生成式搜尋引用能見度的統計不確定性：三大平台實證分析

研究動機與背景

AI 驅動的答案引擎本質上是隨機的，對相同查詢在不同時間可能給出不同答案，甚至引用不同來源。現行的領域能見度衡量大多使用單次抽樣的點估計，將結果視為固定值。

研究方法

本研究針對 Perplexity Search、OpenAI SearchGPT 與 Google Gemini 三個生成式搜尋平台，選取三個消費性產品主題，進行兩種抽樣策略：

• 每日收集：連續九天每平台各一次。
• 高頻抽樣：每十分鐘一次，持續一定時段。

藉由重複抽樣，觀測引用來源的變化。

主要發現

引用分布符合冪律形態，且在不同抽樣間呈現顯著變異。使用自助抽樣法計算的信賴區間顯示，多數看似顯著的領域差異其實落在測量噪音範圍內。進一步的排名穩定性分析發現，即使是常被引用的領域，其排名在不同樣本間亦不穩定，說明單次可見度指標過於精準，容易誤導。

結論與建議

引用能見度應以樣本估計方式呈現，並附上不確定性估計。研究提供了實務上達成可解釋信賴區間所需的抽樣大小參考，建議未來在生成式搜尋的效能報告中加入此類統計資訊。

延伸閱讀

• LLM 對社群網路意見動力學的影響：偏誤、放大與平台設計的角色
• 融合—裂變向量群體動力學預測對話式 AI 行為偏移：基底向量實時預警方法
• xeno-reproduction 與 LLM 結構感知框架：量化並誘導生成多樣性

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。