل مؤثر بر Citation و اشتباهات رایج نیز پرداخته است.
هر دو مقاله ممکن است به سؤال اولیه پاسخ دهند، اما از دید یک مدل زبانی، مقاله دوم درک عمیق تری از موضوع ارائه می دهد. این موضوع باعث می شود مدل هنگام استدلال، اطلاعات بیشتری برای انتخاب و ترکیب در اختیار داشته باشد.
البته باید به یک نکته مهم توجه کرد؛ جامعیت با طولانی بودن محتوا یکسان نیست. بسیاری از مقالات هزاران کلمه دارند، اما بخش زیادی از آن ها تکرار مطالب، توضیحات غیرضروری یا اطلاعات کم ارزش است. در مقابل، ممکن است یک مقاله با حجم کمتر، تمام ابعاد اصلی یک موضوع را به شکلی منظم و عمیق پوشش داده باشد.
مدل های زبانی بیشتر از تعداد کلمات، به این موضوع توجه می کنند که:
- آیا سؤال های اصلی پیرامون این موضوع پاسخ داده شده اند؟
- آیا مفاهیم مرتبط به درستی توضیح داده شده اند؟
- آیا روابط میان مفاهیم مختلف مشخص است؟
- آیا کاربر پس از مطالعه این محتوا، برای درک موضوع به منابع متعدد دیگری نیاز خواهد داشت یا خیر؟
هرچه پاسخ به این پرسش ها کامل تر باشد، احتمال اینکه مدل آن محتوا را به عنوان یک منبع مرجع در نظر بگیرد، افزایش پیدا می کند.
نکته دیگری که اهمیت زیادی دارد، پوشش طبیعی موضوع است. گاهی نویسندگان برای افزایش طول مقاله، موضوعات نامرتبط را نیز وارد متن می کنند. این کار نه تنها ارزش محتوا را افزایش نمی دهد، بلکه ممکن است باعث شود تمرکز مقاله از بین برود. جامعیت واقعی زمانی ایجاد می شود که تمام موضوعات فرعی، به صورت منطقی در خدمت موضوع اصلی باشند.
اعتبار موجودیت یا برند (Entity Trust)
اگر Source Authority به اعتبار یک منبع یا وب سایت اشاره داشته باشد، Entity Trust به میزان اعتمادی مربوط می شود که مدل های زبانی به خود موجودیت (Entity) دارند. این موجودیت می تواند یک برند، شرکت، شخص، محصول، سازمان، فناوری یا هر مفهوم مشخص دیگری باشد.
این تفاوت بسیار مهم است. ممکن است یک وب سایت از اعتبار بالایی برخوردار باشد، اما برند معرفی شده در آن هنوز برای مدل های زبانی یک موجودیت قابل اعتماد محسوب نشود. برعکس، ممکن است یک برند آن قدر در منابع معتبر مختلف حضور داشته باشد که حتی اگر اطلاعات مربوط به آن از چندین وب سایت مختلف جمع آوری شود، مدل همچنان آن برند را به عنوان یک موجودیت معتبر بشناسد.
به عنوان مثال، زمانی که از یک مدل زبانی درباره Google، OpenAI یا Microsoft سؤال می شود، مدل تنها به یک صفحه از وب سایت رسمی این شرکت ها مراجعه نمی کند. این برندها در هزاران مقاله، مستندات فنی، رسانه های معتبر، مقالات علمی، پایگاه های دانشی و منابع مختلف حضور دارند. در نتیجه، مدل از مجموعه این اطلاعات، یک تصویر نسبتاً پایدار از این موجودیت ها در ذهن خود شکل داده است.
در واقع، Entity Trust حاصل یک صفحه یا یک مقاله نیست؛ بلکه نتیجه انباشت دانش درباره یک موجودیت در سراسر وب است.
مدل های زبانی برای شکل دادن به این اعتماد، به سیگنال های متعددی توجه می کنند، از جمله:
- آیا این موجودیت در منابع معتبر مختلف معرفی شده است؟
- آیا اطلاعات منتشرشده درباره آن در منابع مختلف با یکدیگر سازگار هستند؟
- آیا این موجودیت در یک حوزه تخصصی شناخته شده است یا تنها به صورت پراکنده از آن نام برده شده است؟
- آیا میان این موجودیت و سایر موجودیت های معتبر، ارتباط مشخصی وجود دارد؟
- آیا اطلاعات مربوط به آن به صورت ساختاریافته و قابل شناسایی در وب منتشر شده است؟
- آیا این برند به صورت مستمر در تولید دانش و ارائه اطلاعات تخصصی نقش دارد؟
هرچه پاسخ این پرسش ها مثبت تر باشد، احتمال اینکه مدل های زبانی آن موجودیت را به عنوان یک مرجع معتبر در نظر بگیرند، بیشتر خواهد بود.
نکته مهم دیگر این است که اعتماد به موجودیت، به مرور زمان ساخته می شود. یک برند نمی تواند تنها با انتشار چند مقاله یا اجرای یک کمپین تبلیغاتی، به یک موجودیت قابل اعتماد برای هوش مصنوعی تبدیل شود. این اعتماد نتیجه انتشار مستمر دانش، حضور پایدار در منابع معتبر، ارتباط با سایر موجودیت های شناخته شده و ایجاد یک هویت اطلاعاتی منسجم در طول زمان است.
به همین دلیل، بسیاری از برندهایی که سال ها در یک حوزه تخصصی فعالیت کرده اند، حتی اگر همیشه رتبه اول گوگل را نداشته باشند، در پاسخ های مدل های زبانی بیشتر دیده می شوند؛ زیرا هوش مصنوعی آن ها را به عنوان بخشی از شبکه دانش آن حوزه می شناسد.
اگر بخواهیم مهم ترین تفاوت SEO سنتی و SAG را در یک جمله بیان کنیم، شاید این جمله بهترین توصیف باشد:
در SEO برای صفحات اعتبار می سازیم؛ اما در SAG برای موجودیت ها اعتماد ایجاد می کنیم.
در چارچوب SAG، هدف این نیست که هر مقاله به صورت مستقل رتبه بگیرد؛ بلکه تمام محتوا، صفحات، خدمات، مستندات و فعالیت های برند باید در کنار یکدیگر، یک Entity قدرتمند ایجاد کنند.
به همین دلیل، در SAG تنها روی تولید مقاله تمرکز نمی شود. فعالیت هایی مانند:
- ایجاد Knowledge Graph اختصاصی برند
- یکپارچه سازی اطلاعات برند در تمام کانال های دیجیتال
- تولید محتوای مرجع و قابل استناد
- ارتباط دادن برند با موجودیت های معتبر دیگر
- حضور در رسانه های تخصصی و منابع مرجع
- استفاده صحیح از داده های ساختاریافته (Structured Data)
- حفظ هویت یکسان برند در تمام نقاط تماس دیجیتال
همگی بخشی از فرآیند Entity Building هستند.
ساختار و قابلیت استخراج محتوا (Structured & Chunkable Content)
ممکن است دو مقاله از نظر علمی دقیقاً اطلاعات یکسانی داشته باشند، اما یکی از آن ها بارها در پاسخ های مدل های زبانی دیده شود و دیگری تقریباً هیچ گاه انتخاب نشود. یکی از دلایل اصلی این تفاوت، ساختار محتوا و قابلیت استخراج آن است.
مدل های زبانی محتوا را مانند انسان مطالعه نمی کنند. یک کاربر ممکن است یک مقاله را از ابتدا تا انتها بخواند و ارتباط میان بخش های مختلف را در ذهن خود ایجاد کند، اما مدل های زبانی معمولاً اطلاعات را در قالب واحدهای کوچک دانشی (Chunks) پردازش می کنند. بنابراین، هرچه یک محتوا ساختار منظم تر و بخش های مستقل تری داشته باشد، استخراج اطلاعات از آن آسان تر خواهد بود.
به همین دلیل، معماری محتوا به اندازه کیفیت خود محتوا اهمیت پیدا می کند. اگر اطلاعات ارزشمند در میان پاراگراف های طولانی، توضیحات پراکنده یا ساختار نامنظم پنهان شده باشند، احتمال اینکه مدل بتواند آن ها را بازیابی و در پاسخ خود استفاده کند کاهش می یابد.
یک محتوای Chunkable معمولاً ویژگی های زیر را دارد:
- هر هدینگ یک موضوع مشخص را دنبال می کند.
- هر پاراگراف یک ایده اصلی را توضیح می دهد.
- مفاهیم مختلف با یکدیگر ترکیب نمی شوند.
- تعریف، توضیح، مثال و جمع بندی در جایگاه مناسبی قرار دارند.
- ارتباط میان هدینگ ها منطقی و قابل دنبال کردن است.
- مدل می تواند بدون نیاز به خواندن کل مقاله، مفهوم هر بخش را درک کند.
برای مثال، فرض کنید کاربری درباره Entity Trust سؤال کرده است. اگر توضیح این مفهوم در بخش های مختلف مقاله پراکنده شده باشد، مدل مجبور است چندین قسمت را کنار هم قرار دهد تا پاسخ مناسبی تولید کند. اما اگر یک هدینگ مستقل با عنوان «اعتبار موجودیت یا برند (Entity Trust)» وجود داشته باشد و تمام اطلاعات اصلی همان جا ارائه شده باشند، احتمال انتخاب آن بخش به شکل قابل توجهی افزایش پیدا می کند.
به همین دلیل، در عصر هوش مصنوعی، دیگر تنها کیفیت نوشتن کافی نیست؛ ساختار نوشتن نیز به یک عامل رتبه ساز تبدیل شده است.
البته منظور از ساختار، صرفاً استفاده از H2 و H3 نیست. مدل های زبانی به دنبال ساختار منطقی دانش هستند. اگر ترتیب ارائه مفاهیم صحیح باشد، روابط میان موضوعات مشخص باشد و هر بخش نقش مشخصی در انتقال دانش داشته باشد، محتوا برای مدل بسیار قابل فهم تر خواهد بود.
همچنین استفاده صحیح از عناصر کمکی مانند جدول ها، فهرست ها، نمودارها، داده های ساختاریافته، تعریف های شفاف و مثال های هدفمند، می تواند استخراج اطلاعات را برای مدل های زبانی آسان تر کند.
شواهد و قابلیت استناد (Evidence & Citability)
آخرین مرحله در فرآیند انتخاب منابع، بررسی شواهد و قابلیت استناد (Evidence & Citability) است. حتی اگر یک محتوا از نظر ارتباط موضوعی، اعتبار، جامعیت و ساختار در وضعیت مناسبی قرار داشته باشد، مدل های زبانی همچنان این سؤال را مطرح می کنند:
آیا می توان به این اطلاعات اعتماد کرد و در صورت نیاز به آن استناد نمود؟
در واقع، مدل های زبانی تنها به دنبال پاسخ نیستند؛ بلکه به دنبال پاسخی هستند که بتوان از آن دفاع کرد.
به همین دلیل، محتوایی که صرفاً شامل ادعاهای کلی، نظرات شخصی یا جملات تبلیغاتی باشد، معمولاً شانس کمتری برای استفاده در پاسخ های هوش مصنوعی دارد. در مقابل، محتوایی که ادعاهای خود را با شواهد، مستندات و استدلال منطقی همراه می کند، سیگنال های اعتماد قوی تری به مدل ارسال می کند.
این شواهد می توانند اشکال مختلفی داشته باشند، از جمله:
- ارجاع به مقالات علمی یا پژوهش های معتبر
- استناد به مستندات رسمی شرکت ها و سازمان ها
- ارائه آمار همراه با منبع مشخص
- استفاده از استانداردها، قوانین یا اسناد معتبر
- ارائه مثال های واقعی و قابل بررسی
- توضیح چرایی یک ادعا، نه فقط بیان نتیجه
برای مثال، فرض کنید دو مقاله ادعا می کنند که Knowledge Graph بر AI Citation تأثیر دارد.
اگر مقاله اول تنها این جمله را بیان کند، در حالی که مقاله دوم نحوه ارتباط میان Entityها، ساختار دانش، مقالات پژوهشی و مثال های عملی را نیز توضیح دهد، احتمال اینکه مدل زبانی مقاله دوم را به عنوان یک منبع قابل استناد انتخاب کند، بیشتر خواهد بود.
نکته مهم دیگر این است که Evidence تنها به معنای لینک دادن به منابع نیست. گاهی یک محتوا بدون ارجاع مستقیم نیز به دلیل استدلال منسجم، تعریف دقیق مفاهیم، سازگاری با دانش پذیرفته شده و ارائه توضیحات قابل آزمون، از نظر مدل های زبانی قابل اعتماد تلقی می شود. در مقابل، ممکن است مقاله ای ده ها لینک داشته باشد، اما چون ارتباط منطقی میان ادعاها و شواهد برقرار نکرده است، ارزش استنادی بالایی نداشته باشد.
همچنین باید میان استناد (Citation) و تکرار اطلاعات تفاوت قائل شد. مدل های زبانی صرفاً به این دلیل که یک ادعا در چندین وب سایت تکرار شده است، آن را معتبر نمی دانند. آنچه اهمیت دارد، این است که آیا آن ادعا بر پایه شواهد معتبر شکل گرفته و توسط منابع قابل اعتماد پشتیبانی می شود یا خیر.
به همین دلیل، محتوایی که فرآیند استدلال خود را شفاف بیان می کند، منابع اطلاعات را مشخص می کند و مسیر رسیدن به نتیجه را توضیح می دهد، معمولاً شانس بیشتری برای حضور در پاسخ های مدل های زبانی خواهد داشت.
دیدگاه مدل SAG درباره انتخاب منابع توسط مدل های زبانی
اگر مقاله قبل را مرحله «کشف اطلاعات» بدانیم، این مقاله مرحله «انتخاب اطلاعات» است؛ جایی که رقابت واقعی میان برندها آغاز می شود.
از نگاه مدل SAG (Search, AEO, GEO)، تولید محتوا، کسب رتبه در موتورهای جستجو یا حتی ورود به فرآیند بازیابی اطلاعات، پایان مسیر نیست؛ بلکه تنها مجوز ورود به مرحله ای است که مدل های زبانی تصمیم می گیرند کدام منبع شایسته اعتماد و استناد است.
بسیاری از کسب وکارها تصور می کنند رقابت آن ها با رسیدن به صفحه اول نتایج جستجو به پایان می رسد، در حالی که در اکوسیستم هوش مصنوعی، این نقطه تازه آغاز یک رقابت عمیق تر است. مدل های زبانی تنها به دنبال اطلاعات مرتبط نیستند؛ آن ها به دنبال منابعی هستند که از نظر اعتبار، جامعیت، انسجام، ساختار دانشی، قابلیت استناد و اعتمادپذیری نیز در بالاترین سطح قرار داشته باشند.
به همین دلیل، در SAG هدف اصلی تبدیل شدن به Reference Authority است، نه صرفاً یک وب سایت با رتبه بالا.
در این نگاه، هر مقاله یک ابزار بازاریابی نیست؛ بلکه یک سند دانشی است که به مرور زمان بخشی از اعتبار برند را شکل می دهد. هرچه این اسناد دقیق تر، منسجم تر، مستندتر و هماهنگ تر باشند، احتمال اینکه مدل های زبانی برند را به عنوان یکی از منابع قابل اعتماد حوزه تخصصی خود بشناسند نیز افزایش پیدا می کند.
از دیدگاه SAG، ارتباط با سؤال تنها به معنای شباهت موضوعی نیست. محتوای ارزشمند محتوایی است که بتواند مسئله واقعی کاربر را حل کند. به همین دلیل، معماری محتوا نباید بر اساس فهرستی از کلمات کلیدی شکل بگیرد؛ بلکه باید پیرامون مجموعه ای از پرسش های واقعی و نیازهای کاربران طراحی شود.
این نگاه باعث می شود هر هدینگ، هر بخش و حتی هر پاراگراف، یک واحد مستقل دانش (Knowledge Unit) باشد؛ واحدی که بتواند به تنهایی نیز معنا، ارزش و قابلیت استناد داشته باشد.
یکی دیگر از اصول بنیادین SAG، نگاه متفاوت به مفهوم تازگی اطلاعات است. تازه بودن محتوا تنها به تغییر تاریخ انتشار یا افزودن چند پاراگراف جدید محدود نمی شود؛ بلکه به معنای زنده نگه داشتن دانش برند است.
در این مدل، محتوای مرجع یک Living Document محسوب می شود؛ سندی که هم دانش بنیادین خود را حفظ می کند و هم همگام با تغییر فناوری، بازار و نیاز کاربران تکامل پیدا می کند. هدف، ایجاد تعادل میان پایداری دانش و به روز بودن آن است؛ زیرا محتوایی ارزشمند است که علاوه بر حفظ اعتبار، بتواند دانش جدیدی نیز به مخاطب اضافه کند.
از سوی دیگر، اعتماد زمانی شکل می گیرد که اطلاعات برند در تمام نقاط تماس دیجیتال، تصویری یکپارچه و بدون تناقض ارائه دهند. وب سایت، صفحات خدمات، مقالات، شبکه های اجتماعی، داده های ساختاریافته، منابع خارجی و حتی نقل قول های دیگران، همگی بخشی از هویت دانشی برند هستند.
به همین دلیل، یکی از ارکان SAG، Knowledge Alignment یا هم راستاسازی دانش است؛ فرآیندی که تلاش می کند در هر نقطه ای که هوش مصنوعی با برند مواجه می شود، مجموعه ای سازگار از اطلاعات را مشاهده کند.
اما شاید مهم ترین تفاوت SAG در نگاه آن به مفهوم Topical Coverage باشد.
در بسیاری از روش های سنتی، نخست تصمیم گرفته می شود مقاله ای نوشته شود و سپس برای آن ساختار طراحی می شود. اما در SAG، پیش از نگارش حتی یک جمله، ابتدا نقشه دانش موضوع ترسیم می شود.
موجودیت ها شناسایی می شوند، ارتباط میان آن ها استخراج می شود، پرسش های کاربران دسته بندی می شوند و سپس معماری دانش شکل می گیرد. در این رویکرد، سؤال اصلی دیگر این نیست که:
«این مقاله چند کلمه باشد؟»
بلکه این است که:
«برای پوشش کامل این موضوع، چه مفاهیم، چه روابط، چه پرسش ها و چه شواهدی باید در این محتوا حضور داشته باشند؟»
به همین دلیل، ابزارهایی مانند Knowledge Graph، Entity Mapping، Question Mapping و Knowledge Extraction در SAG پیش از تولید محتوا مورد استفاده قرار می گیرند؛ زیرا هدف، ساخت مقاله نیست، بلکه ساخت یک شبکه دانشی منسجم است.
در چنین معماری، مقاله مجموعه ای از پاراگراف های پشت سر هم نیست؛ بلکه مجموعه ای از Knowledge Chunks است که هر کدام به تنهایی نیز قابل فهم، قابل بازیابی و قابل استناد هستند و در کنار یکدیگر، تصویری کامل از یک موضوع ایجاد می کنند.
در نهایت، از نگاه SAG، اعتماد مدل های زبانی صرفاً با ادعا به دست نمی آید.
هر ادعای مهم باید بتواند بر شواهد، استدلال، منابع معتبر و سازگاری با سایر بخش های دانش تکیه کند. محتوایی که فقط پاسخ نهایی را ارائه می دهد، ممکن است مفید باشد؛ اما محتوایی که مسیر رسیدن به آن پاسخ را نیز نشان می دهد، شانس بسیار بیشتری دارد که به یک Reference Content تبدیل شود.
به همین دلیل، فلسفه SAG بر ساخت محتوایی استوار است که علاوه بر پاسخ، تعریف، تحلیل، ارتباط میان مفاهیم، شواهد، منابع و استدلال را نیز در خود جای دهد؛ زیرا مدل های زبانی همانند انسان ها، تنها به پاسخ اعتماد نمی کنند، بلکه به دانشی اعتماد می کنند که بتوان آن را فهمید، بررسی کرد و در صورت نیاز دوباره به آن استناد نمود.
منابع و مطالعات پیشنهادی
- Google Search Quality Evaluator Guidelines
- Anthropic Engineering – Contextual Retrieval
- Stanford University – Introduction to Information Retrieval
SAG Framework
چارچوب پژوهشی توسعه یافته توسط جعفر فرهود برای تحلیل نحوه تولید، سازماندهی، بازیابی، اعتبارسنجی و اثبات دانش در اکوسیستم جستجو، موتورهای پاسخ و هوش مصنوعی.
مطالعه بیشتر:
